圖書館讀者需求與服務(wù)匹配模型研究

林淑貞

(廣州圖書館，廣東 廣州 510623)

1 引言

讀者大數(shù)據(jù)與精準(zhǔn)畫像技術(shù)是當(dāng)前圖書館學(xué)界研究的重點(diǎn)和熱點(diǎn)。其中，讀者大數(shù)據(jù)的匯聚、提煉與應(yīng)用是構(gòu)建精準(zhǔn)讀者畫像和實(shí)現(xiàn)圖書館個(gè)性化服務(wù)的關(guān)鍵所在，也成為圖書館服務(wù)領(lǐng)域關(guān)注的焦點(diǎn)[1]。隨著閱讀路徑分析、云計(jì)算、深度學(xué)習(xí)等技術(shù)在圖書館領(lǐng)域的應(yīng)用，已有一批基于讀者大數(shù)據(jù)技術(shù)的圖書館讀者與服務(wù)匹配模型及算法問世，其中較具特色的成果有：Zne-Jung Lee[2]等研究人員設(shè)計(jì)與實(shí)現(xiàn)了一個(gè)基于讀者大數(shù)據(jù)的圖書館推薦模型，該模型通過對讀者信息進(jìn)行持續(xù)跟蹤與融合，刻畫出讀者的閱讀習(xí)慣，提高了個(gè)性化服務(wù)的讀者滿意度；Daniel Mican[3]等研究人員設(shè)計(jì)了基于讀者社會媒體大數(shù)據(jù)分析的推薦系統(tǒng)，該系統(tǒng)通過讀者關(guān)系分析，對讀者需求進(jìn)行了深入發(fā)掘，提高了推薦的準(zhǔn)確度；Dharna Patel[4]等研究人員將云計(jì)算運(yùn)用于讀者大數(shù)據(jù)挖掘工作中，并據(jù)此設(shè)計(jì)了一款圖書推薦系統(tǒng)，取得了較高的讀者需求匹配度；Aravind Sesagiri Raamkumar[5]等研究人員對讀者大數(shù)據(jù)與海量論文之間的需求與匹配關(guān)系進(jìn)行了分析，并開發(fā)了對應(yīng)的科學(xué)文獻(xiàn)服務(wù)系統(tǒng)，具有較高的讀者滿意度；Yifan Hu[6]等研究人員基于大數(shù)據(jù)技術(shù)開發(fā)了讀者協(xié)同過濾推薦系統(tǒng)，極大地提高了讀者薦讀服務(wù)的準(zhǔn)確度。Julien Verplanken[7]等研究人員設(shè)計(jì)了基于大數(shù)據(jù)技術(shù)的讀者動(dòng)態(tài)畫像模型，并以此為依據(jù)開發(fā)了精度較高的推薦系統(tǒng)；Raymond J.Mooney[8]等研究人員應(yīng)用自學(xué)習(xí)技術(shù)，構(gòu)建了讀者閱讀成長模型，并將其應(yīng)用于讀者服務(wù)系統(tǒng)中，取得了很高的用戶滿意度。盡管上述成果具備一定的理論價(jià)值與實(shí)踐意義，但從實(shí)際應(yīng)用效果來看，普遍還存在著服務(wù)推薦精度不穩(wěn)定、覆蓋度較低、系統(tǒng)資源開銷較大等問題。針對這些問題，本研究基于讀者大數(shù)據(jù)融合技術(shù)，深入和全面地描繪讀者畫像，構(gòu)建了較為完善的圖書館讀者需求與服務(wù)匹配模型LRSM(Library Reader and Service Matching)。該模型的結(jié)構(gòu)、處理流程以及關(guān)鍵算法如下文所述。

2 模型結(jié)構(gòu)與應(yīng)用流程

圖1 模型結(jié)構(gòu)與應(yīng)用流程

2.1 模型結(jié)構(gòu)

