大數據時代情報服務模型探索研究

趙蓉英+魏緒秋

〔摘 要〕 數據時代，數據即資源，數據即服務。大數據時代，情報分析人員做好情報服務工作尤為重要。本研究首先論述了大數據相關概念、特征及發展趨勢；其次，探討了大數據環境給情報服務所帶來的機遇與挑戰；最后，結合大數據的數據特征，構建了大數據時代的情報服務模型。該模型充分考慮了大數據的數據特征、情報用戶對情報內容與目的等特殊要求以及情報分析人員情報服務工作的流程，實現了情報服務的定制化和個性化。模型在數據處理過程中體現了數據-信息-知識-智慧的轉化過程：實現了從實時數據、動態數據轉化為信息，隨后抽象、凝煉為知識，再深度升華為智慧，最終形成智慧產品并提供給情報用戶，從而達到情報分析與情報服務的目的。

〔關鍵詞〕大數據；情報服務；服務模型；智慧產品

DOI：10.3969/j.issn.1008-0821.2017.08.002

〔中圖分類號〕G250.2 〔文獻標識碼〕A 〔文章編號〕1008-0821（2017）08-0012-06

〔Abstract〕In the era of data，data is source and data is service. It is the mostly important for intelligence analysts to do intelligence service in the era of big data. This research firstly discussed the concept，the characteristics and the development of big data. Then it explored the opportunities or challenges of intelligence services，which were brought by big data. And finally，combined with the characteristics of big data，it established intelligence service model in the era of big data. This model took the data characteristics of big data，the intelligence demands of intelligence users and the process of intelligence service work into account to implement customized service or personalized service. The transformation processing of data-information-knowledge-wisdom was reflected in the mode，i.e. it conversed real-time data and dynamic data into information，then abstracted and condensed above information into knowledge，then sublimates knowledge deeply and forms wisdom，and finally it got wisdom products that were provided to intelligence users in order to achieve intelligence analysis and the purpose of the service.

〔Key words〕big data；intelligence service；service model；wisdom product

隨著互聯網、通信技術的飛速發展，信息技術與人類社會的交互融合，促使數據迅猛增長，人類社會步入了大數據時代。數據時代，數據的價值無處不在，價值數據正日益影響著國家經濟的運行機制、社會生產生活方式以及國家機構等的日常管理與經營。大數據時代，數據即資源。數據已經成為個人、企業組織甚至是國家機構重要的基礎資源，并引起了學術界、企業界、國家政府的高度關注和重視。大數據時代，如何及時、快速、有效、低成本地從海量數據、結構化數據和非結構化數據中挖掘出有潛在應用價值的數據并及時開展相應的情報服務工作，以此來促進社會經濟增長、優化社會生活方式，是情報機構的研究和工作重點。

隨著信息革命浪潮、信息技術的快速發展以及知識經濟時代的到來，情報服務由文獻傳遞走向信息服務，再由信息服務逐步向知識服務的轉變；隨著大數據、互聯網+等新專有名詞的提出、應用和普及，情報服務正駛向智能服務[1]。大數據時代，情報服務演變為智能服務。那么，在大數據環境中，情報分析人員如何開展情報服務工作將是本研究的重點所在。筆者基于大數據的特點，結合情報用戶的情報需求特點以及情報分析人員的情報服務工作流程，充分考慮數據的實時性與動態性，構建大數據時代的情報服務模型，以期為情報分析人員為情報用戶開展智能服務提供一定的借鑒。

1 大數據

1.1 大數據概念及特點

什么是大數據？目前，學術界還沒有明確的定義。Wikipedia認為大數據是廣義數據集術語，由于其數據量巨大、復雜程度已遠遠超出了傳統數據處理工具的范圍[2]；Stephen Kaisler等對大數據的定義與維基百科類似，認為：大數據由于數據量巨大已超越了目前技術的存儲、管理和處理的能力[3]；Sam Madden 在談及大數據時，認為大數據意味著數據量巨大、存儲速度太快，現有的數據處理工具很難處理[4]。上述大數據的定義表述都直接或間接體現了大數據數據量大的特點。

