图书馆图书管理方法及系统

1.本技术涉及智能管理领域，且更为具体地，涉及一种图书馆图书管理方法及系统。


背景技术：

2.图书馆是一种重要的公共文化服务场所，其主要任务是收集、保存和借阅各类书籍、期刊、报纸等读物，为广大读者提供便利的借阅服务。在现在的图书馆管理系统中，图书检索功能是其中一个重要的功能模块，在用户查询图书时扮演了重要角色。
3.然而，传统的图书馆图书检索系统仅支持精确标题检索和简单的标题模糊匹配，这使得检索模式过于单一，存在很多限制性。具体来说，用户在查询图书时，往往不会记住书名，并且还有些用户也可能只知道自己的阅读需求，并不知道自己具体想租借什么书。因而使用传统的图书馆图书检索系统会存导致用户难以检索出自己想要的书籍，降低用户的满意度。
4.因此，期望一种优化的图书馆图书管理系统，以实现智能化的图书检索服务，提高用户的满意度。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种图书馆图书管理方法及系统，其通过采用基于机器学习的语义理解模型挖掘出用户输入的阅读需求描述的语义理解特征和备选图书的图书内容的语义理解特征之间的融合关联特征，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
6.根据本技术的一个方面，提供了一种图书馆图书管理方法，其包括：
7.获取由用户输入的阅读需求描述；
8.对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；
9.获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；
10.对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；
11.使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及
12.将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
13.在上述图书馆图书管理方法中，对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量，包括：对所述阅读需求描述进行分词处理以将所述阅读需求描述转化为由多个词组成的词序列；使用所述包含词嵌入层的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序
列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述阅读需求语义理解特征向量。
14.在上述图书馆图书管理方法中，使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
15.在上述图书馆图书管理方法中，对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量，包括：对所述第一备选图书内容进行分词处理以将所述第一备选图书内容转化为由多个词组成的词序列；使用所述包含词嵌入层的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述第一备选图书语义理解特征向量。
16.在上述图书馆图书管理方法中，使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量，包括：使用级联函数以如下级联公式来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；其中，所述公式为：vc＝concat[v1，v2]，其中，v1表示所述第一备选图书语义理解特征向量，v2表示所述阅读需求语义理解特征向量，concat[
·
,
·
]表示级联函数，vc表示所述级联特征向量。
[0017]
在上述图书馆图书管理方法中，还包括训练步骤：用于对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练。
[0018]
在上述图书馆图书管理方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括由用户输入的训练阅读需求描述，所述训练第一备选图书，以及，所述是否向用户推荐第一备选图书的真实值；对所述训练阅读需求描述进行分词处理后通过所述包含词嵌入层的第一语义编码器以得到训练阅读需求语义理解特征向量；从所述训练第一备选图书提取训练第一备选图书内容；对所述训练第一备选图书内容进行分词处理后通所述过包含词嵌入层的第二语义编码器以得到训练第一备选图书语义理解特征向量；使用级联函数来融合所述训练第一备选图书语义理解特征向量和所述训练阅读需求语义理解特征向量以得到训练级联特征向量；以及，将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值；基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进
行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
[0019]
在上述图书馆图书管理方法中，将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述训练级联特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述是否向用户推荐第一备选图书的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
[0020]
在上述图书馆图书管理方法中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代；其中，所述优化公式为：
[0021][0022]
其中v是所述训练分类特征向量，m是所述分类器的权重矩阵，ve是矩阵m
