預(yù)測(cè)模型對(duì)多校區(qū)圖書館典藏規(guī)劃的啟示

聶飛霞

關(guān)鍵詞：預(yù)測(cè)；多校區(qū)圖書館；典藏規(guī)劃

摘 要：隨著高校圖書館的多校區(qū)發(fā)展，圖書館典藏工作迎來了新的挑戰(zhàn)。文章提出了運(yùn)用預(yù)測(cè)技術(shù)對(duì)圖書借閱量進(jìn)行預(yù)測(cè)分析，從而使多校區(qū)圖書館的典藏工作更加科學(xué)有效的方法。

中圖分類號(hào)：G250.78 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-1588（2014）03-0118-03

進(jìn)入2012年，“大數(shù)據(jù)”這個(gè)專有名詞開始出現(xiàn)在人們的視野中，各行各業(yè)的專家學(xué)者開始提出“大數(shù)據(jù)時(shí)代”所帶來的挑戰(zhàn)。那么，何謂“大數(shù)據(jù)”？目前業(yè)內(nèi)對(duì)“大數(shù)據(jù)”一詞仍沒有統(tǒng)一的定義，但筆者認(rèn)為，大數(shù)據(jù)（Big Data）就是指隨著某一行業(yè)的發(fā)展而不斷增長(zhǎng)的數(shù)據(jù)量，它并不是一種技術(shù)，而是人們對(duì)龐大繁雜數(shù)據(jù)的一個(gè)稱謂。由于其量的龐大，使得我們經(jīng)常所用到的統(tǒng)計(jì)分析功能已經(jīng)無從下手。所以，在“大數(shù)據(jù)”時(shí)代，一種技術(shù)再一次得到升溫，那就是數(shù)據(jù)挖掘技術(shù)。

數(shù)據(jù)挖掘（Data Mining）技術(shù)在1998年作為一種數(shù)據(jù)處理技術(shù)概念被提出，并在上世紀(jì)末開始活躍于各個(gè)領(lǐng)域[1]。其在圖書館領(lǐng)域的應(yīng)用晚于諸如通信、銀行等其他行業(yè)，但數(shù)據(jù)挖掘技術(shù)在其他領(lǐng)域的廣泛應(yīng)用，給其在圖書館的應(yīng)用打下了良好基礎(chǔ)。作為圖書館工作的重中之重，隨著RFID （Radio Frequency Identification）射頻識(shí)別技術(shù)在圖書館的應(yīng)用，使得典藏工作更加科學(xué)系統(tǒng)化。然而，由于國(guó)內(nèi)很多大學(xué)圖書館都實(shí)行了多校區(qū)辦館，在適應(yīng)了高?，F(xiàn)有的多校區(qū)辦學(xué)的現(xiàn)狀的同時(shí)，卻給典藏工作帶來了前所未有的挑戰(zhàn)[2]。面對(duì)因?yàn)槎嘈^(qū)辦館而激增的流通數(shù)據(jù)，如何從這些龐大的數(shù)據(jù)源中發(fā)現(xiàn)真正有利于多校區(qū)典藏規(guī)劃的信息呢？如何使得多校區(qū)典藏工作更加科學(xué)有效呢？數(shù)據(jù)挖掘的分析方法主要有分類、預(yù)測(cè)、關(guān)聯(lián)規(guī)則、聚類分析、回歸、順序規(guī)則、時(shí)間序列和決策樹。這些分析方法都可以用來建立一些模型，這些模型可以用來描述數(shù)據(jù)之間的聯(lián)系以及模式[3]。筆者主要介紹如何將數(shù)據(jù)挖掘技術(shù)之一的預(yù)測(cè)技術(shù)應(yīng)用于多校區(qū)典藏規(guī)劃中。

1 如何建立多校區(qū)典藏預(yù)測(cè)模型

預(yù)測(cè)，即Forecast。預(yù)測(cè)技術(shù)是通過已知數(shù)據(jù)來了解事物今后發(fā)展情況和走勢(shì)的技術(shù)。建立預(yù)測(cè)模型的方法有很多，常用的方法有回歸分析預(yù)測(cè)、趨勢(shì)外推預(yù)測(cè)、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)和時(shí)間序列預(yù)測(cè)等。

