智慧信息服務大數據分析框架

吳丹　陸柳杏

摘 要：智慧信息服務是信息服務與大數據時代緊密結合的表現形式。有效分析信息服務中海量、多樣、高速處理、價值大密度低的大數據是促進智慧信息服務研究發展的關鍵。文章通過對2013-2018近五年收錄在Web of Science數據庫中圖書情報領域發表的有關智慧信息服務的文獻進行分析，采用文獻研究法和頻次分析法對智慧信息服務大數據分析方法與研究主題進行研究，從而構建出了一個主要包括大數據分析層和大數據應用層的大數據分層分析框架。

關鍵詞：智慧信息服務；大數據；大數據分析框架

中圖分類號：G252 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2018019

Big Data Analysis Framework for Intelligent Information Service

Abstract Intelligent information service is a form of interaction between information service and big data. An Effective analysis of volume， variety， velocity and valuable but low density big data is the key to promote the researches and development of intelligent information service. Based on nearly five years （2013-2018） relevant articles which were published in Web of Science by librarians， the big data analysis methods and the research topics of intelligent information service were analyzed. Through literature study and frequency analysis， a layered analysis framework was constructed， which includes big data analysis layer and application layer.

Key words intelligent information service； big data； big data analysis framework

促進物聯網、云計算、下一代通信網絡（Next Generation Network，NGN）等新一代信息技術發展是國家信息化戰略的重要組成部分。習近平總書記在中國共產黨第十九次全國代表大會上作的報告提出，要推動互聯網、大數據、人工智能和實體經濟深度融合，為建設科技強國、質量強國、數字中國、智慧社會提供有力支撐[1]。如今，“互聯網+”“大數據”“智慧服務”等既既是促進社會發展的熱門話題，也是學術研究中備受關注的研究點。智慧信息服務作為智慧服務中必不可少的部分，也受到了研究者的廣泛關注。

為了促進大數據時代下智慧信息服務研究的發展，促使信息服務研究更加順應時代潮流，本文探討了智慧信息服務的大數據分析框架，以期從理論上促進智慧信息服務研究與大數據分析的融合。

1 大數據視角下的智慧信息服務概述

1.1 智慧信息服務

正如圖書館用戶對圖書館服務的需求從依賴資源、技術和工具向依賴圖書館人的智慧轉變[2]，對圖書館員提供智慧服務的依賴程度日益增多[3]一樣，當下各行各業的用戶對智慧服務的需求也越來越高。智慧服務是指建立在知識服務之上的，運用創造性智慧對知識進行搜索、組織、分析和重組，形成實用性知識增值產品，從而能有效支持用戶進行知識應用與創新，并能將知識轉化為生產力的服務[3]。智慧服務的含義包含“智慧的服務”和“為智慧而服務”兩個層次，“智慧的服務”表達了技術智慧和服務智慧，“為智慧而服務”則闡述了智慧服務在激發用戶知識創新等方面的作用[4]。

當今社會充斥著大量的信息。依賴于信息，并對信息進行搜集、整理、加工、傳播與交流，以產品和勞務等形式向用戶提供信息的各項服務稱為信息服務[5]。而智慧信息服務是與大數據時代密切結合的信息服務，其是運用人類智慧，從海量的、多樣的、高速處理的、價值大密度低的數據中對信息進行處理，并以更智能、便捷的方式向用戶提供信息的各項服務。與傳統信息服務相比，智慧信息服務更加“智能化”，更加迎合了大數據時代的發展趨勢，所提供的信息服務也更加高效便捷。智慧信息服務廣泛存在于各行各業中，如智慧政務服務[6]、智慧文化服務[7]等，各領域的智慧信息服務旨在運用該領域或結合其他相關領域的信息，為用戶提供智慧便捷的信息服務。

1.2 大數據分析

大數據分析是對海量、異構、高并發的數據進行收集、加工、存儲和可視化呈現，并從中提取有價值的信息以輔助決策的過程[8]。袁紅，朱睿琪[8]將該過程劃分成了數據收集和預處理、數據存儲與處理、數據分析、結果呈現四個部分。其中數據收集和預處理為后續分析奠定了基礎；數據存儲與處理為保存與處理數據提供保障；數據分析是大數據分析過程的核心部分，包括常用的數據分析方法，如數據挖掘（包括聚類分析、分類分析、序列分析、偏差分析、預測分析、神經網絡等[9]）、統計分析、自然語言處理、機器學習等；結果呈現主要是將分析結果以可視化的方式展示出來。

