好书推荐作文十篇

好书推荐作文篇1

这本书里不仅仅能教你怎么写作文，还能看到很多精品作文。比如；《这个星期日，我真快乐》教你写日记，《小乌龟要表演啦》教你写小动物，《爱护花草》教你写事情的文章，《我的一天》教你什么是流水账。

《这个星期日，我真快乐》讲的就是小明星期日和妈妈一起学做蛋炒饭的一件事。《小乌龟要表演啦》是讲一次动物大会，小红带着他的宠物小乌龟去表演。《爱护花草》是讲小明和小红一同去公园，小红想把一束花摘下来，带在她自己的头上，给自己打扮得像个迎春娃娃，小红刚要摘，小明就说“小红！你千万不要摘，你摘了，别人就看不了了。”

我最喜欢这本书了，因为有一次，我的作文不会写，题目是《我喜欢的小动物》。我立即打开了这本书，我看了看上面的作文指教，一下子就会了，还得了个优呢！

好书推荐作文篇2

——《艰难的归程》

今年首期的《儿童文学》，它的封底上介绍了一本书——《艰难的归程》，长篇小说。随随便便看了看简介，便被小说的内容所吸引，马上上网订购了回来。

《艰难的归程》，这本书的大意是说，被宠物场淘汰的即将推上餐桌的杂种狗，在经历逃生、求生的过程中，被宠物场外那艰难的生存环境，改造成了一个动作敏捷、冷酷无情的生成机器，直到最后有幸逃入了牧场。在牧场中，与人接触，逐渐地开始信任人类。由于蓬松的毛，杂种狗被命名为“阿蓬”。后面的一段日子里，在牧场与一头充当牧犬的驯狼结下了友谊，可是驯狼本性不改，怂恿阿蓬和它一起回归草原，可是阿蓬仍以牧场为归宿。某日，牧场的另一个分场的二百多头良种羊，预测到它们会被一场强寒流袭击，必须赶往一暖处。杂种狗阿蓬，与另一条天性懒惰、胆小的牧犬担当起守护分场职责。然而，天有不测风云，一次滑坡，使主人丧命。聪明的阿蓬领着羊群，突破狼群的围追堵截，逃到了葫芦口，却饿得再也没有力气，可是，阿蓬哪里忍心吃掉羊群来填充自己的辘辘饥肠？此时，狼群的凶狠进攻，使良种羊们的安危迫在眉睫。这时，在牧场的那只驯狼使局势有了转变，让阿蓬勇敢地带领着羊群回归了牧场。

作者牧铃，用形象而生动的手法，向我们演绎了动物世界的温情和人类对大自然生命的敬畏，让读者接触到草原的清新空气。

好书推荐作文篇3

大家好，我向你们推荐一本好书：《自然图书馆之宇宙篇》。内容丰富，知识丰富，里面的内容让人一看就喜欢上了。

这本书是全彩图的，有更多供我们了解和欣赏，还有图的解释，告诉我们一些关于星系、星座、星云、绚丽多彩的恒星、彗星、流星``````的一些知识。

一些星座的传说真让人着迷。一幅幅图案吸引着你的眼睛。这本书还设定了一些小栏目，像：“趣味角”、“难不倒”、“名人简介”``````

看一看价格，挺便宜的，才30元。你们肯定会说：“30元也便宜啊？”工本费吗，算贵了点，但是里面的知识是无价的。也许，你买了这本书，细细地研究，等到十年以后，你可能会是一位中外闻名的天文学家呢。

好书推荐作文篇4

一说起书，很多人都能想到它的好处。读书可以让你懂得了更多的知识；当你不开心时，就翻翻书吧！书可以让你忘记所有的烦恼、忧愁。总之一句话，书的好处多得数不清！

在我的脑海中，总有一片无边无际的书的海洋，无时无刻不在吸引着我的视线，诱惑着我的灵魂，丰富着我的知识，激发着我的潜能，提高着我的内涵。在这片知识的海洋中，我茁壮成长。在我的理解中，所谓好书应该是能够反映时代的具有丰富思想内涵、新颖的形式、风格以及精湛独特的技术语言三者兼备的优秀作品吧。如弥尔顿所说：一本好书是一个艺术大师宝贵的血液，是超越生命之外的生命。是好书伴我一路同行。

叔本华曾说：在一切知识的领域中，人类知识的大部分都是呈现在做为人类文字记录的纸页和书籍中。所以我那渴求知识的心灵只有在书的海洋中沐浴才会得到滋润。我在书中解读百态社会、解读世界风情、解读古典文化……书是我的精神食粮，我在书中汲取着营养，没有营养的供应，我还能在人生的道路上前进吗？

