基于云平台的智能图书馆采编方法和系统

技术领域

本发明涉及图书采编、云计算领域，具体涉及一种基于云平台的智能图书馆采编方法和系统。

背景技术

图书采编工作，是指图书馆的采编员根据图书馆的性质和任务，对图书资料进行采购，并按照采编目条例对图书做好分类、著录的工作。在传统的图书采编工作中，需要采编员根据图书的属性对其进行人工分类，即由采编员根据图书的标题名称得到其属性，然后对其进行分类。这种方法虽然可以实现图书的采编，但是需要大量的人力成本，并且工作效率较低。

为了解决上述问题，可采用人工智能设备对图书进行分类，即人工智能设备通过摄像机获取图书的标题名称并识别其中的关键词，然后根据关键词判断图书的类别。但是随着科技的发展，跨领域学科也逐渐兴起，因此很多图书的标题名称中可能会存在两个甚至更多个不同类别的关键词，而现有的人工智能设备不能对其类别进行准确识别。

发明内容

本发明的目的是提供一种基于云平台的智能图书馆采编方法和系统，以解决现有技术中在对图书采编时分类不准确的问题。

为解决上述技术问题，本发明提供的技术方案为：

一种基于云平台的智能图书馆采编方法，包括如下步骤：

步骤一：识别待编图书标题中的关键词，若所得关键词属于同一图书类别对应的关键词组，则将该图书类别作为待编图书的推荐类别，否则，暂不对图书进行编目，获取一段时间后本地图书馆中借阅过该待编图书的用户信息并将这些用户作为目标用户；

步骤二：对各目标用户的历史借阅信息进行分析，分别得到其常规偏好图书序列和非常规偏好图书序列，并计算各目标用户对常规偏好书目的借阅习惯系数；

步骤三：根据目标用户的借阅习惯稳定性指数以及借阅待编图书的频次计算各目标用户的置信度，得到其中置信度大于设定预设置信度的目标用户，将这些目标用户作为分类依据用户；

步骤四：根据分类依据用户的借阅习惯系数、借阅待编图书时的常规偏好类别图书数量得到待编图书的推荐类别集合，根据每个推荐类别的置信度确定本地图书馆的推荐类别；

步骤五：云平台整合所有图书馆的推荐类别得到待编图书的最终推荐类别。

进一步地，所述步骤二中，获取目标用户常规偏好图书序列和非常规偏好图书序列的方法为：

设目标用户共借阅过M种类图书，将各类别按照其借阅的图书数量进行排序，得到该目标用户借阅图书的历史序列；

将该目标用户借阅图书的历史序列中前N项类别组成的序列作为该目标用户的常规偏好图书序列，后M-N项类别组成的序列作为该目标用户的非常规偏好图书序列。

进一步地，所述步骤三中，计算各目标用户的置信度的方法为：

进一步地，所述借阅待编图书前后时间段内借阅习惯稳定性指数的计算方法具体为：

首先获取该目标用户借阅图书时间间隔的平均值l，以及其借阅待编图书的时刻L，并得到在时间区间[L-tl,L+tl]内该目标用户借阅的图书类别，并按照各类别图书的数量从大到小的顺序进行排序，将其中排序在前N的类别序列作为该目标用户的临时偏好图书序列；

然后建立第一比较矩阵A和第二比较矩阵B，设矩阵A中第i行第j列的元素为A

最后计算该目标用户第一比较矩阵和第二比较矩阵的相似度Y：

进一步地，所述借阅习惯系数为μ：

进一步地，所述步骤四中，根据分类依据用户的借阅习惯系数、借阅待编图书时的常规偏好类别图书数量得到待编图书的推荐类别集合具体为：

设其中一位分类依据用户借阅待编图书时，借阅的图书的总数量为P，其中属于其常规偏好序列中类别的图书数量为p，则计算该分类依据用户本次借阅的常规类别偏好系数为μ

进一步地，该方法还包括：当μ

进一步地，当获取的目标用户在时间区间[L-tl,L+tl]内借阅的图书类别数量为C且C小于N时，该目标用户的临时偏好图书序列中共有C个类别，第一比较矩阵和第二比较矩阵的大小均为C行C列。

