基于大數據的圖書館學術資源深度挖掘 與個性化推送服務研究

周紅磊+王扣+潘婉秋+蓋琳++張立娜

摘要：在大數據迅速發展的浪潮下，用戶對圖書館智能化要求愈加明顯，本文通過對學術資源的深度挖掘和個性化推送服務的深入研究，探討了如何將數據挖掘技術應用到圖書館個性化推送服務中，希望為讀者提供更高質量的信息服務。

關鍵詞：大數據 高校圖書館 深度挖掘 個性化推送服務

中圖分類號：G2507文獻標識碼：A文章編號：1009-5349（2017）12-0095-02

當前，高校圖書館在提升智能化服務程度的基礎上，逐漸加強了針對知識信息的傳播、挖掘服務功能，就目前文獻主題搜索情況來看，高校圖書館還存在著一些不足，它沒有主動挖掘師生的需求，缺乏針對用戶的需求信息的深度推薦以及沒有全面考慮用戶的個性化需求。因此，圖書館未來的重點研究方向應為如何進行個性化的推送服務，并將其與數據挖掘技術緊密聯系起來，使其在幫助師生快速找到自己所需的知識和信息的同時，還能夠提高學生的學習效率。

一、大數據時代圖書館信息資源深度挖掘關鍵技術

（一）基于 Hadoop 的分布式數據挖掘技術

Hadoop 主要是由編程模型MapReduce和分布式文件系統 HDFS兩個核心部分組成，分布式文件系統HDFS為大規模數據集上的應用提供可靠的分布式文件訪問。HDFS 與 MapReduce 緊密配合，構成了Hadoop 的基礎，使它能夠將程序分割成多個獨立的單元，并分發到不同的節點，通過各個節點的計算能力完成整個程序的運作。[1]

（二）向量空間模型

在信息服務中計算資源相似度時使用了向量空間模型。該模型是60年代末Salton等人最先提出的， 是計算兩個文檔相似度較為經典的模型，文檔在該模型中被表示為向量，因此，文檔相似度的計算問題也就可以轉變成為歐式空間中向量的計算問題。向量空間模型是應用于信息過濾，信息擷取，索引以及評估相關性的代數模型，主要的計算思想是對所有的信息內容先采用分詞處理，然后把信息資源細分為獨立的詞語組合。

（三）聚類分析

聚類分析就是從一個聚類變量中提取N種特征，并將這N種特征存放到一個N維向量之中，利用得到的N維向量空間與其他聚類向量做相似性對比，逐漸形成按照某種規則進行分類的方式，使得在同一規則下的一組聚類變量成為同類，同類之間的特征最為相近，不同類之間的特征相距較遠。聚類算法常應用于高校圖書館分析讀者行為特征的模塊，在對讀者訪問的同一類期刊資源數據時，往往需要用聚類的方法進行相似性聚合。

（四）關聯規則算法

關聯規則是通過發現事物之間的關聯關系，實現從一件事情的發生來預測另一件事件的發生，從而能夠更好地了解和掌握事物發展的規律等。算法通過對所提供的數據進行多次掃描，根據所指定的支持度而產生頻繁項集，之后根據指定的置信度來產生關聯規則集。圖書館建設已經開始進入資源整合與面向用戶的數字化服務階段，通過關聯規則挖掘能夠進行更高層次的分析，以便更好地為讀者服務。

二、大數據時代圖書館個性化推送服務

對高校圖書館而言，數字資源的積累經歷了傳統的數字化到原生數字資源的發展過程[2]，在這一過程中，大部分學生僅是利用搜索工具查找目的書籍的位置所在，學生在閱讀各類文獻書籍沒有過多經驗，其瀏覽文獻質量好壞的評定就是如何運用關鍵字和相關數據處理技術從大量的差異化的數據中，既省時省力又可以精確地獲得自己想要的高質量文獻書籍。

（一）建立用戶個性化分析模型

根據學生的信息搜索以及借書記錄，對其個性化服務需求進行進一步剖析，利用先進的數據挖掘和分析處理技術深度挖掘大量豐富的網上資源，充分采集用戶需要的信息，在用戶登錄圖書館網站上及時推送出相關高質量書籍，提高用戶所需書籍的獲取效率。

