學術用戶畫像的行為與興趣標簽構建與應用

王仁武 張文慧

摘 要：[目的/意義]學術用戶畫像是對用戶訪問使用學術資源行為的較全面的刻畫。本文嘗試構建圖書館學術用戶畫像的信息行為標簽和研究興趣標簽，來準確定位學術用戶的信息需求，以便推薦合適的學術資源。[方法/過程]具體方法是全面獲取用戶的訪問日志并進行清洗處理，然后構建從學術用戶信息行為出發的用戶畫像標簽體系，進一步研究構建了基于研究興趣關聯的信息資源推薦服務。[結果/結論]本研究有助于提高用戶信息獲取效率，提高圖書館學術資源推薦服務的質量，并為結合其它資源全面構建圖書館學術用戶畫像提供一定的借鑒。

關鍵詞：用戶畫像;學術用戶;信息行為;研究興趣;標簽體系

DOI：10.3969/j.issn.1008-0821.2019.09.006

〔中圖分類號〕G252.0 〔文獻標識碼〕A 〔文章編號〕1008-0821（2019）09-0054-10

Abstract：[Purpose/Significance]The academic user portrait is a more comprehensive characterization of the user's access to the library's academic resources.This paper attempted to construct information behavior and interest labeling for academic user portraits in libraries so that they can accurately locate the information needs of academic users and recommend appropriate academic resources.[Method/Process]Firstly，we fully accessed the user's access log and carried out the cleaning process.Then，we constructed a library academic user portrait tagging system based on the information behavior of academic users.Finally，we studied the information resource recommendation service based on user research interest.[Result/Conclusion]This study helped to improve the efficiency of user information acquisition and the quality of library academic resources recommendation services.It also provided some reference for the comprehensive construction of library academic user portraits in combination with other resources.

Key words：user portrait;academic user;information behavior;interests;labeling system

數據時代，信息和知識在經濟與社會發展中發揮越來越重要的作用，有效獲取和利用信息資源成為信息時代個人、企業和國家發展最為重要的體現和保障。網絡信息已經滲透到我們生活與學習的各個方面。根據美國科學基金會統計，學術人員在進行學術活動的過程中花費在資料收集上的時間占全部科研時間的51%[1]，如果能夠提高學術人員的信息獲取能力，就能縮短資料的收集時間，提高科研效率，將有限的時間和精力用于創造性的研究中。

絕大多數的學術人員是來自高校或科研院所以研究為職業的人員[2]，對于他們而言，圖書館作為學術信息聚集的主要場所，是學術人員進行資料收集的首選。我們把這一部分在圖書館進行學術信息收集的學術人員稱之為圖書館學術用戶。因此，縮短學術人員資料的收集時間，提高學術人員的科研效率的關鍵就是提高圖書館學術用戶的信息收集獲取效率。為此，我們嘗試通過構建圖書館學術用戶畫像來對這一部分用戶進行精準描述和定位，從而確定用戶的學術信息需求。

盡管已有用戶畫像的研究主要是基于用戶訪問日志構建的，但是由于學術用戶從事學術活動的特殊性，不同于電商的消費用戶，只能從網絡注冊、訪問和消費數據中獲得用戶畫像的信息。如要更準確地構建學術用戶畫像，最好能結合諸如用戶學術活動等數據，所以本文沒有直接稱作“學術用戶畫像的構建與應用”。本文用戶畫像的構建研究的數據來源主要也是學術用戶訪問圖書館學術資源的用戶日志，同時結合了用戶的專業身份信息，其它例如用戶的真實學術背景與學術活動等信息則難以考慮。所以本文的研究主題定位在構建學術用戶畫像的重要標簽方面，主要是用戶的信息行為標簽與研究興趣標簽;全面的用戶畫像地構建與應用有待于進一步的研究工作。