一种基于云平台的智能图书馆采编系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；当所述处理器执行所述计算机程序时，实现以下方法：

步骤一：识别待编图书标题中的关键词，若所得关键词属于同一图书类别对应的关键词组，则将该图书类别作为待编图书的推荐类别，否则，暂不对图书进行采编目，获取一段时间后本地图书馆中借阅过该待编图书的用户信息并将这些用户作为目标用户；

步骤二：对各目标用户的历史借阅信息进行分析，分别得到其常规偏好图书序列和非常规偏好图书序列，并计算各目标用户对常规偏好书目的借阅习惯系数；

步骤三：根据目标用户的借阅习惯稳定性指数以及借阅待编图书的频次计算各目标用户的置信度，得到其中置信度大于设定预设置信度的目标用户，将这些目标用户作为分类依据用户；

步骤四：根据分类依据用户的借阅习惯系数、借阅待编图书时的常规偏好类别图书数量得到待编图书的推荐类别集合，根据每个推荐类别的置信度确定本地图书馆的推荐类别；

步骤五：云平台整合所有图书馆的推荐类别得到待编图书的最终推荐类别。

本发明所提供的技术方案，当待编图书的标题中不存在关键词或者有多种类别的关键词时，根据其借阅用户的历史借阅信息得到其中置信度大于设定置信度的用户，然后根据这些用户的借阅习惯确定其类别。本发明所提供的技术方案能够解决现有技术中在对图书采编时分类结果不准确的问题。

附图说明

图1是本发明方法实施例中基于云平台的智能图书馆采编方法的流程图。

具体实施方式

实施例1：

本实施例提供一种基于云平台的智能图书馆采编方法，该方法的流程如图1所示，包括如下步骤：

步骤一：识别待编图书标题中的关键词，若所得关键词属于同一图书类别对应的关键词组，则将该图书类别作为待编图书的推荐类别，否则，暂不对图书进行采编目，获取一段时间后本地图书馆中借阅过该待编图书的用户信息并将这些用户作为目标用户；

步骤二：对各目标用户的历史借阅信息进行分析，分别得到其常规偏好图书序列和非常规偏好图书序列，并计算各目标用户对常规偏好书目的借阅习惯系数；

步骤三：根据目标用户的借阅习惯稳定性指数以及借阅待编图书的频次计算各目标用户的置信度，得到其中置信度大于设定预设置信度的目标用户，将这些目标用户作为分类依据用户；

步骤四：根据分类依据用户的借阅习惯系数、借阅待编图书时的常规偏好类别图书数量得到待编图书的推荐类别集合，根据每个推荐类别的置信度确定本地图书馆的推荐类别；

步骤五：云平台整合所有图书馆的推荐类别得到待编图书的最终推荐类别。

本实施例中多个图书馆的管理系统均与云平台通讯连接，通过云平台进行信息交互。针对较难分类的待编图书，本地图书馆对根据本馆读者的借阅信息生成本馆的推荐类别，由云平台整合各图书馆的推荐类别，生成最终推荐类别。传统图书编目中，针对较难分类的待编图书，往往是根据采编员的经验进行粗分类，由于采编员经验各有差异，编目可参考价值参差不齐。本发明基于读者的阅读习惯信息生成推荐类别，所得推荐类别更贴合借阅者角度的分类倾向，而且通过云平台技术整合所有图书馆的推荐类别信息，进一步有助于获得更具参考价值的图书类别信息。

本实施例的步骤一中，基于图像识别技术提取书籍标题区域，并基于文字识别技术提取出图书标题中的关键词。每个图书类别对应一个关键词组，如果所提取的关键词属于同一个关键词组，则将所对应图书类别作为待编图书的类别，否则需要获取一段时间后本地图书馆中借阅该待编图书的用户借阅信息。

本实施例的步骤二中，获取目标用户常规偏好图书序列和非常规偏好图书序列的方法为：设其中一位目标用户共借阅过M种类图书，将这些图书的类别按照该目标用户借阅的图书数量进行排序，得到该目标用户借阅图书的历史序列；将该目标用户借阅图书的历史序列中前N项组成的序列作为该目标用户的常规偏好图书序列，后M-N项序列作为该目标用户的非常规偏好图书序列。其中M为大于1的正整数，N为不大于M的正整数。