1.1 分析預(yù)測(cè)目標(biāo)以及確定預(yù)測(cè)時(shí)間

多校區(qū)辦館導(dǎo)致了圖書館典藏機(jī)制面臨重大的挑戰(zhàn)——[KG*4]一類圖書放到哪個(gè)學(xué)區(qū)才能使其被充分利用。因此，筆者的分析目標(biāo)就是圖書需要的科學(xué)擺放區(qū)域，而預(yù)測(cè)時(shí)間選擇為十二年。

1.2 預(yù)測(cè)前期的資料采集與調(diào)研

圖書館典藏工作中的圖書擺放模式有兩種，一種是按照內(nèi)容的擺放，例如分類排架；另一種是按照?qǐng)D書的形式擺放，例如裝訂方式排架等[4]。目前，高校圖書館運(yùn)用較多的是按照索取號(hào)排架的方法。由于索取號(hào)是由分類號(hào)和著者編號(hào)組合而成，因此在進(jìn)行數(shù)據(jù)挖掘的前期可以對(duì)圖書進(jìn)行分類號(hào)的特征采集，這有利于我們下一步預(yù)測(cè)方法的選擇。以西北大學(xué)圖書館的借閱數(shù)據(jù)為例，由于西北大學(xué)圖書館有南區(qū)圖書館和北區(qū)圖書館兩個(gè)分館，需要預(yù)測(cè)某一特征的圖書某一年在南北分館的借閱量，以此來確定典藏地點(diǎn)的分配（見表1）。如表1所示，北校區(qū)圖書館借閱量為Nyi，南校區(qū)圖書館借閱量為Syj，表1為某類特征值圖書兩校區(qū)借閱數(shù)量統(tǒng)計(jì)。

1.3 選擇一種適用方法

如表1所示，特征采集過程中兩個(gè)校區(qū)的借閱量是我們要預(yù)測(cè)的對(duì)象。預(yù)測(cè)建模的諸多方法中，回歸分析預(yù)測(cè)建模中的一元線性回歸預(yù)測(cè)方法可以應(yīng)用到多校區(qū)借閱量預(yù)測(cè)中。

1.4 對(duì)預(yù)測(cè)結(jié)果的分析與評(píng)估

通過一元線性回歸預(yù)測(cè)方法，我們可以預(yù)測(cè)到一個(gè)分類號(hào)在兩校區(qū)的借閱趨勢(shì)。這里應(yīng)該對(duì)預(yù)測(cè)的結(jié)果進(jìn)行分析與評(píng)估，確定結(jié)果是否符合預(yù)測(cè)的要求，并運(yùn)用預(yù)測(cè)模型進(jìn)行檢驗(yàn)，以此來比較本次預(yù)測(cè)的精確度。

[HS2]2 一元線性回歸預(yù)測(cè)模型的應(yīng)用

一元線性回歸分析是處理兩個(gè)變量x（自變量）和y（因變量）之間關(guān)系的最簡(jiǎn)單的模型，研究的是這兩個(gè)變量之間的線性相關(guān)關(guān)系[3]。一元回歸的公式為：

yi=a+bxi+ui（i=1，2，…n）

其中u是一個(gè)隨機(jī)變量，稱為隨機(jī)項(xiàng)；a、b是兩個(gè)常數(shù)，稱為回歸系數(shù)（參數(shù)）；i表示變量的第i個(gè)觀察值，共有n組樣本觀察值。

由于需要預(yù)測(cè)某一特征的圖書在兩個(gè)分館的借閱量，所以本次預(yù)測(cè)因變量y分別設(shè)為y1（北校區(qū)圖書館借閱量）、y2（南校區(qū)圖書館借閱量）。在得到預(yù)測(cè)結(jié)果y1和y2后，通過設(shè)計(jì)SQL語(yǔ)句來比較y1與y2的結(jié)果值，從而返回典藏地點(diǎn)的推薦值。以下為一元回歸預(yù)測(cè)的具體過程（見表2）。

