基于大數(shù)據(jù)的圖書館文獻合作關(guān)系挖掘方法研究

摘要：海量文獻形成圖書館重要的數(shù)據(jù)資源，充分利用大數(shù)據(jù)分析工具，挖掘其中的潛在價值是當前的研究熱點。采用大數(shù)據(jù)分析的方法，通過對海量文獻數(shù)據(jù)的清洗、挖掘和可視化，研發(fā)出直觀、易用的軟件平臺，并提供精準的文獻檢索工具，可以幫助讀者快速發(fā)現(xiàn)重要作者和文獻，有效提升圖書館數(shù)據(jù)資源的使用效率。

關(guān)鍵詞：大數(shù)據(jù)；文獻合作關(guān)系；數(shù)據(jù)可視化

中圖分類號：G255.9 文獻標識碼：A

DOI：10.13897/j.cnki.hbkjty.2017.0040

1引言

隨著科研條件不斷改善，科技工作的不斷進步，各領(lǐng)域的文獻資料數(shù)據(jù)加速形成，匯集成海量的數(shù)據(jù)資源，成為圖書館寶貴的數(shù)據(jù)資產(chǎn)。作為專業(yè)從事信息服務(wù)和信息管理的機構(gòu)，圖書館與大數(shù)據(jù)技術(shù)具有天然的契合關(guān)系。如何合理利用大數(shù)據(jù)技術(shù)對海量文獻資源進行有效利用，開發(fā)蘊藏其中的潛在價值，具有重要的現(xiàn)實意義，也是近年來的研究熱點。目前各界學者有的將重點放在了關(guān)鍵詞引用關(guān)系網(wǎng)絡(luò)上，有的側(cè)重于文獻引用網(wǎng)絡(luò)研究，也有的進行了文獻合作關(guān)系網(wǎng)絡(luò)方面的研究。這些研究都為幫助讀者提高文獻查找效率、發(fā)現(xiàn)領(lǐng)域熱點，改善圖書館服務(wù)起到了重要的推動作用。

本文以文獻合作關(guān)系為關(guān)注重點，從關(guān)系的發(fā)現(xiàn)、提煉和展現(xiàn)的角度切入，提出一個基于大數(shù)據(jù)分析技術(shù)的文獻合作關(guān)系挖掘方法，并研發(fā)了相應(yīng)的平臺軟件，使之能夠?qū)ψ髡吲c其發(fā)表的諸多文獻間的關(guān)系進行提取和展現(xiàn)，也能對文獻合作者之間的關(guān)系進行提取和展現(xiàn)，同時提供優(yōu)質(zhì)的檢索工具，為提高文獻利用效率提供有力的支持。

2面向文獻合作關(guān)系的大數(shù)據(jù)方法

2008年，國際頂尖的學術(shù)期刊Nature出版?？癇ig Data”，從互聯(lián)網(wǎng)技術(shù)、網(wǎng)絡(luò)經(jīng)濟學、超級計算、環(huán)境科學、生物醫(yī)藥等多個方面介紹了海量數(shù)據(jù)帶來的挑戰(zhàn)。2011年Science推出關(guān)于數(shù)據(jù)處理的?？癉ealing with data”D3，討論了數(shù)據(jù)洪流（Da-ta Deluge）所帶來的挑戰(zhàn)，特別指出，倘若能夠更有效地組織和使用這些數(shù)據(jù)，人們將得到更多的機會發(fā)揮科學技術(shù)對社會發(fā)展的巨大推動作用。2012年3月22日，奧巴馬宣布美國政府投資2億美元啟動“大數(shù)據(jù)研究和發(fā)展計劃（Big Data Research and Development Initiative）”。迄今為止，國內(nèi)外“產(chǎn)、學、研、用”等各界都結(jié)合各自領(lǐng)域的實際情況，或者提出對大數(shù)據(jù)的概念或理論理解，或者提出大數(shù)據(jù)處理的技術(shù)或業(yè)務(wù)框架，或者構(gòu)建出各類大數(shù)據(jù)的軟硬件共享或處理平臺。

本節(jié)給出基于大數(shù)據(jù)分析技術(shù)的文獻合作關(guān)系挖掘方法。如圖1所示，自下而上，完成如下步驟：

首先，需要進行文獻基礎(chǔ)數(shù)據(jù)（作者、機構(gòu)、郵箱、日期、來源等）采集工作，即將線下的文獻資源（圖書、文章、報告等等）進行數(shù)字化，可通過人工錄入或OCR（Optical Character Recognition，光學字符識別）設(shè)備等進行掃描、文字識別等完成；同時，將線上文獻資源在合法合規(guī)的前提下進行采集。