1 用戶畫像的相關研究

用戶畫像早期應用于產品設計、市場營銷領域。通過用戶調研、問卷訪談等方法挖掘用戶訴求，勾畫目標用戶畫像，使產品設計不脫離用戶和市場需求，進而幫助企業實現精細化運營和市場營銷。隨著大數據、數據挖掘等技術的出現，為用戶畫像研究帶來新的生機。在大數據環境下，研究者們通過數據挖掘、數據分析方法，從海量用戶行為數據中分析用戶基本屬性、社會屬性、行為習慣、興趣愛好等信息，提煉用戶個性化標簽，進而構建更為精準的用戶畫像。同時，用戶畫像的應用領域和應用場景也不斷擴展延伸，應用領域從電子商務、社交網絡到圖書館服務，應用場景包括精準營銷、個性化推薦服務、異常行為檢測等。

用戶畫像在電子商務、社交網絡等領域的研究與應用已相對成熟，研究包括精準營銷、品牌建設、智能推薦、模型構建、算法設計等方面。在精準營銷方面，劉海等[3]從營銷的角度，以“用戶畫像”數據庫為基礎，構建精準營銷細分模型，重構消費者需求、準確定位消費群體，幫助企業實現精準營銷。曾鴻等[4]采集分析微博相關數據，構建用戶畫像模型，全面掌握目標客戶群體行為特征，為企業準確制定營銷方案、進行品牌建設開拓新思路。在智能推送方面，汪強兵等[5]分析用戶使用文獻閱讀系統時的手勢行為數據和對應內容，挖掘用戶閱讀興趣，構建用戶畫像，從而進行個性化信息推送。

在用戶畫像構建方法方面，李冰等[6]探索一種基于大數據技術和K-means聚類算法的卷煙零售用戶特征畫像，進而實現對零售用戶訂貨的智能推薦。姜建武等[7]通過構建行為—主題—詞匯三位一體的數學模型，研究基于用戶畫像的信息本體提取方法，構建用戶畫像，實現信息智能推送。此外，用戶畫像還被用于網絡安全、異常行為檢測中。朱佳俊等[8]采集行為數據構建用戶畫像，并通過機器學習方法提取用戶行為特征，建立檢測模型，快速準確地檢查出異常客戶。

近年來，用戶畫像的應用研究逐漸被引入圖書館領域，相比于國內圖書館界引入用戶畫像時間短、研究淺的特點，國外對圖書館用戶畫像研究已較為完善。國外圖書館用戶畫像研究主要從組成要素、模型構建、應用場景以及服務升級等4個方面展開。Leung W T等[9]基于搜索引擎日志數據，結合用戶畫像分析用戶正面和負面的興趣偏好，提出個性化查詢聚類方法。Shirude S B等[10]構建用戶畫像，并通過歐幾里得距離，曼哈頓距離，閔可夫斯基距離，余弦距離等方法測量用戶畫像和圖書內容之間的相似性，有助于圖書館推薦系統的開發。Sharma D等[11]將內容學習和協作學習相結合，構建混合推薦系統，基于用戶畫像和關聯用戶的相似度進行推薦，為在線數字圖書館門戶提供完美的推薦順序。

國內關于圖書館用戶畫像的研究主要應用于圖書館服務內容的創新和服務水平的提高，包括精準服務、個性化服務、知識服務等。王慶等[12]構建圖書館用戶畫像模型，設計了從單用戶和多用戶角度分別推薦館藏資源的模式，實現面向用戶的圖書館資源精準推薦服務。王順箐[13]以讀者需求為核心，在數據采集的基礎上整合用戶畫像，構建智慧閱讀推薦系統，提高閱讀推廣的成功率。張鈞[14]基于讀者用戶畫像，構建圖書館知識發現服務模型，實現圖書館服務的個性化、精準化，提升圖書館知識服務體驗。胡媛等[15]基于用戶畫像構建數字圖書館知識社區關聯模型，建立綜合服務能力評價指標體系，為數字圖書館社區用戶描述提供參考。韓梅花等[16]通過機器學習方法構建用戶抑郁情感詞典，分析微博文本，計算抑郁情感指數，獲得用戶畫像，智能推送閱讀治療資源，輔助抑郁癥治療。