對于大數據的數據特點，不同學者也有著不同的認識或論述：Arkady Zaslavsky 等[5]比較認同大數據有3V特點： Volume（大量）、Velocity（高速）和Variety（多樣）；IAT Hashem等[6]認為大數據具有4V特點：Volume（大量）、Variety（多樣）、Velocity（高速）和Value（價值）；Ranjit Biswas[7] 認為大數據具有Volume（大量）、 Varity（多樣）、Velocity（高速）和Veracity（真實性） 4V特點；Stephen Kaisler等[3]認為大數據具有4V+1C特點： Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）和Complexity（復雜性）。而筆者較為認同大數據的4V特點，即Volume（大量）、Variety（多樣）、Velocity（高速）和Value（價值）。

1）數據量大。數據無處不在，數據隨時產生。大數據時代，數據量已經高達TB級（1 TB = 1024 GB）、PB級（1 PB = 1024 TB）甚至是EB級（1 EB = 1024 PB）、ZB級（1 ZB = 1024 EB）。IDC最新的數字宇宙（Digital Universe）研究：預計到2020年，世界上的數據存儲總額將達到35 ZB[8]。可見，大數據時代，數據量之龐大已遠遠超出了人們的預期。

2）數據多樣。筆者認為大數據的數據多樣性包括兩類：一是，數據來源的多樣性，包括個人、企業、政府、網絡等所產生的數據；二是，數據類型的多樣性，包括數字、文本、視頻、音頻等結構化、半結構化和非結構化數據。

3）數據高速。由于數據信息無處不在，數據隨時產生，數據正在進行著高速增長，“火箭”式增長。Gartner認為，信息量每年正以至少59%速度在遞增[8]。可見，大數據時代，數據量不僅龐大，而且其增長速度之快也在人們的預料之外。

4）數據價值。大數據并不在于其數據的海量、類型眾多、增長速度快，大數據最為重要的是其所蘊含的數據價值。對海量、多類型、復雜數據進行采集、存儲和關聯分析，從中發現新知識、創造新價值正是大數據研究和應用的關鍵所在。如沃爾瑪對超市的銷售量分析，發現啤酒與尿不濕的銷量之間的關系，從而對超市中啤酒與尿不濕的擺放位置進行了相應的調整，進而獲得巨大的經濟收益。由此可知，大數據所蘊含的數據價值不言而喻。

1.2 大數據的發展前景

大數據具有良好的應用價值和發展前景，本研究從大數據研究相關文獻量增長趨勢、國家政策導向以及大數據的應用范圍三個方面來闡述大數據的應用價值和發展前景。

1）研究文獻量呈增長態勢。科學文獻數量的增長可以反映一個國家某項技術發展的過程和所達到的水平，從而掌握某一技術領域的產生、發展的全過程和未來的趨勢[9] 。筆者通過CNKI數據庫和Web of Science核心合集檢索與“大數據”相關的研究文獻，并對其文獻累積量進行統計以此來反映大數據的發展狀況，如圖1所示。檢索條件：CNKI數據庫以“大數據”為主題，選擇SCI來源期、EI來源期刊、核心期刊和CSSCI，發表時間截止到2016年；Web of Science核心合集檢索以“big data”為主題，選擇SCI-EXPANDED、SSCI、A&HCI、CPCI-S、CPCI-SSH、ESCI、CCR-EXPANDED和IC索引，發表時間截止到2016；檢索時間為2017年2月1日。由圖1中的Web of science和CNKI的文獻累積量分布可知，國外有關大數據研究文獻可以追溯至1970年，而國內的最早可以追溯至1992年，可見國外有關大數據的研究比國內相關研究較早。對國內外有關大數據研究的文獻積累性進行曲線估計，發現WOS和CNKI中數據均呈現指數函數：WOS的模擬趨勢線為y=2.0027e0.2863x，R2=0.9417；而CNKI的模擬趨勢線為y=0.3009e0.2603x，R2=0.9827。可見，國內外有關大數據研究的文獻累積量近幾年內都呈現快速增長態勢，大數據相關研究工作受到學術界的高度關注和重視。筆者認為，在今后的一段時間內，大數據相關問題的研究依舊是學術界關注的重點，值得研究人員繼續開展相應的研究工作。

2）國家政策導向。數據是國家的重要戰略資源，越來越多的國家已經意識到數據的重要性，并將其納入國家計劃或上升為國家競爭戰略。2012年3月，美國奧巴馬政府宣布《大數據研究和發展計劃》（Big Data Research and Development Initiative），旨在提高美國從龐大復雜的數字數據中提取知識和見解的能力，從而加速科學、工程探索的步伐，增強國家安全，轉變教學、學習[10]；2015年9月，我國政府印發了促進大數據發展行動綱要，以全面推動我國大數據的發展和應用，實現數據強國建設目標[11]。筆者認為上述計劃或行動綱要有助于高等院校、研究單位、企業中的眾多研究人員了解大數據研究的價值所在，明確大數據研究的主要任務、研究方向，從而開展大數據及其相關研究。