筆者認為，從廣義上看，大數據分析包括了如袁紅和朱睿琪[8]所述的整個數據處理過程；而從狹義上看，由于數據分析是數據驅動型研究的核心部分，因此大數據分析也可以指數據分析部分，即使用大數據分析方法對數據進行處理與分析。

1.3 在智慧信息服務研究中運用大數據分析方法的優點

智慧信息服務與大數據時代緊密結合，是運用人類智慧，從海量、異構的數據中對信息進行收集、加工與處理，并以更便捷的方式向用戶提供信息的各項服務。在智慧信息服務研究中運用大數據分析方法具有以下優點：

（1）從數據源上看，為用戶提供智慧信息服務所需的數據來源廣泛，不同領域所需的信息類型各有不同。使用大數據分析方法來分析與研究智慧信息服務，可以獲取與信息服務研究相關的大量不同格式或不同類型的數據，如文字數據、音視頻數據、圖片數據等，從而打破傳統數據收集方法（如問卷調查法、訪談法、網絡調查法等）樣本量小、數據來源單一等局限，擴大研究可用的數據源；

（2）從數據分析上看，常用的大數據分析方法如數據挖掘、統計分析、語義與情感分析等方法可以為智慧信息服務研究提供幫助，有助于研究者深入挖掘、分析或預測智慧信息服務的海量異構信息，幫助研究者對所需數據進行高效統計，探索不同數據之間的關聯關系，使智慧信息服務研究更加科學；

（3）從數據呈現上看，大數據分析方法可以幫助智慧信息服務研究者以更直觀的方式展現其研究結果，以可視化的方式揭示研究結果內部各要素之間的關系，加深他人對該研究結果的理解。

總之，在大數據時代，運用大數據分析方法進行智慧信息服務研究是十分重要和必要的，其在幫助研究者科學有效深入地挖掘智慧信息服務數據的同時，也有助于他人理解研究成果，使得智慧信息服務研究結果更為淺顯易懂。

2 智慧信息服務大數據分析方法

在圖書情報領域的研究中，有部分研究與智慧信息服務相關。這部分研究使用了數據挖掘、統計分析等大數據分析方法，利用大數據分析方法的優點，探討了智慧信息服務的各個方面。為了探討圖書情報領域與智慧信息服務相關的研究所使用的大數據分析方法，本文以Web of Science為數據源，以與“information service”相關的詞語為主題詞，以SSCI為引文索引，以“information science library science”為限定類別，獲取并篩選出2013-2018近五年在圖書情報領域發表的與信息服務或智慧信息服務相關的文章共計183篇。在文獻研究的基礎上，本文依據常用的四種大數據分析方法（數據挖掘、統計分析、自然語言處理、機器學習）來對圖書情報領域智慧信息服務的大數據分析方法進行統計分析，并將無法歸納到這四種常用大數據分析方法的研究方法劃分為其他類別（見圖1）。同時使用可視化分析軟件VOSviewer對相關文章的所有關鍵詞（包括Author keywords和keywords Plus）進行可視化分析。

由圖中可以看到，在智慧信息服務研究中，研究者使用統計分析方法最多。統計分析運用統計學原理來進行研究，在智慧信息服務的研究中，常用的統計分析方法包括描述統計、相關分析、回歸分析等。此外，提出并驗證相關模型的有效性是智慧信息服務研究中使用統計分析方法進行研究的一個部分，常用的方式有結構方程模型，其中協方差分析法和偏最小二乘法這兩種結構方程模型估算方法在智慧信息服務大數據分析中較為常見。使用結構方程模型可以構建有關的預測模型[10]、分析所收集的數據[11-12]；此外，回歸分析常被用于測試所構建的信息服務相關模型[13]，探索用戶對某項產品服務如智能手機服務的滿意度[14]，以促進不同領域信息服務的發展。統計分析方法一直以來且長期都將是信息服務研究中常用的方法，隨著大數據時代的到來，研究者使用的統計分析方法愈發多樣化，且更加注重使用多樣的統計分析方法來探索與挖掘同構數據或異構數據之間的關聯性，從事物的關聯中探索新規律或新內容，最終促進信息服務更加智能化。

