基于用戶畫像的智慧圖書館個性化移動視覺搜索研究

曾子明 孫守強

摘?? 要：將用戶畫像嵌入智慧圖書館的移動視覺搜索及推薦服務中，將解決信息過載且存在語義鴻溝、檢索結果不能滿足讀者的個性化需求等問題。文章述評了智慧圖書館移動視覺搜索和用戶畫像相關研究，探索了用戶畫像在智慧圖書館移動視覺搜索及推薦服務中的數據采集、數據預處理、畫像建模和效果評估等實現過程，搭建了智慧圖書館個性化移動視覺搜索及推薦服務模型，探討了模型的數據獲取、資源整合、數據處理、智慧服務等各層次功能，分析了涉及的用戶隱私保護、用戶畫像動態變化、服務性能優化等關鍵問題。

關鍵詞：智慧圖書館;移動視覺搜索;用戶畫像;個性化推薦

中圖分類號：G252.7?? 文獻標識碼：A?? DOI：10.11968/tsyqb.1003-6938.2020066

Research on Personalized Mobile Visual Search of Smart Library Based on User Portrait

Abstract Embedding user's portrait in smart library's mobile visual search service can solve the information overload and the semantic gap problem， and meet the personal needs of the readers. The paper made a review of the related research of mobile library visual search and user portrait， explored the realization process of user portrait in data collection、data preprocessing、modeling and effect evaluation of smart library mobile visual search and recommendation service， constructed personalized mobile visual search and recommendation service model， probed different function of the model in data collection， resources integration， data processing， and smart service， and analyzed some key problems such as privacy protection， dynamic changes of the portrait， and optimization of service.

Key words smart library; mobile visual search; user portrait; personalized recommendation

大數據時代，圖書館數字資源變得異常龐大，傳統的知識檢索方式，難以滿足移動網絡環境下用戶對知識的多元化、個性化檢索需求。相比于傳統數字圖書館，智慧圖書館以用戶為中心，提供精準的知識搜索及個性化推薦服務，從海量館藏資源中為用戶提供檢索并根據檢索信息推薦用戶感興趣的知識。移動視覺搜索（Mobile visual search，MVS）滿足讀者的多元化、敏捷化的知識檢索需求，而推薦系統則為讀者提供精準化、個性化知識推薦服務。兩者的結合，充分發揮智慧圖書館智慧化服務能力，增強用戶體驗。

雖然不同用戶檢索相同的視覺對象，但用戶所期望檢索的結果卻是因人而異、因情而異的。通過采集用戶注冊信息、訪問日志、檢索查詢及其行為特征數據等，融合讀者情景信息，構建精準全面的用戶畫像，然后根據用戶輸入的關鍵詞、主題及用于檢索的視覺對象特征，結合用戶畫像，挖掘讀者檢索意圖并將檢索結果按其知識偏好進行有序排列，可提高讀者的檢索效率和準確性。智慧圖書館個性化推薦服務，可通過記錄用戶檢索瀏覽的知識內容、下載閱讀、添加收藏、檢索次數、閱讀時間、點擊量、閱讀后的評論咨詢等數據，共同構成用戶畫像的基礎數據，并對數據進行清洗、分類、挖掘、融合等處理，結合推薦算法為讀者提供個性化知識推薦。當前推薦系統主要包括協同過濾推薦、人口統計推薦、基于內容的推薦、基于知識的推薦、基于社區的推薦和混合推薦系統[1]。除此之外，可采用深度學習進行知識推薦，即通過對用戶行為特征和物品特征數據進行迭代學習，挖掘用戶與物品之間的關聯，從而提高推薦的準確性[2]。本文在分析智慧圖書館MVS和用戶畫像的相關研究基礎上，針對當前大數據時代移動視覺搜索存在語義鴻溝、呈現結果存在信息過載、沒有突出特點、未考慮用戶個性化需求等不足，構建面向讀者的精準用戶畫像，將其融入智慧圖書館個性化MVS及推薦服務，并分析各環節實現流程，深入探討其中關鍵問題與對策，以提升智慧圖書館檢索服務質量。