3）應用領域范圍廣泛。Travis B. Murdoch認為大數據在天文學、零售銷售、搜索引擎和政治選舉中得到成功地應用，并論述了大數據在醫療衛生領域中的應用[12]；C.L. Philip Chen認為大數據改變了人們企業經營、管理、研究的模式，并簡要介紹了大數據在商業貿易、社會管理、科學研究中的應用[13]；維基百科認為，大數據在政府、經濟發、衛生醫療、科學研究等方面有著重要的應用。可見，大數據應用范圍廣泛，值得學術研究人員、企業研究人員及政府機構研究人員開展相應的研究工作，以此來促進大數據在各個領域的發展和實際應用。

2 大數據時代的情報服務

2.1 大數據對情報服務的影響

大數據時代，做好情報服務尤為重要。然而，大數據的4V特征既給情報服務工作帶來了一定的機遇，又帶來新的挑戰。

2.1.1 面臨的機遇

筆者認為大數據給情報服務工作帶來的機遇主要體現在三個方面：一是，組織機構情報觀的深入；二是，組織機構競爭能力的提升；三是，情報服務成本的降低。

1）組織機構情報觀的深入。大數據環境下，組織機構所賴以生存的數據環境發生巨大變化：數據無處不在，數據隨時產生。隨著計算機、智能終端、互聯網等的普及與發展，人類社會步入數字時代。這使得情報服務人員能夠挖掘組織內部及組織外部的數據信息，并經過挖掘分析，及時準確地掌握企業目前的自身及競爭對手的經營狀況，發現消費群體的行為特征，制定相應的競爭策略，指導企業的經營與產品的競爭，發揮知識資本優勢，獲取巨大經濟收益。在這一過程中，無疑不體現著企業機構對數據、知識、情報觀念認識的深入——通過知識獲取經濟效益。

2）組織機構競爭能力的提升。數據競爭、知識競爭、智慧決策是企業機構提升核心競爭力的關鍵。大數據環境，企業將企業內部數據和企業外部數據融合在一起，通過數據的挖掘與分析，洞察自身經營、競爭對手以及競爭環境的數據的實時轉變，從而快速響應并制定有效的競爭策略。以數據知識作為競爭決策的依據，用智慧制定相應的競爭戰略，不斷提升企業的核心競爭力、持續競爭力，從而采取或保持組織機構的產品領先戰略或差異化戰略，幫助企業獲得競爭先機，獲取巨大的經濟效益。

3）情報服務成本的降低。大數據時代數據信息的網絡化，讓情報工作人員極易獲取相關數據信息，從而避免設計調查問卷、填寫調查問卷、統計分析調查問卷等繁瑣步驟。這不僅降低了獲取一手原始數據的資金成本，還降低了獲取一手原始數據的時間成本。為了應對大數據時代數據手機、處理、分析的新訴求，研究人員開發的眾多應用工具和技術（如Hadoop[14]、HBase[15]、Cassandra[16]、MongoDB[17]等）。情報分析人員運用上述工具或技術，從而獲取個人、組織機構、國家、互聯網等數據信息，并對上述信息進行挖掘與分析，最終形成智慧產品，從而被情報需求用戶所應用。

2.1.2 存在的挑戰

筆者認為，大數據對情報服務工作存在的影響主要體現在三個方面：一是，數據源來源；二是，數據處理與分析；三是，數據安全。

1）數據源問題。由大數據的特點可知，大數據不僅數據量大而且類型眾多、復雜程度高。情報數據的來源關系著情報質量的高低。因此，情報分析人員在情報數據收集階段中，要充分保證數據的來源，不僅要考慮組織的內部數據還要考慮組織外部數據（如國家政策、競爭對手、服務對象的滿意度等眾多環境因素）。只有這樣，情報分析人員才能從大數據環境中挖掘出有價值的數據情報，從而較好的支持組織機構決策與指導生產經營。