3 預(yù)測(cè)模型對(duì)多校區(qū)典藏規(guī)劃的啟示

3.1 預(yù)測(cè)前期工作簡(jiǎn)單化

該預(yù)測(cè)模型前期數(shù)據(jù)準(zhǔn)備工作為數(shù)據(jù)的特征提取，這里提取了圖書的分類號(hào)作為分析的目標(biāo)。例如：需要分析“數(shù)據(jù)挖掘技術(shù)與應(yīng)用”這一類的書，我們提取到的特征為TP274，以TP274為分析目標(biāo)在圖書館自動(dòng)化系統(tǒng)中統(tǒng)計(jì)出分析范圍內(nèi)（十二年）的借閱量。

3.2 預(yù)測(cè)模型應(yīng)用簡(jiǎn)單化

預(yù)測(cè)模型建立起來后，典藏工作人員只需將分析范圍內(nèi)（十二年）的借閱數(shù)據(jù)輸入模型，系統(tǒng)會(huì)自動(dòng)生成回歸方程（如y1[DD（-*5]∧[DD）]=20.9895+1.217x），只需要選擇需要預(yù)測(cè)的年份（如2014年），就可以得到某一類圖書在某一年內(nèi)在各個(gè)校區(qū)的借閱量預(yù)測(cè)結(jié)果。

3.3 對(duì)非典藏領(lǐng)域的啟示

該預(yù)測(cè)模型建立起來后，可以預(yù)測(cè)某特征類型的圖書的多校區(qū)借閱量，可以指導(dǎo)典藏規(guī)劃實(shí)施圖書的具體布局。對(duì)于借閱量在某一閾值以下的圖書，典藏部門可以對(duì)該類圖書進(jìn)行剔舊或者下架處理，而采訪部門可以少量購(gòu)買或者不予購(gòu)買。同時(shí)，對(duì)于借閱量大于某一閾值的圖書，典藏部門可以開設(shè)特色化服務(wù)進(jìn)行推薦，而采訪部門可以通過增加復(fù)本或增加同類書來滿足讀者的要求。

參考文獻(xiàn)：

[1] Han Jiawei，Kamber Micheline.數(shù)據(jù)挖掘：概念與技術(shù)[M].北京：高等教育出版社，2001：42-60.

[2] 賈宇群， 李桂祥， 劉東燕.多校區(qū)模式下高校圖書館文獻(xiàn)資源的布局與管理[J].情報(bào)科學(xué)，2009（3）.

[3] 陳燕.數(shù)據(jù)挖掘技術(shù)與應(yīng)用[M].北京：清華大學(xué)出版社，2011：72-80

[4] 林曉玲，楊明華.RFID圖書管理系統(tǒng)中圖書定位排架方式探析[J].圖書館論壇，2012（3）.

（編校：崔萌）endprint

關(guān)鍵詞：預(yù)測(cè)；多校區(qū)圖書館；典藏規(guī)劃

摘 要：隨著高校圖書館的多校區(qū)發(fā)展，圖書館典藏工作迎來了新的挑戰(zhàn)。文章提出了運(yùn)用預(yù)測(cè)技術(shù)對(duì)圖書借閱量進(jìn)行預(yù)測(cè)分析，從而使多校區(qū)圖書館的典藏工作更加科學(xué)有效的方法。

中圖分類號(hào)：G250.78 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-1588（2014）03-0118-03

進(jìn)入2012年，“大數(shù)據(jù)”這個(gè)專有名詞開始出現(xiàn)在人們的視野中，各行各業(yè)的專家學(xué)者開始提出“大數(shù)據(jù)時(shí)代”所帶來的挑戰(zhàn)。那么，何謂“大數(shù)據(jù)”？目前業(yè)內(nèi)對(duì)“大數(shù)據(jù)”一詞仍沒有統(tǒng)一的定義，但筆者認(rèn)為，大數(shù)據(jù)（Big Data）就是指隨著某一行業(yè)的發(fā)展而不斷增長(zhǎng)的數(shù)據(jù)量，它并不是一種技術(shù)，而是人們對(duì)龐大繁雜數(shù)據(jù)的一個(gè)稱謂。由于其量的龐大，使得我們經(jīng)常所用到的統(tǒng)計(jì)分析功能已經(jīng)無從下手。所以，在“大數(shù)據(jù)”時(shí)代，一種技術(shù)再一次得到升溫，那就是數(shù)據(jù)挖掘技術(shù)。

