《Sustainability》:Can Publicly Available Information Predict the Popularity of Library Materials? A Machine Learning-Based Approach Using Open Loan Data from Public Libraries in South Korea
编辑推荐:
公共图书馆中的推荐系统依赖于偏向过去流行度的借阅数据,这使得未被借阅和新出版的图书难以触达用户。为此,研究人员提出并评估了一种基于机器学习的方法,利用韩国公共图书馆的开放借阅数据预测图书馆资料的受欢迎程度。研究构建了三类特征集:基于word2vec的标题嵌入(
公共图书馆中的推荐系统依赖于偏向过去流行度的借阅数据,这使得未被借阅和新出版的图书难以触达用户。为此,研究人员提出并评估了一种基于机器学习的方法,利用韩国公共图书馆的开放借阅数据预测图书馆资料的受欢迎程度。研究构建了三类特征集:基于word2vec的标题嵌入(F1)、读者人口统计特征(性别与年龄组;F2)以及来自韩国十进制分类法(Korean Decimal Classification, KDC)主类号的主题特征(F3)。采用标题级分组交叉验证评估了七种机器学习模型,并选择极端梯度提升(eXtreme Gradient Boosting, XGBoost)作为表现最优的模型。使用该模型,通过对标题级分组交叉验证重复30次并进行配对t检验,考察了各特征集的作用与边际贡献。结果,完整特征集F优于所有两特征集组合,且F3被确认为关键特征集。在预测表现和模型拟合两方面,特征集均稳定排序为F3 > F2 > F1。冷启动评估确认,对完全未见过的图书,模型性能几乎相同。因此,仅利用公开可得信息即可预测图书馆资料的受欢迎程度,这表明一种隐私保护的图书馆资料推荐告知方法具有可行性,与图书馆利用、数字包容和社会正义研究相关。
研究背景与问题:当前出版市场呈现两极分化,少数畅销书获得不成比例的成功,多数图书难以获得关注;生成式人工智能进一步削弱人类作者的竞争力。公共图书馆作为公共资金支持的机构,本应在维持出版生态多样性、促进可持续发展中发挥关键作用。然而,实际借阅模式严重偏向畅销书,用户倾向于按借阅量排序,相似性搜索和传统推荐算法会放大这一偏差;新出版和从未被借阅的图书面临冷启动(cold-start)问题,即因缺乏交互数据而难以被数据驱动系统推荐。因此需要一种新的馆藏推荐方法,能够基于公开数据预测图书对特定性别或年龄组读者的吸引力,从而改善信息可及性。该论文发表在《Sustainability》。
研究人员从韩国开放数据门户收集2023年7月至2024年6月全国公共图书馆借阅记录5,079,375条,经清洗后得到246,821条;构建三类特征集:基于word2vec的标题嵌入(F1)、读者性别与年龄组的独热编码(F2)、韩国十进制分类法(KDC)主类号的独热编码(F3);以标题为分组变量进行标题级分组交叉验证,比较线性回归(linear regression, LR)、支持向量回归(support vector regression, SVR)、XGBoost、多层感知机(multilayer perceptron, MLP)和循环神经网络(recurrent neural network, RNN)等七种模型;用配对t检验分析特征集贡献,并开展冷启动与人口统计亚组验证。
研究结果:
4.1 模型比较结果:通过标题级分组交叉验证比较七种模型,XGBoost在所有评估指标上表现最优,即平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE)最低,决定系数(R
2)最高,且训练时间最短。这说明XGBoost最适合该研究框架下的图书馆资料流行度预测。
4.2 特征分析结果:使用XGBoost并将标题级分组交叉验证重复30次,完整特征集F优于所有两特征集组合;在两特征集组合中,F2+F3表现最好,F1+F2表现最差。排除任一特征集均显著降低预测性能,边际贡献排序一致为F3 > F2 > F1。这说明KDC主题特征(F3)是关键特征集,读者人口特征(F2)与主题特征结合时贡献较强,标题特征(F1)贡献最小但仍显著。
4.3 补充验证结果:冷启动实验采用80/20标题级划分并重复5次,MAE=0.319,RMSE=0.454,R
2=0.730,与标准标题级分组交叉验证结果几乎一致,说明模型对完全未出现在训练集中的新书仍有稳定预测能力。亚组分析显示,性别方面,男性读者的MAE和RMSE较低,女性读者的R
2较高;年龄组方面,三十多岁读者绝对误差最低,青少年绝对误差最高但R
2最高,这种倒置与各亚组目标变量方差差异有关。
讨论部分总结:XGBoost的优势可能源于输入表示接近表格数据;可训练嵌入的MLP变体表现低于冻结嵌入,提示微调6000维嵌入层可能过拟合;RNN表现最弱,与短标题不需要长程依赖建模一致;特征排序F3 > F2 > F1说明主题分类比标题语义更稳健,人口统计信息需与主题类别结合才能发挥更强作用;冷启动结果支持模型可用于新出版或未被借阅的图书;历史借阅数据本身受曝光偏差影响,模型再现的是当前曝光条件下的实际借阅行为,而非完全纠正这一偏差。
结论翻译:本研究旨在设计一种基于机器学习的图书馆资料流行度预测方法。针对研究问题一,七种模型经标题级分组交叉验证后,XGBoost取得最优预测性能与模型拟合度。针对研究问题二,完整特征集F优于所有两特征集组合;F3是关键特征集,边际贡献排序为F3 > F2 > F1。研究贡献包括:证明仅依赖最小公开信息进行隐私保护的流行度预测具有可行性;标题语义表示即使边际贡献最小,仍具有显著预测价值;KDC主题分类是高效的信息来源;预测得分可作为协同过滤信号的先验估计,有助于缓解冷启动问题。该研究关联社会可持续性、资源可持续性和文化可持续性。局限包括:词嵌入无法处理词汇表外单词、数据仅限无特殊符号的韩英文标题、未考虑时间动态、未进行超参数调优、无法完全纠正曝光偏差。未来可引入预训练语言模型、时间动态分析、跨国家验证以及系统超参数调优。