2）數據處理與分析問題。如何從海量數據、復雜數據中及時準確地挖掘出有價值的數據，是大數據時代的難點和重點，也是大數據時代數據服務工作所面臨的重點和難點。大數據時代，信息數據無處不在，信息數據實時產生。因此，對實時數據收集、處理與分析，離不開先進的數據獲取、處理、分析技術和工具的支持和幫助。隨著大數據時代的來臨，研究人員、組織機構甚至是政府都已經意識到大數據的重要性，并著手對大數據獲取、處理、分析技術和工具進行相應的研究。如2011年，EMC推出了支持大數據分析的下一代EMC Greenplum統一分析平臺；2011年，IBM收購了數據分析公司Netezza，開始拓展商業價值方面的市場；2011年，甲骨文發布了NoSQL數據庫企業版，這是運行于Hadoop之上的大數據軟件之一[18]；等等。

3）數據安全問題。大數據時代，數據信息的網絡化給我們帶了生產生活的便利的同時，也給我們帶了一些不必要的麻煩，如在銀行辦理一張信用卡，極大方便了我們的購物消費，然而，由于信息的泄漏，信用卡極易被他人盜刷；企業數據的泄漏，可能失去競爭優勢，甚至是倒閉；國家基礎建設數據的泄漏，能夠直接威脅著國家安全與穩定，等等。因此，大數據時代，無論是個人、企業、組織機構甚至是國家政府都要樹立數據信息安全觀念，保護好隱私數據，避免重要數據的遺失或泄密。此外，國家政府可以指定相關的法律法規保護隱私數據；企業行業達成協議，規范自身的行為；等等。

2.2 大數據環境下的情報服務模型

數據、信息、知識和智慧是情報學的主要研究對象[19]，情報（智慧）是由數據-信息-知識-智慧鏈而來。由此可見，數據是情報（智慧）的起點。大數據時代，數據并不在于數據量大、復雜性高，而在于有價值數據的實際應用。大數據時代，情報服務工作由數據服務轉變為智能服務。在此過程中，從眾多數據源中提取出有價值的數據，轉化為知識，再凝練升華為智慧，最終為情報用戶提供智慧產品。筆者依據從原始數據到智慧產品的產出與應用的過程，構建了大數據環境下的情報服務模型框架，如圖2所示。

2.2.1 大數據環境下的情報服務模型構建原則

模型的構建需遵循一定的原則。根據大數據的4V特征以及所提供的情報服務，大數據環境下的情報服務模型的構建應遵循以下幾個原則：

1）系統性原則。大數據時代，由最基礎的數據到最終的情報服務這一過程中的各個階段并不是孤立存在的，而是一個有機的整體和系統。數據來源到情報服務是有順序性和層次性的。

2）適用性原則。數據無處不在，數據實時產生決定了情報服務的原始數據是實時動態數據。因此，在構建大數據環境下的情報服務模型時，要考慮模型的實時動態性，才能保證情報服務的準確、及時。適用性是大數據環境下的情報服務模型存在的前提。

3）用戶參與原則。大數據環境下的情報服務需要情報用戶的參與。情報分析人員在開展情報服務時要充分了解情報用戶所需的要求，才能準確、及時的為情報用戶開展情報服務。此外，情報用戶對所開展的情報服務質量進行反饋，從而有助于情報分析人員開展高質量的情報服務。

4）經濟性原則。運行質量好，運營成本低是系統模型構建的要求之一。因此，經濟性原則也是大數據環境下情報服務模型構建原則之一。

2.2.2 大數據環境下情報服務模型的組成要素及服務流程

根據數據-信息-知識-智慧鏈，大數據環境下的情報服務流程主要由4部分組成：一是，數據來源層；二是，數據交互層；三是，智慧產品產出層；四是，智能服務層。

1）數據來源層

數據來源層重在強調大數據環境下開展情報服務所需數據的全面性。數據來源層在一定程度上體現了大數據的量大、多樣和價值密度低的特性。因此，數據來源層是大數據環境下情報服務開展的數據前提。大數據時代，在情報數據獲取過程中，情報分析人員應充分考慮大數據的特點（數據量大、類型多），將個人產生的數據、企業機構所產生的數據、國家政府所產生的數據及指定的相應的法律法規、網絡上的數據等納入情報數據的來源，從而實現結構化數據、半結構化數據以及非結構化數據的隱性知識和顯性知識的識別與發現，進而更好的實現情報服務工作。此外，大數據時代，數據量巨大，其所含有的價值密度相對較低，這也在另一個層面說明了情報數據來源的重要性：情報數據來源廣泛，極易獲得有價值的數據，情報分析人員將會做出正確的判斷、分析、預測，進而為情報用戶制定合理、有效的競爭策略；數據來源片面且數據質量低下，情報分析人員極易挖掘出片面甚至是錯誤的信息，從而做出片面或錯誤的判斷及預測，最終給情報用戶造成難以估量的損失。因此，個人數據、企業機構數據、國家數據、網絡數據等組成了大數據環境下的情報服務模型的數據來源層。