读好书时的意境陶冶了我的情操。有时人成功的灵感就产生于

良好的情操中。在细雨蒙蒙的午后，读着冰心清新明丽、隽永含蓄，有行云流水之美的散文，让心灵在她细腻的笔下轻轻游动，如同班得瑞的音乐在耳旁轻轻奏响；如同露珠在晨光照耀下的美丽，如同山泉悄悄地从心田流过。这种读书的意境，是我茁壮成长的氧气。书引起我无尽的思索，在这种思索中我快乐地成长。

好书让我写作文时驾轻就熟。能很多同学一提起写作文就会头疼，可是我却从来没有过这样的体会。在不断的阅读中，我的头脑中积累了丰富的材料，在写作文时，我总能按照老师的要求，写出令人满意的作文。

好书能让我调整心态，净化灵魂。在一个人的成长岁月中，不可能永远的一帆风顺，不可能总是激情满怀，此时，一本好书就如同一位人生导师，给我们人生之帆导航。读一读老舍先生的那本幽默散文，在他富有个性的语言中领略人生的乐趣；读一读那本《让心灵透透气》，在美的语境中品尝自由。看着那些拨动人心灵的文字，亲吻着文学的碧波，生活纯洁的美、感人的爱展现在我面前。在此时，我真正地体会到了托玛斯·肯皮斯的那句话：“我曾四处寻找幸福，其实幸福就是一个人躲在角落里看书。”

书，你让我开心，让我忧愁，和你在一起，让我的童年生活如此的丰富多彩。你是我的良师，更是我的益友，谢谢你，一路伴我成长。书，像一双千里眼，让我们了解世界；书，又像一个时间隧道，带我们回想远古，想象未来；书，更像慈祥的知识老人，把深奥的知识传授给我们。每一本好书都像一位启蒙老师，指引着我前进的方向，它告诉了我做人的准则，让我从中获得更多的知识，树起我人生的奋斗目标。

《白雪公主和七个小矮人》仿佛也把我带到了那座小木屋里，同时，也告诫我：不能以外貌来判断人的美和丑；《头悬梁锥刺股》中的主人公苏秦激起了我勤学的火花，将来报效祖国；《卖火柴的小女孩》让我看到了她那悲惨的童年生活，使我更加珍惜现在的幸福生活；《钢铁是怎样炼成的》一书中主人公保尔？柯察金那种坚强的意志深深地打动了我，教育我要在困难面前树立信心；一套《中华上下五千年》丛书展示了一部熠熠生辉的中国历史，让我看到了我们伟大祖国五千年的悠久历史，使我更加热爱我们的祖国了……

从读书中，我学到了，要想读好书，靠的是顽强的毅力、执着的热情，正如杜甫所说的：“读书破万卷，下笔如有神。”“冰冻三尺，非一日之寒，滴水穿石，非一日之功。”孔子手不释卷，才有“韦编三绝”的故事，中华才有这位大名鼎鼎的教育家和思想家。

好书推荐作文篇5

我看过很多的书，有：《西游记》、《水浒传》、《三国演义》、《红楼梦》等。其中我最爱看的，也是我要向你推荐的一本书，就是四大名着中的《三国演义》。

《三国演义》里讲的是刘备、关羽、张飞在桃园结义，招兵买马，镇压黄巾军的故事。他们因为是刚上战场的兵，不懂策略和军事，于是他们三顾茅庐把诸葛亮请出了山，当他们的军师。诸葛亮这个人物，他可是神机妙算，上知天文、下知地理。在《三国演义》里面，他弄出的典故可不少，例如：借东风、火烧赤壁、锦囊妙计、草船借箭等等。最后刘备病故，关羽战死，张飞遭到暗杀。刘备临死前吩咐诸葛亮一定要帮助他的儿子阿斗，统一天下。可这阿斗是扶不上墙的烂泥，整天不务正业，最后被敌军抓走。

也许你会问：这最后都去世的去世，抓走的抓走，那你向我推荐这本书干吗？！别急，听我说一句话：“我向你推荐的理由啊！是因为这里面的每一个人说的每一句话，做的每一件事，都值得细细品味。”例如：诸葛亮在草船借箭这件事上，显示出了他的神机妙算，本来给他十天，他只要三天，这显示出了他的聪明过人与临危不惧的冷静。在空城计里，也显示出他的冷静和机智。

听了我的介绍，你喜欢这本书吗？如果喜欢的话，那事不宜迟，赶紧去买一本品一品吧！

广东广州海珠区东风小学五年级:1415045335

好书推荐作文篇6

这套书是由中国大百科全书出版社于2005年9月出版发行的，是众多的编辑们呕心沥血专门为少年儿童学知识，长见识编写的。这套书共4本，可以带我们到8个地方去玩，边玩边学。这8个地方是：“中国家园”、“世界公园”、“地球村”、“太空馆”、“动物园”、“植物园”、“科学宫”和“文体馆”。

