基于情景大數據的圖書館個性化服務推薦系統研究

馬曉亭

〔摘 要〕大數據時代，圖書館個性化服務面臨著諸如數據海量、種類繁多、快速增長、價值巨大的嚴峻的挑戰。本文在描述大數據背景及其特點的基礎上，研究了基于情景大數據的圖書館個性化服務推薦系統。該系統將讀者的情景大數據引入個性化服務推薦過程，可以全面、及時、準確地評估讀者需求，并根據讀者的愛好實時、主動地推薦服務。

〔關鍵詞〕情景大數據；圖書館；個性化；服務推薦系統

DOI：10.3969/j.issn.1008-0821.2016.04.016

〔中圖分類號〕G250.76 〔文獻標識碼〕A 〔文章編號〕1008-0821（2016）04-0090-05

〔Abstract〕In the era of big data，personalized service of library face with many challenges owing to the specific characteristics of big data such as high volume，variety，velocity，value.In this paper，on the basis of description of the background and characteristics of big data，explored the personalized service recommendation system for library based on contextual big data.The system input the contextual big date of the readers into the personalized service recommendation process，realized the comprehensive，in time，and accurate evaluation for readers requires，and could recommend services to readers according to their preference actively and in real time.

〔Key words〕contextual big data；library；personalization；service recommendation system

當前，大數據已滲透到所有的行業，可為各行業優化企業生產資源配置、提升服務競爭力、快速發現顧客需求和準確評估服務質量，提供科學的大數據決策支持和反饋優化控制。IBM與牛津大學在2013年3月12日共同發布的《分析：大數據在現實世界中的應用》白皮書中，提出了大數據應用的五大關鍵性建議，主要包括“以客戶為中心”，制訂前期“大數據戰略規劃”；制定全面完整的企業“大數據藍圖”；從現有數據入手，設定并完成短期和階段性的“大數據戰略目標”；根據業務優先級，逐步建立分析體系，循序漸進提升“大數據分析能力”；定制可衡量的指標分析“大數據ROI（投資回報率）”[1]。因此，大數據已成為企業新的生產要素，既是企業基礎性資源和戰略性資源，也是企業生產力的重要組成。

大數據時代的來臨，給圖書館界即帶來了機遇也帶來了挑戰。圖書館通過對大數據的采集、挖掘、分析和決策支持，完成了服務資源的科學配置和服務模式轉型，實現了以讀者為中心的個性化服務，有效提高了讀者的閱讀滿意度和圖書館服務收益率。但是，大數據具有的數據體量大（Volume）、速度快（Velocity）、模式多（Variety）、難辨別（Veracity）和價值大密度低（Value） 的“5V”特性，也大幅增加了圖書館的大數據采集、噪音過濾、價值密度提升和決策可用性保證難度。因此，圖書館員如何在復雜、多變的大數據環境中挖掘大數據價值，并將大數據科學決策運用到讀者需求發現、智慧服務模式提供、個性化服務保障和QOS（服務質量）保證中去，是圖書館增強讀者個性化服務的安全性、智能化、經濟性和可控性應重點關注的問題[2]。

1 大數據時代圖書館個性化服務的需求與挑戰

1.1 大數據時代圖書館個性化服務的內涵變化

傳統IT環境下，由于圖書館IT基礎設施資源的信息處理、組織和傳輸能力有限，不能依據讀者閱讀需求的個體差異化，有效區分時間、地點、個體化閱讀需求和閱讀模式，為讀者提供具有個體差異性的個性化閱讀服務。僅僅將閱讀服務的重心放在服務推送的總量、穩定性和服務范圍保證上，而忽視了個性化服務的精準性和個性化水平。隨著科學技術的發展，以及讀者的自我認知度、個體閱讀需求差異和圖書館服務保障能力的提升，圖書館的個性化服務內涵發生了巨大的變化，要求圖書館服務必須以讀者需求為中心，為讀者提供符合讀者閱讀情景感知判斷和可滿足復雜閱讀需求的個性化服務。