2）數據交互層

數據無處不在，數據實時產生，造就了大數據時代數據快速增長的特征。此外，數據具有時效性。情報服務尤其注重情報的準確性和時效性。因此，在大數據環境下的情報服務模型框架中設置數據交互層，以此來實現情報源庫的動態更新。這在一定程度上既保證數據的全面性，又保證了數據的時效性與準確性。數據交互層是大數據環境下情報服務開展的數據基礎和保證。這就要求情報分析人員在數據收集、存儲、分析的過程中要充分考慮大數據快速增長、實時變化的特點，將實時數據、動態數據納入到情報數據分析中，既保證數據的來源，又凸顯了情報分析工作的動態性，從而更好地處理、挖掘和分析所收集的數據，從而獲得有用數據來預測并指導社會生產生活、國家政府治理、企業組織良好運行或經營等，提升企業、國家的競爭能力或服務水平，實現國家的進步、經濟的發展、生活的穩定、社會的繁榮。在構建大數據環境下的情報服務流程框架時，筆者充分考慮數據的上述特點，設計了數據交互層，從而實現了數據與情報源庫的實時、動態交互，使數據源庫中的數據及時獲得補充，從而保證了情報分析的質量，達到情報分析的目的。

3）智慧產品產出層

智慧產品產出層是大數據環境下情報服務開展的智慧產品加工過程。在該過程中，智慧產品由數據-信息-知識-智慧鏈而來。知識時代，知識就是資本，知識就是力量；大數據時代，數據即服務，數據即情報。情報分析的最終目的是為情報用戶提供情報服務產品，即智慧產品。由于情報用戶對情報需求及目的性等的不同，情報分析人員需依據情報用戶的需求及目的，對情報源庫相應的數據進行處理、分析，從而為該情報用戶提供其所需的智慧產品，做到定制化服務、個性化服務。因此，大數據環境下的情報服務流程需要將情報用戶的情報需求納入到智慧產品產出的過程，并依據情報用戶的需求及目的性等的不同要求，情報分析人員從情報源庫中獲取相關數據信息，對其進行處理、分析，挖掘出有價值（有用）的數據，接著對這些數據進行分類匯總或聚類后，依據數據信息的種類、特點及規律等，發現并揭示數據背后所蘊含的信息。隨后，情報分析人員對獲取的信息進一步地抽象、升華和凝煉，從而形成知識（或知識產品）。情報分析人員繼續對所形成的知識（或獲取的知識產品）進行深度升華，并轉知為智，最終形成智慧產品。總之，智慧產品產出層存在數據-信息-知識-智慧的轉化。

4）智能服務層

智慧產品是情報分析人員勞動與智慧的結晶。僅僅實現智慧產品的產出不是情報服務的最終目的，而智慧產品服務于情報用戶，被情報用戶最終得以應用是大數據環境下情報服務開展的最終目的所在。因此，在大數據環境下的情報服務模型框架中設置智能服務層是十分有必要的。情報分析人員通過對情報庫源中的數據進行分析獲取有價值數據，轉化為信息，并抽象、凝煉為知識，深度升華為智慧，最終形成智慧產品，并將智慧產品及時推送給情報用戶。情報用戶依據情報分析人員所提供的智慧產品，進行相應的管理、經營與決策，發揮出智慧產品所應有的價值，增加情報用戶的競爭能力與創新力。

此外，在情報分析流程服務過程中，無論是情報分析人員還是情報用戶，都應及時交流溝通：情報用戶將情報的需求、所達到的目的清晰地表達給情報分析人員，并將情報分析人員所形成的智慧產品的實際實踐或應用價值及時的反饋給情報分析人員，及時讓情報分析人員了解其情報產品的價值或質量，從而更好地改進情報服務工作；情報分析人員應將自己情報分析的進度及時反饋給情報用戶，讓情報用戶及時了解情報分析的進度，并將情報分析所產生的智慧產品及時推送給情報用戶，及時跟蹤智慧產品的實際實踐或應用價值，從而提高情報服務的質量。