这套书的编排十分符合儿童的阅读心理。为了让小朋友们认识方便，编者们精心地把相关的知识归到一起，形成一个个知识门类。为了让小朋友们玩有长进，学有系统，编者们在知识门类里选取了一个个知识主题。每个知识选取主题下一般有3~8个知识点。每个知识点向你细致地介绍一个小知识，把一个个知识连起来，你就大有学问了。这套书共容纳有知识点1330个。分别是《中国家园》179个，《世界公园》127个，《地球村》210个，《太空馆》125个，《动物园》281个，《植物园》159个，《科学宫》129个，《文体馆》120个。

这套书最令我爱不释手的是：每个展开页上都有5~20幅精美而珍贵的图片，其中1~2幅是主图，其他是辅图。这些图片可以帮助我们更好地学习和理解知识。

此外，这套书还有一大特色：知识归纳与互动。它把一些有意思的小知识、小问题，归纳到6W（when who what why how）中进行说明。在互动项目中，让我们选择答案。这便于我们系统地掌握知识，及时巩固所学。

好书推荐作文篇7

你知不知道为什么人要喝水？你又知不知道为什么母鸡会下蛋？知不知道为什么蜜蜂要在花丛中采蜜？知不知道为什么太阳从东方升起？这些疑问都可以从《十万个为什么》这本书里找到答案。

《十万个为什么》这本书里内容很丰富，就像一位智慧老人和一位朋友在帮我们解决难题，让我们明白许多的道理。

《十万个为什么》这本书里还有一个好处呢！它的文章描写得很生动，很形象，又让人很容易明白。只要打开一页，就好像走进知识的大门，如果看完这一页，我就会忍不住继续往后翻，于是，我就明白了很多的知识与道理。

同学们，你们要是有什么困难和不理解的问题，都可以来《十万个为什么》这本书里寻找答案哦！我相信这本书一定会帮到你们的！

好书推荐作文篇8

关键词：图书推荐；借阅特征；协同过滤；特征提取

中图分类号：G250.71 文献标识码：A 文章编号：1007-9416（2017）03-0156-03

1 引言

目前高校图书馆的馆藏资源通常成千上万，而且种类繁多，因此读者会花费大量的时间用于寻找自己感兴趣的图书。而随着图书行业的繁荣，书目与种类日益增多。传统的搜索引擎已经不能完全的满足读者对图书的辨识。因此，针对这种信息获取的困难，出现了许多针对于个性化图书推荐系统的相关研究。

目前高校图书馆的推荐系统存在以下一些问题。第一，推荐系统不够个性化，一些高校的图书推荐模块仅仅是依靠于借阅量以及根据借阅记录基于图书本身的内容进行推荐。第二，许多个性化图书推荐系统虽然采用协同过滤的技术，实现了个性化，但是协同过滤算法本身依赖于用户对项目的评分，而大部分高校图书馆的借阅记录中都没有读者对图书的评分这一项。第三，由于数据稀疏性的原因，导致一些没有借阅过的或被借阅次数很少的图书无法被有效的推荐给其他人。

如之前所说，协同过滤依赖于用户对物品的评分，而对于高校图书馆，如何根据读者的借阅记录将其特征转化为对图书的评分，从而提高推荐的准确性。是本文研究的重点。同时，本文也将根据借阅记录提取与时间相关的特征，考虑时间因素，例如图书借阅的先后顺序，或者在某些大型综合考试如英语四、六级考试前为读者推荐相关的图书。

本文的核心步骤主要分为两大类：

（1）利用基于用户的协同过滤算法对推荐结果进行粗召回。

（2）利用特征提取算法对用户及借阅记录进行特征提取，构建读者偏好模型。

本文第2节介绍了个性化推荐方法的研究工作，第3节详细阐述本文提出方案的具体原理；第4节是关于本文提出的推荐方案在真实数据集上的实验分析与讨论；最后第5节给出结论和未来的工作。

2 方案原理

该方案主要分为两个部分，第一部分利用基于协同过滤算法对借阅记录进行推荐，得出一个粗召回的结果集。第二部分利用特征提取算法对借阅记录进行特征提取，将提取的特征以向量的形式作为读者偏好模型的维度，训练读者的偏好模型。

2.1 推荐算法比较

推荐算法比较，当前，个性化推荐方法通常采用三类核心推荐算法[1]：（1）基于关联规则的推荐算法（Association Rule-based Rcommendation）；（2）基于内容的推荐算法（Content-based Rcommendation）；（3）基于协同过滤的推荐算法（Collaborative Filtering Rcommendation）下面U述三类推荐算法的原理以及优缺点。