LRSM的總體特點(diǎn)是結(jié)構(gòu)較為簡單(全模型僅4個(gè)主要子模塊)，接口標(biāo)準(zhǔn)，可適用于各類圖書館的推薦服務(wù)運(yùn)行；其結(jié)構(gòu)特點(diǎn)是“緊內(nèi)聚，松耦合”，復(fù)雜的數(shù)據(jù)結(jié)構(gòu)被封裝在各個(gè)模塊中，用戶或第三方軟件通過其接口就可以獲取相關(guān)的推薦服務(wù)，使得服務(wù)的獲取變得極為簡單，而避免了過多繁復(fù)的配置和二次開發(fā)。如圖1所示，LRSM模型主要嵌入在圖書館信息服務(wù)系統(tǒng)中，為讀者提供高匹配度的個(gè)性化服務(wù)推薦。該模型主要有4個(gè)子模塊。一是讀者畫像生成子模塊。該模塊主要從圖書館管理大數(shù)據(jù)系統(tǒng)中抽取讀者相關(guān)信息，通過融合后，形成包含讀者特征與需求信息的讀者畫像信息，并將這些信息存儲在讀者畫像庫中。LRSM模型通過該子模塊，對讀者的持續(xù)跟蹤，不斷豐富和細(xì)化這些畫像信息，為需求與服務(wù)匹配工作提供讀者的基礎(chǔ)數(shù)據(jù)。二是服務(wù)信息融合子模塊，該模塊主要從圖書館各職能部門的服務(wù)器中獲取服務(wù)與業(yè)務(wù)項(xiàng)目的特征信息，以及讀者對于這些項(xiàng)目的反饋信息，最終形成圖書館的服務(wù)特征空間，為服務(wù)項(xiàng)目檢索提供基礎(chǔ)數(shù)據(jù)。三是需求與服務(wù)匹配子模塊，該模塊同時(shí)接收讀者信息與服務(wù)信息作為檢索依據(jù)，從讀者畫像庫與服務(wù)資源庫中選取匹配度較高的對應(yīng)項(xiàng)目，推薦給讀者。其中的需求與服務(wù)的融合匹配算法參見下文第3節(jié)。四是推薦接口子模塊，該模塊可以根據(jù)圖書館方或讀者的具體要求，接收讀者的需求報(bào)告，并向需求與服務(wù)匹配模塊發(fā)出推薦申請，最終通過郵件、短信、微信等綜合方式，向讀者推薦圖書館的各項(xiàng)服務(wù)。

2.2 模型流程

LRSM模型對于讀者需求與圖書館服務(wù)的信息處理與匹配流程如下：

Step1：讀者畫像生成，即LRSM模型根據(jù)讀者的注冊信息，生成其靜態(tài)畫像屬性；根據(jù)讀者的借閱歷史、服務(wù)使用記錄、留言反饋等信息，生成動(dòng)態(tài)的讀者畫像屬性，并定時(shí)或?qū)崟r(shí)地對其進(jìn)行動(dòng)態(tài)更新；最終，讀者大數(shù)據(jù)將融合生成讀者畫像信息，存儲在讀者畫像庫中。

Step2：服務(wù)特征挖掘，即LRSM模型根據(jù)圖書館各服務(wù)職能部門提供的服務(wù)項(xiàng)目說明、讀者意見反饋等信息，融合生成或定時(shí)更新數(shù)據(jù)庫中的圖書館服務(wù)特征信息。

Step3：需求與服務(wù)預(yù)匹配，即為了提高二者的匹配速度，LRSM模型在系統(tǒng)空閑時(shí)，將對兩類數(shù)據(jù)作預(yù)匹配，一方面自動(dòng)提高近期訪問頻率較高的服務(wù)的權(quán)重；另一方面對近期訪問圖書館的讀者進(jìn)行畫像信息更新，對讀者的潛在需求進(jìn)行預(yù)測，并預(yù)先為其生成一部分高匹配度推薦服務(wù)列表。