數據挖掘方法在智慧信息服務的研究中也受到了關注。使用較多的數據挖掘方法有聚類分析和預測分析。數據挖掘方法對智慧信息服務研究具有促進作用，與統計分析方法對信息服務現象進行探索與揭示不同的是，數據挖掘更聚焦于智慧信息服務背后潛在規律與關系的挖掘。數據挖掘方法能幫助研究者深入挖掘信息服務和用戶行為背后的關聯關系和潛在規律，為用戶提升各項相關的信息服務質量，滿足用戶的需求，最終達到信息服務于用戶、用戶滿意于服務的目的。

自然語言處理是使用計算機對人類語言進行深入挖掘的一種方式。在智慧信息服務研究中，與“用戶”和“計算機”相關的研究較常使用到自然語言處理方式。自然語言處理是人工智能的重要組成部分之一，與計算機可以理解的基于0和1的“機器語言”不同的是，自然語言是隨文化而演變的人類語言，其多樣性與復雜性使得計算機難以“理解”。為了使人機交互更順暢，計算機需要對用戶輸出或輸入的語言進行語音、詞法、語法、語義甚至自然語言所表達的情感等方面的處理與分析，從而促進用戶更好地傳播與利用信息。

機器學習作為人工智能應用的一個重要研究領域和方法，是人工智能和神經計算的核心研究課題之一[15]，然而近幾年在圖書情報領域智慧信息服務的研究中有關應用機器學習的研究相對較少。機器學習一般來說是指研究機器模擬人類的學習活動、獲取知識和技能的理論和方法，以此改善系統性能的學科或方法[15]。為了使計算機能更“懂”用戶，且能以更快速度更準確地處理海量數據，以幫助用戶進行決策或為用戶提供更及時的信息服務，機器學習對于智慧信息服務的發展尤為重要。

在智慧信息服務的研究中，物聯網技術、情境感知計算、仿真等其他類型的方式也得到了應用。通過信息傳感設備來促進信息交換與通訊，物聯網技術能幫助用戶獲取大數據并將大數據轉換為所需要的知識，從而改善特定的服務，促進智慧信息服務的發展；此外，情境感知計算與數字圖書館的結合可以使用戶以更簡單便捷的方式獲取信息服務；仿真可以通過計算機模擬的方式來幫助研究者模擬研究所需要的條件或模型，以實現只能在特定條件下才能進行的研究。

3 智慧信息服務研究主題

對圖書情報領域智慧信息服務相關研究的主題詞進行可視化分析（見圖2）。由圖可知，智慧信息服務研究是包含了信息服務者、信息資源、信息服務方式和措施三個部分的研究。值得注意的是，不同部分之間不存在絕對的界限，它們之間是相互關聯與交錯的。

智慧信息服務的信息服務者既包括服務提供者（如圖書館），又包括服務對象（即用戶）。服務提供者與服務對象是相對而言，所有與信息打交道的個人或群體，在特定條件下可以是智慧信息服務的服務提供者，而在另外的條件下又會成為智慧信息服務的服務對象。對智慧信息服務的信息服務者進行研究，涉及到用戶需求、行為、滿意度、表現等方面，這部分研究對于深入理解用戶需求、幫助用戶進行信息獲取、利用、分享，提升用戶對信息服務的感知或忠誠度具有重要意義。與傳統的信息服務相同之處在于，大數據時代中的智慧信息服務仍然是以服務對象——用戶為中心，服務提供者是基于用戶需求而為用戶提供其所需服務。然而與傳統信息服務不同的是，大數據時代中的智慧信息服務對于用戶的挖掘更加深入，服務提供者期望通過對用戶行為等各個方面進行深入挖掘與了解，為用戶進行精確畫像，從而能為用戶提供更加精準的信息服務，滿足用戶自身日益復雜的信息服務需求，提升用戶對信息服務的滿意度。