數(shù)據(jù)挖掘（Data Mining）技術(shù)在1998年作為一種數(shù)據(jù)處理技術(shù)概念被提出，并在上世紀(jì)末開始活躍于各個(gè)領(lǐng)域[1]。其在圖書館領(lǐng)域的應(yīng)用晚于諸如通信、銀行等其他行業(yè)，但數(shù)據(jù)挖掘技術(shù)在其他領(lǐng)域的廣泛應(yīng)用，給其在圖書館的應(yīng)用打下了良好基礎(chǔ)。作為圖書館工作的重中之重，隨著RFID （Radio Frequency Identification）射頻識(shí)別技術(shù)在圖書館的應(yīng)用，使得典藏工作更加科學(xué)系統(tǒng)化。然而，由于國(guó)內(nèi)很多大學(xué)圖書館都實(shí)行了多校區(qū)辦館，在適應(yīng)了高校現(xiàn)有的多校區(qū)辦學(xué)的現(xiàn)狀的同時(shí)，卻給典藏工作帶來了前所未有的挑戰(zhàn)[2]。面對(duì)因?yàn)槎嘈^(qū)辦館而激增的流通數(shù)據(jù)，如何從這些龐大的數(shù)據(jù)源中發(fā)現(xiàn)真正有利于多校區(qū)典藏規(guī)劃的信息呢？如何使得多校區(qū)典藏工作更加科學(xué)有效呢？數(shù)據(jù)挖掘的分析方法主要有分類、預(yù)測(cè)、關(guān)聯(lián)規(guī)則、聚類分析、回歸、順序規(guī)則、時(shí)間序列和決策樹。這些分析方法都可以用來建立一些模型，這些模型可以用來描述數(shù)據(jù)之間的聯(lián)系以及模式[3]。筆者主要介紹如何將數(shù)據(jù)挖掘技術(shù)之一的預(yù)測(cè)技術(shù)應(yīng)用于多校區(qū)典藏規(guī)劃中。

1 如何建立多校區(qū)典藏預(yù)測(cè)模型

預(yù)測(cè)，即Forecast。預(yù)測(cè)技術(shù)是通過已知數(shù)據(jù)來了解事物今后發(fā)展情況和走勢(shì)的技術(shù)。建立預(yù)測(cè)模型的方法有很多，常用的方法有回歸分析預(yù)測(cè)、趨勢(shì)外推預(yù)測(cè)、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)和時(shí)間序列預(yù)測(cè)等。

1.1 分析預(yù)測(cè)目標(biāo)以及確定預(yù)測(cè)時(shí)間

多校區(qū)辦館導(dǎo)致了圖書館典藏機(jī)制面臨重大的挑戰(zhàn)——[KG*4]一類圖書放到哪個(gè)學(xué)區(qū)才能使其被充分利用。因此，筆者的分析目標(biāo)就是圖書需要的科學(xué)擺放區(qū)域，而預(yù)測(cè)時(shí)間選擇為十二年。

1.2 預(yù)測(cè)前期的資料采集與調(diào)研

圖書館典藏工作中的圖書擺放模式有兩種，一種是按照內(nèi)容的擺放，例如分類排架；另一種是按照?qǐng)D書的形式擺放，例如裝訂方式排架等[4]。目前，高校圖書館運(yùn)用較多的是按照索取號(hào)排架的方法。由于索取號(hào)是由分類號(hào)和著者編號(hào)組合而成，因此在進(jìn)行數(shù)據(jù)挖掘的前期可以對(duì)圖書進(jìn)行分類號(hào)的特征采集，這有利于我們下一步預(yù)測(cè)方法的選擇。以西北大學(xué)圖書館的借閱數(shù)據(jù)為例，由于西北大學(xué)圖書館有南區(qū)圖書館和北區(qū)圖書館兩個(gè)分館，需要預(yù)測(cè)某一特征的圖書某一年在南北分館的借閱量，以此來確定典藏地點(diǎn)的分配（見表1）。如表1所示，北校區(qū)圖書館借閱量為Nyi，南校區(qū)圖書館借閱量為Syj，表1為某類特征值圖書兩校區(qū)借閱數(shù)量統(tǒng)計(jì)。