綜上所述，圖書館用戶畫像已經得到部分學者的關注，但是大多數文獻并沒有對圖書館用戶畫像進行進一步地細分。因此從畫像的標簽中體現出來的用戶特征寬泛，沒有針對性。尤其是高校圖書館作為用戶進行學術信息搜尋的主要場所，更加需要了解用戶學術信息的獲取行為與興趣愛好，從而更好地開展學術資源推薦服務。本文希望在學術用戶畫像的一些重要標簽構建與應用方面作些嘗試。

本文余下部分的結構安排：第2部分介紹圖書館學術用戶的日志數據處理方法;第3部分介紹學術用戶畫像及其信息行為與研究興趣標簽構建;第4部分介紹用戶畫像的一個應用場景，即基于學術用戶畫像關聯的學術資源推薦服務;第5部分給出總結與展望。

2 圖書館用戶Web日志采集與處理

2.1 Web日志數據采集

1）數據來源。本文所涉及的用戶信息行為日志數據是依托于所在大學網絡中心與圖書館共同建設的Polyinfo圖書館電子資源分析優化云系統中記錄的網內用戶訪問的網絡數據。由于大學用戶訪問網絡資源數據量巨大，一般只能保存60天的數據。Polyinfo系統建設的目的就是從海量的用戶訪問各類資源日志數據中抽取教師學生訪問圖書館電子資源的日志數據，以便長期保存，以供進一步分析利用。

2）采集方法。本文研究通過Python語言編寫爬蟲程序直接從Polyinfo系統中抓取用戶訪問圖書館電子資源的日志數據。同時我們通過提交日志數據中每條記錄的IP地址和訪問時間向學校用戶服務器請求用戶信息，根據訪問時間和用戶IP字段從圖書館服務器接口獲取訪問日志的用戶基本信息。盡管大學的用戶信息（教師和學生）是已知的，但考慮到用戶隱私保護，學校信息管理部門只能提供脫敏的數據，不會泄露用戶的真實身份。

3）數據樣本。部分日志數據以及根據日志數據請求獲取的部分用戶信息如圖1所示，圖1（a）是日志信息示例，圖1（b）是用戶信息示例。表1和表2分別是對日志數據和用戶數據字段內容、實例的詳細說明。

用戶日志數據中包含了11個字段，但是請求方向Direction、請求方式Action等字段并不是本文研究重點;另外，用戶訪問資源的平臺名稱Platform、網站名稱Website以及網站描述字段Domain內容存在重疊，因此在數據處理時需要將這些無用或重復字段予以刪除。用戶信息數據包含8個字段，分別是用戶標識User_id、性別Gender、年級Year、專業Major、學院Department、學歷Position、上/下線時間Add_time/drop_time。為了保護用戶的隱私對用戶標識進行了加密處理。

2.2 Web日志數據處理

1）數據標引。數據標引工作分為人工標引和自動標引兩個階段進行，人工標引是對日志數據中用戶訪問網址記錄的手動標記，執行所有可能的用戶信息行為（檢索、瀏覽、下載等），并記錄相關網址及其對應的頁面和操作，之后再對比平臺記錄的日志數據。通過數據標引構建“URL標識—操作標引詞”字典，使用Python編碼自定義數據標引函數，在日志數據中增加數據標引屬性，對URL和Reference字段數據實現自動化標引。

2）數據解析。數據解析可分兩個步驟進行，第一步是分割URL網址，抽取路徑、路徑深度以及參數等數據;第二步是從特定參數中提取用戶信息行為，包括：檢索詞、檢索數據庫、瀏覽文件名、下載文件名等。

3）研究數據。經過數據處理之后，我們得到了以下要用來構建用戶畫像的研究數據。圖2是完成數據處理之后要進行研究的部分數據。

研究數據一共包含11個字段：分別是用戶的基本信息數據（用戶ID、學院、專業、性別、學歷和年紀）和信息行為數據（訪問時間、訪問數據庫名稱、訪問數據庫類型、訪問方式和訪問內容）。

