淺析基于數(shù)據(jù)挖掘的數(shù)字檔案信息管理研究

王 芳

淺析基于數(shù)據(jù)挖掘的數(shù)字檔案信息管理研究

王 芳

隨著社會主義現(xiàn)代化的發(fā)展，計(jì)算機(jī)技術(shù)的進(jìn)步，信息技術(shù)在社會發(fā)展的各個(gè)領(lǐng)域都扮演著極其重要的角色。信息化建設(shè)更是被我國列為經(jīng)濟(jì)社會發(fā)展的首要內(nèi)容。網(wǎng)頁檔案化管理包括文檔、文字翻譯轉(zhuǎn)換、圖片資料、聲像資料、多媒體遠(yuǎn)程會議等。尤其是大學(xué)檔案館更側(cè)重教學(xué)與科研，網(wǎng)頁檔案化管理是必然的趨勢。

數(shù)字化 圖書管理 檔案化

在信息化發(fā)展的今天，圖書館，特別是大學(xué)圖書館不僅要對信息進(jìn)行簡單的數(shù)字轉(zhuǎn)換和管理，更要對新興事物網(wǎng)絡(luò)進(jìn)行檔案化管理和歸檔，包括文檔、文字翻譯轉(zhuǎn)換、圖片資料、聲像資料、多媒體遠(yuǎn)程會議等。所以網(wǎng)絡(luò)檔案化管理，成為當(dāng)今圖書管理的必然趨勢，這就必須對檔案化管理的技術(shù)和法律相關(guān)問題進(jìn)行深入闡述和探討。

所謂數(shù)據(jù)挖掘，就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識的過程。這些數(shù)據(jù)可以是結(jié)構(gòu)化的，如關(guān)系數(shù)據(jù)庫中的數(shù)據(jù)，也可以是半結(jié)構(gòu)化的，如文本、圖形、圖像數(shù)據(jù)，甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型數(shù)據(jù)。發(fā)現(xiàn)知識的方法可以是數(shù)學(xué)的，也可以是非數(shù)學(xué)的；可以是演繹的，也可以是歸納的。發(fā)現(xiàn)了的知識可以被用于信息管理、查詢優(yōu)化、決策支持、過程控制等，還可以進(jìn)行數(shù)據(jù)自身的維護(hù)。數(shù)據(jù)挖掘借助了多年來數(shù)理統(tǒng)計(jì)技術(shù)和人工智能以及知識工程等領(lǐng)域的研究成果構(gòu)建自己的理論體系，是涉及數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計(jì)、機(jī)械學(xué)、人工神經(jīng)網(wǎng)絡(luò)、可視化、并行計(jì)算等的交叉學(xué)科，是目前國際上數(shù)據(jù)庫和決策支持領(lǐng)域的最前沿的研究方向之一。

一、數(shù)據(jù)挖掘的功能

數(shù)據(jù)挖掘通過預(yù)測未來趨勢及行為，做出預(yù)測性的、基于知識的決策。數(shù)據(jù)挖掘的目標(biāo)是從數(shù)據(jù)庫中發(fā)現(xiàn)隱含的、有意義的知識，按其功能可分為以下幾類。

1．關(guān)聯(lián)分析。關(guān)聯(lián)分析能尋找到數(shù)據(jù)庫中大量數(shù)據(jù)的相關(guān)聯(lián)系，常用的一種技術(shù)為關(guān)聯(lián)規(guī)則和序列模式。關(guān)聯(lián)規(guī)則是發(fā)現(xiàn)一個(gè)事物與其他事物間的相互關(guān)聯(lián)性或相互依賴性。

2．聚類。輸入的數(shù)據(jù)并無任何類型標(biāo)記，聚類就是按一定的規(guī)則將數(shù)據(jù)劃分為合理的集合，即將對象分組為多個(gè)類或簇，使得在同一個(gè)簇中的對象之間具有較高的相似度，而在不同簇中的對象差別很大。聚類增強(qiáng)了人們對客觀現(xiàn)實(shí)的認(rèn)識，是概念描述和偏差分析的先決條件。聚類技術(shù)主要包括傳統(tǒng)的模式識別方法和數(shù)學(xué)分類學(xué)。

3．自動(dòng)預(yù)測趨勢和行為。數(shù)據(jù)挖掘自動(dòng)在大型數(shù)據(jù)庫中進(jìn)行分類和預(yù)測，尋找預(yù)測性信息，自動(dòng)地提出描述重要數(shù)據(jù)類的模型或預(yù)測未來的數(shù)據(jù)趨勢，這樣以往需要進(jìn)行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。

