大數據環境下用戶畫像在圖書館的應用

大數據環境下圖書館的變革進一步深化，圖書館服務形式也不斷創新，如知識發現、學科服務、Lib 2.0、移動終端服務等。同時圖書館用戶信息需求更加多元化、個性化，而目前圖書館信息系統主要統計每天讀者數量、借閱數據等整體數據，與用戶需求產生了矛盾。大數據時代，圖書館服務的發展趨勢逐漸個性化、精準化，用戶畫像為解決這個問題提供了思路。

用戶畫像旨在深入了解用戶，推測用戶的真實需求和潛在需求，精準化定位個人或者人群特點，以便為用戶提供個性化、精準化的服務。用戶畫像為商家和企業利用大數據進行精準營銷提供了營銷機會、運營方向，最大程度把用戶的消費行為進行“可視化”。因此，筆者認為可以借鑒電子商務，在掌握讀者對圖書館的現實需求下，通過深入分析讀者檢索行為、閱讀行為等數據，將用戶畫像應用于圖書館的服務中，實現圖書館的精準服務。

1 用戶畫像及其國內外研究現狀

經過文獻檢索發現國外圖書館領域對用戶畫像的研究比較多，且應用實踐也相對成熟。相比之下，目前國內圖書館界對用戶畫像的研究很少。

1.1 用戶畫像概述

用戶畫像來自人類對自我需求的探索。大數據環境下，信息技術發展迅速，用戶畫像作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具[1]，廣泛應用于電子商務、金融、社交網絡等領域。交互設計鼻祖Alan Cooper較早提出了用戶畫像概念，認為用戶畫像是真實用戶的虛擬代表，是建立在一系列真實數據之上的目標用戶模型[2]。

David Travis提出滿足用戶畫像的7個條件：基本性(Primary research)、移情性(Empathy)、真實性(Realistic)、獨特性(Singular)、目標性(Objectives)、數量(Number)、應用性(Applicable)[3]。用戶畫像是構建在多元系列真實數據上勾畫用戶需求和喜好的用戶模型，其意義在于深度了解用戶，推測用戶的現實需求和潛在需求，進而推送精準化、個性化信息。而這些多元真實數據來源于用戶本身，包含用戶的基本信息、興趣、習慣、行為等特征，將這些數據立體化、可視化，從而勾畫用戶畫像。

1.2 國外用戶畫像模型構建研究

用戶畫像技術的算法是國外學者研究的主要內容之一。構建、完善及應用用戶畫像都需要算法與技術的支持，如向量空間模型算法、樸素貝葉斯分類法、加權算法、過濾算法等。運用標簽向量和標簽組描述用戶畫像時因用戶的唯一性導致每個標簽對不同用戶的重要程度不同，因此需要對標簽加權處理。Billsus D和Pazzani MJ提出針對用戶的短期喜好應采用最鄰近分類算法，而長期喜好則采用樸素貝葉斯分類法[4]。

由于對用戶畫像的理解角度不同，如用戶畫像有個人用戶畫像與群體用戶畫像，因此學者研究的出發點有所差異，構建用戶畫像的模型和方法便存在差別。Amato G等學者提出用戶畫像的構建需明確描述相關的用戶信息及如何描述兩個步驟，同時他們認為用戶畫像構建的信息應該包含個人信息、采集數據(采集的內容、類型和來源)、數據的提交時間與方式、用戶的行為數據(特別是與隱私相關的安全數據)[5]。Rumpler B認為應通過以下4種方法構建用戶畫像模型：采用調查或訪談的方式采集用戶信息，運用記憶算法和程序挖掘用戶信息，通過用戶對自身、對使用系統、對特定領域的認知，通過案例推理用戶行為[6]。Henczel S提出用戶畫像構建的6個步驟：明確需要采集用戶的信息，分析現有數據以及需補充的數據，通過調查或者訪談收集數據，分析系統數據特征并按照個人或具有相同特征的群體進行用戶畫像，評估階段注意用戶行為變化制定方案，通過反饋機制完善及維護用戶畫像[7]。

1.3 國內用戶畫像研究現狀

學者通過用戶的群體特征對移動互聯網和互聯網的數據構建用戶畫像，從而為精準營銷提供數據支撐。如通過對新浪微博數據進行采集分析，構建用戶畫像模型，描述企業用戶群體的行為特征，支撐精準營銷[2]；在分析移動用戶的基站軌跡基礎上，采用頻繁模式挖掘、構建概率矩陣等方法，構建包含地理位置信息的用戶畫像模型[8]；采用貝葉斯網絡構建用戶興趣模型，以用戶興趣模型刻畫用戶畫像[9]；借助大數據平臺分析用戶的潛在需求和目標，幫助企業營銷和品牌形象建設[10]；以大量的電信移動用戶數據為基站，從移動用戶的活動頻率、行為偏好和移動速率3方面進行用戶畫像構建[11]。以三槍集團的營銷數據庫作為案例，通過4C理論構建了用戶細分模型，力求重構用戶的需求，精確定位消費者目標群體，為企業實施精準營銷方案提供了重要支撐數據[12]。