據市場研究公司IDC的一項調查顯示，全球數字數據總量每兩年便翻一番。圖書館界在用戶服務過程中，也利用視頻監控設備、服務器監控器、閱讀終端監控器、傳感器網絡和用戶管理信息系統，不間斷地采集讀者的海量個體數據，為讀者描述一幅精準的閱讀自畫像。圖書館應通過讀者自畫像來充分了解用戶的個性，并基于大數據決策科學地管理和設計閱讀服務的個性化模式[3]。此外，圖書館在個性化服務的提供中，還應針對有相同個性化服務需求的讀者群和需求差異性較大的個體讀者，控制好個性化服務內容的顆粒度大小，不能因過度強調服務的個性化水平，而大幅度增加服務成本、管理復雜度和降低服務收益。

1.2 圖書館難以在復雜的數據環境中差異化定位讀者 （1）圖書館大數據的采集具有數據海量、來源廣泛的特點，半結構化與非結構化數據占據大數據總量的85%以上，大幅度增加了圖書館對大數據存儲、查找、定位、修改、分析和挖掘的難度，難以滿足圖書館大數據即時處理、實時挖掘和動態決策的需求。

（2）圖書館與移動運營商等相關第三方讀者服務商，以及圖書館內部不同部門的業務單元之間還沒有建立起全局性大數據共享，這些“數據孤島”的存在嚴重影響了大數據的價值發現和二次挖掘，導致圖書館不能實現“以讀者為中心”的客戶需求差異化定位和精準服務。

（3）隨著圖書館IT基礎設施結構復雜度的增長和服務模式的變革，圖書館大數據產生的速度以幾何級數快速增長，多源數據不同的組織結構和采集方式可能產生更高的數據噪聲和冗余，導致大數據的價值密度和相關性大幅下降，對讀者個性化服務推薦系統的算法科學性和效率提出了更高要求[4]。

（4）圖書館大數據具有多數據來源、非結構化、動態產生和實名（所采集的讀者特征信息、行為信息、位置信息、行為過程數據和閱讀終端參數等，都對應惟一的用戶ID。）的特點，對這些數據的過度挖掘、分析可能會導致讀者隱私泄露，而最終影響讀者個性化閱讀的愉悅感。

1.3 圖書館大數據獲取與分析難度快速增長

隨著圖書館大數據總量、數據來源、冗余性和噪聲的增長，圖書館對數據中心IT基礎設施的性能，以及大數據處理的能力、效率、準確度提出了更高的要求，要求圖書館能夠對讀者服務大數據進行實時采集、快速處理、即時分析和動態決策，有效解決服務大數據因信息過載，而影響讀者個性化服務實時性和大數據決策時效性的問題。

在保證讀者隱私安全的前提下，如何與百度、facebook、移動運營商等第三方服務商實現用戶數據的共享，是提升圖書館大數據價值總量和可用性的重要環節。圖書館的大數據資源通過視頻監控設備、服務器監控器、閱讀終端監控器、傳感器網絡、用戶管理信息系統、微信和微博等平臺采集，這些海量、復雜、快速增長和多結構模式的用戶大數據，遠遠超越了圖書館的數據存儲、管理、處理與分析能力[5]。因此，圖書館必須與IBM、亞馬遜和百度等世界一流的大數據分析和挖掘公司合作，才能有效應對未來大數據分析與決策的挑戰。此外，還應針對大數據時代讀者個性化服務需求和部門大數據應用實際，通過圖書館組織結構設計、大數據流程優化、部門間數據的橫向整合、統一的大數據管理與應用系統等，提升大數據的價值總量、可用性、經濟性和可控性。