4．概念描述。對于數(shù)據(jù)庫中龐雜的數(shù)據(jù)，人們期望以簡潔的描述形式來描述匯集的數(shù)據(jù)集。概念描述就是對某類對象的內(nèi)涵進(jìn)行描述并概括出這類對象的有關(guān)特征。概念描述分為特征性描述和區(qū)別性描述，前者描述某類對象的共同特征，后者描述不同類對象之間的區(qū)別。生成一個(gè)類的特征性只涉及該類對象中所有對象的共性。生成區(qū)別性描述的方法很多，如決策樹方法、遺傳算法等。

5．偏差檢測。數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫中檢測這些偏差很有意義。偏差包括很多潛在的知識，如分類中的反常實(shí)例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差、量值隨時(shí)間的變化等。偏差檢測的基本方法是尋找觀測結(jié)果與參照值之間有意義的差別。這常用于金融銀行業(yè)中檢測欺詐行為，或市場分析中分析特殊消費(fèi)者的消費(fèi)習(xí)慣。

二、數(shù)據(jù)挖掘在建設(shè)現(xiàn)代化高校檔案館中的應(yīng)用

1．資源類數(shù)據(jù)包括館藏檔案經(jīng)過數(shù)字化加工而產(chǎn)生的各類電子檔案、電子文件中心中存儲的各類電子檔案、檔案軟件收集的信息、檔案信息網(wǎng)建設(shè)和維護(hù)信息。我們從研究大學(xué)檔案用戶的信息需求出發(fā)，數(shù)據(jù)挖掘?yàn)榇髮W(xué)檔案館全面掌握和準(zhǔn)確理解檔案用戶的信息需求提供了方法。

(1)利用Web訪問信息挖掘技術(shù)發(fā)現(xiàn)其中的關(guān)聯(lián)模式、序列模式和Web訪問趨勢等，構(gòu)建多維視圖的用戶興趣模型。從而可以確定檔案信息或服務(wù)受歡迎的程度，發(fā)現(xiàn)用戶訪問模式和用戶需求的趨勢，從不同側(cè)面來研究用戶的信息需求，為優(yōu)化檔案館的檔案信息資源建設(shè)提供了科學(xué)依據(jù)。

(2)收集大學(xué)檔案網(wǎng)web服務(wù)器保留的用戶注冊信息、訪問記錄，以及有關(guān)用戶與系統(tǒng)交互的信息等原始數(shù)據(jù)，經(jīng)過清洗、濃縮和轉(zhuǎn)換形成便于統(tǒng)計(jì)分析的用戶查閱數(shù)據(jù)庫、日志數(shù)據(jù)庫、用戶定制信息庫、用戶反饋信息等各種數(shù)據(jù)集合。

2．從建設(shè)大學(xué)檔案館館藏信息資源出發(fā)，數(shù)據(jù)挖掘?yàn)榇髮W(xué)檔案館提供了選擇一條科學(xué)發(fā)展道路的重要依據(jù)。(1)利用檔案網(wǎng)和檔案管理軟件訪問信息的挖掘分析出檔案資源的利用率，將利用率高、需求量大的傳統(tǒng)載體檔案優(yōu)先數(shù)字化。例如：通過對檔案信息的訪問記錄、檢索請求中用戶請求失敗的數(shù)據(jù)進(jìn)行分析，按類統(tǒng)計(jì)檔案拒用集和頻繁利用集，結(jié)合聚集算法發(fā)現(xiàn)館藏資源的缺漏，有針對性地補(bǔ)充和豐富檔案信息資源。

(2)在大學(xué)檔案館藏管理過程中利用文本挖掘，運(yùn)用關(guān)聯(lián)、分類、聚類等方法，從海量檔案信息中按照相關(guān)專題進(jìn)行挖掘、分類、加工、整理和有序化重組，構(gòu)建特色檔案信息庫及各類專題檔案信息庫等。

3．從做好大學(xué)檔案館信息管理工作的角度出發(fā)，數(shù)據(jù)挖掘?yàn)閮?yōu)化館藏信息和對未來工作的預(yù)測發(fā)揮重要作用。(1)在提供利用環(huán)節(jié)中，對用戶每次借閱的信息進(jìn)行關(guān)聯(lián)分析，發(fā)現(xiàn)各類檔案信息之間的關(guān)聯(lián)規(guī)則或比例關(guān)系，這樣可以進(jìn)一步優(yōu)化館藏信息。