選取的研究數據主要是信息管理與信息系統和圖書情報這兩個專業，選取這兩個專業也是因為和學科研究相符合。同時接下來有關構建圖書館學術用戶畫像的具體步驟和分析過程也將以這部分數據作為示例。

3 學術用戶畫像及其信息行為與研究興趣標簽構建

3.1 學術用戶畫像及其重要標簽體系

用戶畫像是從一系列數據、信息中高度概括提煉出來能體現用戶屬性特征，并將這些屬性特征組合起來形成的一個生動立體的用戶模型[17]。根據用戶畫像的定義和本文的研究范圍，我們對圖書館學術用戶畫像的定義為：在數字環境下，從海量的圖書館用戶訪問日志的行為數據中，通過分析挖掘、高度提煉出表現圖書館學術用戶特征的標簽，通過標簽組合形成實際用戶的虛擬形象。因此，圖書館學術用戶畫像是對具有特定學術信息需求的圖書館用戶的形式化的數據描述。

本文構建圖書館學術用戶畫像的內容如圖3所示，主要是對用戶日志中行為數據的分析來提取用戶畫像的重要標簽。受制于數據源的限制，我們主要構建的是圖書館學術用戶畫像中的兩大類重要標簽，即學術用戶信息行為與學術用戶研究興趣標簽。本文3.2、3.3兩節分別介紹這兩個標簽的構建過程。

圖書館學術用戶畫像的信息行為標簽又可分為學術用戶的固定屬性標簽、訪問偏好標簽，訪問頻率標簽與檢索習慣標簽;而研究興趣標簽主要與用戶的查詢主題有關，本文界定為研究主題標簽。其中，圖書館學術用戶的固定屬性標簽是由圖書館學術用戶的基本信息直接得到的，盡管圖書館的用戶信息（教師和學生）是已知的，但考慮到用戶隱私保護，學校信息管理部門只能提供脫敏的數據，不會泄露用戶的真實身份;圖書館學術用戶的訪問偏好標簽，訪問頻率標簽和檢索習慣標簽是通過對圖書館學術用戶訪問日志中的和信息行為有關的數據分析得到的;最后是圖書館學術用戶的研究主題標簽是通過對用戶訪問日志中的檢索內容分析得到的。

3.2 圖書館學術用戶畫像的信息行為標簽構建

3.2.1 構建學術用戶訪問偏好標簽

學術用戶的訪問偏好包括習慣使用的訪問終端（使用電腦/手機、瀏覽器類型、操作系統類型等）、習慣使用的學術引擎（某類學術數據庫、百度學術、谷歌學術、資源發現系統等）、常用的學術數據庫、訪問時間偏好等。根據圖書館用戶對學術信息的訪問行為，通過統計學術用戶對每一種數據庫的訪問次數和1天當中每個時間點的訪問次數來確定學術用戶對數據庫和訪問時間的偏好選擇。圖4和圖5分別是從整體上來看數據庫種類和訪問時間上用戶訪問偏好的整體情況。

圖5中，淺灰色線條是工作日訪問時間分布的總和，深灰色線條是休息日時間分布的總和，可以看出，除了數量上的減少之外，兩條線條之間走勢相同。圖書館學術數據庫會在上午10點、下午2點以及晚上8點左右迎來訪問量的高峰，這也是由于圖書館學術用戶的科研時間習慣形成的。

3.2.2 構建學術用戶檢索習慣標簽

一般來說，用戶在訪問圖書館的時候常用的檢索方式有普通檢索，高級檢索和專業檢索。這3種檢索方式所對應的適用情況也不同：根據圖書館用戶在檢索中使用的檢索方式再結合檢索詞的長度，可以將用戶分為任務向導型檢索用戶，研究探索型檢索用戶和技巧依賴型檢索用戶。