基于关联规则的推荐算法是以关联规则为基础，研究的核心问题即项目集A与其他项目集的关联关系。直观的意义就是对图书A偏好的读者又借阅了图书B和C，那么可以说B与C和A存在关联关系。比如借阅了大数据相关图书的读者一般还会借阅hadoop相关的图书。基于关联规则的推荐算法优点在于算法的复杂程度，因此可以深度挖掘读者的兴趣偏好，提高推荐精准度。缺点在于算法实现较为复杂，如何在成百上千万的项目中计算每个项目之间的关联规则是算法的核心和难点，因此生成个性化推荐结果较为耗时。

基于内容的推荐算法，是以产生关系的项目为中心，提取项目的特征，寻找与该项目相似的其他项目推荐给用户，例如读者借阅了朱自清的散文集，可能也会对冰心的散文感兴趣。基于内容的推荐算法在图书推荐方面优点在于，不存在冷启动问题，即对新书以及新读者都比较容易产生推荐，缺点在于不够个性化，不能挖掘出读者深度的兴趣偏好。

基于协同过滤的推荐算法是当前个性化推荐领域中最流行的推荐算法。它包括两大类，一是基于用户的协同过滤，二是基于项目的协同过滤[2]。以基于用户的协同过滤为例，它的原理就是利用用户与项目之间的评分计算目标用户与每个用户的相似度，根据相似度的排序选定最近邻用户[3]，将近邻用户中所产生关系的项目中选取目标用户没有产生关系的项目作为推荐项目推荐给目标用户。同理，基于项目的协同过滤是计算项目间[4]的相似度从而产生项目间的近邻，生成推荐。基于协同过滤的推荐算法优点很明显，就是与内容无关，通过计算用户的相似度，来深度挖掘用户的潜在兴趣，真正的可以实现个性化推荐。由于算法的基础是依赖于用户与项目之间的作用关系，因此基于协同过滤的推荐算法缺点在于冷启动问题，即对新用户或新项目的推荐不够好。

2.2 基于用户的协同过滤算法

综合上一小节，由于基于协同过滤的推荐算法是目前推荐领域的主流，而且它可以实现真正的个性化推荐，因此本文中提出的推荐方案第一部分选取基于协同过滤的推荐算法。基于用户的协同过滤算法第一步是生成用户-项目的评分矩阵，如图1所示是一个m x n的二维矩阵。其中m表示用户数，n表示项目数，Rm，n表示用户m对项目n的评分。由于本文的研究背景是高校图书馆的借阅记录，没有读者对图书的评分项，因此只记录其作用关系，即借阅过的记为1，未借阅的记为0。

基于用户的协同过滤第二步是生成根据用户-项目矩阵生成最近邻用户，这个过程的本质相当于为目标用户在矩阵R中计算一个相似性的排序集合。计算用户相似度的方法主要有2种：

（1）余弦相似性（Cosine）：设用户i 和用户j 在m维对象空间上的评分表示为向量i，j，则sim（i，j）的相似性计算方法如下：

（2）相关相似性（Correlation）：设用户i 和用户j 共同评分的对象集合用Iij 表示[5]，则用户i 和用户j 之间的相似性通过Pearson 相关系数度量，方法如下：

基于用户的协同过滤第三步是生成推荐结果，由第二步计算得出目标用户的最近邻集合，设用户u的最近邻用户集合为Su，则用户u对项目i的预测评分Pu，i可以通过用户u对最近邻用户集合Su中的项目评分得到[6]。计算公式如下：

其中sim（u，n）表示用户u与用户n之间的相似性，Rn，i表示用户n对项目i的评分，Rn分别表示用户u和用户n对项目的平均评分。

2.3 利用特征提取算法对借阅记录进行特征提取

上一小节阐述了本文中推荐方案的第一部分，即利用协同过滤算法对推荐结果集进行粗召回，可以对阈值进行设置，产生大量的可能的推荐对象。而研究背景的借阅数据中，存在很多的可以描述用户兴趣偏好的特征，因此，本节阐述的是推荐方案中的第二部分，即利用特征提取算法对借阅记录进行特征提取，建立用户偏好模型。通过实际数据对模型进行训练，最终产生更精确的推荐结果。

本文的研究背景是基于高校图书馆的借阅记录，而借阅记录是表示读者兴趣偏好的直接来源。因此，如何对读者的借阅记录进行特征提取，建立兴趣偏好模型，是提高推荐精确度的关键。也是本文中推荐方案的第二部分的核心。以我校图书馆的借阅数据分析，其中包括三类特征信息，第一类是用户的基本信息，第二类是图书的特征信息，第三类是关于借阅行为的特征信息。包括的特征可以整理为：