1.4 讀者忠誠度是圖書館個性化服務應重點關注的問題 大數據時代，讀者要求圖書館個性化服務具有服務針對性強、內容多樣、智能自動化水平高的特點，同時也要求服務的自動化推送具有較強的主動性和時效性。此外，圖書館個性化服務還面臨著兩個關鍵問題：一是海量高速增長的大數據與圖書館數據中心有限數據處理能力之間的矛盾；二是讀者多樣化的個性化服務需求與圖書館大數據決策有效性之間的矛盾。這兩個矛盾能否有效解決，是關系讀者個性化閱讀服務滿意度和忠誠度，以及圖書館服務收益率的關鍵。

因此，圖書館個性化服務必須以讀者需求為中心，以個性化主動服務為目標開展服務活動，通過提升讀者的閱讀忠誠度來提高圖書館的服務收益。據統計，（1）發展一位新客戶的成本是挽留一個老客戶的3～10倍；（2）客戶忠誠度下降5%，企業的利潤下降25%；（3）向新客戶推銷產品的成功率是15%，向現有客戶推銷產品的成功率是50%；（4）如果將每年的客戶關系保持率增加5%，則利潤將達25%～85%；（5）60%的新客戶來自現有客戶的推薦；20%的客戶帶來80%的利潤[6]。因此，圖書館只有通過科學的個性化服務推送來增強關鍵讀者的忠誠度，不斷提升黃金讀者所占讀者群總數的比例，才能最終增強圖書館的服務總收益率和降低服務成本。

1.5 多維交互數據感知和移動推薦是關系個性化服務有效性的兩個關鍵因素 隨著無線傳感技術的發展和圖書館服務模式的變革，移動閱讀模式有效幫助讀者擺脫了時間、地域、閱讀方式對閱讀活動的束縛，已成為當前讀者最主要的閱讀模式。據EnfoDesk易觀智庫發布的《中國移動閱讀市場趨勢預測2014-2017》數據顯示，到2014年，中國移動閱讀市場收入規模達到88.4億元，增幅達41.4%。預計2017年市場整體收入規模將突破150億元。截止到2014年底，中國移動閱讀活躍用戶數比2013年環比增長20.9%，達5.9億。預計到2016年活躍用戶規模將接近6.9億[7]。因此，如何通過多維交互數據感知讀者需求和閱讀情景，增強移動閱讀活動中移動推薦的精準性和時效性，是圖書館提升移動閱讀個性化服務保障力應關注的重要問題。

圖書館在讀者多維大數據采集中，為了保證讀者的隱私數據安全，通常采取ID號標示讀者身份或者隱匿重要參數的方式，這可能會導致讀者的閱讀語境、位置信息、移動路徑、身份和閱讀社會關系等數據與讀者個體脫離，不利于相關大數據的融合、相關性發現和價值二次挖掘。其次，閱讀活動是讀者眾多社會活動的重要組成，圖書館應通過與第三方服務商進行數據共享與交換，將讀者的閱讀數據放在社交大數據集中進行數據的多維交互感知，才能準確發現大數據之間的關系和隱藏的數據價值。第三，基于多維交互大數據感知的圖書館移動推薦服務，應具有大數據準確、移動感知、強時空性和數據緊密關聯的特性，能夠對讀者的原始活動、半活動及非活動數據進行深度挖掘、分析，才能有效發現大數據間的關系和價值，才能為讀者個性化服務的移動推薦提供可靠的大數據決策支持[8]。

2 基于情景大數據決策支持的讀者個性化服務模式構建2.1 基于情景大數據決策支持的圖書館個性化服務推薦流程 在圖書館的個性化服務推薦流程設計中，大數據的價值總量、數據可用性、個性化服務推薦步驟的科學性、推薦流程的自主學習與智能優化能力，是關系圖書館個性化服務效率、實時性、經濟性和可靠性的4個重要問題。因此，圖書館個性化服務推薦流程的設計，應緊密圍繞這4個中心點展開。本文設計的基于情景大數據決策支持的圖書館個性化服務推薦流程，如圖1所示：