1?? 相關研究

1.1??? 智慧圖書館MVS

人工智能高速發展，圖書館知識服務已經不是傳統的單一借閱模式，而是向以讀者為中心的智慧型綜合服務模式轉變。智慧圖書館以智能技術為基礎，實現書書互聯、書人互聯、人人互聯，以人為本，并提供智能、高效和便捷的知識服務，是未來圖書館發展的新模式[3]。MVS概念是由B. Girod在第一屆移動視覺搜索研討會上提出的。智慧圖書館MVS能夠以讀者為中心，滿足讀者多元化的知識檢索需求。國外針對MVS技術的研究起步較早，國內相對滯后，但許多學者已積極投入相關領域的創新研究。如張興旺和李晨暉[4]探討MVS發展過程，分析數字圖書館MVS機制的內涵、分類與架構設計，建議從移動環境軟硬件資源局限性、用戶需求多樣性、移動用戶體驗質量、互操作性、協同管理等方面建設數字圖書館MVS機制;同時，根據數字圖書館MVS引擎的領域依賴性，通過模塊化設計思想分析其業務流程，提出一種領域導向的、自適應的、可演化的數字圖書館MVS引擎[5];曾子明和秦思琪[6]分析了圖書館MVS的研究現狀，從讀者、知識、情境和服務等進行需求分析，構建智慧圖書館MVS服務模型，指出ROI定位、語義鴻溝和情境融合等問題，并搭建智慧圖書館MVS技術框架，為相關領域研究提供參考;韓璽等[7]認為MVS服務能有效促進圖書館各種資源開發利用，并分析圖書館MVS資源聚合的需求，結合數字資源多維度聚合和語義關聯等理論，構建基于語義關聯的圖書館MVS資源多維度聚合模型，并闡述其實現流程;又將情景感知融入圖書館移動視覺搜索服務，并從數字人文和電子圖書MVS服務的應用進行舉例分析[8];張亭亭等[9]提出通過眾包模式獲取大規模視覺資源，該創新模式的提出對促進圖書館移動視覺資源庫的建設有重要意義。

智慧圖書館是圖書館的創新變革，融合科學技術，結合現代化管理模式，無縫地融入讀者學習和生活的方方面面。隨著智能移動設備的普及，MVS已成為讀者青睞的信息檢索方式。智慧圖書館MVS可以理解為：首先通過智能移動終端設備獲取視覺資源（如圖片、視頻）;其次，把獲取的視覺資源作為檢索對象并通過移動互聯網進行傳輸;最后，提取視覺檢索對象的特征并分析處理，將從圖書館海量資源中提取關聯匹配的知識內容以可視化的形式呈現給用戶。智慧圖書館MVS豐富了讀者的知識檢索方式，使知識的獲取更加方便快捷，同時增強讀者對知識獲取的主動性。目前的研究集中于對圖書館MVS服務模型的創新和視覺資源的組織管理，注重于檢索結果的多而全，較少涉及如何更好地感知和理解用戶檢索意圖和知識偏好，降低語義鴻溝，以提供個性化的MVS服務，使檢索結果對不同個體都更具實際價值。

1.2??? 用戶畫像

近年來用戶畫像成為學界和業界研究的熱點。在學界，相對于國外，我國在用戶畫像方面的研究相對滯后。用戶畫像的提出者交互設計之父Alan Cooper[10]認為它是對真實用戶數據的虛擬角色描述。陳添源[11]認為用戶畫像是指在特定產品使用情境下，借助抽樣問卷調研或者大數據技術抽取用戶的人口統計屬性、行為習慣、消費心理和社交特征等多維度數據，利用數據挖掘模型構建與用戶畫像相關的標簽內容，從而精準描述差異化群體特征的一種分析方法;D.Travis[12]指出用戶畫像應滿足P（Primary research，基本性）、E（Empathy，移情性）、R（Realistic，真實性）、S（Singular，獨特性）、O（Objectives，目標性）、N（Number，數量性）、A（Applicable，應用性）等7個基本條件;余孟杰[13]認為用戶畫像是大數據環境下對用戶進行標簽化的方法;劉海鷗等[14]采用文獻分析方法對國內外用戶畫像研究進行分析，從概念界定、構成要素、模型與方法等維度細致梳理用戶畫像最新研究成果，結合國外研究提出我國在用戶畫像研究的方向和啟示;并將用戶畫像用于圖書館[15]和旅游[16]情景化推薦服務中;何娟[17]根據個人和群體畫像，挖掘用戶閱讀偏好以推薦圖書，并通過調查問卷得到評價結果在基本滿意之上的讀者占比為86%;程全[18]討論基于用戶畫像的數字圖書館信息服務模式研究的必要性，提出了挖掘隱性語義模型、拓展圖書館信息服務內容、監控動態知識流動軌跡等完善路徑。