通过上述整理的特征构建读者-特征矩阵，如图2。

y值表示user（i）最终是否借阅了图书，利用读者每一年的数据中第一学期的和第二学期的一部分作为训练集，余下的部分作为测试集。建立读者偏好模型。利用偏好模型，对该推荐方案中第一部分粗召回结果集进行评分拟合。按照拟合评分的排序结果，产生最终优化的推荐结果。

目前，利用机器学习技术领域中相关的有监督学习算法，可以对数据进行建模，并训练模型。最终根据兴趣偏好模型拟合推荐结果集。

GBDT（Gradient Boosting Decision Tree） 又叫 MART（Multiple Additive Regression Tree），GBDT模型是一种解决回归问题的树模型，本质是一种迭代的决策树算法。该算法由多棵决策树组成，所有树的结论累加起来做最终结果。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。GBDT主要有三个部分组成：

（1）DT：回归树 Regression Decision Tree。GBDT的核心在于累加所有树的结果作为最终结果，而分类树的结果显然是没办法累加的，所以GBDT中的树都是回归树，不是分类树。

（2）Boosting，迭代，即通过迭代多棵树来共同决策。GBDT的核心就在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。

（3）Shrinkage即缩减。Shrinkage的思想认为，每次走一小步逐渐逼近结果的效果，要比每次迈一大步很快逼近结果的方式更容易避免过拟合。即它不完全信任每一个棵残差树，它认为每棵树只学到了真理的一小部分，累加的时候只累加一小部分，通过多学几棵树弥补不足。

目前来说，GBDT几乎可用于所有回归问题（线性/非线性），相对logistic regression仅能用于线性回归，GBDT的适用面非常广。亦可用于二分类问题（设定阈值，大于阈值为正例，反之为负例）。

3 实验

3.1 实验数据

本文的研究背景是高校图书馆，因此本文实验数据采用北京市某高校的图书馆借阅记录作为本文所提出方案的实验数据。数据涵盖了近10年200万条借阅记录，20万条图书信息以及17000的读者信息。

3.2 实验评价

对于推荐领域而言，对于推荐结果的评价标准一般从如下几个方面考虑：推荐准确度、推荐结果的多样性以及推荐结果的覆盖性等。由于本文的研究背景是面向高校读者的图书个性化推荐，因此选取当前推荐领域普遍采取的评价标准，即准确度指标。

准确度是当前推荐领域对推荐算法结果评价中最常用、最基础也是最普遍的指标。大部分的推荐算法都采用准确度指标来衡量一个推荐算法的好坏。准确度指标的原理是通过描述预测打分与用户实际打分的相似程度来评估结果。目前，对于准确度指标的衡量方法最常用的是平均绝对误差（Mean Absolute Error ， MAE）。MAE通过计算预测用户评分和实际用户评分之间的偏差来度量预测的准确性[5]。MAE越小，推荐质量越高。平均绝对误差（MAE）的计算公式如下：

其中，c为用户i所产生关系的项目数量，ria为用户的实际评分，via为推荐算法的预测评分。

3.3 实验结果

为了检验本文所提出方案中的推荐算法，我们将以传统的仅仅依靠于协同过滤算法作为对照，在传统的协同过滤算法中，分别以余弦相似性和相关相似性作为相似性的度量标准，分别计算其MAE。并设置近邻个数从20增加到40，间隔为5。然后与本文提出的推荐算法作比较，由数据可以看出，本文提出的推荐方案，即在基础的协同过滤算法之上对借阅记录进行特征提取，根据实际情况提取更能代读者兴趣偏好的特征，构建读者偏好模型，最终得到的推荐结果，相比仅仅依靠于协同过滤算法得到的推荐结果。具有较小的MAE。因此，本文提出的推荐算法可以针对于高校图书馆的研究背景得出更精准的推荐结果。

4 结语

随着图书行业的繁荣，读者需要在浩瀚的图书海洋中选择自己感兴趣的图书。因此一个好的推荐系统起着至关总要的作用。本文所阐述的推荐方案能够根据现有的数据进行有效的推荐，但是仍存在着一些其他问题，例如冷启动、数据稀疏等问题。这些问题也是整个推荐领域需要进一步研究的问题。

参考文献

[1]Hofmann，T.Latent Semantic Models for Collabora―tive Filtering[J].ACM Transactions on Information Systems，2004，22（1）.