1.3 選擇一種適用方法

如表1所示，特征采集過程中兩個(gè)校區(qū)的借閱量是我們要預(yù)測(cè)的對(duì)象。預(yù)測(cè)建模的諸多方法中，回歸分析預(yù)測(cè)建模中的一元線性回歸預(yù)測(cè)方法可以應(yīng)用到多校區(qū)借閱量預(yù)測(cè)中。

1.4 對(duì)預(yù)測(cè)結(jié)果的分析與評(píng)估

通過一元線性回歸預(yù)測(cè)方法，我們可以預(yù)測(cè)到一個(gè)分類號(hào)在兩校區(qū)的借閱趨勢(shì)。這里應(yīng)該對(duì)預(yù)測(cè)的結(jié)果進(jìn)行分析與評(píng)估，確定結(jié)果是否符合預(yù)測(cè)的要求，并運(yùn)用預(yù)測(cè)模型進(jìn)行檢驗(yàn)，以此來比較本次預(yù)測(cè)的精確度。

[HS2]2 一元線性回歸預(yù)測(cè)模型的應(yīng)用

一元線性回歸分析是處理兩個(gè)變量x（自變量）和y（因變量）之間關(guān)系的最簡(jiǎn)單的模型，研究的是這兩個(gè)變量之間的線性相關(guān)關(guān)系[3]。一元回歸的公式為：

yi=a+bxi+ui（i=1，2，…n）

其中u是一個(gè)隨機(jī)變量，稱為隨機(jī)項(xiàng)；a、b是兩個(gè)常數(shù)，稱為回歸系數(shù)（參數(shù)）；i表示變量的第i個(gè)觀察值，共有n組樣本觀察值。

由于需要預(yù)測(cè)某一特征的圖書在兩個(gè)分館的借閱量，所以本次預(yù)測(cè)因變量y分別設(shè)為y1（北校區(qū)圖書館借閱量）、y2（南校區(qū)圖書館借閱量）。在得到預(yù)測(cè)結(jié)果y1和y2后，通過設(shè)計(jì)SQL語(yǔ)句來比較y1與y2的結(jié)果值，從而返回典藏地點(diǎn)的推薦值。以下為一元回歸預(yù)測(cè)的具體過程（見表2）。

3 預(yù)測(cè)模型對(duì)多校區(qū)典藏規(guī)劃的啟示

3.1 預(yù)測(cè)前期工作簡(jiǎn)單化

該預(yù)測(cè)模型前期數(shù)據(jù)準(zhǔn)備工作為數(shù)據(jù)的特征提取，這里提取了圖書的分類號(hào)作為分析的目標(biāo)。例如：需要分析“數(shù)據(jù)挖掘技術(shù)與應(yīng)用”這一類的書，我們提取到的特征為TP274，以TP274為分析目標(biāo)在圖書館自動(dòng)化系統(tǒng)中統(tǒng)計(jì)出分析范圍內(nèi)（十二年）的借閱量。

3.2 預(yù)測(cè)模型應(yīng)用簡(jiǎn)單化

預(yù)測(cè)模型建立起來后，典藏工作人員只需將分析范圍內(nèi)（十二年）的借閱數(shù)據(jù)輸入模型，系統(tǒng)會(huì)自動(dòng)生成回歸方程（如y1[DD（-*5]∧[DD）]=20.9895+1.217x），只需要選擇需要預(yù)測(cè)的年份（如2014年），就可以得到某一類圖書在某一年內(nèi)在各個(gè)校區(qū)的借閱量預(yù)測(cè)結(jié)果。