繼而，對采集來的數(shù)據(jù)進行清洗，該步驟是整個數(shù)據(jù)分析過程中不可缺少的一個環(huán)節(jié)，其結(jié)果直接關(guān)系到模型效果和最終結(jié)論。在實際操作中，數(shù)據(jù)清洗通常會占據(jù)分析過程的50%—80%的時間。實現(xiàn)格式或內(nèi)容方面的錯誤識別（不該存在的字符、內(nèi)容與字段不符等）和糾正，完成除冗（清除不需要的或無效數(shù)據(jù)）、規(guī)范化（格式、單位等）、補全（對缺失值進行處理等）。同時，本步驟還可以進一步結(jié)合用戶的業(yè)務(wù)需求，實現(xiàn)特殊內(nèi)容或要素的清洗。

采集來的文獻數(shù)據(jù)經(jīng)過以上步驟處理后，進行人庫操作，為了達到數(shù)據(jù)處理的及時性要求，同時兼顧客觀的存儲成本和既有存儲形式，文獻大數(shù)據(jù)的存儲可以采用“內(nèi)存數(shù)據(jù)庫+磁盤數(shù)據(jù)庫”的存儲形式，這也是當今主流的大數(shù)據(jù)存儲方式。磁盤數(shù)據(jù)庫的優(yōu)勢是成本較低，然而，在訪問過程中由于頻繁調(diào)取磁盤數(shù)據(jù)，會導致程序的處理速度急劇降低；內(nèi)存數(shù)據(jù)庫，將全部數(shù)據(jù)都放在內(nèi)存中，具有新型的體系結(jié)構(gòu)，并且在數(shù)據(jù)緩存、快速算法、并行操作方面也進行了相應(yīng)的改進，所以數(shù)據(jù)處理速度比磁盤數(shù)據(jù)庫的數(shù)據(jù)處理速度要快很多，一般都在10倍以上，其劣勢在于成本較高。

針對文獻合作關(guān)系發(fā)現(xiàn)的需求，我們需要對文獻數(shù)據(jù)進行要素提取和匹配，例如，姓名相同的作者是否是同一個人，名稱相近的文獻是否是同一篇文獻；同一篇文獻的作者之間，是否聯(lián)合發(fā)表過其他的文獻；在同一次會議或同一期刊物發(fā)表文章的作者；某位作者關(guān)聯(lián)的文獻集，等等。

當把文獻合作關(guān)系提煉出來后，需要解決的下一個問題就是如何構(gòu)建科學、高效的大數(shù)據(jù)可視化分析系統(tǒng)，這也是圖書館挖掘大數(shù)據(jù)價值、發(fā)現(xiàn)數(shù)據(jù)關(guān)系和實現(xiàn)知識清晰表現(xiàn)的前提。由于與圖書館相關(guān)的人員角色，包括讀者、館員、管理層、文獻提供商、信息系統(tǒng)分析和維護人員等等，所以，數(shù)據(jù)可視化系統(tǒng)做的效果如何，直接影響人機交互的最終結(jié)果，系統(tǒng)是否簡單易用，是否能夠讓用戶從種類繁多（文獻名、單位、作者、會議、期刊等）的海量數(shù)據(jù)中迅速發(fā)現(xiàn)自己的關(guān)切點，決定了大數(shù)據(jù)技術(shù)在文獻挖掘方面的最終效果。

3文獻合作關(guān)系挖掘系統(tǒng)

本節(jié)給出基于圖1方案的技術(shù)實現(xiàn)，以實際研發(fā)的系統(tǒng)為例，解讀文獻合作關(guān)系挖掘的功用與效能。

3.1系統(tǒng)設(shè)計目標

針對快速、有效的從大量文獻中發(fā)現(xiàn)合作關(guān)系的實際需求，建立標準化的數(shù)據(jù)規(guī)范機制，研發(fā)多源異構(gòu)數(shù)據(jù)的整合（統(tǒng)一格式、糾誤降噪、語義對齊等）子系統(tǒng)。以之為基礎(chǔ)，綜合數(shù)據(jù)可視化、人機交互、Web開發(fā)等技術(shù)研發(fā)B/S（Browser/Server）架構(gòu)的Web平臺，既便于用戶通過互聯(lián)網(wǎng)訪問本軟件，也便于根據(jù)實際需要，不斷擴充前后臺功能模塊、數(shù)據(jù)資源等。數(shù)據(jù)可視化階段，需要利用顏色、尺寸、線形、長度、寬度、點距等多種手段，刻畫影響合作關(guān)系的相關(guān)因素，并結(jié)合圖形、列表、搜索引擎、檢索框等工具，對各種要素進行多維度全景式呈現(xiàn)。