好书推荐作文篇9

1.新书荐读与传统工作的融合方式

1.1与阅读推广相融合

随着全民阅读浪潮的涌现，为使更多读者能够方便、快捷的利用到阅读资源，军队高校图书馆利用多种形式，开展了不同规模的阅读推广活动。传统的新书荐读是在阅读推广活动中，向读者直接或间接的宣传馆内新到图书，增加新书的借阅率和曝光率，由于图书馆的采编流程，需要耗费大量时间，又因为图书馆在阅读推广活动中一直占主导地位，会产生书籍推荐时效性不强，读者往往所寻新书无书或通过其他渠道获取等问题。

为解决这一问题，就需要新书推荐工作把握住时效性原则，提前向读者进行宣传欲采图书或新出版图书，不要被动的等图书上架或入库之后再推荐，并将此项工作与图书预约借阅相结合，增加新书预定借阅，在新书到馆之后第一时间通知读者，减少读者重复消费，提高新书借阅率。

1.2与选采工作相结合

由于读者缺少对书籍信息的及时把握，在选书看书方面常常处于十分被动的地位，因此错过或漏过很多所想要的书，而图书馆的选采工作常常是单一的以采编为主导，忽略了读者的主动性，减少了图书馆与读者之间的交流及互动，往往造成读者对所推荐书籍不削一顾，导致很多采购的图书常年无人问津等资源浪费问题。

将新书推荐工作与选采工作相结合，在采编之初就增加与读者之间的沟通，将采访工作真正落实到读者借阅之前，借鉴营销学的方法，以时效性、针对性、选择性为原则，提前以广告形式做好新书宣传手册，并利用微信、微博等新信息手段，增加与读者之间的互动讨论，及时筛选增减新书的种类及数量，由传统的单方面主导模式转化为以读者为主导的信息型互动服务，优化采购资源的合理配置。

1.3与参考咨询业务相结合

由于高校图书馆的读者多为专业素养较高的老师、学生，为满足他们对科研、学习等资料的高而深需求，图书馆在采购新书之前，可以利用学科馆员的优势，通过新书推荐的方式搜集一些最新出版的专业书籍资料，提前供读者筛选，也可以根据读者提供的意见，及时更改专业资料的类型和数量，行成“为读者找书、为图书找读者”的双赢互动。

2.新形势下新书推荐工作所需要注意的原则

2.1及时性原则

由于是在新书到馆之前就进行新书推荐的工作，因此在工作中一定要把握三个“及时”原则，一是要推荐及时，以某一个固定周期为基础，把在此日期内出版的图书信息迅速做出整理，用最快速度展示发放到读者面前。二是与读者的互动反馈要及时回复整理，通过各种平台发放的书籍推荐信息会收到读者的各种反馈，最好在第一时间处理这些信息，并根据读者提出的意见来进行选书的参考。三是要到书及时，因为是与读者依靠双向互动所选择的图书，所以到书加工时间不要过长，以免耽误读者使用。

2.2分门别类原则

鉴于读者的需求层次和阅读偏好各有不同，新书推荐工作也应根据阅读对象的不同而进行相应的划分，有针对性的为某一局域内的读者推荐适合他们喜好的书籍，并且与学校的教学、科研、专业相一致，着力把握学科发展及文化方向，重点推荐与此专业相关的热点图书，树立良好积极的阅读氛围。

2.3去粗取精原则

读者通过推荐来选读图书，因此书籍推荐制作的细致程度，很大程度影响了读者的选择偏好，所以工作人员在设计、编辑新书信息时，应尽力准确把握该书的基本信息，并且利用多种方式拓宽选书渠道。与出版数量相比，新书推荐的数量有着绝对的局限性，加之选采经费、进书渠道等问题的制约，因此所推荐的图书一定要本着精挑细选的原则，切忌不可盲目求多求全，造成铺张浪费、资源重复等问题。在选书过程中，要时刻谨记身为高校图书馆的职责，主动过滤一些不适宜学生阅读、不符合主流文化发展方向的图书。并且可以根据当前的时事热点和科技前沿，有计划、有组织地推荐一系列相关联图书，开展主题性图书推荐活动，更系统地满足学生的求知欲和探索欲，更好的履行图书馆作为文化阵地的使命。

2.4工作人员的专业素养为第一基础的原则

新书推荐工作者专业水平的高低，直接影响着书籍推荐的优劣，一个好的工作者，首先要具备高尚的思想道德素养，全面广博的知识和对信息敏锐的分析辨别能力，并且还要具备良好的语言组织能力以及使用计算机进行排版、设计、打印等技能，精通网络搜素和信息采集，要善于与各种类型的读者进行沟通交流，怀着不断求知的思想意识和高度的工作责任感，随着新的社会发展和文化变迁，与时俱进，持续学习。

