基于群組用戶畫像的圖書館信息智能推送服務

蘭 冰

（德宏職業學院圖書館，云南 德宏 678400）

用戶畫像是通過收集用戶相關信息，采用定量與定性相結合的分析方式，建構符合用戶特點的標簽化模型，以完整細致地勾勒出用戶信息全貌，進而更好地預測用戶需求的工具。而群組用戶畫像是對個體用戶畫像進行聚類分析，采用不同的模型、算法與技術，從多個維度發現規模較大的用戶群體，或將特征類似的用戶歸為一類，從而在提供服務時可以優先滿足核心群體的需求。群組用戶畫像的生成，方便對用戶進行精準分類，結合不同群體的特點選擇最為適宜的服務模式。群組用戶畫像在產品研發、數據挖掘、精準營銷等領域得到廣泛應用，也成為圖書館為用戶提供智能化服務的必要手段。如今信息環境錯綜復雜，用戶對高質量信息的需求，與信息來源繁雜、數據處理繁瑣之間的矛盾日益突出，也對圖書館信息推送服務提出更高的要求[1]。圖書館基于真實積累的用戶信息數據，選擇適宜的模型與算法建立用戶標簽體系，能夠反映用戶群體在獲取圖書館服務中的行為軌跡，進而深入挖掘用戶的潛在需求，全面提高信息推送的智能化水平。

1 用戶畫像技術應用于圖書館的作用分析

作為大數據環境下全方位描述用戶信息的工具，用戶畫像技術被引入圖書館服務是可行的，也是充分利用大數據資源，實現圖書館信息服務智能化的有效方式。

1.1 對大數據資源的合理利用

大數據時代各類數據資源紛至沓來，用戶在利用圖書館過程中，也會產生大量的各種類型的數據資源，若對這些數據進行深入挖掘與合理利用，將獲得巨大的價值。然而面對來源廣泛、格式多樣化的信息，很多圖書館往往感到無所適從，不知道如何對數據進行開發，甚至一度受到信息過載、知識迷航等問題的困擾。一些學者雖然提出可視化分析、網格分析等新技術，試圖解決圖書館存在的問題，然而這些方法僅能夠獲取與用戶相關的部分信息，難以保障對用戶需求的準確把握。用戶畫像技術的引入，則可以依托大量用戶真實信息建立用戶群體模型，并從中提煉出有價值的內容，進而實現以用戶為中心的智能化服務。

1.2 實現精準智能化服務的需要

圖書館用戶群體來自各行各業，對信息服務的需求也是多樣化的。要想滿足不同行業、不同層次用戶的需求，就需要圖書館做好用戶分組分類工作，深入分析不同群體的興趣愛好，找到這些用戶的需求點，與信息資源進行精準化匹配，為他們提供具有針對性的服務。借助群體用戶畫像技術，正好可以滿足對圖書館用戶聚類的要求，方便圖書館依托大規模用戶數據，發現不同群體的特征與潛在需求，主動為他們提供個性化、精準化的信息，改變被動服務的局面。構建群組用戶畫像模型，也是圖書館建設智能信息推送系統的必要環節，能夠依托全方位的用戶信息描述，為系統調取、檢索與處理信息資源提供可靠依據[2]。

1.3 抓住核心用戶群體的需要

用戶數量與用戶忠誠度，是衡量信息內容提供方服務質量的重要指標。圖書館作為信息服務機構，要想吸引并留住核心用戶群體，就有必要深入、全面地挖掘用戶需求。群組用戶畫像作為分析用戶需求的可靠工具，能夠輔助圖書館掌握不同服務場景下用戶的大概率行為，通過建立用戶屬性的標簽化體系，形成對用戶行為特點的分層分類分析，進而提高對不同情境下用戶需求的分析判斷能力。作為具有向量特征的結構化數據集，群組用戶畫像也可以反映用戶的情緒、愛好等心理特征，依托深度學習技術勾勒出可以自主演化的新用戶模型，從而發現用戶需求的新趨勢，實現對用戶行為的科學引導。

2 圖書館群組用戶畫像模型的構建方法

群組用戶畫像的構建，需要采集用戶真實數據，借助機器學習、神經網絡、數據挖掘等技術，依托貝葉斯函數、決策樹、聚類算法建立動態模型。大數據環境下圖書館獲取用戶數據的渠道增多，方便全面掌握用戶信息，如從行為數據、借閱記錄等多個維度描述用戶的屬性、偏好特征，提煉用戶的興趣標簽，從而形成生動具體的群組用戶畫像模型。

