大數據背景下的圖書館讀者借閱行為分析

任麗紅

摘 ?要： 圖書館讀者的數量大、借閱行為復雜多變，而傳統圖書館讀者借閱行為分析方法精度不高，且工作效率極低，無法滿足現代圖書館管理的要求。為了更好地刻畫圖書館讀者借閱行為，提高圖書館讀者借閱行為分析的準確性，設計了大數據背景下的圖書館讀者借閱行為分析方法。首先，分析圖書館讀者借閱行為的研究現狀，對圖書館讀者借閱行為分析數據進行聚類分析，并提取圖書館讀者借閱行為分析特征;然后，采用大數據分析技術——最小二乘支持向量機對圖書館讀者借閱行為變化特點進行擬合，構建圖書館讀者借閱行為分析模型;最后進行圖書館讀者借閱行為分析實例驗證。結果表明，大數據背景下的圖書館讀者借閱行為分析精度超過93%，而當前其他分析方法的精度均小于90%，同時，減少了圖書館讀者借閱行為分析時間，所提方法分析速度明顯加快，具有顯著的優勢。

關鍵詞： 借閱行為分析; 圖書館讀者; 聚類分析; 特點擬合; 分析模型構建; 實例驗證

中圖分類號： TN911.1?34; TP391 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）07?0090?04

Library readers′ borrowing behavior analysis under background of big data

REN Lihong

（Handan University， Handan 056005， China）

Abstract： Due to the large number of library readers and the various and complex library readers′ borrowing behavior， the precision of traditional analysis methods of library readers′ borrowing behavior is not high， and the working efficiency of the methods is extremely low. Therefore， they cannot meet the requirements of modern library management. In order to satisfactorily describe the library readers′ borrowing behavior and improve the precision of library readers′ borrowing behavior analysis， an analysis method of the library readers′ borrowing behavior under the background of big data is designed. The research status of the library readers′ borrowing behavior is studied， and then， the data of the library readers′ borrowing behavior analysis is subjected to clustering analysis， and the features of library readers′ borrowing behavior analysis are extracted. After that， the big data analysis technology named least squares support vector machine （LS?SVM） is used to fit the change characteristics of the library readers′ borrowing behavior and construct the analysis model of library readers′ borrowing behavior. Finally， examples are given to verify the library readers′ borrowing behavior analysis. The results show that the precision of the library readers′ borrowing behavior analysis under the background of big data exceeds 93%， while the precision obtained with other analysis methods is below 90%. In addition， the duration of the library readers′ borrowing behavior analysis using the proposed method is reduced and the analysis speed is obviously accelerated. Therefore， the proposed method has significantly advantages.

Keywords： borrowing behavior analysis; library reader; clustering analysis; characteristic fitting; analysis model establishment; example verification

0 ?引 ?言

圖書館是人們獲取知識的重要場所，其對高校的教學質量、科研起著重要的作用，全國各地的高校均建立了自己的圖書館管理系統，大幅度提高了圖書館的管理水平，也減輕了圖書管理員的工作量[1?3]。圖書館管理系統經過多年運營，積累了大量的歷史數據，如圖書數據、讀者數據等，對這些數據進行深度挖掘，掌握讀者的借閱行為習慣和規律，可以為讀者提供更優的服務，因此，對圖書館讀者的借閱行為進行研究，對于提高圖書館的管理水平具有十分重要的意義[4?5]。

最初由于圖書館讀者借閱行為的歷史數據較少，通常采用人工方式對圖書館讀者借閱行為進行簡單的統計與分析，難以充分找到圖書館讀者借閱行為的規律，館藏資源利用率低[6]。隨著自動化技術、信息處理技術的不斷發展，出現了許多基于數據挖掘技術的圖書館讀者借閱行為分析方法[7]，如基于時間序列分析法的圖書館讀者借閱行為分析方法[8]，根據時間前后采集圖書館讀者借閱行為，但是其無法全面、客觀地描述圖書館讀者借閱行為變化特點，使得圖書館讀者借閱行為分析結果不可靠[9];基于關聯規則算法的圖書館讀者借閱行為分析方法，反映了圖書館讀者與借閱活動之間的聯系[10]，但是其屬于線性分析技術，而圖書館讀者與借閱活動之間的聯系具有隨機性，即非線性，因此圖書館讀者借閱行為分析誤差大[11];有學者提出了基于流通日志的高校學生圖書借閱行為分析方法[12]，從流量日志找到讀者圖書借閱行為變化規律，但是由于當前流通日志數據量相當大，其圖書館讀者借閱行為分析時間長，效率低[13?15]。

為了更好地描述圖書館讀者借閱行為變化特點，獲得高精度的圖書館讀者借閱行為分析結果，提出大數據背景下的圖書館讀者借閱行為分析方法，并通過實例分析本文圖書館讀者借閱行為分析方法的有效性和優越性。