在業界，用戶畫像被應用于搜索引擎。科技的進步，推動物聯網和網絡設備技術水平提升，移動終端設備得到極速普及。大數據無處不在，如何從海量數據中獲取有用有價值信息成為重要的研究方向。搜索引擎是一種幫助人們從海量信息中獲取期望內容的篩選工具。泛信息時代，信息量過載的問題越來越嚴重，搜索引擎提取的信息存在大量冗余而且沒有條理，需要人為的多次篩選。通過采集用戶基本信息、檢索記錄、查詢及閱讀瀏覽記錄等，構建用戶畫像，從而提供個性化、精準化搜索服務。根據輸入的檢索關鍵詞，結合用戶特征，識別、分類、關聯檢索對象，依據用戶對內容的偏好程度進行排序，有效解決信息過載問題，提高用戶檢索體驗。具有代表性的是Google搜索引擎應用。用戶畫像另一個應用領域，也是主要領域，即推薦系統。根據用戶畫像和商品及內容畫像的匹配，采用基于內容的推薦機制，將符合用戶偏好的商品或內容推薦給用戶。通過數據挖掘和深度學習等方式對用戶消費行為進行分析，找到相似的用戶群體，結合其他用戶的購買傾向，推薦關聯商品。同時，用戶畫像在電子商務產品設計、優化和精準營銷等方面發揮重要作用。目前個性化閱讀比較受關注，不同的用戶在客戶端上看到的內容是差異化的，主要根據用戶閱讀偏好進行知識的分類推薦。構建用戶畫像，挖掘讀者的閱讀行為習慣（如時間、方式、內容種類等）和偏好，可提供個性化內容推送，結合評論反饋數據進行畫像模型與推薦算法的動態調整，能夠最大程度上滿足用戶個性化閱讀需求。

綜上，用戶畫像可定義為在特定領域通過數據挖掘、大數據采集等技術獲取用戶產生的一系列數據，并對數據進行分析處理，實現用戶特征的標簽化，是挖掘用戶興趣偏好以為高層決策提供指導的工具和方法。將用戶畫像嵌入智慧圖書館MVS及推薦服務中，充分挖掘讀者的知識偏好，全面感知讀者的檢索意圖，提供因人而異、因情而異的MVS。

2?? 智慧圖書館用戶畫像構建

2.1??? 數據采集

圖書館獲取讀者數據是比較容易的，歸因于其服務對象主要是學生、教師和科研人員，目的是為讀者提供更優質的知識服務。圖書館可在讀者允許的情況下采集其注冊信息，如姓名、年齡、專業、研究方向、聯系方式、住址、民族等屬性特征;利用圖書館用戶管理與服務平臺、系統門戶網站或移動智能終端設備等日志數據、后臺數據庫，收集用戶檢索、閱讀、點擊、瀏覽、收藏、轉發等行為數據;采用網絡爬蟲工具和日志分析技術獲取注冊用戶評論、評分數據，結合文本挖掘和情感分析，獲取用戶情感偏好;亦可借助在線問卷調查、在線訪談或遠程提問等收集讀者相關數據;收集日志數據中檢索閱讀記錄，獲取用戶偏好的知識領域（如自然科學、歷史、文學等）、知識類型（如論文、書籍、專利等）、知識形式（如文本、語音、視頻、圖片等）;借助全球定位系統（GPS）、無線射頻識別技術（RFID）、監控器、智能可穿戴設備、傳感器等采集用戶情景數據，用于挖掘分析讀者在不同情景下的檢索意圖和知識偏好。