3 結語

大數據時代，數據即服務，數據即情報。數據的量大、多樣、高速、價值4V特點既給情報服務帶來了機遇，又對情報服務產生了一定的影響。因此，在大數據環境中，情報分析人員做好情報服務工作尤為重要。情報服務工作既可以幫助情報用戶（個人、組織機構、國家政府等）提高自身價值或競爭能力，從而適應復雜多變的社會環境，又可以增加情報分析人員的情報收集、處理、分析和挖掘的能力，從而生產出更多高質量的智慧產品，以促進國家經濟繁榮、社會進步、人民安居樂業。

本研究從大數據環境下的數據特點，并結合情報用戶對所需情報內容、情報目的等特殊需求，以及情報分析工作的步驟，構建了大數據時代的情報服務模型。該模型的4個主要層次不僅體現了大數據環境中數據的特點以及情報用戶的需求，還將情報用戶的定制化服務、個性化服務納入研究模型當中，從而使模型較好的體現出大數據環境下的情報服務人性化。

總之，情報服務模型實現了大數據環境數據的實時收集并存儲在情報源庫中，并依據情報用戶的情報需求，對上述實時數據、動態數據進行處理、分析、挖掘轉化為信息，隨后對所獲取的信息進行抽象、凝煉為知識，再對所獲取的只是進行深度升華為智慧，并最終形成智慧產品，從而被情報用戶所使用。

參 考 文 獻

[ 1 ] 吳晨生，李輝，付宏，等. 情報服務邁向3.0時代[J]. 情報理論與實踐，2015，（09）：1-7.

[ 2 ] Wikipedia. Big Data[EB/OL]. [2015-12-10]. https：//en.wikipedia.org/wiki/Big_data.

[ 3 ] Kaisler S，Armour F，Espinosa J A，et al. Big Data：Lssues and Challenges Moving Forward[C]//System Sciences （HICSS），2013 46th Hawaii International Conference on. IEEE，2013：995-1004.

[ 4 ] Madden S. From Databases to Big Data[J]. IEEE Internet Computing，2012，（3）：4-6.

[ 5 ] Zaslavsky A，Perera C，Georgakopoulos D. Sensing as a Service and Big Data[J]. arXiv Preprint arXiv：1301.0159，2013.

[ 6 ] Hashem I A T，Yaqoob I，Anuar N B，et al. The Rise of “big data” on Cloud Computing：Review and Open Research Issues[J]. Information Systems，2015，（47）：98-115.

[ 7 ] Biswas R. Theory of Solid Matrices & Solid Latrices，Introducing New Data Structures MA，MT：for Big Data[J]. International Journal of Algebra，2013，7（16）：767-789.

[ 8 ] 大數據時代：0和1的“生活大爆炸”[EB/OL]. [2016-12-10].http：//www.d1net.com/news/hyxg/88955.html.

[ 9 ] 邱均平. 信息計量學[M]. 武漢：武漢大學出版社，2007.

[ 10 ] Kalil T. Big Data is a Big Deal[EB/OL]. [2012-03-29]. https：//www.whitehouse.gov/blog/2012/03/29/big-data-big-deal.

[ 11 ] 國務院. 促進大數據發展行動綱要[EB/OL]. [2015-09-05]. http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm.

[ 12 ] Murdoch T B，Detsky A S. The Inevitable Application of Big Data to Health Care.[J]. Jama the Journal of the American Medical Association，2013，309（13）：1351-1352.

[ 13 ] Chen C P，Zhang C. Data-intensive Applications，Challenges，Techniques and Technologies：A survey on Big Data[J]. Information Sciences，2014，275（11）：314-347.

[ 14 ] Hadoop[EB/LO].[2016-12-26]. http：//hadoop.apache.org/.

[ 15 ] HBase [EB/LO].[2016-12-26]. http：//hbase.apache.org/.

[ 16 ] Cassandra[EB/LO].[2016-12-26]. http：//cassandra.apache.org/.

[ 17 ] MongoDB [EB/LO].[2016-12-26]. https：//www.mongodb.org/.

[ 18 ] 大數據時代：0和1生活里的那些事[EB/LO].[2016-12-26]. http：//www.d1net.com/news/hyxg/88953.html.

[ 19 ] 任福兵. 信息管理模式的演化與發展——從數據管理到智慧管理[J]. 圖書情報工作，2017，（02）：41-49.

（本文責任編輯：馬 卓）