Step4：需求與服務(wù)匹配，即一方面，當(dāng)有讀者進(jìn)入圖書館管理信息系統(tǒng)時(shí)，LRSM模型將調(diào)用其讀者畫像作為檢索依據(jù)，搜索匹配度較高的服務(wù)，形成推薦服務(wù)隊(duì)列；另一方面，當(dāng)有新服務(wù)上線，或舊服務(wù)更新時(shí)，LRSM模型將根據(jù)其服務(wù)特征，搜索匹配度較高的讀者，形成推薦目標(biāo)讀者隊(duì)列。

Step5：推薦實(shí)施與讀者反饋，即LRSM模型根據(jù)讀者訂制或默認(rèn)模式，將圖書館服務(wù)精準(zhǔn)的推薦給目標(biāo)讀者，并收集讀者的反饋，從而進(jìn)一步細(xì)化和豐富讀者畫像信息以及服務(wù)特征信息。

3 需求與服務(wù)的融合匹配算法

本模型采用了基于讀者大數(shù)據(jù)的需求與服務(wù)融合匹配算法。該算法的基本思路來自大數(shù)據(jù)傳導(dǎo)模型，該模型為多層信息傳導(dǎo)結(jié)構(gòu)，其本質(zhì)是一種信息能量傳導(dǎo)模型的改進(jìn)。總的來說，需求與服務(wù)融合匹配算法的核心(融合匹配度)可以有如下表示：

(1)

在匹配度表達(dá)式(1)里，vi、hj是系統(tǒng)中匹配元素(讀者需求與圖書館服務(wù))的狀態(tài)，而ai、bj則分別是它們的融合導(dǎo)向值，wji則是兩類元素的匹配權(quán)重；該表達(dá)式中的具體求值計(jì)算方法如下：

(2)

其中，hio(n)=〔h1h2...hM〕T，權(quán)值wj(n)=〔w1w2...wM〕T，M是服務(wù)的個(gè)數(shù)。至此，可以通過下列公式求得融合匹配度：

(3)

(4)

為保證匹配度的收斂和最大化，應(yīng)對(4)進(jìn)行進(jìn)一步的處理。首先為精確描述讀者的需求，可以建立下列模型：

(5)

(6)

(7)

(8)

(9)

公式(8)中的v(l)(n)可以視為讀者需求的不同表達(dá)，在L個(gè)需求時(shí)，有：

(10)

求其總和，可以表達(dá)為：

(11)

進(jìn)一步有：

(12)

此時(shí)可得：

(13)

(14)

有：

(15)

(16)

(17)

在(17)中，k3為設(shè)定值。至此，可以求得融合匹配度，當(dāng)(1)中的匹配度較高時(shí)，進(jìn)行推薦或個(gè)性化服務(wù)的效果較好。

4 實(shí)驗(yàn)與結(jié)果分析

LRSM模型在某圖書館信息服務(wù)系統(tǒng)中進(jìn)行了測試，并與當(dāng)前較為流行的讀者輔助服務(wù)模型RSSM(Reader Supported Service Model)進(jìn)行了獨(dú)立實(shí)驗(yàn)與對比。為了保證實(shí)驗(yàn)的公平公正，圖書館技術(shù)人員在兩臺服務(wù)器中分別部署了LRSM模型與RSSM模型作為后臺，而兩種模型基于各自的獨(dú)立標(biāo)注讀者數(shù)據(jù)集，之后的服務(wù)推薦等信息處理任務(wù)均交由統(tǒng)一的界面完成。最終，兩個(gè)實(shí)驗(yàn)讀者組的數(shù)量分別為1 475人(LRSM)和1 461人(RSSM)，人數(shù)差距符合統(tǒng)計(jì)學(xué)的差別分析要求；按照上述規(guī)范與要求，最終對兩種模型的讀者需求覆蓋度、需求匹配精確度以及系統(tǒng)資源占用率等客觀指標(biāo)進(jìn)行了為期30天的跟蹤對比實(shí)驗(yàn)，并按照信息系統(tǒng)開發(fā)規(guī)范的要求，對兩種模型進(jìn)行了讀者滿意度方面的主觀指標(biāo)調(diào)查。最終的實(shí)驗(yàn)結(jié)果如圖2所示：