2.2??? 數據預處理

鑒于采集的原始用戶數據存在不完整、不一致、有虛假數據等情況，會影響用戶畫像構建的準確性，甚至誤導系統決策。因此，需要進行數據清洗、集成、轉換、規約等預處理。數據清洗是將收集到的原始數據中無關數據、重復數據剔除，對異常數據進行實際調查更正。對來自不同數據源的用戶數據表達形式存在不一致和異構問題，需要進行數據的集成，并轉換成統一標準進行整理和存儲。通過對原始數據的預處理，為后續模型的構建提供良好的數據基礎，提高模型的準確性和適用性。

2.3??? 畫像建模

獲取充分的用戶數據后，需對用戶特征數據進行建模，實現對用戶多維特征的標簽化，以構建清晰的用戶畫像。標簽是對目標對象進行定義的易于理解和識別的特征標識，具有語義化和短文本等重要特征。語義化使人能夠更直觀理解標簽的具體含義，而短文本是方便計算機對標簽進行提取、識別、處理與分析等。標簽化是用戶畫像的核心，通過對標簽識別，使計算機能夠自動完成分類統計，并進行標簽的深度挖掘[19]。特征標簽之間相互補充，目的是精準全面反映用戶畫像。特征是對用戶數據的挖掘與凝練，從復雜數據中提取有價值信息，以直觀表示和區分獨立用戶。結合已有研究，本文從讀者維、情景維、知識維構建用戶畫像模型（見圖1）。

用戶畫像可分為個體畫像和群體畫像。根據已有研究，構建用戶畫像多采用統計、聚類分析、貝葉斯網絡、主題模型及神經網絡等方法[20]。群體畫像是對有相似特征用戶進行類別劃分，考慮到同一類用戶在信息檢索和知識獲取等有很高的相似性甚至重復，對同類用戶提供服務能夠節約搜索和推薦過程的時間消耗，提高響應速度和推薦的準確性。群體畫像分析是在用戶畫像獲取之后，對加權的用戶標簽屬性進行相似度計算，形成具有不同標簽特征的用戶群體畫像。計算相似度之前，需要歸一化，即物理系統中的無量綱處理，常用方法是線性函數轉換。相似度計算采用歐式距離、余弦相似度、Person相關系數等度量方法，涉及到二元變量時可采用Jaccard系數計算。聚類是一種無監督分類，即無先驗知識可以利用。聚類算法可分為層次化聚類、劃分聚類、基于密度和網絡的聚類、基于神經網絡和統計學的聚類等[21]，較為常用的有K-means、DBSCAN、神經網絡等。甄選合適的算法進行用戶畫像聚類，應確保簇內差異盡可能小，簇間的差異盡可能大（見圖2）。

2.4??? 畫像評估

用戶畫像建模完成，還需要評估畫像效果，判斷生成用戶標簽的準確性及是否符合讀者的實際情況。只有讀者最直接明確該標簽是否真實準確，鑒于讀者群體龐大，使用統計學中的抽樣調查法，對個體和群體畫像分別進行隨機抽樣和分層抽樣，并記錄用戶確認準確且符合實際的標簽數。通過計算樣本標簽準確率（Pi=（正確標簽數/總標簽數））的平均值P（即平均標簽準確率）和方差σ2衡量模型的優劣（即P越大且σ2越小，模型越精準），并為圖書館用戶數據有效性檢驗、模型調整與優化提供反饋。

（1）個體畫像評估

（n為隨機抽樣的樣本個數）?? （1）

（2）

（2）群體畫像評估

（3）

（4）

L 表示分層的數量，N表示總體數，其中 Nh、nh、Ph、σh，分別指的是第h層的樣本總數、采樣的數量、采樣得到的樣本標簽準確率均值和標準差。

3?? 基于用戶畫像的智慧圖書館個性化MVS服務

MVS作為搜索引擎在本質上是一種幫助用戶過濾信息的手段，只能滿足用戶部分知識檢索的需求，顯示的目標知識沒有突出特點且數量較多，未考慮用戶的個性化需求，難以有效應對信息過載效應[22];同時，僅根據視覺資源的底層語義特征進行知識檢索，系統仍然難以判斷讀者的完整且真實檢索目的，提取的知識目標偏離用戶真實期望，即MVS存在“語義鴻溝”問題[23]。通過對用戶、情景和知識資源特征進行多維度刻畫，提取用戶興趣向量，并與檢索視覺資源特征向量進行關聯匹配。根據用戶畫像，挖掘用戶真實檢索意圖和知識偏好，縮小目標對象的搜索范圍，并把讀者真實需求或偏好程度高的知識排在最前面;同時根據用戶的檢索行為推斷用戶可能想要獲取某一方面的知識，并推薦與讀者檢索對象關聯知識。如檢索汽車圖片，根據用戶畫像，設計專業學生期望獲得汽車外觀設計知識，具有制造專業特征的更關注汽車制造環節，而物理學畫像用戶更傾向于汽車動力學知識等。