任務向導型檢索用戶指的是圖書館用戶在進行學術檢索的時候，其檢索任務是否明確。當用戶的檢索任務明確的時候，則表示用戶掌握了目標文獻的外部信息，可以通過直接檢索文章的標題來獲取所需要的信息。而當用戶的檢索任務不明確的時候，用戶則無法使用這種，模式進行檢索。因此，長標題和普通檢索結合的檢索模式可以在一定程度上反映用戶檢索任務導向性的強弱。

當用戶的檢索任務不明確的時候，我們可以將其定義為研究探索型檢索。研究探索性與用戶的學術素養密切相關，如果用戶學術素養高，則對檢索學科領域的熟悉程度，以及用戶研究任務的學術深度均較高，由于用戶需要對學科領域進行較深層的回顧和分析，因此會通過大量瀏覽文獻的方式對領域內的研究現狀和發展態勢進行探索和分析。具體表現在使用普通檢索方式，并且輸入的多數為短字符檢索詞。同樣地，當用戶學術素養不高的時候，因此無法準確把握自己的檢索需求，所以會通過大量短小的檢索詞來大量的瀏覽文獻從而確定自己的研究主題。所以，這里我們只是將用戶定義研究探索型檢索用戶，而無法衡量研究探索能力的大小。

第三種類型就是技巧依賴型檢索用戶，技巧依賴型與用戶的信息素養密切相關，代表了圖書館用戶對使用計算機進行在線檢索的技巧的熟悉程度和意識強弱。在檢索策略上主要表現為用戶使用邏輯檢索或者專業檢索等高級檢索的傾向性。

圖6是某用戶在某月的檢索詞長度分布圖，以檢索詞是否超過10個字作為長檢索詞和短檢索詞之間的分界線，來看一下該用戶更偏向于哪種長度的檢索詞。

從圖6中可以看出該用戶長檢索詞的統計總量多余短檢索詞的總量，字數在10個字以上的長檢索詞的比重依然很大。這說明該圖書館用戶在大部分檢索的過程中是知道自己檢索文章的標題信息。因此該用戶判定為任務向導型檢索用戶。

3.2.3 構建學術用戶訪問頻率標簽

從圖書館學術用戶產生學術活動時間的不確定性來看，如果只是單純計算學術用戶訪問的時長可能會忽略掉一些產生突發性學術活動的圖書館用戶。因此，我們在衡量圖書館學術用戶的活躍度的時候，要從用戶訪問的平均時長來確定。由于，我們選擇的是用戶訪問數據庫的數據，因此用戶訪問的平均時長可用來表示圖書館學術用戶的活躍度，而不必再單另計算用戶訪問數據庫的次數了。

基于上面的表述，我們把用戶分為持久性活躍用戶、突發性活躍用戶以及低活躍性用戶。

1）持久性活躍學術用戶：學術用戶的活動天數呈現均勻分布，并且每天都能保持一定時長的數據庫訪問。

2）突發性活躍學術用戶：學術用戶的活躍天數呈現離散分布，同時每天的訪問時長呈現波峰波谷狀。

3）低活躍性學術用戶：學術用戶的活躍天數呈現離散或者均勻分布，但是每天的數據庫訪問時長很低。

如圖7所示，圖書館某學術用戶在某月份的數據庫訪問的時長的時間變化曲線。從圖7可以看出某用戶在那個月份的訪問時長有明顯的波峰和波谷，而且從時間分布上看，該用戶在4月當中只有7天訪問了數據庫。這樣的曲線分布離散且不均勻，但因為有明顯的波峰，因此，判定該用戶為突發性活躍學術用戶。

3.3 圖書館學術用戶畫像的研究興趣標簽構建

通過觀察研究數據，我們發現圖書館用戶在輸入檢索詞時，往往是不準確而且有歧義的，如果從用戶檢索詞為基礎來分析用戶的研究興趣，會使得分析的結果缺乏專業性和準確性。因此，我們提取的是用戶下載文獻的關鍵詞，通過統計分析文獻的關鍵詞來確定用戶的研究興趣。在確定圖書館用戶研究興趣標簽的過程中可以從兩個方面來對圖書館用戶的研究興趣進行描述：分別是單主題研究興趣和多主題研究興趣。所謂的單主題研究就是，圖書館用戶在一段時間之內，最常檢索的關鍵詞，在這里我們使用高頻關鍵詞來表示圖書館用戶的單主題研究興趣。同時，圖書館用戶在一段時間之內并不一定只檢索1個主題的文獻。那么當用戶有不同的研究興趣的時候，這時候我們就可以為用戶打上多主題研究興趣的標簽。