3.3 對(duì)非典藏領(lǐng)域的啟示

該預(yù)測(cè)模型建立起來后，可以預(yù)測(cè)某特征類型的圖書的多校區(qū)借閱量，可以指導(dǎo)典藏規(guī)劃實(shí)施圖書的具體布局。對(duì)于借閱量在某一閾值以下的圖書，典藏部門可以對(duì)該類圖書進(jìn)行剔舊或者下架處理，而采訪部門可以少量購(gòu)買或者不予購(gòu)買。同時(shí)，對(duì)于借閱量大于某一閾值的圖書，典藏部門可以開設(shè)特色化服務(wù)進(jìn)行推薦，而采訪部門可以通過增加復(fù)本或增加同類書來滿足讀者的要求。

參考文獻(xiàn)：

[1] Han Jiawei，Kamber Micheline.數(shù)據(jù)挖掘：概念與技術(shù)[M].北京：高等教育出版社，2001：42-60.

[2] 賈宇群， 李桂祥， 劉東燕.多校區(qū)模式下高校圖書館文獻(xiàn)資源的布局與管理[J].情報(bào)科學(xué)，2009（3）.

[3] 陳燕.數(shù)據(jù)挖掘技術(shù)與應(yīng)用[M].北京：清華大學(xué)出版社，2011：72-80

[4] 林曉玲，楊明華.RFID圖書管理系統(tǒng)中圖書定位排架方式探析[J].圖書館論壇，2012（3）.

（編校：崔萌）endprint

關(guān)鍵詞：預(yù)測(cè)；多校區(qū)圖書館；典藏規(guī)劃

摘 要：隨著高校圖書館的多校區(qū)發(fā)展，圖書館典藏工作迎來了新的挑戰(zhàn)。文章提出了運(yùn)用預(yù)測(cè)技術(shù)對(duì)圖書借閱量進(jìn)行預(yù)測(cè)分析，從而使多校區(qū)圖書館的典藏工作更加科學(xué)有效的方法。

中圖分類號(hào)：G250.78 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-1588（2014）03-0118-03

進(jìn)入2012年，“大數(shù)據(jù)”這個(gè)專有名詞開始出現(xiàn)在人們的視野中，各行各業(yè)的專家學(xué)者開始提出“大數(shù)據(jù)時(shí)代”所帶來的挑戰(zhàn)。那么，何謂“大數(shù)據(jù)”？目前業(yè)內(nèi)對(duì)“大數(shù)據(jù)”一詞仍沒有統(tǒng)一的定義，但筆者認(rèn)為，大數(shù)據(jù)（Big Data）就是指隨著某一行業(yè)的發(fā)展而不斷增長(zhǎng)的數(shù)據(jù)量，它并不是一種技術(shù)，而是人們對(duì)龐大繁雜數(shù)據(jù)的一個(gè)稱謂。由于其量的龐大，使得我們經(jīng)常所用到的統(tǒng)計(jì)分析功能已經(jīng)無從下手。所以，在“大數(shù)據(jù)”時(shí)代，一種技術(shù)再一次得到升溫，那就是數(shù)據(jù)挖掘技術(shù)。

數(shù)據(jù)挖掘（Data Mining）技術(shù)在1998年作為一種數(shù)據(jù)處理技術(shù)概念被提出，并在上世紀(jì)末開始活躍于各個(gè)領(lǐng)域[1]。其在圖書館領(lǐng)域的應(yīng)用晚于諸如通信、銀行等其他行業(yè)，但數(shù)據(jù)挖掘技術(shù)在其他領(lǐng)域的廣泛應(yīng)用，給其在圖書館的應(yīng)用打下了良好基礎(chǔ)。作為圖書館工作的重中之重，隨著RFID （Radio Frequency Identification）射頻識(shí)別技術(shù)在圖書館的應(yīng)用，使得典藏工作更加科學(xué)系統(tǒng)化。然而，由于國(guó)內(nèi)很多大學(xué)圖書館都實(shí)行了多校區(qū)辦館，在適應(yīng)了高校現(xiàn)有的多校區(qū)辦學(xué)的現(xiàn)狀的同時(shí)，卻給典藏工作帶來了前所未有的挑戰(zhàn)[2]。面對(duì)因?yàn)槎嘈^(qū)辦館而激增的流通數(shù)據(jù)，如何從這些龐大的數(shù)據(jù)源中發(fā)現(xiàn)真正有利于多校區(qū)典藏規(guī)劃的信息呢？如何使得多校區(qū)典藏工作更加科學(xué)有效呢？數(shù)據(jù)挖掘的分析方法主要有分類、預(yù)測(cè)、關(guān)聯(lián)規(guī)則、聚類分析、回歸、順序規(guī)則、時(shí)間序列和決策樹。這些分析方法都可以用來建立一些模型，這些模型可以用來描述數(shù)據(jù)之間的聯(lián)系以及模式[3]。筆者主要介紹如何將數(shù)據(jù)挖掘技術(shù)之一的預(yù)測(cè)技術(shù)應(yīng)用于多校區(qū)典藏規(guī)劃中。