智慧圖書館MVS，嵌入用戶畫像及推薦算法，實現檢索結果的智慧化、個性化推薦。分析不同用戶畫像，根據相似用戶的檢索內容偏好，提供其感興趣的知識內容;通過提取資源特征，結合用戶檢索閱讀各類知識之間的關聯，推薦關聯度高的知識。基于用戶畫像的智慧圖書館MVS，目標是將檢索到的大量視覺資源，按照用戶偏好篩選排序并可視化。通過MVS對象語義特征與資源語義標簽建立的準確聯系，結合用戶畫像為讀者提供個性化MVS和推薦服務。為此，構建基于用戶畫像的智慧圖書館個性化MVS服務層次模型（見圖3）。

3.1??? 數據獲取層

數據獲取的對象包括讀者維、情景維和知識維數據。情景維數據可通過移動智能終端設備或物聯網技術采集，如GPS、監控器、RFID、圖像采集器、傳感器、可穿戴設備等獲取讀者社會、個人、設備及物理等情景信息。讀者維和知識維數據獲取是通過采集讀者的注冊信息、在線問卷調研數據、系統后臺數據及網頁日志數據。采集的原始數據存在噪聲、缺失值、類型不匹配等情況，且形式包括文本、圖像、音視頻等，需要進行數據的加工處理，保障數據的規范化、一致性和可讀性。如注冊信息、問卷調研數據、網頁日志數據需判斷同一用戶身份。調查問卷不能任意投放，而是對每一個注冊用戶根據其郵箱發送調查問卷;亦可根據用戶注冊編碼、綁定手機號、個人基本信息等判斷，及借助用戶使用設備的IP地址、郵箱等分辨。獲取充分的用戶數據為構建準確全面的用戶畫像奠定基礎，是智慧圖書館提供個性化MVS及推薦的保障。

3.2??? 資源整合層

資源整合層由文本庫、圖片庫、音/視頻庫等構建的語義標簽庫和用戶特征標簽庫構成。通過對知識庫建立語義標簽，實現視覺資源檢索對象與文本、圖像、音/視頻、3D等不同形式知識的語義關聯，這種關聯在視覺檢索過程中可能存在面向主題的資源關聯問題[23]。可通過主題圖的方法解決該類問題，以提供準確快速的信息檢索[24]。用戶畫像包含個體畫像和群體畫像，個體畫像是對個體屬性特征的刻畫，群體畫像是對某一類用戶屬性特征的描述。前者實現精細的用戶分析，提供個性化MVS和推薦;后者實現對一類用戶的知識檢索推薦，提高系統響應速度和效率，優化服務設計。而且在對同一類用戶中某一新用戶進行推薦時，可以采用同類用戶中的相關數據對新用戶缺失屬性標簽進行預測，保障系統在對該用戶未知的檢索對象進行推薦時，可以提高檢索推薦的準確性。通過智能化推薦和精準用戶畫像，融合用戶所處情景，挖掘用戶知識檢索的真實意圖，對視覺檢索對象進行語義分析，并與視覺資源語義標簽關聯匹配，更好地為用戶提供其期望的知識內容，降低MVS存在的語義鴻溝問題。