（二）為圖書館規劃提供數據支持

為用戶提供滿意、高效的閱讀體驗，始終是高校圖書館的服務理念。但高校圖書館可能存在人員分配不足、數據調研不全面等相關問題，不能及時了解到多數學生所關注的書籍，以至于達到一個書籍資源豐富仍舊不能滿足用戶的閱讀需求。建立高校個性化推送服務，通過分析用戶借閱書籍數據，可以判斷學生閱讀文獻書籍的總體趨勢，為圖書館挖掘出大部分用戶所關注的書籍、近期的熱門書籍，從而對圖書館館藏書籍進行有效判斷和書籍的及時更新，并合理采購各式文獻書籍和熱門網絡文獻，能夠提高讀者對圖書館館藏資源的利用率。

（三）建立專業文獻數據庫

同一專業，研究課題相似的用戶有著共同的專業文獻需求，因此高校圖書館可以為不同專業的學生提供更為細化的個性化推送服務。我們可以建立關于不同專業的文獻存儲數據庫，專業教師均可登錄校內網上圖書館，在各自專業的數據庫目錄內容下構建專業化的、課題化的閱讀內容，為用戶推薦與其所學專業相關的、實用度更高的專業書籍。

三、數據深度挖掘在圖書館個性化推送服務中的應用

（一）在讀者個性化推送內容上的應用

為使這種服務變得更加便利與快速，可以利用深度挖掘技術收集讀者的相關信息，并對這些大數據進行深度挖掘，分析讀者的喜好以及需求，利用關聯規則等算法將這一龐大數據分解成不同的小數據，進而運用聚類分析等算法分析讀者所需要的信息，建立完善的讀者專屬的數據庫，并在此過濾掉無用的信息，使得信息的利用率達到最大，從而為讀者推送所需要、具有針對性的信息，為讀者在圖書館這一龐大的數據庫中尋找所需信息提供了便利。

（二）圖書館學術資源信息化的應用

隨著大數據時代的發展，對信息化的需求也越來越高，而圖書館不僅僅有館藏資源，還有豐富的網絡資源，為使數據龐大的圖書館信息獲取變得快速、準確，這就需要利用深度挖掘中的向量空間模型與聚類分析等算法對圖書館中的數據進行整合，為讀者用戶提供快速精確的檢索服務，并根據讀者用戶的檢索與借閱記錄等，通過關聯分析，為用戶推送所期望的信息與服務，使得圖書館學術資源的信息化變得更加豐富完善。

（三）個性化服務質量與多元化發展的應用

在滿足讀者用戶需求的同時，也使得圖書館的學術資源得以改進與完善，但在收集讀者信息的同時，有許多無用的噪聲信息，需要將這些噪聲信息排除在每個用戶信息的數據庫之外，這就需要利用數據的深度挖掘技術，將大數據中的數據進行分析，處理掉噪聲數據。在數據收集過程中，每個用戶所需的內容也不同，這就需要將這些大數

據整合處理為具有針對性的小數據庫。正是這些小數據庫為每個用戶進行個性化的推送服務，并且這些小數據庫的容量有限，可以更好地保護讀者用戶的隱私信息。其次，利用深度挖掘的關聯規則等算法分析整合讀者用戶對推送內容的反饋，及時更新數據庫，為讀者提供更貼心的服務，并不斷豐富數字圖書館的資源，使其向多元化發展。

四、結語

通過研究我們發現，在大數據時代下，圖書館仍然存在著用戶個性化信息需求與大量信息資源之間信息不對稱的矛盾，即用戶個性化閱讀服務質量需求高，而數據深度挖掘和發現用戶需求方面研究少等問題。所以圖書館必須及時轉變服務角色與技術，在依托數據挖掘平臺的支持，根據深度數據挖掘的關鍵技術，建立用戶個性化分析模型，為圖書館提供數據支持，建立專業文獻數據庫等方式來最大限度地提高用戶滿意度和圖書館服務性能。高校圖書館應以數據挖掘技術為工具，用戶個性化需求和服務為核心，實現具有特色化、智能化、多元化、主動化的新型圖書館，為廣大讀者用戶帶來更高效、更便利、更精確的服務。

參考文獻：

[1]李浩.基于Hadoop的分布式數據挖掘關鍵技術研究[D].電子科技大學，2015.

[2]蔡新紅.大數據時代圖書館信息資源個性化服務模式研究[J].科技創新導報，2014（17）：195-196.

責任編輯：楊國棟