基于机器学习的高校图书馆用户偏好检索系统研究_沈敏

资 源 简 介

基于机器学习的高校图书馆用户偏好检索系统研究_沈敏

详 情 说 明

高校图书馆作为学术资源的重要集散地，如何高效满足用户的个性化需求一直是研究热点。沈敏的研究聚焦于将机器学习技术应用于用户偏好建模和资源检索优化，提出了一个智能化解决方案。

核心思路是通过分析用户历史借阅记录、检索关键词、页面停留时间等行为数据，利用聚类算法识别用户群体特征，结合协同过滤和内容过滤算法构建混合推荐模型。系统能动态调整权重，例如对新用户侧重热门资源推荐，对老用户则强化个性化标签匹配。

技术亮点在于解决了传统检索系统面临的冷启动问题——通过引入基于神经网络的语义分析模块，系统能理解用户模糊查询背后的真实意图，例如将"人工智能基础教材"自动扩展为包含机器学习、深度学习等关联概念的检索结果。

实际应用中，该系统显著提升了资源利用率，测试数据显示用户检索满意度提升约37%，尤其帮助非专业读者快速定位跨学科资源。未来可探索与课程管理系统对接，实现学习路径与文献推荐的深度绑定。