圖書館服務也可以借鑒電商及其他領域應用先進技術的經驗，為讀者提供更為準確的信息服務。目前圖情領域的學者已經開始關注用戶畫像。我國圖情領域有關用戶畫像的研究較少，有的從知識社區的角度構建圖書館知識社區用戶模型，運用層次分析法評價用戶畫像中標簽對服務能力的影響[13]。有的在實際案例中從資源層、數據采集層及數據挖掘層構建圖書館用戶畫像[14]。把用戶畫像應用到閱讀推廣的智慧推薦系統中，從而實現用戶個性化服務及打破無差別推廣現狀[15]。也有學者從國外圖書館界對用戶畫像研究的現狀和熱點進行分析為國內圖書館應用用戶畫像提供了思路[16]。用戶畫像在智慧圖書館服務中也展現了很大作用，高校圖書館智慧服務在可視化用戶畫像基礎上實現了精準閱讀服務[17]。用戶畫像技術在特殊讀者群體中的應用具有現實意義及社會價值，如通過用戶畫像構建讀者抑郁情感詞典，分析讀者的抑郁情感指數，進而針對特殊讀者提供其所需的閱讀服務[18]。筆者認為，國內圖書館可以借鑒國外經驗構建用戶畫像模型。由于國內外圖書館發展程度不同，服務類型和用戶群體也存在許多差異，圖書館在構建用戶畫像時應注意差異，對模型進行調整和借鑒，分析用戶需求，真正實現精準服務和有效服務。

2 圖書館應用用戶畫像的可行性與作用

2.1 可行性分析

我國圖書館正處于快速發展階段，圖書館除了為用戶提供知識信息資源保障外，也應構建圖書館用戶畫像，為用戶提供精準信息服務。用戶畫像巳在電商、手機用戶、微博等各領域應用廣泛，為圖書館應用用戶畫像提供了技術保障。雖然目前國內圖書館尚未廣泛應用該技術，但是天津圖書館、武漢大學圖書館社區知識用戶構建的案例，證明了將用戶畫像應用于圖書館服務是可行的。再者，國外圖書館用戶畫像的實踐應用也已經成熟，典型的應用有信息推薦、信息過濾與圖書館的服務設計。如用戶在利用圖書館在線系統檢索時，通常會檢索到很多不相關或者相關性不大的信息，通過用戶畫像，了解到用戶真實需求便能解決這個問題，為用戶提供精準信息。

2.2 用戶畫像應用于圖書館的作用

2.2.1 有助于重視用戶信息需求，推動知識服務

用戶畫像最初的目的是深度挖掘用戶的真實需求與潛在需求。圖書館服務人員研究用戶畫像，從用戶需求角度設計服務系統，在用戶畫像中實現用戶需求的“可視化”，針對用戶的基本屬性信息、用戶搜索行為習慣及興趣喜好精準推送信息，進而促進知識服務、智能服務。

2.2.2 有助于實現精準服務，提高服務質量

輔助數據挖掘是用戶畫像的顯著特征。通過深度挖掘用戶的環境背景，實現圖書館服務系統個性化推薦和檢索。目前，用戶真正所需信息與檢索結果之間的“信息鴻溝”是圖書館檢索系統面臨的問題之一，而圖書館檢索系統可以通過用戶畫像完善個性化檢索。即使用戶檢索詞表述不精準，系統依然能根據用戶畫像的數據反饋出與用戶相關度較高的結果。通過利用用戶畫像的關聯原則和聚類算法進行個性化推薦，不僅可以實現精準服務，還能提高服務質量。

2.2.3 有助于更新優化系統，提升用戶體驗

當前圖書館服務系統種類繁多，功能相似。數量龐大的數據庫雖然給用戶帶來了大量數據，但是面對種類繁多、功能各異的數據庫，用戶難免會產生困擾。圖書館應引入用戶畫像，構建特征用戶畫像群體。在服務系統的設計中設置感知變化，便于及時適應用戶需求，根據用戶畫像及時更新優化服務系統，從而提升用戶體驗。

3 圖書館用戶畫像構建

目前圖書館業務中用戶數據分析主要是從圖書館信息系統中統計圖書館每天借閱量、讀者流量等整體用戶數據情況。信息系統中還存在大量個體用戶的行為痕跡，個體用戶或者具有相似信息行為數據的用戶數據更需要深入挖掘。用戶畫像是基于目前圖書館讀者數據分析的大平臺上更深入挖掘各大信息系統的數據。針對個體用戶數據挖掘、分析及標簽最大限度定位用戶需求畫像，才能提供精準化、個性化、多元化服務。

用戶畫像是用戶信息標識，目的是了解用戶(如知識背景、教育程度、傾向領域、信息行為等)并確定如何向各類用戶提供精準服務。如某博士用戶在搜索引擎的選擇上傾向于國外軟件，檢索的關鍵詞與“教育”相關，那就基于上述信息描述標簽，進行用戶畫像。用戶畫像的核心即為個人用戶或群體用戶描述特征標簽，這些標簽建立在相應的數據倉庫上，數據倉庫的建立則需要用戶各方面數據集合。