3.2系統(tǒng)功能

針對文獻合作關(guān)系發(fā)現(xiàn)的需求，綜合網(wǎng)絡(luò)信息獲取、Web平臺開發(fā)、數(shù)據(jù)庫、搜索引擎等技術(shù)進行開發(fā)。支持按姓名字母查詢作者、按作者查詢文獻、按文獻來源查詢文獻、合作關(guān)系展現(xiàn)、合作關(guān)系群落展現(xiàn)、高密度合作關(guān)系的作者突出展現(xiàn)等功能，對各種要素進行多維度全景式呈現(xiàn)。

3.3技術(shù)架構(gòu)

前端采用HTML+JSP+CSS技術(shù)，配合jQuery+Bootstrap框架，進行數(shù)據(jù)可視化展示，實現(xiàn)人機交互；后臺數(shù)據(jù)庫采用開源關(guān)系型數(shù)據(jù)庫MySQL+內(nèi)存型數(shù)據(jù)庫Redis，前后臺采用SSH框架進行數(shù)據(jù)交互；數(shù)據(jù)采集、清洗、入庫和關(guān)系發(fā)現(xiàn)等步驟，利用Java語言按照業(yè)務(wù)規(guī)則進行程序?qū)崿F(xiàn)。

3.4功能示例

本節(jié)中，結(jié)合具體示例，對系統(tǒng)主要功能進行展示。在IE地址欄中輸入網(wǎng)址：http：∥202.206.64.199/literature_min.html，展開如圖2所示頁面，節(jié)點代表作者（旁邊是姓名），點的大小代表合作關(guān)系的多少，邊線代表作者間的合作關(guān)系，點和點之間的距離代表合作關(guān)系的緊密程度等。該系統(tǒng)對3 437位作者，3 535個合作關(guān)系進行了分析和展現(xiàn)。

對某個群落進行重點分析，鼠標點擊某個尺寸較大的點，或者滾動鼠標軸，某個群落會放大展示。圖3中以Bing Liu節(jié)點為例，點擊該節(jié)點后，檢索框中會出現(xiàn)該名字。放大顯示后，可以看到，以其為中心的合作關(guān)系群落會完整清晰的展示出細節(jié)，每個節(jié)點所代表的作者，其姓名會展示出來，其他作者和Bing Liu之間的合作關(guān)系，以邊線的形式予以刻畫。

點擊任意一個作者節(jié)點，會彈出窗口，里面展現(xiàn)出所有該作者發(fā)表過的文章，如圖4所示，點擊Bing Liu節(jié)點后，該作者發(fā)表的182篇文章逐一在彈出的窗口中予以展現(xiàn)，可以通過右側(cè)的拖拽條，看到全部文章。

點擊左上角的下拉列表，如圖5所示，給出系統(tǒng)中的文獻總數(shù)3 942篇、文獻源（會議、期刊等）以及相應(yīng)的數(shù)量，例如GECCO（222），表示來自國際會議GECCO（The Genetic and Evolutionary Compu-tation Conference）的文章一共有222篇。在列表中，點擊選擇GECCO（222）后，數(shù)據(jù)可視化界面中只留下在該會議上發(fā)表過文章的作者節(jié)點群落一共有3個。

4結(jié)語

對文獻大數(shù)據(jù)的挖掘分析，是現(xiàn)代圖書館建設(shè)的重要環(huán)節(jié)，是將數(shù)據(jù)累積和沉淀過程演化為數(shù)據(jù)資產(chǎn)形成過程的重要手段。本文給出的文獻關(guān)系合作挖掘系統(tǒng)，以計算機信息科學中的3 942篇文獻為應(yīng)用樣例，通過大數(shù)據(jù)技術(shù)，可以幫助讀者、館員、管理者、企業(yè)單位等，快速發(fā)現(xiàn)高頻合作關(guān)系的文獻和作者，實現(xiàn)按文本和分類的準確檢索。該系統(tǒng)可發(fā)現(xiàn)海量文獻中的合作關(guān)系，構(gòu)建現(xiàn)實世界的合作關(guān)系，通過本系統(tǒng)可以發(fā)現(xiàn)某領(lǐng)域的合作網(wǎng)絡(luò)，邀請相關(guān)人員構(gòu)建該領(lǐng)域的科研團隊；并且，也可用于建設(shè)高價值文獻庫，例如，不斷導人所需文獻，自動拓展文獻合作網(wǎng)，形成知識庫等；同時，還可用于發(fā)現(xiàn)特定領(lǐng)域的團隊力量，例如，邀請具有高合作關(guān)系的人員，構(gòu)建人才庫等。最后，希望本文能夠為關(guān)注以上命題的讀者和研究人員提供一定的幫助和參考。