圖1 基于大數據決策支持的圖書館個性化服務推薦流程

底層大數據資源庫是圖書館個性化推薦服務決策的基礎數據。圖書館在服務大數據的采集中，應保證所采集的服務大數據海量、涉及對象廣泛和有深度，所采集的大數據價值能夠有效支持圖書館的個性化閱讀服務。同時，還應通過大數據的噪音過濾、價值挖掘、數據整合和標準化處理等步驟，努力提升大數據的價值密度、可控性和可操作性，以此降低個性化服務決策對圖書館數據中心IT設施系統的資源需求，最終實現大數據決策效率、實時性和經濟性的提升。

基于高價值總量大數據的分析支持，圖書館可準確預測和發現讀者的閱讀差異化需求，可通過對讀者需求大數據模式的分析與判斷，為讀者千人千面地定制個性化服務內容。在讀者的個性化服務推送過程中，圖書館應堅持讀者需求、閱讀模式、服務推送方式和推送精確度相統一的原則，確保個性化服務推送過程安全、實時、經濟和可控。個性化閱讀服務質量的評估與反饋控制過程，是圖書館評估個性化服務有效性和個性化服務自我優化的重要步驟。圖書館通過對QOS（服務質量）、讀者滿意度、服務總收益率的評估，可準確發現個性化閱讀服務推薦流程中存在的問題與不足，并依據評估結果對讀者需求發現過程實施反饋控制，實現個性化服務推薦流程的自動機器學習與智能優化[9]。

2.2 實現個性化服務的精確推送

基于情景大數據決策支持的圖書館個性化服務精確推送，其本質就是“依據讀者閱讀需求，在恰當的時間、恰當的地點，把精準的服務推送給正確的人”。圖書館個性化服務的精確推送決策依據是讀者的3個重要個體指標，分別為讀者個體特征、讀者地理位置與移動路徑數據、讀者的閱讀內容歷史記錄和閱讀方式數據。圖書館通過對讀者3個重要個體指標數據的采集、分析和判斷，能夠準確獲得讀者的性別、年齡、知識層次、閱讀興趣、閱讀需求和個體地理位置，并為讀者描繪一幅精準的閱讀活動畫像。圖書館可依據讀者的個體特征、閱讀需求、閱讀模式、閱讀社會關系等數據，將讀者劃分為不同的用戶群進行個性化服務定向推送。此外，還可依據個體讀者的特殊閱讀需求，實現個體讀者的個性化閱讀需求精準推送，在不大幅增加個性化服務總成本的前提下，提升讀者的個性化服務滿意度[10]。

為了突出服務推送的個性化水平與精準性，圖書館應加強大數據可用性的優化、大數據個性化價值的發現、線上與線下數據的整合，確保大數據在個性化服務決策中，具有較強的讀者個體針對性和數據價值可用性。

個性化移動閱讀服務是讀者閱讀模式的重要組成部分。圖書館在個性化移動閱讀服務的推送中，還應考慮在對讀者個體特征信息、移動路徑、閱讀內容與模式等大數據資源的采集中，數據采集的方法、時間、頻率和數據量等，對讀者移動閱讀終端設備電量和數據流量的消耗，不能過分強調個性化移動閱讀服務的精準性和實時性，而降低讀者閱讀終端的運行續航時間和浪費無線數據流量。

2.3 大數據決策應實現程序化管理

圖書館個性化服務中的大數據決策過程，可劃分為海量大數據的采集與噪聲過濾、相關決策大數據的標準化處理與匹配、大數據的分析與決策、個性化服務質量保證等4個步驟。情景大數據決策的內容主要有讀者個性化服務內容的推送、個性化服務需求的發現、增強服務產品功能、個性化服務風險的發現、個性化服務對象與內容的智能匹配、服務廣告的精確制定與發送等，這些服務對情景大數據決策的科學性、實時性、精準性和可控性有較強的要求[11]。因此，圖書館在個性化服務中，必須實現大數據決策的程序化管理，才能滿足讀者個性化服務的需求。