1 如何建立多校區(qū)典藏預(yù)測(cè)模型

預(yù)測(cè)，即Forecast。預(yù)測(cè)技術(shù)是通過已知數(shù)據(jù)來了解事物今后發(fā)展情況和走勢(shì)的技術(shù)。建立預(yù)測(cè)模型的方法有很多，常用的方法有回歸分析預(yù)測(cè)、趨勢(shì)外推預(yù)測(cè)、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)和時(shí)間序列預(yù)測(cè)等。

1.1 分析預(yù)測(cè)目標(biāo)以及確定預(yù)測(cè)時(shí)間

多校區(qū)辦館導(dǎo)致了圖書館典藏機(jī)制面臨重大的挑戰(zhàn)——[KG*4]一類圖書放到哪個(gè)學(xué)區(qū)才能使其被充分利用。因此，筆者的分析目標(biāo)就是圖書需要的科學(xué)擺放區(qū)域，而預(yù)測(cè)時(shí)間選擇為十二年。

1.2 預(yù)測(cè)前期的資料采集與調(diào)研

圖書館典藏工作中的圖書擺放模式有兩種，一種是按照內(nèi)容的擺放，例如分類排架；另一種是按照?qǐng)D書的形式擺放，例如裝訂方式排架等[4]。目前，高校圖書館運(yùn)用較多的是按照索取號(hào)排架的方法。由于索取號(hào)是由分類號(hào)和著者編號(hào)組合而成，因此在進(jìn)行數(shù)據(jù)挖掘的前期可以對(duì)圖書進(jìn)行分類號(hào)的特征采集，這有利于我們下一步預(yù)測(cè)方法的選擇。以西北大學(xué)圖書館的借閱數(shù)據(jù)為例，由于西北大學(xué)圖書館有南區(qū)圖書館和北區(qū)圖書館兩個(gè)分館，需要預(yù)測(cè)某一特征的圖書某一年在南北分館的借閱量，以此來確定典藏地點(diǎn)的分配（見表1）。如表1所示，北校區(qū)圖書館借閱量為Nyi，南校區(qū)圖書館借閱量為Syj，表1為某類特征值圖書兩校區(qū)借閱數(shù)量統(tǒng)計(jì)。

1.3 選擇一種適用方法

如表1所示，特征采集過程中兩個(gè)校區(qū)的借閱量是我們要預(yù)測(cè)的對(duì)象。預(yù)測(cè)建模的諸多方法中，回歸分析預(yù)測(cè)建模中的一元線性回歸預(yù)測(cè)方法可以應(yīng)用到多校區(qū)借閱量預(yù)測(cè)中。

1.4 對(duì)預(yù)測(cè)結(jié)果的分析與評(píng)估

通過一元線性回歸預(yù)測(cè)方法，我們可以預(yù)測(cè)到一個(gè)分類號(hào)在兩校區(qū)的借閱趨勢(shì)。這里應(yīng)該對(duì)預(yù)測(cè)的結(jié)果進(jìn)行分析與評(píng)估，確定結(jié)果是否符合預(yù)測(cè)的要求，并運(yùn)用預(yù)測(cè)模型進(jìn)行檢驗(yàn)，以此來比較本次預(yù)測(cè)的精確度。