從圖8可以看出，某用戶在檢索過程中產生的關鍵詞的最高頻率不到10%，甚至連6%都無法到達。因此該用戶的研究主題不能用高頻詞來衡量，用戶的研究主題類型不是單主題研究興趣。

從圖9可以看出，通過模塊化聚類算法Louvain算法對關鍵詞之間的共現次數進行模塊化計算之后，用戶的研究主題呈現出了明顯的聚類。

圖中明顯地將用戶的檢索關鍵詞分為4大類：“用戶行為”、“信息行為”、“MBA”和“MBA教育中心”。從“MBA”研究主題中可以看出，其研究的方向偏向于MBA案例實際操作;而“MBA教育中心”則和各個高校緊密結合。從聚類的結果來看是比較符合用戶的學術認知，因此該圖書館學術用戶我們將其判定為多主題研究用戶。

4 學術用戶畫像的應用探索

本章將利用第三部分的兩大類標簽構建的學術用戶畫像來做一下應用探索。首先構建用戶畫像實例，然后探索使用學術用戶畫像實現學術資源的推薦服務。

4.1 學術用戶畫像的構建實例

根據上文中對信息行為數據分析得到用戶標簽再加上用戶本身的基本信息標簽，就形成了的圖書館學術用戶畫像的標簽體系。以某用戶為例，其最終的某圖書館學術用戶畫像如圖10所示。

同樣，我們可以為每一個學術用戶構建類似上面的用戶畫像，可以通過用戶畫像了解每一個學術用戶的基本信息和學術興趣，而且可以在系統的運行過程中不斷地完善補充，動態更新。有了這些詳盡信息，學術圖書館就可以據此研究提升自身的管理和服務水平。

4.2 基于學術用戶畫像的學術資源推薦服務

常見的學術資源推薦服務大多基于個人的瀏覽和檢索興趣，從數據庫當中匹配相關的信息，然后進行推送[18];或者如同傳統電商常用的基于協同過濾的方法實現個性化推薦服務。然而此類方法推薦的資源，不一定是用戶需要的，因為對用戶的信息與需求了解不夠全面、系統。所以，圖書館需要提高的是如何讓推薦的學術資源更加符合用戶的需求。用戶畫像可以在這方面發揮作用，而新一代電商個性化推薦服務的核心功能也正是用戶畫像。

使用用戶畫像進行學術資源推薦的最直接方式，就是利用完整、全面的標簽體系，在用戶需要的時間，根據用戶的研究興趣進行針對性的推薦。這種服務方式，既可以在用戶畫像系統中實現，即利用電子郵件的方式，將新的與其最近研究興趣有關的學術文獻推送給該用戶;也可在學術資源服務系統中實現，即在學術資源服務系統中融合用戶畫像系統，在用戶查詢學術資源時，利用動態構建的用戶畫像獲得用戶的研究興趣，實時地為用戶推薦與該研究興趣相關的學術資源。

使用用戶畫像進行學術資源推薦的另一種方式可以通過相同或者相似的研究主題進行關聯。當兩個用戶之間通過研究主題產生關聯的時候，我們可以通過比較用戶的訪問頻率和檢索習慣這兩個標簽，來進行學術信息的傳遞，也就是說可以將訪問頻率高活躍的用戶，以及檢索習慣中任務向導型檢索用戶和技巧依賴型檢索用戶的檢索方式、訪問數據庫以及下載的學術文獻推薦給關聯的其他學術用戶。如此一來的話，學術圖書館在向用戶推薦學術資源的時候就不僅僅是簡單的匹配學術資源數據庫，而是通過學術用戶畫像標簽的比較，選擇標簽質量高的用戶的學術資源進行推薦。基于推薦學術資源已經被相關用戶利用，那么它被新的學術用戶利用的可能性也會加大。如圖11所示，是圖書館學術用戶畫像關聯推薦的應用模型：