t
m的本征值组成的本征集合向量，和分别表示矩阵乘法和加法，m
′
表示迭代后的所述分类器的权重矩阵。
[0023]
根据本技术的另一方面，提供了一种图书馆图书管理系统，其包括：
[0024]
阅读需求描述获取模块，用于获取由用户输入的阅读需求描述；
[0025]
第一语义编码模块，用于对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；
[0026]
第一备选图书获取模块，用于获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；
[0027]
第二语义编码模块，用于对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；
[0028]
融合模块，用于使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及
[0029]
分类结果生成模块，用于将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
[0030]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的图书馆图书管理方法。
[0031]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的图书馆图书管理方法。
[0032]
与现有技术相比，本技术提供的一种图书馆图书管理方法及系统，其通过采用基于机器学习的语义理解模型挖掘出用户输入的阅读需求描述的语义理解特征和备选图书的图书内容的语义理解特征之间的融合关联特征，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
附图说明
[0033]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明
书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0034]
图1为根据本技术实施例的图书馆图书管理方法的流程图；
[0035]
图2为根据本技术实施例的图书馆图书管理方法中训练阶段的流程图；
[0036]
图3为根据本技术实施例的图书馆图书管理方法的系统架构图；
[0037]
图4为根据本技术实施例的图书馆图书管理方法中训练阶段的系统架构图；
[0038]
图5为根据本技术实施例的图书馆图书管理方法中第一语义编码的流程图；
[0039]
图6为根据本技术实施例的图书馆图书管理系统的框图；
[0040]
图7为根据本技术实施例的电子设备的框图。
具体实施方式
[0041]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0042]
申请概述
[0043]
如上所述，传统的图书馆图书检索系统仅支持精确标题检索和简单的标题模糊匹配，这使得检索模式过于单一，存在很多限制性。具体来说，用户在查询图书时，往往不会记住书名，并且还有些用户也可能只知道自己的阅读需求，并不知道自己具体想租借什么书。因而使用传统的图书馆图书检索系统会存导致用户难以检索出自己想要的书籍，降低用户的满意度。因此，期望一种优化的图书馆图书管理系统，以实现智能化的图书检索服务，提高用户的满意度。
[0044]
相应地，考虑到在实际进行图书馆的图书管理过程中，在进行图书检索时，本质上是用户的阅读需求和备选图书的语义特征匹配的问题。因此，在本技术的技术方案中，期望利用机器学习的语义理解模型来对于用户输入的阅读需求描述进行语义理解，并对于备选图书的内容进行语义理解，再利用分类器模型来进行两者的语义关联特征匹配分类，从而基于用户的需求来进行图书的智能选择。然而，由于每个用户的说话习惯方式不同，导致对于用户的阅读需求描述的语义理解精度较差，并且每个图书的语义特征不同，其可能会存在有各个专业相关的专业术语，也难以对其进行精准地语义理解。因此，在此过程中，难点在于如何进行所述用户输入的阅读需求描述的语义理解特征和所述备选图书的图书内容的语义理解特征之间的融合关联特征信息的充分表达，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
[0045]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述用户输入的阅读需求描述的语义理解特征和所述备选图书的图书内容的语义理解特征之间的融合关联特征信息提供了新的解决思路和方案。
[0046]
具体地，在本技术的技术方案中，首先，获取由用户输入的阅读需求描述。接着，考虑到所述用户输入的阅读需求描述中存在有大量的语义信息，而由于每个用户的说话方式和习惯不同，导致对其所表达的所述阅读需求描述的语义理解出现偏差或错误，进而影响后续的图书匹配选择。并且，还考虑到由于所述阅读需求描述是由各个词组成的，所述各个
词之间具有着上下文的语义关联关系，因此，在本技术的技术方案中，进一步对所述阅读需求描述进行分词处理以避免后续词序混乱后，再通过包含词嵌入层的第一语义编码器中进行语义编码，以此来提取出所述阅读需求描述中基于全局的上下文语义关联特征信息，从而得到阅读需求语义理解特征向量。特别地，这里，所述词嵌入层可利用该用户输入的阅读需求描述中关于其专业的专业术语语义特征的知识图谱来进行构建以使得在将所述分词处理后的所述阅读需求描述转化为嵌入向量的过程中引入该用户输入的专业术语语义特征的先验信息，有利于提高后续的图书分类准确性。
[0047]
然后，再获取第一备选图书，并从所述第一备选图书提取第一备选图书内容，以用于后续的图书内容语义理解，从而完成语义特征匹配。进一步地，同样也对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器中进行编码，以此来提取出所述第一备选图书内容中基于全局的上下文语义关联特征，以得到第一备选图书语义理解特征向量。特别地，这里，所述词嵌入层可利用所述第一备选图书中关于该图书的专业术语语义特征的知识图谱来进行构建以使得在将所述分词处理后的所述第一备选图书内容转化为嵌入向量的过程中引入该图书内容专业的专业术语语义特征的先验信息，有利于提高后续的图书分类准确性。