[HS2]2 一元線性回歸預(yù)測(cè)模型的應(yīng)用

一元線性回歸分析是處理兩個(gè)變量x（自變量）和y（因變量）之間關(guān)系的最簡(jiǎn)單的模型，研究的是這兩個(gè)變量之間的線性相關(guān)關(guān)系[3]。一元回歸的公式為：

yi=a+bxi+ui（i=1，2，…n）

其中u是一個(gè)隨機(jī)變量，稱為隨機(jī)項(xiàng)；a、b是兩個(gè)常數(shù)，稱為回歸系數(shù)（參數(shù)）；i表示變量的第i個(gè)觀察值，共有n組樣本觀察值。

由于需要預(yù)測(cè)某一特征的圖書在兩個(gè)分館的借閱量，所以本次預(yù)測(cè)因變量y分別設(shè)為y1（北校區(qū)圖書館借閱量）、y2（南校區(qū)圖書館借閱量）。在得到預(yù)測(cè)結(jié)果y1和y2后，通過設(shè)計(jì)SQL語(yǔ)句來比較y1與y2的結(jié)果值，從而返回典藏地點(diǎn)的推薦值。以下為一元回歸預(yù)測(cè)的具體過程（見表2）。

3 預(yù)測(cè)模型對(duì)多校區(qū)典藏規(guī)劃的啟示

3.1 預(yù)測(cè)前期工作簡(jiǎn)單化

該預(yù)測(cè)模型前期數(shù)據(jù)準(zhǔn)備工作為數(shù)據(jù)的特征提取，這里提取了圖書的分類號(hào)作為分析的目標(biāo)。例如：需要分析“數(shù)據(jù)挖掘技術(shù)與應(yīng)用”這一類的書，我們提取到的特征為TP274，以TP274為分析目標(biāo)在圖書館自動(dòng)化系統(tǒng)中統(tǒng)計(jì)出分析范圍內(nèi)（十二年）的借閱量。

3.2 預(yù)測(cè)模型應(yīng)用簡(jiǎn)單化

預(yù)測(cè)模型建立起來后，典藏工作人員只需將分析范圍內(nèi)（十二年）的借閱數(shù)據(jù)輸入模型，系統(tǒng)會(huì)自動(dòng)生成回歸方程（如y1[DD（-*5]∧[DD）]=20.9895+1.217x），只需要選擇需要預(yù)測(cè)的年份（如2014年），就可以得到某一類圖書在某一年內(nèi)在各個(gè)校區(qū)的借閱量預(yù)測(cè)結(jié)果。

3.3 對(duì)非典藏領(lǐng)域的啟示

該預(yù)測(cè)模型建立起來后，可以預(yù)測(cè)某特征類型的圖書的多校區(qū)借閱量，可以指導(dǎo)典藏規(guī)劃實(shí)施圖書的具體布局。對(duì)于借閱量在某一閾值以下的圖書，典藏部門可以對(duì)該類圖書進(jìn)行剔舊或者下架處理，而采訪部門可以少量購(gòu)買或者不予購(gòu)買。同時(shí)，對(duì)于借閱量大于某一閾值的圖書，典藏部門可以開設(shè)特色化服務(wù)進(jìn)行推薦，而采訪部門可以通過增加復(fù)本或增加同類書來滿足讀者的要求。

參考文獻(xiàn)：

[1] Han Jiawei，Kamber Micheline.數(shù)據(jù)挖掘：概念與技術(shù)[M].北京：高等教育出版社，2001：42-60.

[2] 賈宇群， 李桂祥， 劉東燕.多校區(qū)模式下高校圖書館文獻(xiàn)資源的布局與管理[J].情報(bào)科學(xué)，2009（3）.

[3] 陳燕.數(shù)據(jù)挖掘技術(shù)與應(yīng)用[M].北京：清華大學(xué)出版社，2011：72-80

[4] 林曉玲，楊明華.RFID圖書管理系統(tǒng)中圖書定位排架方式探析[J].圖書館論壇，2012（3）.

（編校：崔萌）endprint