5 總結與展望

本文通過從高校海量的網絡資源訪問日志中抽取用戶對圖書館學術資源的訪問記錄，以及通過訪問記錄中的IP地址與時間信息獲取經過脫敏的學術用戶信息的深入加工與詳盡分析，詳細構建了學術用戶的信息行為標簽和研究興趣標簽這兩大類標簽體系，并探索研究將其用于用戶的學術資源推薦服務。實現了從第一手的用戶訪問日志的處理到圖書館學術用戶畫像構建及其應用的全過程。

目前，本文研究的學術用戶的使用日志還需不斷積累，分析與應用的角度還需擴展，以便更好更全面地研究學術用戶畫像，方便圖書館為學術用戶提供更好的服務。

參考文獻

[1]文庭孝，劉曉英.基于引文分析的我國研究者信息獲取能力評價研究[J].圖書與情報，2011，（6）：21-25.

[2]黃傳慧，孫雨生，明均仁，等.情景化用戶偏好引導下用戶學術信息行為研究[J].圖書館工作與研究，2015，1（2）：36-39.

[3]劉海，盧慧，阮金花，等.基于"用戶畫像"挖掘的精準營銷細分模型研究[J].絲綢，2015，52（12）：37-42.

[4]曾鴻，吳蘇倪.基于微博的大數據用戶畫像與精準營銷[J].現代經濟信息，2016，（16）：306-308.

[5]汪強兵，章成志.融合內容與用戶手勢行為的用戶畫像構建系統設計與實現[J].數據分析與知識發現，2017，1（2）：80-86.

[6]李冰，王悅，劉永祥.大數據環境下基于K-means的用戶畫像與智能推薦的應用[J].現代計算機，2016，（24）：11-15.

[7]姜建武，李景文，陸妍玲，等.基于用戶畫像的信息智能推送方法[J].微型機與應用，2016，35（23）：86-89.

[8]朱佳俊，陳功，施勇，等.基于用戶畫像的異常行為檢測[J].通信技術，2017，50（10）：2310-2315.

[9]Leung W T，Lee D L.Deriving Concept-Based User Profiles from Search Engine Logs[J].IEEE Transactions on Knowledge & Data Engineering，2010，22（7）：969-982.

[10]Shirude S B，Kolhe S R.Measuring Similarity Between User Profile and Library Book[C]//International Conference on Information Systems and Computer Networks.IEEE，2014：50-54.

[11]Sharma D，Kaur S，Diksha.Neural Network Classification for user Profile Learning Over Digital Library Recommendation Engine[J].Indian Journal of Science & Technology，2016，9（33）.

[12]王慶，趙發珍.基于“用戶畫像”的圖書館資源推薦模式設計與分析[J].現代情報，2018，38（3）：105-109，137.

[13]王順箐.以用戶畫像構建智慧閱讀推薦系統[J].圖書館學研究，2018，（4）：92-96.

[14]張鈞.基于用戶畫像的圖書館知識發現服務研究[J].圖書與情報，2017，（6）：60-63.

[15]胡媛，毛寧.基于用戶畫像的數字圖書館知識社區用戶模型構建[J].圖書館理論與實踐，2017，（4）：82-85.

[16]韓梅花，趙景秀.基于“用戶畫像”的閱讀療法模式研究——以抑郁癥為例[J].大學圖書館學報，2017，35（6）：105-110.

[17]Cooper A.The Inmates Are Running the Asylum：Why High Tech Products Drive Us Crazy and How to Restore the Sanity（2nd Edition）[M].Pearson Higher Education，2004.

[18]李默，梁永全.高校圖書館學術資源推薦策略及系統架構研究[J].圖書館學研究，2015，（14）：57-62.

（責任編輯：陳 媛）