1 ?大數據背景下的圖書館讀者借閱行為分析方法

1.1 ?聚類分析算法

對于[n]個圖書館讀者借閱行為分析數據[X={x1，x2，…，xi，…，xn}]，設有[k]個聚類，即有[k]個類別的圖書館讀者借閱行為，聚類分析算法的工作原理為：從[n]個圖書館讀者借閱行為數據中隨機選擇[k]個圖書館讀者借閱行為數據為初始聚類中心，其他圖書館讀者借閱行為數據根據其與聚類中心距離分別分配到最相似的類別中。

1） [cj]表示第[j]類的圖書館讀者借閱行為類的中心，那么[xi]和[cj]的距離為：

[d（xi，cj）=（xi1-cj1）2+（xi2-cj2）2+…+（xid-cjd）2] ?（1）

[xi]和[cj]之間的相似度計算公式為：

[s（xi，cj）=1d（xi，cj）] （2）

2） 對所有聚類中心進行更新，第[j]個類別的圖書館讀者借閱行為分析樣本集合為[{xj1，xj2，…，xjnj}]，相應聚類中心為[cj=（c1j，c2j，…，ckj，…，cdj）]，[ckj]為[cj]的第[k]個屬性，具體如下：

[ckj=xkj1+xkj2+…+xkjnjnj] （3）

3） 不斷重復上述步驟，直到更新后的類中心和更新前一致為止，采用均方差作為測度標準，即：

[J=i=1kj=1ni（xij-ci）2（n-1）] （4）

通過上述步驟，就可以得到一個圖書館讀者借閱行為分析樣本的相似歷史樣本數量，不用選擇所有的圖書館讀者借閱行為歷史樣本進行建模，減少了圖書館讀者借閱行為分析樣本數量，可以提高圖書館讀者借閱行為分析效率。

1.2 ?提取圖書館讀者借閱行為分析特征

每個圖書館讀者借閱行為有自己的特征，可以根據這些特征來識別相應的圖書館讀者借閱行為。本文從3個方面提取讀者借閱行為特征：

1） 讀者借閱圖書的月時間、周時間和時段;

2） 讀者專業、讀者學歷、讀者的職業、讀者的年齡段;

3） 讀者借閱書籍類型、讀者借閱書籍數量。

1.3 ?圖書館讀者借閱行為分析算法

由于圖書館讀者的數量大、借閱行為復雜多變，結合該特點，本文采用大數據分析技術——最小二乘支持向量機對圖書館讀者借閱行為變化特點進行擬合，構建圖書館讀者借閱行為分析模型。給定[M]個圖書館讀者借閱行為分析數據[{xi，yi}]，[i=1，2，…，n]，構造最優圖書館讀者借閱行為分析數據決策函數：

[f（x）=wTφ（x）+b] （5）

式中：[b]為偏置量;[w]為權值向量。

根據現代統計學理論得到滿足式（5）的條件為：

[yi-wTφ（x）+b≤εmin J=12wTw] （6）

根據最小二乘支持向量機的工作原理將式（6）轉換為：

[minw，b，eJ（w，e）=12wTw+12γi=1ne2is.t. ? ?yi=wTφ（xi）+b+ei] （7）

式中[γ]表示控制誤差的懲罰程度。

引入拉格朗日乘子法解決式（7），建立拉格朗日函數：

[L（w，b，e，α，γ）=12wTw+12γi=1ne2i-i=1nαi（wTφ（xi）-b+ei-yi）] （8）

式中[αi]表示拉格朗日乘子。

根據優化條件[?L?w=0，?L?b=0，?L?ei=0，?L?αi=0]，消除[w]和[e]，定義核函數[K（xi，xj）=φT（xi）φ（xj）]，得到圖書館讀者借閱行為分析模型為：

[yi=i=1nαiK（xi，xj）+b ] （9）

1.4 ?大數據背景下的圖書館讀者借閱行為分析原理

大數據背景下的圖書館讀者借閱行為分析原理為：

1） 采集圖書館讀者借閱行為分析數據;

2） 對圖書館讀者借閱行為分析數據進行聚類分析，并提取圖書館讀者借閱行為分析特征;

3） 采用大數據分析技術——最小二乘支持向量機對圖書館讀者借閱行為變化特點進行擬合，構建圖書館讀者借閱行為分析模型，具體如圖1所示。

2 ?圖書館讀者借閱行為分析實例

2.1 ?圖書館讀者借閱行為的數據來源

為了分析大數據背景下的圖書館讀者借閱行為分析方法的性能，選擇5個圖書館讀者借閱行為的歷史數據作為實驗對象，它們的歷史數據數量如表1所示。將歷史數據根據5[∶]1的比例劃分為訓練樣本和測試樣本。選擇基于關聯規則算法的圖書館讀者借閱行為分析方法、基于時間序列分析法的圖書館讀者借閱行為分析方法進行對照實驗，使用Visual Studio 2014編程開發工具實現圖書館讀者借閱行為分析仿真實驗。