個性化服務決策的程序化，就是圖書館通過計算編程或者數學建模方式，科學、高效地實現對所采集大數據的實時、自動優化與分析，并將分析結果動態運用于讀者個性化需求的發現、組織、推送和QOS保證的各個環節中。同時，還應對個性化服務的有效性、精準性、可用性和可控性等，實行全體服務部門、對象、內容和流程的監管，保證圖書館個性化服務的內容、方式、讀者需求和服務成本，實現最佳優化與統一，確保圖書館具有最高的個性化服務投資收益率。

2.4 情景大數據決策的個性化服務應以讀者為中心

通過情景大數據分析全面了解讀者的閱讀個性，并在圖書館讀者服務的設計和管理中，突出服務的讀者個性化特征，是確保圖書館個性化服務供給安全、高效、經濟和可控應重點關注的兩個問題。

圖書館在情景大數據的采集、存儲、處理、分析和決策中，應重點關注能完全反映讀者閱讀需求、閱讀模式、閱讀社會關系、閱讀情緒和閱讀場景的個性化數據。圖書館可通過視頻監控設備、服務器監控器、閱讀傳感器等設備，全面、精確地獲取讀者的閱讀活動日期、內容、時間、愛好、心情、場景、社交關系和個體移動路徑等數據，并為讀者構建專屬的個性化情景數據庫。基于讀者個性化閱讀大數據的支持，圖書館可精確預測讀者的閱讀需求和閱讀習慣變化，能夠為個性化服務產品的設計、精確推送和精準營銷提供大數據決策支持[12]。

此外，圖書館在讀者個性化服務的設計和管理中，能否精確地將有相似特征和閱讀需求的讀者劃分在同一個讀者群，以及在為相同讀者群開展無差異個性化服務的同時，依據個體讀者的個性化服務意愿預測、判定結果，完成單一個體服務的個體化自動推送，是圖書館保證讀者個性化服務滿意度與有效控制服務成本應關注的問題。圖書館可通過讀者個性化服務關注度的動態排名，以及涉及讀者滿意度與圖書館服務收益的最相關內容，科學評估個性化服務的重要性、用戶相關性、推送成本和服務收益貢獻，并以評估結果來決定個性化服務推送的內容、方式、時間和對象，可在有效降低服務復雜度和成本同時，大幅增強服務的個性化水平和改善用戶閱讀體驗。

2.5 完成對讀者移動閱讀情境的精確感知

隨著智能閱讀終端、智能手機、移動PDA、平板電腦等設備性能的提升和制造成本的下降，移動閱讀已成為讀者閱讀模式的主要組成部分，是關系圖書館讀者個性化服務收益的重要內容。圖書館在讀者閱讀服務中，如何通過移動閱讀設備全面采集讀者的移動路徑、地理位置、閱讀內容與模式、閱讀終端設備參數等信息，是圖書館有效感知讀者移動閱讀實時情境、特征及模式，以及準確預測讀者的移動閱讀服務需求，全面、安全地開展個性化移動閱讀服務的前提。

圖書館采集的移動閱讀情境大數據主要包括讀者移動閱讀行為歷史數據、閱讀內容與模式、移動路徑、實時地理位置、閱讀心理與情緒、閱讀社交數據等。通過對這些情景數據的標準化處理、相關度計算、智能化挖掘、分析與匹配、時空交互語義獲取等操作，可準確預測讀者移動閱讀需求和方式的變化趨勢，并在準確的時間、地點將個性化服務以最恰當的方式推送給讀者[13]。此外，圖書館還可根據移動大數據的分析結果，準確判斷讀者的價值級別、閱讀活躍程度、閱讀忠誠度變化、服務收益貢獻和可能流失性，通過個性化服務的提前干預來增強讀者的閱讀忠誠度和價值等級。