圖2 兩種模型的讀者需求覆蓋度對比

如圖2所示：LRSM模型與RSSM模型在30天的實(shí)驗(yàn)過程中，均取得了良好的讀者需求覆蓋度。該指標(biāo)指代圖書館個(gè)性化服務(wù)模型在一定的實(shí)驗(yàn)周期之中，為讀者提供或者推薦的圖書館服務(wù)，在讀者使用到的所有圖書館服務(wù)中所占的比例。如圖2所示，盡管二者均具備良好的讀者需求覆蓋度，但從總體上看，LRSM模型的讀者需求覆蓋能力大大超過了RSSM模型。究其原因，主要是由于LRSM模型的讀者需求挖掘效能更高，對讀者新需求的發(fā)現(xiàn)更為靈敏。此外，從圖2中也可以看出，LRSM模型的讀者需求發(fā)現(xiàn)速度較快(曲線上升速度快)，并在達(dá)到覆蓋度穩(wěn)定區(qū)后，長期保持較高的需求覆蓋度。

圖3 兩種模型的需求匹配精確度對比

如圖3所示：LRSM模型與RSSM模型在30天的實(shí)驗(yàn)過程中，均取得了良好的需求匹配精確度。該指標(biāo)指代圖書館個(gè)性化服務(wù)模型在一定的實(shí)驗(yàn)周期之中，兩種模型提供或推薦給讀者，并實(shí)際被采納的服務(wù)，占到各自提供的服務(wù)數(shù)量的總比例。如圖3所示，盡管二者均具備良好的讀者需求匹配精確度，但從總體上看LRSM模型的需求匹配精確度超過了RSSM模型。究其原因，主要是由于LRSM模型的讀者需求挖掘更為深入，對讀者需求的刻畫更為細(xì)致。此外，從圖3中也可以看出，LRSM模型的需求精度上升速度較快，并在達(dá)到穩(wěn)定區(qū)后，較長時(shí)間保持了匹配的高精確度。

實(shí)驗(yàn)完成后，將告知兩組讀者相關(guān)情況，并請他們?yōu)閮蓚€(gè)模型進(jìn)行評價(jià)。表1是兩種模型的讀者主觀評價(jià)情況(組內(nèi)平均得分)對比。

表1 兩種模型的讀者主觀評價(jià)對比

最后，LRSM模型與RSSM模型在30天的實(shí)驗(yàn)過程中，均取得了良好的性價(jià)比；二者的CPU占用率均未10%。在內(nèi)存占用率方面，RSSM模型的峰值內(nèi)存需求達(dá)到了150M，而LRSM的峰值內(nèi)存需求僅為110M，體現(xiàn)了良好的性價(jià)比，參照目前主流的圖書館服務(wù)器配置(8G以上)，該指標(biāo)表明LRSM模型具有較高的系統(tǒng)可部署性和可擴(kuò)容性。

5 結(jié)論

LRSM模型在圖書館服務(wù)上的應(yīng)用體現(xiàn)出了其良好的應(yīng)用價(jià)值，具有較高的讀者需求覆蓋度和需求匹配準(zhǔn)確度。該模型的系統(tǒng)資源占用率較低，性價(jià)比突出，能夠?yàn)樽x者提供個(gè)性化程度較高、需求滿意度較高的圖書館服務(wù)。從目前的應(yīng)用效果來看，該模型還需在以下幾方面進(jìn)一步擴(kuò)展：首先，進(jìn)一步豐富讀者畫像的內(nèi)容，從而更全面地采集讀者需求信息，深化和擴(kuò)展圖書館服務(wù)的內(nèi)容；其次，圖書館服務(wù)元數(shù)據(jù)挖潛，為需求-服務(wù)匹配提供更為精準(zhǔn)和豐富的資源；最后，進(jìn)一步優(yōu)化需求-服務(wù)匹配算法，研究服務(wù)系統(tǒng)空閑期的游走需求采集模型。