智慧信息服務的信息資源是智慧信息服務的基礎。智慧信息服務的信息資源來源是廣泛且多樣的，除了傳統的紙質書籍，計算機成為智慧信息服務的信息資源主要來源，數字化信息在智慧信息服務中使用廣泛，如因特網的信息、用戶與計算機交互產生的數據等。在大數據環境中，智慧信息服務研究聚焦了信息資源的多個方面，如涉及信息資源的模型構建[16]、探索影響獲取復雜信息的因素[17]等。而對智慧信息服務中與信息資源相關的多個方面進行深入揭示與探索，可以充分開發與挖掘信息資源的價值，使得信息資源能夠更好地被利用，從而促進信息服務更加智能化。

智慧信息服務的信息服務方式和措施是為用戶提供信息服務的保障。智能化信息系統開發或便捷的信息技術對于開展智慧信息服務具有重要的促進作用。智慧信息服務相較于傳統的信息服務而言更注重使用技術手段來為用戶提供便捷的信息服務，而更符合大數據時代的信息服務系統的改進、信息服務技術或算法的完善，也將促進智慧信息服務更好地傳播。智慧信息服務區別于傳統信息服務的重要標志之一就是前者善于使用技術等措施或方式來為用戶提供智能化的信息服務，使用戶能感受到獲取信息服務的便捷性。

4 智慧信息服務大數據分析框架

在進行智慧信息服務的研究時，是否能正確選擇與使用大數據分析方法是決定大數據環境下智慧信息服務研究是否有效的關鍵；而智慧信息服務研究能夠真正發揮其研究價值與應用價值是大數據時代下智慧信息服務研究的目標。因此，基于上述研究與探討可以得出，智慧信息服務大數據分析框架主要包括兩層：大數據分析層與大數據應用層（見圖3）。

智慧信息服務研究的大數據來源可以分為結構化數據、半結構化數據和非結構化數據三種類型。這些數據包括機器傳感數據、計算機產生的數據（如因特網信息、用戶與系統交互產生的日志數據）、用戶自身產生的數據（如郵件、短信、社交網絡購物、電商購物數據）、專業機構數據（如文本、音視頻、符號）等。通過采用數據采集方式或技術如網絡爬蟲、用戶實驗、采集日志等可以幫助智慧信息服務大數據的獲取。

大數據分析層是智慧信息服務研究的核心。通過運用統計分析、數據挖掘、機器學習、自然語言處理等方式來對數據進行深入分析，研究用戶行為特征、預測用戶對信息服務的滿意度、探索促進信息傳播的方式等。值得注意的是，在對智慧信息服務進行大數據分析時，各類型的大數據分析方式不是孤立存在的，不同的研究方法會相互結合，如統計分析與數據挖掘下的聚類分析、預測分析相結合、定量分析方式與定性分析方式相結合等。智慧信息服務的相關研究不局限于使用單一的分析方法，而是結合使用多種大數據分析方式來深入挖掘多樣化的數據，這也體現出了大數據時代下智慧信息服務數據海量、多樣的特點。

大數據應用層體現了智慧信息服務研究的目的。使用大數據分析方法來對信息服務者、信息資源、信息服務方式和措施等三個方面進行深入研究，可以挖掘與精確了解用戶的信息需求，幫助用戶獲取、利用、分享信息資源，實現信息資源的有效控制，保護用戶隱私，最終實現為用戶提供智慧信息服務的目的。研究成果可以在各個領域如智慧政務、智慧“五館”（即圖書館、博物館、檔案館、美術館、科技館）、智慧教育等得以具體應用，使得研究能發揮實際的應用價值并受益于用戶，以促進不同領域信息服務的智能化、便捷化、友好化。

總之，選擇與使用適合研究數據特點的分析方法、圍繞智慧信息服務的具體方面進行深入挖掘與探討、最終實現為用戶提供智慧信息服務的目的貫穿著智慧信息服務大數據分析和研究的始終；配合使用不同的大數據分析方法來進行研究，是智慧信息服務研究有別于傳統信息服務研究的關鍵。

