Поиск информации в библиотеках в эпоху цифровой трансформации: потенциал нейросетей и генеративного искусственного интеллекта

Сегодня, в период формирования информационного общества и цифровой трансформации библиотек, назрела необходимость найти баланс между колоссальным объемом электронного информационного пространства и персонализированными потребностями пользователей. Существующие традиционные модели поиска информации уже не способны справиться со сложными системами взаимодействия пользователя с объектами информационных ресурсов и не позволяют в полной мере исследовать глубокую связь между предпочтениями пользователя и контентом. Цель статьи – обзор современных технологий реализации поиска информации в библиотеках с применением нейросетей и искусственного интеллекта. В ходе анализа зарубежных моделей, таких как графовая нейронная сеть, глубокая нейронная сеть на основе встраивания, нейронная коллаборативная фильтрация, сингулярное разложение, реляционная графовая сверточная сеть, гибридный алгоритм K-ближайших соседей, глубокая нейронная сеть, сверточная нейронная сеть, были определены основные критерии их внедрения: специфика архитектуры, метрика точности, оценка эффективности, методы реализации, тип библиотек, авторы концепции и др. В результате проведенного анализа предлагается создать модель, которая будет сочетать традиционные технологии автоматизированных библиотечно-информационных систем с интеграцией в комплексную модель нейросети с алгоритмами, позволяющими учитывать персонализированные потребности пользователей.

1. Беляева Н. Е., Сомова Т. Н., Бекетова Н. А. Влияние технологии искусственного интеллекта на библиотечно-информационную деятельность // Образование и культурное пространство. 2024. № 2. С. 156– 162

2. Лаврик О. Л. Анализ российского документопотока по теме «Искусственный интеллект» в XXI в. // Библиосфера. 2024. № 1. С. 107–120 [Lavrik OL (2024) Analysis of Russian document flow on the topic of “Artificial intelligence” in the 21st century. Bibliosfera 1: 107–120. (In Russ.). DOI: https://doi.org/10.20913/1815-3186-2024-1-107-120

3. Плахутина Е. Н. Искусственный интеллект как фактор привлечения читателей в библиотеку // Библиосфера. 2025. № 2. С. 15–21 DOI: https://doi.org/10.20913/1815-3186-2025-2-15-21

4. Степанов В. К. Естественный разум в поисках путей приложения искусственного: итоги научно-практической конференции «Применение искусственного интеллекта в библиотечноинформационной деятельности» // Библиосфера. 2024. № 4. С. 24–31 DOI: https://doi.org/10.20913/1815-3186-2024-4-24-31

5. Шрайберг Я. Л. Особенные компоненты цифровой трансформации общества, активно влияющие на технологические и поведенческие модели деятельности современных библиотек: ежегодный докл. Седьмого междунар. проф. форума «СОЧИ–2023» // Научные и технические библиотеки. 2023. № 8. С. 13–84 DOI: https://doi.org/10.33186/1027-3689-2023-8-13-84

6. Ahmed E and Letta A (2023) Book recommendation using collaborative filtering algorithm. Applied Computational Intelligence and Soft Computing. DOI: https://doi.org/10.1155/2023/1514801

7. Choi J, Han C, Yang H, Hong Y, Jeon S and Zhu Y (2021) Embedding-based neural network models for book recommendation in university libraries. AI + Informetrics 2021: proc. of the 1st Workshop on AI + Informetrics (AII2021) co-located with the iConference 2021, virtual event, March 17th, 2021. Art. 2. URL: https://ceur-ws.org/Vol-2871/paper2.pdf (accessed 01.09.2025).

8. Giannopoulou E and Mitrou N (2020) An AI-based methodology for the automatic classification of a multiclass ebook collection using information from the tables of contents. IEEE Access 8: 218658–218675. DOI: https://doi.org/10.1109/ACCESS.2020.3041651

9. Kumar S, Manoj K, Punia SK, Sangwan S and Kumar M (2025) Adaptive and nonlinear strategies based switching hybrid model for book recommendation using user activity and data availability. Advances in Nonlinear Variational Inequalities 28 (5s): 419–437. DOI: https://doi.org/10.52783/anvi.v28.3913

10. Liang Y and Wang J (2025) Intelligent library recommendation based on GNN and attention networks. Journal of Computational Methods in Sciences and Engineering. Online first. DOI: https://doi.org/10.1177/14727978251364472

11. Liu X and Wang B (2024) Personalized recommendation system for university digital libraries based on deep neural networks. CISAI '24: Proceedings of the 2024 7th International conference on computer information science and artificial intelligence, September 13–15, 2024, Shaoxing, China. Assoc. for Computing Machinery, pp. 35–39. DOI: https://doi.org/10.1145/3703187.3703195

12. Shiva D, Jashwanth J, Kalyani K and Narayana AL (2025) Personalized book intelligent recommendation system. International Journal of Scientific Research in Engineering and Management (IJSREM) 9 (6). DOI: https://doi.org/10.55041/ijsrem49744

13. Wang Q and Chen Q (2024) Personalized book recommendation based on relational graph convolutional network. 2024 10th International conference on big data and information analytics (BigDIA), Chiang Mai, Thailand, October 25–28, 2024. IEEE, pp. 854–860. DOI: https://doi.org/10.1109/BigDIA63733.2024.10808689