[0048]
继而，再使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量，以此来融合所述第一备选图书内容的语义理解特征信息和所述用户的阅读需求描述的语义理解特征信息，以用于后续的语义特征关联匹配。
[0049]
进一步地，再将所述级联特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示是否向用户推荐第一备选图书的分类结果。也就是说，使用所述第一备选图书内容的语义理解特征信息和所述用户的阅读需求描述的语义理解特征信息之间的语义融合关联特征信息来进行分类，从而进行所述用户的阅读需求描述和所述第一备选图书内容之间的语义特征匹配，以对于是否向用户推荐第一备选图书进行准确判断。
[0050]
也就是，在本技术的技术方案中，所述分类器的标签包括向用户推荐第一备选图书(第一标签)，以及，不向用户推荐第一备选图书(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否向用户推荐第一备选图书”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否向用户推荐第一备选图书的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否向用户推荐第一备选图书”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为是否向用户推荐第一备选图书的判断标签，因此，在得到所述分类结果后，可基于所述分类结果来为用户选择适配的图书，从而智能化地实现图书检索服务。
[0051]
特别地，在本技术的技术方案中，所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量分别表达所述第一备选图书的第一备选图书内容和所述用户的阅读需求描述的文本语义编码特征，在使用级联函数融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量时，可能由于点卷积操作分别相对于所述第一备选
图书语义理解特征向量和所述阅读需求语义理解特征向量的拟合差异，例如对其中之一过拟合或者欠拟合，或者对两者分别过拟合和欠拟合，而导致待进行级联操作的所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量各自的特征分布相对于分类器的权重矩阵对应的部分具有不同的权重拟合方向，这样，所得到的所述分类特征向量的整体特征分布相对于分类器的权重矩阵会具有收敛性差的问题，从而影响分类器的训练速度。
[0052]
基于此，本技术的申请人在所述分类特征向量，例如记为v的训练过程中，在每次分类器的权重矩阵，例如记为m的迭代过程中，对所述权重矩阵m进行权重本征支持的半空间结构化约束，具体表示为：
[0053][0054]
其中，ve是矩阵m
t
m的本征值组成的本征集合向量(如果所述矩阵m
t
m的本征值的数目小于矩阵尺度，例如宽度，则所述本征集合向量的其余位置可设置为零或者一)。
[0055]
这里，所述权重本征支持的半空间结构化约束以所述分类器的权重矩阵m的结构化矩阵的本征值集合与待分类的分类特征向量v的关联性集成作为支持，来对所述权重矩阵m表示的用于与所述待分类的分类特征向量v的高维流形相耦合的半空间(half-space)进行作为决策边界的超平面的结构化支持约束，以使得所述待分类的分类特征向量v的高维流形能够在所述权重矩阵m表示的半空间开放域内相对于超平面有效收敛，从而改进分类器的训练速度。这样，能够基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
[0056]
基于此，本技术提出了一种图书馆图书管理方法，其包括：获取由用户输入的阅读需求描述；对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及，将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
[0057]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0058]
示例性方法
[0059]
图1为根据本技术实施例的图书馆图书管理方法的流程图。如图1所示，根据本技术实施例的图书馆图书管理方法，包括：s110，获取由用户输入的阅读需求描述；s120，对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；s130，获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；s140，对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；s150，使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及，s160，将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
[0060]
图3为根据本技术实施例的图书馆图书管理方法的系统架构图。如图3所示，在该网络架构中，首先，获取由用户输入的阅读需求描述；接着，对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；然后，获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；进而，将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