3.3??? 數據處理層

數據處理層主要是對視覺對象的分析和知識標簽庫的建立，實現個性化MVS和推薦，并完成動態反饋和調整，提高檢索推薦的準確性，使檢索內容更符合讀者需求。該層整合了智慧圖書館個性化MVS和推薦服務的MVS模型、用戶畫像模型、推薦模型及情景感知模型等。檢索模型提供知識檢索的工具，用戶畫像實現對用戶的屬性、行為和情感偏好特征的刻畫，推薦模型是對用戶感興趣的信息預測和判斷，情景感知模型是對用戶檢索閱讀過程進行情景分析，挖掘用戶不同情景下的檢索意圖和知識偏好。通過整合相關模型，將檢索推薦的TOP-n項結果可視化，提高智慧圖書館MVS和推薦服務的智慧化水平。從圖書館獲取用戶數據根據畫像模型生成用戶特征標簽，而標簽是否準確且符合實際，需用2.4公式量化評估，然后審查數據源的真實有效性和模型設計合理性。只有當畫像模型能夠客觀描述用戶精準特征時，才能有效挖掘用戶檢索意圖和閱讀偏好，為MVS和檢索推薦提供基礎。當然檢索結果是否符合用戶期望，亦需通過用戶調研和系統反饋衡量。基于用戶畫像的智慧圖書館個性化MVS流程（見圖4）。

3.4??? 智慧服務層

在智慧服務層包括個性化MVS服務、個性化推薦服務、一站式服務、情景服務和社交服務等。個性化MVS服務包含精準視覺特征匹配、個性化視覺搜索、MAR（移動增強現實）和MVR（移動虛擬現實）等[23]。視覺特征匹配實現視覺檢索對象（局部或全局）特征與文本、圖像及其他類型視覺資源特征的關聯匹配;個性化搜索是結合用戶畫像，通過基于用戶標簽的推薦算法將符合用戶檢索意圖與需求偏好的信息排在最前面，提高知識檢索的個性化水平，增強用戶體驗。MAR、MVR是在移動智能終端設備依托增強現實AR和虛擬現實VR技術實現視覺資源的動態可視化展示。在其他服務中包含文本、語音檢索等其他智能檢索服務。智慧圖書館個性化推薦服務分為實時推薦、新知識推薦和關聯推薦。實時推薦是根據當前讀者提供的視覺檢索內容和閱讀瀏覽記錄進行即時分析，結合用戶畫像，向讀者提供個性化知識推送。新知識推薦是指根據用戶的檢索閱讀記錄，推薦用戶可能感興趣的不同類型的熱門知識。關聯推薦是根據用戶檢索閱讀的內容，通過關聯分析判斷符合用戶需求偏好的關聯知識，從而提供推薦。一站式服務是將智慧圖書館的基本服務通過邏輯清晰和簡潔的方式進行流程化，指導查詢、賬戶管理、充值等基本操作，系統交互更加人性化，方便讀者獲取相關的知識和服務。情景服務是智慧圖書館通過物聯網和智能終端設備獲取讀者情景信息，并在讀者進行視覺對象檢索時，利用場景館或智能終端設備將目標情景再現，提升讀者對檢索知識的感知與理解。智慧圖書館提供社交服務，人人都能參與知識的創造、應用與傳播，形成高度共享的知識交流平臺，亦為構建用戶畫像積累充分的用戶原始數據。

4??? 基于用戶畫像的智慧圖書館個性化MVS關鍵問題

4.1??? 用戶隱私安全

用戶信息隱私保護是圖書館以用戶為中心提供智慧服務必須要面臨的關鍵問題。智慧圖書館為用戶提供高度開放、共享的知識服務環境，對用戶信息隱私的保護是極其重要。而且，圖書館為用戶提供智慧化、個性化的MVS和推薦服務，采集大量的用戶數據，其中大部分涉及用戶信息隱私。因此，智慧圖書館更要做到對用戶信息隱私的保護，這不僅是對圖書館聲譽的保障，更是對用戶負責的表現。為保障用戶信息隱私安全，可采取如下措施：（1）采集必要的用戶數據，減少無關數據的采集;（2）對涉及用戶隱私的信息，在不影響研究的情況下進行脫敏處理;（3）對用戶隱私信息進行數字加密處理，保障數據在傳輸和存儲中的安全性;（4）設置嚴格的用戶數據訪問權限，只有獲得訪問權限的對象，才能訪問用戶信息內容;（5）對用戶數據的操作采用授權機制，只有取得管理授權才能進行相關數據的指定操作。同時，避免集中存儲，采用分布式存儲保障用戶信息數據和館藏資源的存儲安全。

