基于机器学习的高校图书馆高利用率教参书识别研究

图书馆杂志 ›› 2020, Vol. 39 ›› Issue (11): 44-45.

基于机器学习的高校图书馆高利用率教参书识别研究

徐梦宇成伟华张计龙

出版日期:2020-11-25 发布日期:2020-11-25
作者简介:徐梦宇女，复旦大学文献信息中心，硕士研究生。研究方向：数据管理与应用。作者贡献：数据收集、实验、论文撰写。 E-mail：17210830025@fudan. edu.cn 上海 200433 成伟华复旦大学图书馆，副研究馆员。研究方向：数字图书馆。作者贡献：研究方案设计、论文修改。上海 200433 张计龙复旦大学图书馆，研究馆员。研究方向：数字图书馆、科学数据管理。作者贡献：主题策划、论文修改定稿。上海 200433

Research on the Identification of University Library’s Frequently Utilizated Reference Books Based on Machine Learning Methods

Xu Mengyu, Cheng Weihua, Zhang Jilong

Online:2020-11-25 Published:2020-11-25

摘要/Abstract

摘要： 教参书保障与支持服务是高校图书馆对教学活动提供支持服务的重要任务之一。从馆藏图书中识别出高利用率教参书，是后续深入开展教参书保障支持和精准服务的基础和前提条件。基于机器学习方法特点和海量用户动态行为数据，本文首先从借阅人群、借阅时间、利用率三个方面选取了七个维度的核心特征指标对高利用率教参书进行特征指标建模。随后，基于四种主流、典型机器学习算法：支持向量机、决策树、随机森林以及XGBoost，进行了对比实验。实验表现最好的XGBoost算法的查准率（Precision）、查全率（Recall）和F1分数（F1-score）分别为 0.849、0.906、0.876，取得了较好的识别结果。

Abstract: The support services related to reference books is one important task of university libraries. The prerequisite of carrying out that is to identify the frequently utilized reference books. Based on machine learning methods and massive dynamic data about user behaviors, this paper first constructs seven-dimensional feature sets about borrower types, borrowing time and utilization rate to establish the identification model of frequently utilized reference books. In the experiment session, Support Vector Machine, Decision Tree, Random Forest and XGBoost algorithm are selected for comparison. Among them, XGBoost algorithm yields the best experimental performance. To be specific, its precision, recall and F1-score are 0.849, 0.906, 0.876. In summary, we obtain good identification result in this paper.

徐梦宇成伟华张计龙. 基于机器学习的高校图书馆高利用率教参书识别研究[J]. 图书馆杂志, 2020, 39(11): 44-45.

Xu Mengyu, Cheng Weihua, Zhang Jilong. Research on the Identification of University Library’s Frequently Utilizated Reference Books Based on Machine Learning Methods[J]. Libraly Journal, 2020, 39(11): 44-45.

参考文献

[ 1 ] 牛勇.图书馆精准服务研究[J]. 图书馆学研究, 2016(5): 50-52. [ 2 ] 李晓瑜.大数据时代国内图书馆精准服务模式比较研究[J]. 图书馆学刊, 2018, 40(1): 127-130. [ 3 ] 陈铭, 叶继元.高校图书馆电子教参服务的进展与问题探讨[J]. 大学图书馆学报, 2017, 35(5): 66-73. [ 4 ] Jeffryes Jon, et al. Integration Innovation: Launching the Library into a Course Management System[J]. Journal of Library Innovation, 2011(1): 20-34. [ 5 ] Jacqueline Solis, Ellen M Hampton. Promoting a Comprehensive View of Library Ｒresources in a Course Management System [J]. New Library World, 2009(1/2): 81-91. [ 6 ] Curtin University joins Ex Libris Leganto earlyadopter program[EB/OL]. [2019-08-11]. https:// librarytechnology.org/news/pr.pl?id=20952. [ 7 ] 黄晓斌, 杨敏.世界一流大学图书馆为本科教学服务的做法与启示[J]. 图书馆论坛, 2019, 39(7): 136-143. [ 8 ] 胡冉, 姜爱蓉.清华大学教参服务系统建设的实践与创新[J]. 图书馆学研究, 2015(20): 64-68. [ 9 ] 成伟华, 张计龙.高校教学参考服务平台与校园 E-learning平台整合的设计与实现——以CALIS 三期全国教学参考服务平台为例[J]. 图书情报工作, 2013, 57(9): 37-43. [10] 施晓华.融入创新教学模式的电子教参服务体系构建——以上海交通大学为例[J]. 图书情报研究, 2017, 10(2): 36-42. [11] 张荣, 张腾跃, 胡玲.数字图书馆的用户偏好模型及个性化推荐研究[J]. 黑河学院学报, 2017, 8(5): 208-210; 220. [12] 沈敏, 杨新涯, 王楷.基于机器学习的高校图书馆用户偏好检索系统研究[J]. 图书情报工作, 2015, 59(11): 143-148. [13] 谢智敏, 郭倩玲.基于深度学习的学术搜索引擎——Semantic Scholar[J]. 情报杂志, 2017, 36(8): 175-182. [14] 刘高军, 陈东河.图书自动分类技术研究与实现[J]. 软件导刊, 2016, 15(5): 150-152. [15] 王昊, 严明, 苏新宁.基于机器学习的中文书目自动分类研究[J]. 中国图书馆学报, 2010, 36(6): 28-39. [16] 马范玲, 胡泽文.基于SUMO本体的图书自动分类模型研究[J]. 情报杂志, 2011, 30(1): 168-173. [17] 傅余洋子.基于LSTM模型的中文图书分类研究[D]. 南京: 南京大学, 2017. [18] 杨剑锋, 乔佩蕊, 李永梅, 等. 机器学习分类问题及算法研究综述[J]. 统计与决策, 2019, 35(6): 36-40. [19] Breiman L. Random Forests [J]. Machine Learning, 2001, 45(1): 5-32. [20] Chen T, Guestrin C. XGBoost: A scalable tree boosting system [C]// Proceedings of the ACM SIGKDD international conference on knowledge discovery and data mining. 2016: 785-794. [21] Mei X, Wang R, Yang W, et al. Predicting malignancy of pulmonary ground-glass nodules and their invasiveness by random forest [J]. Journal of Thoracic Disease, 2018, 10(1): 458-463. [22] Taylor R A, Moore C L, Cheung K H, et al. Predicting urinary tract infection in the emergency department with machine learning [J]. PLoS One, 2018, 13(3): e0194085. [23] 朱学华, 杨明钰, 夏海缀, 等.机器学习模型在预测肾结石输尿管软镜碎石术后早期结石清除率中的应用[J]. 北京大学学报(医学版), 2019(4): 653-659. [24] 许侨洋.基于特征提取的ICU患者死亡风险预测研究[D]. 南京: 南京大学, 2019. [25] 马旭辉.基于机器学习的上市公司财务风险智能识别研究[D]. 南京: 南京大学, 2019.