(2)開展大學(xué)檔案館館藏信息文本特征的建立、特征提取、特征匹配、特征集縮減和模型評價(jià)工作，實(shí)現(xiàn)對大量文檔集合的內(nèi)容進(jìn)行總結(jié)、分類、聚類、關(guān)聯(lián)分析、分布分析，通過歸納與總結(jié)，發(fā)現(xiàn)的知識可以為未來檔案工作的趨勢進(jìn)行預(yù)測。

三、數(shù)據(jù)挖掘在管理類數(shù)據(jù)中的應(yīng)用

大學(xué)檔案館的管理類數(shù)據(jù)包括：智能監(jiān)控系統(tǒng)、消防系統(tǒng)、溫濕度控制系統(tǒng)、智能密集架、數(shù)據(jù)管理系統(tǒng)、數(shù)據(jù)利用系統(tǒng)等在日常工作產(chǎn)生大量的管理類數(shù)據(jù)。我們得用數(shù)據(jù)挖掘工具在這類看似無用的數(shù)據(jù)中提取有價(jià)值的知識并運(yùn)用到大學(xué)檔案館工作中，并在大學(xué)檔案館的現(xiàn)代化建設(shè)中發(fā)揮作用。

大學(xué)檔案館檔案工作的重點(diǎn)是為師生服務(wù)，以服務(wù)為中心開展各項(xiàng)工作，如何使用先進(jìn)的工具，提高服務(wù)的質(zhì)量是一直困擾我們的難題。數(shù)據(jù)挖掘?yàn)榇髮W(xué)檔案館檔案工作的智能化、個(gè)性化、精品化提供了行之有效的方法。在智能檢索系統(tǒng)可調(diào)用用戶興趣模型，自動(dòng)修正檢索策略并可依用戶興趣將檢索結(jié)果迅速聚類和分類，并條理化地排序出來；對于設(shè)計(jì)院、社科院等科研型檔案用戶，可借助數(shù)據(jù)挖掘開展針對性的檔案信息挖掘，并將研究成果以概述、成果報(bào)告等形式提供給用戶。這樣不光實(shí)現(xiàn)了大學(xué)檔案的二次開發(fā)，也會給用戶帶來意外的驚喜。

網(wǎng)絡(luò)最初只是科學(xué)家與研究人員之間交換文件的軟件，把因特網(wǎng)用于教育和研究可以得到政府的補(bǔ)貼。在中國，大學(xué)有撥款，圖書館有大學(xué)支持，數(shù)字圖書館的網(wǎng)絡(luò)檔案館是不贏利的，產(chǎn)出是教學(xué)和科研的長期社會效益。今天，因特網(wǎng)已經(jīng)越來越商業(yè)化了，網(wǎng)絡(luò)在數(shù)字經(jīng)濟(jì)中已成為極具潛力的技術(shù)投資對象。大學(xué)數(shù)字圖書館也可以考慮建立以贏利為目的的網(wǎng)絡(luò)檔案庫，采用網(wǎng)絡(luò)商務(wù)中的一些商務(wù)模式，例如網(wǎng)絡(luò)廣告、旗幟廣告、贊助廣告、訂閱、B2C等。收入可用于大學(xué)數(shù)字圖書館網(wǎng)絡(luò)檔案館建設(shè)的滾動(dòng)發(fā)展。管理網(wǎng)絡(luò)的公共政策制定主體是政府部門，推行電子政務(wù)，開發(fā)網(wǎng)絡(luò)資源，促進(jìn)從文字印刷向網(wǎng)絡(luò)出版的轉(zhuǎn)移是當(dāng)前相關(guān)政府部門的重要任務(wù)。大學(xué)的政策、態(tài)度和措施對數(shù)字圖書館的發(fā)展至關(guān)重要。市場手段和政策平衡是網(wǎng)絡(luò)檔案館建設(shè)，網(wǎng)絡(luò)檔案庫運(yùn)行，網(wǎng)上內(nèi)容傳遞和保存應(yīng)該和必須考慮的。

[1]Peer to peer Networking and Digital Right Management，by Michael A．Einhorn，Bill Rosenblatt，Policy Analysis No．534，CATO Institute．Fabruary 17，2005．

[2]What Every Citizen Should Know About DRM，aka Digital Right Management，by Mike Godwin Seuitoo Technology Counsel At Public Knowledge，30 January，2008，Ebook-Computer&Internet．

[3]彼得·萊曼．把萬維網(wǎng)檔案化．信息化參考，2004，（13）．

[4]周宏仁等．信息化助建和諧社會的14個(gè)著力點(diǎn)．中國信息界，2008，（3）．

[5]ITU-T Technology Watch Reports．2006-2008，Telecommunication Standardization Policy Division，ITU Telecommunication Standardization Sector.