[0061]
具体地，在步骤s110和步骤s130中，获取由用户输入的阅读需求描述；以及，获取第一备选图书，并从所述第一备选图书提取第一备选图书内容。应可以理解，在实际进行图书馆的图书管理过程中，在进行图书检索时，关键在于用户的阅读需求和备选图书的语义特征匹配的问题，因此，在本技术的技术方案中，首先，对用户输入的阅读需求描述进行语义理解，再对备选图书的内容进行语义理解，进而通过基于用户的需求来进行图书的智能选择。因此，在一个示例中，首先，获取由用户输入的阅读需求描述；以及，获取第一备选图书，并从所述第一备选图书提取第一备选图书内容。
[0062]
具体地，在步骤s120中，对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量。考虑到所述用户输入的阅读需求描述中存在有大量的语义信息，而由于每个用户的说话方式和习惯不同，导致对其表达的所述阅读需求描述的语义理解出现偏差或错误，进而影响后续的图书匹配选择。并且，还考虑到由于所述阅读需求描述是由各个词组成的，所述各个词之间具有着上下文语义关联关系，因此，在本技术的技术方案中，进一步对所述阅读需求描述中基于全局的上下文语义关联特征信息，从而得到阅读需求语义理解特征向量。特别地，这里，所诉词嵌入层可利用该用户输入的阅读需求描述中关于其专业的专业术语语义特征的知识图谱来进行构建以使得在将所述分词处理后的所述阅读需求描述转化为嵌入向量的过程中引入该用户输入的专业术语语义特征的先验信息，有利于提高后续的图书分类准确性。
[0063]
图5为根据本技术实施例的图书馆图书管理方法中第一语义编码的流程图。如图5所示，在所述第一语义编码过程中，包括：s210，对所述阅读需求描述进行分词处理以将所述阅读需求描述转化为由多个词组成的词序列；s220，使用所述包含词嵌入层的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；s230，使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，s240，将所述多个全局上下文语义特征向量进行级联以得到所述阅读需求语义理解特征向量。其中，所述s230，包括：将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进
行级联以得到所述多个全局上下文语义特征向量。
[0064]
具体地，在步骤s140中，对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量。也就是，在本技术的技术方案中，同样地，对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器中进行编码，以此来提取出所述第一备选图书内容中基于全局的上下文语义关联特征，以得到第一备选图书语义理解特征向量。更具体地，首先，对所述第一备选图书内容进行分词处理以将所述第一备选图书内容转化为由多个词组成的词序列；接着，使用所述包含词嵌入层的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；进而，将所述多个全局上下文语义特征向量进行级联以得到所述第一备选图书语义理解特征向量。在一个具体示例中，这里，所述词嵌入层可利用所述第一备选图书中关于该图书的专业术语语义特征的知识图谱来进行构建以使得在将所述分词处理后的所述第一备选图书内容转化为嵌入向量的过程中引入该图书内容专业的专业术语语义特征的先验信息，有利于提高后续的图书分类准确性。
[0065]
具体地，在步骤s150中，使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量。也就是，在得到所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量后，进一步将两者进行特征融合以此来融合所述第一备选图书内容的语义理解特征信息和所述用户的阅读需求描述的语义理解特征信息，在本技术的一个具体示例中，可通过级联的方式来进行融合，具体地，使用级联函数以如下级联公式来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；其中，所述公式为：
[0066]vc
＝concat[v1，v2]
[0067]
其中，v1表示所述第一备选图书语义理解特征向量，v2表示所述阅读需求语义理解特征向量，concat[
·
,
·
]表示级联函数，vc表示所述级联特征向量。
[0068]
具体地，在步骤s160中，将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。也就是，在得到所述级联特征向量后，进一步将其作为分类特征向量通过分类器以获得用于表示是否向用户推荐第一备选图书的分类结果。也就是说，使用所述第一备选图书内容的语义理解特征信息和所述用户的阅读需求描述的语义理解特征信息之间的语义融合关联特征信息来进行分类，从而进行所述用户的阅读需求描述和所述第一备选图书内容之间的语义特征匹配，以对于是否向用户推荐第一备选图书进行准确判断。具体地，具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述级联特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本技术的技术方案中，所述分类器的标签包括向用户推荐第一备选图书(第一标签)，以及，不向用户推荐第一备选图书(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不