2.2 ?圖書館讀者借閱行為分析精度

分別采用本文方法、關聯規則算法、時間序列分析法對表1中的5個圖書館讀者借閱行為分析的訓練數據集合進行建模，建立圖書館讀者借閱行為分析模型，然后對5個圖書館讀者借閱行為分析的測試數據集合進行分析，統計它們的分析精度，結果如圖2所示。從圖2可以發現，大數據背景下的圖書館讀者借閱行為分析精度平均值為93.16%，關聯規則算法、時間序列分析法下的圖書館讀者借閱行為分析精度平均值為88.98%和86.90%，相對于關聯規則算法、時間序列分析法，本文方法的圖書館讀者借閱行為分析精度分別提高了4.18%和6.26%，減少了圖書館讀者借閱行為分析誤差，不僅獲得了更好的圖書館讀者借閱行為分析結果，而且圖書館讀者借閱行為分析結果十分穩定，更加可信。

2.3 ?圖書館讀者借閱行為分析速度

分別統計本文方法、關聯規則算法、時間序列分析法對5個圖書館讀者借閱行為分析數據的訓練時間和測試時間，結果分別如圖3，圖4所示。從圖3可以發現，大數據背景下的圖書館讀者借閱行為分析的訓練時間明顯低于關聯規則算法和時間序列分析法，加快了圖書館讀者借閱行為分析的訓練速度;從圖4可知，本文方法的圖書館讀者借閱行為分析的測試時間少于關聯規則算法、時間序列分析法，提升了圖書館讀者借閱行為的分析速度。

3 ?結 ?語

讀者借閱行為分析法是當前現代圖書館管理研究的一個重要方向，為了獲得理想的圖書館讀者借閱行為分析結果，設計了大數據背景下的圖書館讀者借閱行為分析方法。首先，通過聚類分析算法對圖書館讀者借閱行為數據進行預處理，去除一些無關的數據;然后，提取讀者借閱行為分析特征;最后，采用最小二乘支持向量機構建圖書館讀者借閱行為分析模型。測試結果表明，大數據背景下的圖書館讀者借閱行為分析的平均精度超過93%，遠遠高于其他圖書館讀者借閱行為分析方法的精度，減少了圖書館讀者借閱行為分析時間，分析效率得到了顯著改善，具有廣泛的應用前景。

參考文獻

[1] 彭博.圖書館借閱行為的多屬性可視化分析[J].農業圖書情報學刊，2017，29（10）：9?12.

[2] 李東，董穎，謝麗斌，等.基于用戶行為的館藏紙質資源借閱影響因素分析[J].情報科學，2014，32（7）：103?107.

[3] 趙楠.高校圖書館讀者借閱行為分析及導讀策略研究[J].赤峰學院學報（自然科學版），2014，30（10）：96?97.

[4] 趙保華，曾曉梅.基于圖書館流通數據的讀者行為分析：以阿壩師范學院圖書館為例[J].阿壩師范學院學報，2016，33（2）：102?107.

[5] 吳曉海，黃芳.首都醫科大學醫學生圖書借閱行為分析[J].中華醫學圖書情報雜志，2015，24（5）：44?49.

[6] 彭渝.基于GRI關聯規則的圖書館讀者借閱行為分析研究[J].科技情報開發與經濟，2014，24（11）：78?80.

[7] 于曦.師范類高校圖書館讀者借閱行為分析及導讀策略研究[J].大學圖書情報學刊，2011，29（1）：71?75.

[8] 陳春穎，熊擁軍.基于序列模式挖掘的讀者借閱行為分析[J].圖書情報知識，2011，12（4）：92?96.

[9] 黃海云，韓育，張達瀚，等.貝葉斯模型大數據分析的軟件實現：以河北科技大學圖書館為例[J].圖書館論壇，2018，38（5）：95?102.

[10] 白晗.基于關聯規則算法分析圖書館讀者借閱行為[J].中國教育技術裝備，2013，7（3）：77?78.

[11] 崔金環，解海.基于數據挖掘的圖書館讀者借閱行為分析[J].現代電子技術，2019，42（1）：166?170.

[12] 王睿，楊晉蘇，彭聚霞.基于流通日志的高校學生圖書借閱行為分析與對策研究[J].福建電腦，2018，34（10）：12?14.

[13] 彭博.面向用戶屬性的個性化圖書推薦方法探究[J].圖書館工作與研究，2017，22（10）：118?123.

[14] 楊江麗，高凡，董若劍.基于數據挖掘的高校圖書館讀者行為研究：以西南交通大學圖書館為例[J].圖書館研究，2013，43（3）：106?110.

[15] 劉春霞.基于數據挖掘的用戶借閱行為分析：以河南理工大學圖書館為例[J].圖書情報導刊，2017，2（8）：1?8.