本实施例的步骤三中，目标用户对待编图书置信度Z的计算公式为：

其中，Q为本地图书馆借阅过待编图书的用户数量，G为本地图书馆的用户总数量，h为该目标用户借阅待编图书的总次数，Y为借阅待编图书前后时间段内借阅习惯稳定性指数，E为该目标用户整体借阅习惯稳定性指数；z

本实施例中目标用户的临时借阅置信度获取的方法包括如下步骤：

步骤1.1：获取目标用户借阅图书间隔时间的平均值。

设目标用户共借阅过X次图书，其中第x次借阅图书与第x+1次借阅图书之间的时间间隔为Lx，则该目标用户借阅图书时间间隔的平均值为

步骤1.2：获取目标用户借阅待编图书的时间L，并得到在时间区间[L-tl,L+tl]内该目标用户借阅的图书类别，并按照各类别图书的数量从大到小的顺序进行排序，将其中排序在前N的序列作为该目标用户的临时偏好图书序列，其中t为大于1的正数。

步骤1.3：根据目标用户的常规偏好图书序列得到第一比较矩阵，根据目标用户的常规偏好图书序列和临时偏好图书序列得到第二比较矩阵，且第一比较矩阵和第二比较矩阵均为N行N列的矩阵。

设该目标用户的第一比较矩阵为A，矩阵A中第i行第j列的元素为A

设第二比较矩阵为B，矩阵B中第i行第j列的元素为B

步骤1.4：计算该目标用户第一比较矩阵和第二比较矩阵的相似度，计算公式为

步骤1.5：根据目标用户第一比较矩阵和第二比较矩阵的相似度计算临时借阅置信度，计算公式为

z

需要说明的是，如果借阅多次，需要计算多个临时借阅置信度取均值。特别地，如果两次借阅十分相近，那么可以将两次借阅的时间段合并计算临时借阅置信度。

本实施例中，目标用户待编图书借阅次数置信度的计算公式为：

z

其中h为该目标用户借阅待编图书的总次数。

本实施例中，目标用户借阅习惯置信度的计算方法为：

步骤2.1：获取目标用户借阅图的总次数X，其中第x次借阅图书的数量为S

其中

步骤2.2：计算该目标用户借阅习惯的均方差E，计算公式为：

步骤2.3：根据该目标用户借阅习惯的均方差计算其借阅习惯的置信度，计算公式为：

z

步骤四中，根据分类依据用户的借阅习惯系数、借阅待编图书时的常规偏好类别图书数量得到待编图书的推荐类别集合具体为：

设其中一位分类依据用户借阅待编图书时，借阅的图书的总数量为P，其中属于其常规偏好序列中类别的图书数量为p，则计算该分类依据用户本次借阅的常规类别偏好系数为μ

本实施例中目标用户临时借阅置信度权重α根据第一矩阵和第二矩阵的行列数确定，本实施例中第一矩阵和第二矩阵均为N行N列，因此本实施例中目标用户临时借阅置信度权重α为

目标用户的借阅习惯置信度权重的计算公式为

且α+β+γ＝1

其中

作为其他实施方式，当获取的目标用户在时间区间[L-tl,L+tl]内借阅的图书类别数量为C且C小于N时，则该目标用户的临时偏好图书序列中共有C个类别，所建立的第一比较矩阵和第二比较矩阵的大小均为C行C列。

作为其他实施方式，当μ

本地图书馆根据分类依据用户可以得到推荐类别集合，根据一个类别对应的所有借阅用户的置信度累加和，确定置信度最大的类别为本地图书馆的推荐类别。云平台依据投票机制整合所有图书馆的推荐类别，即可得到待编图书的最终推荐类别。

实施例2：

本实施例提供一种基于云平台的智能图书馆采编系统，包括处理器与存储器，存储器上存储有用于在处理器上执行的计算机程序，处理器执行该计算机程序时，实现如上述方法实施例中所提供的基于云平台的智能图书馆采编方法。

以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。