包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否向用户推荐第一备选图书”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否向用户推荐第一备选图书的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否向用户推荐第一备选图书”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为是否向用户推荐第一备选图书的判断标签，因此，在得到所述分类结果后，可基于所述分类结果来为用户选择适配的图书，从而智能化地实现图书检索服务。
[0069]
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练。也就是说，在本技术的图书馆图书管理方法中，还包括训练模块，用于对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练。
[0070]
图2为根据本技术实施例的图书馆图书管理方法中训练阶段的流程图。如图2所示，根据本技术实施例的图书馆图书管理方法，还包括训练阶段，包括步骤：s1110，获取训练数据，所述训练数据包括由用户输入的训练阅读需求描述，所述训练第一备选图书，以及，所述是否向用户推荐第一备选图书的真实值；s1120，对所述训练阅读需求描述进行分词处理后通过所述包含词嵌入层的第一语义编码器以得到训练阅读需求语义理解特征向量；s1130，从所述训练第一备选图书提取训练第一备选图书内容；s1140，对所述训练第一备选图书内容进行分词处理后通所述过包含词嵌入层的第二语义编码器以得到训练第一备选图书语义理解特征向量；s1150，使用级联函数来融合所述训练第一备选图书语义理解特征向量和所述训练阅读需求语义理解特征向量以得到训练级联特征向量；以及，s1160，将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值；s1170，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
[0071]
图4为根据本技术实施例的图书馆图书管理方法中训练阶段的系统架构图。如图4所示，在所述高速通信pcb的阻抗检测方法中，在训练过程中，首先，获取训练数据，所述训练数据包括由用户输入的训练阅读需求描述，所述训练第一备选图书，以及，所述是否向用户推荐第一备选图书的真实值；接着，对所述训练阅读需求描述进行分词处理后通过所述包含词嵌入层的第一语义编码器以得到训练阅读需求语义理解特征向量；然后，从所述训练第一备选图书提取训练第一备选图书内容；对所述训练第一备选图书内容进行分词处理后通所述过包含词嵌入层的第二语义编码器以得到训练第一备选图书语义理解特征向量；使用级联函数来融合所述训练第一备选图书语义理解特征向量和所述训练阅读需求语义理解特征向量以得到训练级联特征向量；然后，将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值；进而，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
[0072]
特别地，在本技术的技术方案中，所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量分别表达所述第一备选图书的第一备选图书内容和所述用户的阅读需求描述的文本语义编码特征，在使用级联函数融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量时，可能由于点卷积操作分别相对于所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量的拟合差异，例如对其中之一过拟合或者欠拟合，或者对两者分别过拟合和欠拟合，而导致待进行级联操作的所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量各自的特征分布相对于分类器的权重矩阵对应的部分具有不同的权重拟合方向，这样，所得到的所述分类特征向量的整体特征分布相对于分类器的权重矩阵会具有收敛性差的问题，从而影响分类器的训练速度。基于此，本技术的申请人在所述分类特征向量，例如记为v的训练过程中，在每次分类器的权重矩阵，例如记为m的迭代过程中，对所述权重矩阵m进行权重本征支持的半空间结构化约束，具体表示为：
[0073][0074]
其中v是所述训练分类特征向量，m是所述分类器的权重矩阵，ve是矩阵m
t
m的本征值组成的本征集合向量，和分别表示矩阵乘法和加法，m
′
表示迭代后的所述分类器的权重矩阵。这里，所述权重本征支持的半空间结构化约束以所述分类器的权重矩阵m的结构化矩阵的本征值集合与待分类的分类特征向量v的关联性集成作为支持，来对所述权重矩阵m表示的用于与所述待分类的分类特征向量v的高维流形相耦合的半空间(half-space)进行作为决策边界的超平面的结构化支持约束，以使得所述待分类的分类特征向量v的高维流形能够在所述权重矩阵m表示的半空间开放域内相对于超平面有效收敛，从而改进分类器的训练速度。这样，能够基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
[0075]
综上，根据本技术实施例的图书馆图书管理方法被阐明，其通过采用基于机器学习的语义理解模型挖掘出用户输入的阅读需求描述的语义理解特征和备选图书的图书内容的语义理解特征之间的融合关联特征，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
[0076]
示例性系统
[0077]
图6为根据本技术实施例的图书馆图书管理系统的框图。如图6所示，根据本技术实施例的图书馆图书管理系统300，包括：阅读需求描述获取模块310；第一语义编码模块320；第一备选图书获取模块330；第二语义编码模块340；融合模块350；以及，分类结果生成模块360。
[0078]