移動閱讀服務具有服務場景不確定和突發的特點。圖書館如何依據讀者地理位置、閱讀實時性需求和移動閱讀終端類型等大數據決策結果，在對讀者進行閱讀內容微推送的同時，避免因服務推送的時間、方式、內容和地點不精確而對讀者造成干擾，影響讀者的閱讀情緒和滿意度，是圖書館個性化移動閱讀服務應關注的問題。圖書館應通過對讀者移動閱讀數據的實時追蹤和描繪，構建基于讀者移動閱讀時間、方式、位置和習慣的四維度大數據分析體系，實現基于移動大數據驅動的讀者閱讀意愿與方式精確預測。并通過對移動推薦服務與閱讀場景相關性和讀者滿意度的評估，反饋控制、優化移動服務推薦系統的建模方式與算法，以此提升圖書館移動閱讀服務個性化推送的精確性。

3 結束語

當前，圖書館已進入大數據時代。圖書館通過對服務大數據的采集、處理、存儲、分析和決策，高效、實時、經濟和動態地發現讀者的閱讀需求與閱讀模式變化趨勢，可為個性化閱讀服務提供可靠的大數據決策支持。

但是，隨著讀者閱讀需求與圖書館服務模式的快速變革，圖書館的大數據環境呈現數據海量、總量級數遞增、價值密度降低、可用可控性差的特點。如何在復雜、多變的大數據環境中，有效提升圖書館大數據的價值密度、可用性和可靠性，并在保證讀者個性化服務QOS的前提下，實現對個性化服務成本的有效控制，已成為關系讀者個性化閱讀活動可持續發展和圖書館服務收益的重要問題。因此，圖書館必須以讀者需求為中心，以大數據信息流程和數據生命周期規律為指導，努力優化圖書館內部系統的組織結構，提升圖書館員和數據分析師的大數據素養，不斷增強圖書館依靠業務統馭大數據的能力，才能有效地發現和挖掘大數據價值，才能為圖書館個性化服務提供科學的大數據決策支持，才能為讀者提供安全、高效、經濟和智慧的個性化閱讀服務。

參考文獻

[1]維克托·邁爾-舍恩伯格，等.大數據時代：生活、工作與思維的大變革[M].杭州：浙江人民出版社，2013.1.

[2]秦曉珠，李晨暉，麥范金.大數據知識服務的內涵、典型特征及概念模型[J].情報資料工作，2013，（2）：18-22.

[3]朱靜薇，李紅艷.大數據時代下圖書館的挑戰及其應對策略[J].現代情報，2013，（5）：9-13.

[4]尤海浪，錢鋒，黃祥為，等.基于大數據挖掘構建游戲平臺個性化推薦系統的研究與實踐[J].電信科學，2014，（10）：27-32.

[5]譚磊.大數據挖掘[M].北京：電子工業出版社，2014.

[6]張興旺，李晨暉，麥范金.變革中的大數據知識服務：面向大數據的信息移動推薦服務新模式[J].圖書與情報，2013，（4）：74-79.

[7]陳臣，尚慶生.基于大數據的圖書館個性化推送服務質量保障研究[J].現代情報，2014，34（11）：92-95.

[8]李可風，沈揚.大數據環境下移動數字圖書館信息推送策略研究[J].圖書館學研究，2015，（21）：66-70.

[9]程學旗，靳小龍，王元卓，等.大數據系統和分析技術綜述[J].軟件學報，2014，25（9）：1889-1908.

[10]孟祥武，紀威宇，張玉潔.大數據環境下的推薦系統[J].北京郵電大學學報，2015，38（2）：1-15.

[11]唐杰，楊洋.移動社交網絡中的用戶行為預測模型[J].中國計算機學會通訊，2012，8（5）：21-25.

[12]劉海鷗.面向云計算的大數據知識服務情景化推薦[J].圖書館建設，2014，（7）：31-35.

[13]維克托·邁爾-舍恩伯格，肯尼思·庫克耶.大數據時代：生活、工作與思維的大變革[M].盛楊燕，周濤，譯.杭州：浙江人民出版社，2012：34.

（本文責任編輯：郭沫含）