5 結語

大數據時代下，海量、異構、高并發的數據為智慧信息服務研究帶來了機遇和挑戰，其一方面能促進智慧信息服務研究更加科學和以用戶為中心，促進信息服務研究與其他方面研究的交叉與滲透，另一方面也為信息服務研究方法的合理選擇帶來了挑戰。大數據分析方法眾多，如何有效使用適合的研究方法來對信息服務進行深入研究，是保證智慧信息服務研究科學性和有效性的前提。本文探索了智慧信息服務大數據分析方法和研究主題，在此基礎上構建了智慧信息服務大數據分析框架，以期對后續研究提供參考，從而進一步推動智慧信息服務的研究及其應用。

智慧信息服務研究是順應大數據時代發展潮流和趨勢的研究，是與大數據時代緊密結合的研究。只有把握機遇，迎接挑戰，順應時代潮流，才能更好地為用戶提供更智慧更人性化的信息服務，才能真正達到信息服務于用戶、用戶滿意于信息的目的。

參考文獻：

[1] 習近平：決勝全面建成小康社會，奪取新時代中國特色社會主義偉大勝利——在中國共產黨第十九次全國代表大會上的報告[R/OL].[2018-02-19].http：//www.gov.cn/zhuanti/2017-10/27/content_5234876.htm.

[2] 柯平.當代圖書館服務的創新趨勢[J].高校圖書館工作，2008，28（2）：1-7.

[3] 梁光德.智慧服務——知識經濟時代圖書館服務新理念[J].圖書館學研究，2011（11）：88-92.

[4] 陳遠，許亮.面向用戶泛在智慧服務的智慧圖書館構建[J].圖書館雜志，2015，34（8）：4-9.

[5] 賀德方.數字時代情報學理論與實踐：從信息服務走向知識服務[M].北京：科學技術文獻出版社，2006：39-41.

[6] Lane J.Building an Infrastructure to Support the Use of Government Administrative Data for Program Performance and Social Science Research[J].Annals of the American Academy of Political & Social Science，2018，675（1）：240-252.

[7] Lin L.Application of Data Mining in Library-Based Personalized Learning[J].International Journal of Emerging Technologies in Learning，2017，12（12）：127-133.

[8] 袁紅，朱睿琪.用戶信息搜索行為大數據分析框架及其關鍵技術[J].圖書館學研究，2016（24）：39-46.

[9] Ramesh B.Big Data Architecture[M].Big Data.Springer India，2015：29-59.

[10] Park E，Kim K J.An Integrated Adoption Model of Mobile Cloud Services：Exploration of Key Determinants and Extension of Technology Acceptance Model[J].Telematics & Informatics，2014，31（3）：376-385.

[11] Turel O，Connelly C E.Too busy to help：Antecedents and outcomes of interactional justice in web-based service encounters[J].International Journal of Information Management，2013，33（4）：674-683.

[12] Dong X，Chang Y，Wang Y，et al.Understanding usage of Internet of Things（IOT） systems in China：Cognitive experience and affect experience as moderator[J].Information Technology & People，2017，30（1）：117-138.

[13] Shin D H.Effect of the customer experience on satisfaction with smartphones：Assessing smart satisfaction index with partial least squares[J].Telecommunications Policy，2015，39（8）：627-641.

[14] Bae S J，Lee H，Suh E K，et al.Shared experience in pretrip and experience sharing in posttrip：A survey of Airbnb users[J].Information & Management，2017，54（6）：714-727.

[15] 蔡自興.人工智能及其應用[M].北京：清華大學出版社，2016：251-253.

[16] Lowry P B，Wilson D.Creating agile organizations through IT：The influence of internal IT service perceptions on IT service quality and IT agility[J].Journal of Strategic Information Systems，2016，25（3）：211-226.

[17] Park M.Human multiple information task behavior on the web[J].Aslib Journal of Information Management，2015，67（2）：118-135.

作者簡介：吳丹，女，武漢大學信息管理學院教授，博士生導師，研究方向：信息檢索、人機交互、用戶信息行為；陸柳杏，女，武漢大學信息管理學院碩士研究生，研究方向：人機交互。