2.1 用戶數據資源收集

大數據時代用戶數據來源廣泛，大數據技術的應用使得圖書館信息資源的互通互聯達到前所未有的高度。尤其是移動終端的應用，在為用戶獲取圖書館資源帶來便利的同時，也為圖書館提供了多樣化、立體化的數據來源渠道[3]。要想繪制完整的群組用戶畫像，圖書館可以將用戶數據資源分為5大類，包括基礎信息、網絡行為數據、興趣偏好數據、情境數據、會話數據。其中要獲取用戶的基礎信息，可以直接調取圖書館服務系統的用戶注冊信息；通過圖書館門戶網站和移動APP，可以獲得用戶的內容收藏、主題分享等信息；通過檢索系統可以獲取文獻傳遞、在線咨詢等信息；通過智能傳感設備，可以獲取用戶周圍的天氣狀況、溫度等情境信息。

2.2 建立用戶畫像標簽體系

圖書館結合多方采集的用戶數據，以機器學習的方式建立用戶行為模型，從中抽象出用戶屬性、特征等標簽信息[4]。然后結合用戶需求動態變化，采用關聯規則、回歸分析等方式，不斷修正用戶行為、心理等核心數據，發現不同層級用戶標簽展現的顯著特征，以獲得全新的用戶標簽，讓獲取的數據與用戶特點更為貼近，從而獲得更加清晰的用戶畫像。鑒于用戶大數據的不斷衍生與動態變化，用戶標簽體系的構建趨于復雜，采用傳統的單標簽建模方式，很難保障對用戶信息的深入挖掘[5]。因此，圖書館在廣泛采集用戶數據后，還需要從多個維度對這些數據進行分類處理，結合不同行業、不同領域的用戶需求，在總結概括的基礎上對用戶信息進行標注，為不同的用戶打上不同的標簽，以方便計算機識別、理解與應用。

2.3 形成群組用戶畫像模型

圖書館在對用戶數據進行清洗處理后，結合用戶標簽體系進行深入分析，發現不同用戶群體的特點，然后從不同的評估維度評估用戶信息子畫像，以聚類分析的方式建立群組用戶畫像，具體流程如圖1 所示。圖書館可以將群組用戶畫像分為數據采集、標簽映射、數據挖掘3 個層次。首先對用戶有效數據進行組織排序，存儲于用戶數據庫中。然后對數據進行集成、過濾、分類等處理，采用邏輯回歸、決策樹等算法，掌握用戶的個性化特征與群體特征，不斷完善用戶標簽體系。最后，借助關聯分析等技術對用戶群體進行合理分類，掌握不同類型用戶之間的復雜關系，將具有相同特征的用戶集中起來，以獲得群組用戶畫像模型。

圖1 圖書館群組用戶畫像建模

3 基于群組用戶畫像的圖書館智能信息推送流程

滿足用戶的個性化、智能化服務需求，是圖書館開展信息推送業務的出發點。圖書館在收集用戶大數據建立用戶畫像模型后，還需要通過可視化分析等方式，確定用戶群體特征與信息需求，進而保障信息智能推送服務質量。

3.1 用戶畫像可視化分析

在建立群組用戶畫像模型后，圖書館需要以整體可視化描述的方式，深入分析用戶群體的行為習慣與知識結構，從中挖掘有價值的信息，這是圖書館服務系統掌握用戶個性化需求，進而實現智能化推送的必要環節。圖書館用戶群體的知識背景各異，信息需求多元化，圖書館可以從專業背景、性別、年齡等維度進行聚類分析，形成特定用戶群的共有規律[6]。然后依據群組用戶畫像，具體分析不同群體用戶的屬性特點，從用戶行為偏好、在線活躍度、借閱頻率等多個維度建立可視化圖表，得出不同用戶群對信息服務的需求趨勢。

3.2 群組用戶信息推薦

圖書館實現智能信息推送服務，是基于前述建立的群組用戶動態畫像與可視化分析，得到對用戶需求的全方位預測，進而主動為他們提供可靠服務，基本流程如圖2所示。與移動新聞端等信息服務平臺類似，圖書館對各類服務資源進行統一描述，建立符合用戶需求的信息資源庫，對大量用戶數據進行標簽化處理，采用關聯分析與相似度分析法，了解用戶對類似服務產品的喜好，形成群體用戶的需求數據庫，并借助信息智能推薦系統，以推薦列表的形式實現與用戶需求的精準匹配。最后根據用戶對推送服務的反饋情況，分析他們對智能推送信息是否滿意，若不滿意需要再次進行用戶畫像分析，為用戶匹配新的信息推送列表。