4.2??? 用戶畫像動態變化

用戶的行為習慣和特征偏好并不是固定不變的，而是隨著時間動態變化。智慧圖書館提供個性化MVS及推薦服務，都是建立在構建精準全面的用戶畫像并挖掘用戶需求偏好的基礎上。但是，用戶的行為習慣和偏好都會隨著時間發生變化，使得原有的用戶畫像模型的適用性和準確性受到影響。因此，如何把握用戶畫像的變化以精準構建反映用戶實際特征的畫像模型，是智慧圖書館個性化MVS及推薦服務存在的關鍵問題。如果系統進行用戶數據的實時采集和模型優化，顯然浪費資源，影響系統服務效率。根據已有研究，Kim等[25]采用增量學習追蹤用戶行為偏好的轉變;吳翔宇[22]提出使用一次指數平滑模型，以時間序列為標尺劃分用戶興趣，進而預測用戶興趣的變化。同時，可對影響用戶偏好的屬性特征進行權重劃分，提取影響用戶偏好的主要因素，以把握用戶興趣演變的主趨勢。只需篩選合理時段獲取權重高的用戶屬性，即可跟蹤用戶興趣的變化，進而提高用戶畫像的精準度。

4.3??? 服務性能優化

泛信息時代，圖書館視覺資源數量異常龐大，提供視覺資源的分析處理已經占用部分系統性能和運行空間，再對視覺對象特征匹配的大規模資源進行推薦排序運算，嚴重影響系統響應效率。圖書館需要選擇高效的視覺資源特征提取和匹配模型，以及快捷的推薦算法，并根據用戶偏好提高查準率或查全率。以用戶為主導的新時代，用戶對獲取知識服務過程更注重體驗。智慧圖書館MVS及推薦服務，必須以用戶為中心，確保檢索結果符合用戶真實期望，知識表示方式適應用戶閱讀習慣。移動網絡環境下，影響用戶體驗的因素，主要是智能移動設備的性能尚不足以提供高效的大數據運算。因此，智慧圖書館可搭建基于Hadoop的云計算平臺，一方面，為海量館藏資源提供分布式安全存儲，促進資源協同共享;另一方面，將復雜的模型算法和大數據處理通過云傳輸到云服務器進行并行計算，再將結果安全傳輸給用戶，從而提高系統響應效率，創造極致服務體驗。同時，智慧圖書館利用云計算平臺提供無線泛在的個性化MVS和推薦服務，保障用戶可以在任何時間和地點及時、便捷、高效地獲取相關服務。

5?? 結語

將用戶畫像嵌入智慧圖書館MVS和推薦服務，能夠以讀者為中心，提供多元化的知識檢索方式，實現對讀者檢索對象的精準匹配和個性化推薦，降低并緩解信息過載及語義鴻溝問題。通過對讀者進行畫像建模，實現對讀者檢索意圖和知識偏好的精準推斷，并利用系統交互數據，動態調整檢索推薦模型，提高檢索服務質量。建立用戶畫像并不是一成不變的，因為用戶的行為習慣及偏好會隨著時間而演變，如何更好的協調用戶畫像模型適應這種變化，需要深入研究。MVS作為便捷的搜索方式，實現對視覺對象關聯知識的快速匹配，依托用戶畫像挖掘讀者的檢索意圖及知識偏好，對檢索結果進行可視化，有效提高智慧圖書館MVS的個性化水平。下一步將以本文提出的模型為基礎，搭建原型系統進行實證研究，并構建評價指標體系對用戶檢索滿意度調查分析，旨在推動智慧圖書館高質量發展。

參考文獻：

[1]? Yusefi Hafshejani Z，Kaedi M，Fatemi A.Improving sparsity and new user problems in collaborative filtering by clustering the personality factors[J].Electronic Commerce Research，2018（18）：813-836.

[2]? Elkahky A，Song Y，He X.A multi-view deep learning approach for cross domain user modeling in recommendation systems[J].In International World Wide Web Conference Committee（IW3C2），Florence，Italy，2015：18-22.

[3]? 王世偉.未來圖書館的新模式——智慧圖書館[J].圖書館建設，2011（12）：1-5.