3.1 用戶畫像的數據來源

用戶數據統計與分析是用戶畫像的基礎。用戶數據可分為用戶屬性數據與用戶行為數據，即通常所說的靜態數據與動態數據。圖書館用戶在注冊時已將個人基本屬性信息輸入圖書館用戶管理系統，用戶屬性數據包含性別、年齡、學歷、住址、身份證號、工作單位等靜態數據。根據上述數據，圖書館員可對個人信息進行統計進而為用戶畫像提供用戶個人數據集，并根據這些數據集對用戶進行初步識別判斷。

用戶的行為數據則是通過網站系統、數字資源平臺及移動終端產生的數據，如瀏覽歷史記錄、咨詢、閱讀、下載、訂閱、收藏及搜索的關鍵詞或主題等數據信息，甚至可以查詢用戶登錄次數和瀏覽時間。這些行為數據是用戶畫像十分重要的標簽描述，在此基礎上通過聚類形成用戶的宏觀畫像。

用戶數據的來源不僅僅是一個系統，用戶畫像所需的數據在各類系統或數據庫中，靜態數據和動態數據源自不同的系統。因此需要對用戶進行整合。在圖書館用戶管理系統中采集用戶基本屬性信息，用戶檢索、下載、訂閱、閱讀等行為數據則通過資源服務平臺系統、移動終端系統、網站系統采集。用戶畫像數據來源由靜態數據與動態數據構成。

3.2 用戶數據分析與處理

用戶畫像數據來源中，用戶的注冊信息和瀏覽日志的數據需經過數據挖掘技術分類、聚類、關聯分析等預處理后才能得到用戶畫像的有效數據。因為數據源中包含一些與用戶特征無關的冗余信息，分析處理此信息十分必要。通過信息過濾系統篩選出有效數據，才能確保用戶畫像與用戶之間的真實性、有效性。

3.3 用戶畫像數據標簽

標簽通常是人為規定的高度精煉的特征標識，如年齡、性別、地域、用戶偏好等，最后將所有標簽綜合起來，就可以勾勒出該用戶的“畫像”[2]。用戶畫像信息標簽是模型構建的最后一步。圖書館用戶畫像是對用戶屬性數據、行為數據等進行語義化、短文本化標簽。如用戶登錄賬號、姓名、性別、職業、工作單位、工作性質等標簽主要是對用戶屬性特征畫像；而行為數據標簽則通過瀏覽、檢索、下載主題、關鍵詞、登錄時間、點擊數據庫類別等歷史記錄數據形成用戶行為特征畫像。通過用戶基本特征標簽和用戶行為數據標簽，逐步構建分類標簽、多級標簽用戶畫像標簽結構。

3.4 用戶畫像模型構建

通過圖書館用戶管理系統、網站系統、移動終端系統、資源服務平臺系統采集用戶的動、靜態數據，經過分析處理后對用戶屬性數據和用戶行為數據進行標簽化工作，形成分類、多級標簽用戶畫像標簽結構，用戶畫像模型在此基礎上便可實現“可視化”構建。用戶畫像中個人用戶畫像與傳統的數據統計不同。個人用戶畫像以“用戶”為本，圍繞用戶進行數據分析，運用可視化方式描述用戶需求、動態分析用戶的行為習慣，實現精準化、個性化服務。“可視化”的用戶畫像從多維度標簽、分類標簽反應用戶大量信息和變化，化抽象為形象，逐步展示畫像數據結構。同時根據用戶行為的動態及時更新、優化、完善已有用戶畫像。

用戶畫像框架模型(圖1)建立在數據來源層、數據分析處理層及數據標簽層上。

圖1用戶畫像框架模型

數據來源層是用戶畫像的基礎，通過圖書館用戶管理系統和其他三大系統采集用戶屬性數據和行為數據，將數據序列化后形成原始數據庫，同時注意用戶行為數據的變化，以便及時更新原始數據庫數據；數據分析處理層則是通過信息過濾、數據清理等技術對原始數據進行預處理，建立用戶畫像有效數據集；數據標簽層是運用數據挖掘技術進行分類、聚類、關聯分析等對用戶畫像有效數據集進行語義化標簽，建立用戶數據標簽數據庫，最后建立用戶畫像，并通過可視化形式展現。

4 結語

大數據環境下，圖書館龐大的用戶群體為圖書館服務工作帶來了機遇與挑戰。基于圖書館業務的用戶數據分析為圖書館員了解用戶需求提供數據支撐和服務方向，并有助于掌握圖書館總體被利用情況。同時圖書館也需不斷提高讀者服務水平和服務質量，因此，了解用戶現實需求和挖掘潛在需要對服務工作的重要性不言而喻。用戶畫像技術是在用戶數據分析的基礎上深化挖掘個體用戶或者相似群體用戶的信息行為，通過對用戶行為數據的分析、標簽等用戶畫像的構建，實現圖書館服務的個性化、精準化。通過分析用戶畫像數據來源、數據分析處理、數據標簽化3個層次搭建用戶畫像模型，能使圖書館用戶需求可視化，也能讓圖書館館員了解用戶的真實需求及推測潛在需求，從而提高服務質量。