3.新书荐读的宣传方法

3.1“量身定做”宣传

不同读者对于宣传渠道的选择偏好不同，加之读者时间有限，对于图书的选择无法做到面面俱到，因此在有针对性向读者推荐书籍的同时，要善于把握读者对宣传方式的偏好，根据读者的年龄、阅读习惯、有选择性的进行宣传，不要搞疲劳轰炸，让读者产生厌恶情绪。

好书推荐作文篇10

【关键词】内容过滤；数字图书馆；推荐系统

1.基于内容过滤的推荐方法的特点

1.1 基于内容过滤的图书推荐系统的原理

基于内容的推荐系统（Content-based

Recommendation）也被一些学者称为“Fea-

turebased Recommendation”，其技术方法主要源于“信息检索（Information Retrieval，IR）”。最初的基于内容的推荐系统根据用户对内容的偏好，自动检索过滤众多内容，选择一些与用户偏好匹配度高的信息推荐给用户。

基于内容过滤的图书推荐系统根据读者的兴趣向量在图书特征向量中自动寻找与之匹配的产品，并依据相似度的高低顺序，产生推荐图书序列表，进而主动向读者推荐产品。读者兴趣向量主要包括读者的专业、学历、导师等身份信息和历史借阅、查询数据等信息，据此建立读者模型。图书特征向量主要是指经过人工著录的图书书目数据库，包含了书名、责任者、主题词、出版社、ISBN、出版日期等信息。当某本图书的特征向量与读者的兴趣特征向量产生较大交集（即较大效用值）时，系统就把该图书作为读者的备选推荐产品。系统再依据效用值的大小对备选产品进行排序，最后向用户推荐。

基于内容过滤的图书推荐系统的主要分为以下四个步骤：（1）读者兴趣向量的建模与表达，图书特征向量的建模与表达；（2）在同一向量空间下，计算读者兴趣特征向量与图书特征向量的相似度；（3）根据相似度的大小对结果进行排序，取前几位图书产生推荐列表；（4）若读者兴趣特征模型产生更新，或增加新的图书特征向量模型则返回步骤1。

1.2 基于内容过滤的推荐系统的优点和存在问题

基于内容过滤的推荐系统利用资源和用户兴趣的相似性来过滤信息，它的关键问题是相似性计算，优点是简单、有效，缺点是难以区分资源内容的品质和风格，而且不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源。基于内容过滤的推荐系统根据用户查询内容而进行推荐，其推荐结果具有短期效应，适合电子购物系统。而对于拥有长期用户的系统来说，则没有充分利用用户的历史数据尤其是相似用户的相关数据，缺乏推荐潜在兴趣产品的功能。

1.3 内容过滤推荐系统有利于充分开发数字图书馆资源

数字图书馆的建设不应该仅考虑组织众多的数字化资源，被动地等待用户前来选择，而应以用户为中心，整合数字资源，提供主动的信息服务。构建一个融多种技术为一体的信息推荐系统。在数字图书馆的环境下，图书文献信息的种类和数量都非常多，用户不可能像在实际的图书馆那样直接选取所需的文献资料。因此，数字图书馆应该充分揭示有关信息，自动推荐用户可能感兴趣的图书文献，实现数字资源的深层次挖掘分析，提高其使用价值。

1.4 基于内容过滤推荐是数字图书馆环境下的基本需要

数字图书馆具有信息量庞大、内容繁杂、形式多样、数据对象异构、分布式存储等特征，用户选择和利用所需信息比较困难。数字化图书馆虽然提供服务的方式与传统图书馆有些不同，但为用户提供高质量的服务的职能却没有改变。通过对信息资源的推荐有助于用户作出正确的评价和选择，使价值高的信息资源能够充分被利用。

2.基于读者文件的内容推荐算法

为了计算读者与推荐图书的相似度，首先需要将读者的兴趣表达出来以供系统识别和计算。读者的兴趣在系统中表示成读者兴趣文件，文件应该包括读者兴趣的内容并用系统可以理解的形式表达出来。读者兴趣文件是图书推荐系统的重要组成部分，是推荐算法的重要依据。

读者的兴趣主要受到读者的专业、身份、借阅行为等信息影响。根据系统建模工程方法，本文将读者的信息抽象为属性和操作。读者的属性主要指读者的专业、身份、职称、研究方向等较为固定的静态信息。这些可以从图书馆管理系统的读者数据库中获取，也可以通过读者自行修改完善个人信息而获得。读者的操作主要是指借阅、查询等行为信息。该信息可以从图书馆管理系统中的流通数据库中获得。本文假定读者在图书管理系统中的操作行为都因兴趣动机而起，因此操作行为可以反映读者的兴趣特征。于是本文通过对操作行为的研究揭示读者兴趣。