[4]? 張興旺，李晨暉.數字圖書館移動視覺搜索機制建設的若干關鍵問題[J].圖書情報工作，2015，59（15）：42-48.

[5]? 張興旺，鄭聰.領域導向的數字圖書館移動視覺搜索引擎建設研究[J].圖書與情報，2016（5）：40-47.

[6]? 曾子明，秦思琪.智慧圖書館移動視覺搜索服務及其技術框架研究[J].情報資料工作，2017（4）：61-67.

[7]? 韓璽，何秀美，張珗.基于語義關聯的圖書館移動視覺搜索資源與服務聚合研究[J].現代情報，2017，37（10）：3-7.

[8]? 韓璽，何秀美，張珗.基于情景感知的圖書館移動視覺搜索服務設計研究[J].圖書館學研究，2017（16）：63-68.

[9]? 張亭亭，趙宇翔，朱慶華.數字圖書館移動視覺搜索的眾包模式初探[J].情報資料工作，2016（4）：11-18.

[10]? COOPER A.About Face 3.0： the essentials of interaction design[M].New York： John Wiley & Sons Inc，2007.

[11]? 陳添源.高校移動圖書館用戶畫像構建實證[J].圖書情報工作，2018，62（7）：38-46.

[12]? Travis D.E-Commerce Usability：Tools and Techniques to Perfect the On-Line Experience[M].CRC Press，2002.

[13]? 余孟杰.產品研發中用戶畫像的數據建模——從具體到抽象[J].設計藝術研究，2014，4（6）：62-64.

[14]? 劉海鷗，孫晶晶，蘇妍嫄，等.國內外用戶畫像研究綜述[J/OL].[2019-12-20].http：//kns.cnki.net/kcms/detail/11.1762.G3.20180816.1744.005.html.

[15]? 劉海鷗，黃文娜，謝姝琳.面向情境化推薦服務的圖書館用戶畫像研究[J].圖書館學研究，2018（20）：62-68.

[16]? 劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫像的旅游情境化推薦服務研究[J].情報理論與實踐，2018，41（10）：87-92.

[17]? 何娟.基于用戶個人及群體畫像相結合的圖書個性化推薦應用研究[J/OL].[2019-12-20].http：//kns.cnki.net/kcms/detail/11.1762.G3.20180816.1745.009.html.

[18]? 程全.基于用戶畫像的數字圖書館信息服務模式研究[J].圖書館學刊，2018，40（4）：68-71.

[19]? 牛溫佳，劉吉強，石川.用戶網絡行為畫像——大數據中的用戶網絡行為畫像分析與內容推薦應用[M].北京：電子工業出版社，2016：30-32.

[20]? 單曉紅，張曉月，劉曉燕.基于在線評論的用戶畫像研究——以攜程酒店為例[J].情報理論與實踐，2018，41（4）：99-104.

[21]? HAN J，KAMBER M.Data mining concepts and techniques[M].Orlando，USA： Morgan Kaufmann Publishers，2001.

[22]? 吳翔宇.基于用戶畫像的推薦技術研究[D].青島：青島科技大學，2018.

[23]? 曾子明，宋揚揚.基于SoLoMo的智慧圖書館移動視覺搜索服務研究[J].圖書館，2017（7）：92-98.

[24]? 李冠楠.基于主題圖的數字圖書館信息資源整合研究[D].武漢：華中師范大學，2011.

[25]? Kim H N，Ha I，See S H，et al.Modeling and Learning User Profiles for Personalized Content Service[C].Asian Digital Libraries.Looking Back 10 Years and Forging New Frontiers，International Conference on As Asian Digital Libraries，Icadl 2007，Hanoi，Vietnam，December 10-13，2007，Proceedings.DBLP，2007：85-94.

作者簡介：曾子明（1977-），男，武漢大學信息資源研究中心、武漢大學信息管理學院教授，博士生導師，研究方向：大數據資源智能化管理及應用;孫守強（1995-），男，武漢大學信息管理學院碩士研究生，研究方向：智慧圖書館。

本文系國家自然科學基金項目“云環境下智慧圖書館移動視覺搜索模型與實現研究”（項目編號：71673203）研究成果之一。

收稿日期：2019-12-18;責任編輯：胡剛;通訊作者：孫守強（sun_shouqiang@163.com）