其中，所述阅读需求描述获取模块310，用于获取由用户输入的阅读需求描述；所述第一语义编码模块320，用于对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；所述第一备选图书获取模块330，用于获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；所述第二语义编码模块340，用于对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；所述融合模块350，用于使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及，所述分类结果生成模块360，用于将所述级联特征向量作为分类特征向量通过分
类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。
[0079]
在一个示例中，在上述图书馆图书管理系统300中，所述第一语义编码模块320，用于：对所述阅读需求描述进行分词处理以将所述阅读需求描述转化为由多个词组成的词序列；使用所述包含词嵌入层的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述阅读需求语义理解特征向量。其中，使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
[0080]
在一个示例中，在上述图书馆图书管理系统300中，所述第二语义编码模块340，用于：对所述第一备选图书内容进行分词处理以将所述第一备选图书内容转化为由多个词组成的词序列；使用所述包含词嵌入层的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述第一备选图书语义理解特征向量。
[0081]
在一个示例中，在上述图书馆图书管理系统300中，所述融合模块350，用于：使用级联函数以如下级联公式来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；其中，所述公式为：vc＝concat[v1，v2]，其中，v1表示所述第一备选图书语义理解特征向量，v2表示所述阅读需求语义理解特征向量，concat[
·
,
·
]表示级联函数，vc表示所述级联特征向量。
[0082]
综上，根据本技术实施例的图书馆图书管理系统300被阐明，其通过采用基于机器学习的语义理解模型挖掘出用户输入的阅读需求描述的语义理解特征和备选图书的图书内容的语义理解特征之间的融合关联特征，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。
[0083]
如上所述，根据本技术实施例的图书馆图书管理系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的图书馆图书管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该图书馆图书管理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该图书馆图书管理系统300同样可以是该终端设备的众多硬件模块之一。
[0084]
替换地，在另一示例中，该图书馆图书管理系统300与该终端设备也可以是分立的
设备，并且该图书馆图书管理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0085]
示例性电子设备
[0086]
下面，参考图7来描述根据本技术实施例的电子设备。
[0087]
图7图示了根据本技术实施例的电子设备的框图。
[0088]
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
[0089]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0090]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的图书馆图书管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如级联特征向量等各种内容。
[0091]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0092]
该输入装置13可以包括例如键盘、鼠标等等。
[0093]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0094]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0095]
示例性计算机程序产品和计算机可读存储介质
[0096]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的图书馆图书管理方法中的功能中的步骤。
[0097]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0098]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的图书馆图书管理方法中的功能中的步骤。
[0099]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电
磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0100]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0101]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0102]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0103]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0104]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种图书馆图书管理方法，其特征在于，包括：获取由用户输入的阅读需求描述；对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。2.根据权利要求1所述的图书馆图书管理方法，其特征在于，对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量，包括：对所述阅读需求描述进行分词处理以将所述阅读需求描述转化为由多个词组成的词序列；使用所述包含词嵌入层的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及将所述多个全局上下文语义特征向量进行级联以得到所述阅读需求语义理解特征向量。3.根据权利要求2所述的图书馆图书管理方法，其特征在于，使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；以及将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。4.根据权利要求3所述的图书馆图书管理方法，其特征在于，对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量，包括：对所述第一备选图书内容进行分词处理以将所述第一备选图书内容转化为由多个词
组成的词序列；使用所述包含词嵌入层的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及将所述多个全局上下文语义特征向量进行级联以得到所述第一备选图书语义理解特征向量。5.根据权利要求4所述的图书馆图书管理方法，其特征在于，使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量，包括：使用级联函数以如下级联公式来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；其中，所述公式为：v
c
＝concat[v1，v2]其中，v1表示所述第一备选图书语义理解特征向量，v2表示所述阅读需求语义理解特征向量，concat[
·
,
·
]表示级联函数，v
c
表示所述级联特征向量。6.根据权利要求5所述的图书馆图书管理方法，其特征在于，还包括训练步骤：用于对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练。7.根据权利要求6所述的图书馆图书管理方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括由用户输入的训练阅读需求描述，所述训练第一备选图书，以及，所述是否向用户推荐第一备选图书的真实值；对所述训练阅读需求描述进行分词处理后通过所述包含词嵌入层的第一语义编码器以得到训练阅读需求语义理解特征向量；从所述训练第一备选图书提取训练第一备选图书内容；对所述训练第一备选图书内容进行分词处理后通所述过包含词嵌入层的第二语义编码器以得到训练第一备选图书语义理解特征向量；使用级联函数来融合所述训练第一备选图书语义理解特征向量和所述训练阅读需求语义理解特征向量以得到训练级联特征向量；以及将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值；基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的第一语义编码器、所述包含词嵌入层的第二语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。8.根据权利要求7所述的图书馆图书管理方法，其特征在于，将所述训练级联特征向量作为训练分类特征向量通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述训练级联特征向量进行处理以得到训练分类结果:以及计算所述训练分类结果与所述是否向用户推荐第一备选图书的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
9.根据权利要求8所述的图书馆图书管理方法，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代；其中，所述优化公式为：其中v是所述训练分类特征向量，m是所述分类器的权重矩阵，v
e
是矩阵m
t
m的本征值组成的本征集合向量，和分别表示矩阵乘法和加法，m
′
表示迭代后的所述分类器的权重矩阵。10.一种图书馆图书管理系统，其特征在于，包括：阅读需求描述获取模块，用于获取由用户输入的阅读需求描述；第一语义编码模块，用于对所述阅读需求描述进行分词处理后通过包含词嵌入层的第一语义编码器以得到阅读需求语义理解特征向量；第一备选图书获取模块，用于获取第一备选图书，并从所述第一备选图书提取第一备选图书内容；第二语义编码模块，用于对所述第一备选图书内容进行分词处理后通过包含词嵌入层的第二语义编码器以得到第一备选图书语义理解特征向量；融合模块，用于使用级联函数来融合所述第一备选图书语义理解特征向量和所述阅读需求语义理解特征向量以得到级联特征向量；以及分类结果生成模块，用于将所述级联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐第一备选图书。

技术总结
本申请涉及智能管理领域，其具体地公开了一种图书馆图书管理方法及系统，其通过采用基于机器学习的语义理解模型挖掘出用户输入的阅读需求描述的语义理解特征和备选图书的图书内容的语义理解特征之间的融合关联特征，以此基于用户的需求来选择适配的图书，以智能化地实现图书检索服务，从而提高用户的满意度。从而提高用户的满意度。


技术研发人员：鲁鹏 张峰
受保护的技术使用者：山东青年政治学院
技术研发日：2023.06.16
技术公布日：2023/10/6