3.3 用戶畫像評價調整

圖書館用戶需求是動態變化的，隨著時間、情境的變化，用戶的行為數據也會隨之更新，群組用戶畫像模型也需要不斷進行調整[7]。群組用戶畫像模型是基于各類用戶標簽建立的，包含對用戶偏好數據的采集、過濾與分析，在依據用戶畫像標簽進行用戶聚類分析，結合行為偏好建立用戶群組后，還需要評價不同群體之間的差異。然后根據用戶動態反饋及時更新群體偏好模型，實現對前期工作的檢驗和修正。在分析預測用戶需求動態時，圖書館需要關注“輿論領袖”在群體中發揮的作用。這些用戶扮演著信息中介的角色，能夠極大地影響其他用戶的價值判斷，對于優質信息資源具有極強的分析、傳播與分享能力。因此，圖書館可以從網絡傳播影響力角度進行群組用戶畫像評價，找到其中的“輿論領袖”，借助他們了解相關用戶的反饋建議，進而不斷優化智能信息推送模式。

圖2 基于群組用戶畫像的圖書館信息智能推送流程

4 基于群組用戶畫像的圖書館信息智能推送的技術實現

群組用戶畫像所需的數據復雜多樣，圖書館需要解決的一大難題就是在數據處理過程中，降低數據整合利用成本。為此，圖書館可以利用協同過濾、知識發現等技術，實現對用戶特征信息的高效抽取，讓館員與用戶之間的溝通關聯化，以便為用戶提供更便捷的服務。

4.1 基于協同過濾的個性化資源整合

圖書館借助群組用戶畫像模型，掌握不同類型用戶的個性化需求，從而為用戶推送個性化信息。由于館藏資源類型豐富、格式多樣，采用傳統的信息檢索技術，難以實現對這些信息資源迅速查詢、處理、整合與傳輸，這就需要應用協同過濾技術，提高對用戶數據的處理效率。通過對圖書館數據庫資源的統一描述，結合用戶畫像對相關數據進行協同過濾，消除冗余數據，獲得可以清晰展現用戶全貌的有價值信息，以保障信息推送的準確度[8]。在這個過程中，圖書館要善于對用戶畫像進行分析，從中提取用戶的屬性特征，在關聯聚類分析的基礎上，把握用戶群體的真實需求，并以協同過濾的方式調取符合用戶需求的資源，形成個性化內容推薦數據庫。

4.2 面向自然語言的知識發現技術

知識發現是融合機器學習、人工智能等眾多學科的新型研究領域，具體而言，就是通過對大量異構數據資源的處理，從中提取潛在的、隱含的、易于理解的規則，從而完善知識增值的高級處理過程。在新聞推薦、個性化檢索與智能客服等領域，知識發現均有廣泛應用。圖書館在大數據資源處理階段，采用面向自然語言的知識發現技術，可以實現對大規模數據的自動語義處理，提高對自然語言資源的集群、關聯、分析、預測能力。自然語言處理擁有豐富的模型，可以滿足圖片、音頻、文本等不同類型數據的處理需要，方便圖書館結合用戶畫像特點選擇適宜的模式，構建不同信息資源的聚合體，發現其中有價值的內容與隱含知識，從而保障個性化推薦與用戶需求的有效匹配。

4.3 推送結果的可視化呈現

圖書館用戶數量龐大，需求多樣，在為他們提供推送信息過程中產生的數據是驚人的，這些數據占用了系統存儲空間，若不及時處理將降低系統運行速度。再加上根據群組用戶畫像分析用戶需求過程中，涉及專業背景、行為偏好等眾多復雜的關系圖譜，增加了發現用戶需求的難度。為此，基于群組用戶畫像的信息智能推送，需要圖書館在用戶需求分析過程中，促進不同主題資源與用戶偏好信息的匹配，以分布式文件系統減少冗余數據。同時采用可視化技術，以標簽云圖、知識地圖等形式，向用戶展現立體多維的知識，減少數據存儲空間，提高服務系統響應速度。此外，還可以為用戶提供可視化服務界面，按照用戶要求將推薦結果轉化為其希望的呈現形式，確保圖書館信息推送的準確性與個性化。

5 結語

大數據時代各種高新技術的應用，為全方位勾勒用戶畫像提供了條件，未來用戶畫像的應用領域也將不斷延伸。在倡導以用戶需求為中心的時代背景下，圖書館作為信息服務機構，充分借助用戶畫像發掘潛在需求，提高了信息推送的精準度。盡管當前用戶畫像技術的應用還不完善，但融合多項技術的用戶畫像分析，將成為圖書館制定信息服務決策的依據，也將成為圖書館的重要研究方向。