根据兴趣的时效性，将用户的兴趣模型概括为近期兴趣和长期兴趣。近期兴趣主要依据读者的近期借阅、查询行为而产生，具有高效用性、亟需性和短期性等特性。长期兴趣主要依据读者的专业、身份等静态属性而产生，具有高匹配性、稳定性和长期性等特性。

与读者的操作行为产生关联的读者属性通常为读者的专业、课程、研究方向、身份、职称、年龄、性别、兴趣爱好等。

表1 读者属性列表

专业 课程 研究方向 职称 年龄 性别 兴趣爱好

教师

学生

其他

读者属性可以通过读者个人ID信息自动抽取或通过读者主动填写个人资料获取。

读者的操作信息主要记录了读者的外借图书信息，检索、下载的文献信息。

表2 读者操作信息列表

外借 图书信息

借阅时长

评价

检索下载 内容主题

评价

在基于内容过滤的图书推荐系统中，从读者的属性列表和操作信息列表中提取若干兴趣特征词，形成读者兴趣特征向量。因此采用读者的兴趣向量模型来表示读者兴趣文件。在介绍图书特征向量的表示之前，本文先对向量空间模型加以说明。向量空间模型（Vector Space Model，VSM）是由康奈尔大学G.Salton教授提出的，把文本简化为以向量分量的权重为分量的向量表示，把文本处理过程简化为空间向量的运算，使问题复杂性大大降低，关键是基于空间向量模型的。

在读者兴趣特征向量建立后，需要对此进行定量化表达，以便推荐系统能够进行精确计算。在图书推荐系统中，采用对不同的兴趣特征赋予不同的权重，以达到对特征向量的量化处理。权重值依据喜爱程度从低到高表示为-1分到1分不等。未曾获得读者评价的特征值表示为0分。读者的近期兴趣特征值和长期兴趣特征值应该赋予较高的权重。当读者的操作信息表更新，读者的近期兴趣特征值就相应变化。而读者的长期兴趣特征值则应保持稳定的权重值，除非读者的属性表中更新了读者的研究方向、专业、兴趣爱好等信息。

3.基于读者文件和图书文件相似度计算

在读者文件和图书文件建立之后，需要将二者进行相似度计算。通过计算，可以精确计算读者与图书的匹配度，从大量图书中迅速过滤出与读者兴趣匹配值高的图书，进而形成推荐列表，帮助读者选择图书。

3.1 几种常见的相似度计算方法

计算相似度的方法比较多，常见的有余弦相似性计算法、皮尔森相关系数法和改进的余弦相似性法。如今许多计算方法都是基于这三种方法做出的修正和改进。下面对这三种方法分别简要介绍。

（1）余弦相似性（Cosine）：在信息检索领域，两篇文档之间的相似度往往通过把文档看作是一个词频矢量，然后计算两词频矢量的夹角余弦来表示。同样，也可以将这种方法用于图书推荐系统，将读者对图书的评分看作为n维图书空间上的向量，如果读者对图书没有进行评分，则将读者对该图书的评分设为0，读者间的相似性通过矢量间的夹角余弦来度量。设读者i和读者j在n维图书空间上的评分分别表示成，则读者i和读者j之间的相似性sim（i，j）为：

其中，分子为两个读者评分向量的内积，分母为两个读者评分向量模的乘积。

（2）皮尔森相关系数（Pearson）：也称为相似相关性（Correlation）。假设读者i和读者j共同评分过的图书集合用Ii，j表示，则读者i和读者j之间的相似性sim（i，j）可以通过Pearson相关系数来度量：

其中，Ri，c表示读者i对图书c的评分，分别代表读者i和读者j的平均评分。

3.2 形成推荐列表，帮助读者选择图书

读者文件与图示文件的相似度值计算出来以后，重复N次计算，得到读者文件与所有图书文件的相似度值。按照值的大小，从高到低依次排序。选取前几项，查检对应的图书，形成推荐列表，推荐给读者。

4.结语

随着信息网络的广泛应用，信息数据在飞速增长，一方面为人们提供了极为丰富的信息资源，另一方面也增加了人们寻找合适资源的时间成本和难度。人们在信息领域的个性化需求，必将推动推荐系统的快速发展。当推荐系统进一步成熟并在现实网络中得到广泛深入的应用，人们将享受到推荐系统所带来的人性化的推荐服务。

参考文献：

[1]谢琳惠.推荐系统在高校数字图书馆的应用[J].现代情报，2006（11）：72-74.

[2]黄希全.数字图书馆推荐系统中用户偏好的建模方法[J].情报杂志，2006（1）：28-30.

[3]张俊，黄水清.国内外数字图书馆个性化信息服务系统的功能与特征比较研究[J].情报理论与实践，2005，28（6）：609-612.