田 偉 韓海濤 陳 靜

（天津工業(yè)大學(xué)檔案館，天津，300387）

1 為什么需要對(duì)檔案用戶數(shù)據(jù)進(jìn)行分析？

大數(shù)據(jù)技術(shù)之所以迅速得到各行業(yè)的青睞和熱捧，就是因其能夠利用“用戶行為大數(shù)據(jù)分析”的技術(shù)手段，為互聯(lián)網(wǎng)“數(shù)據(jù)廢氣”變廢為寶提供機(jī)遇與途徑［1］。而對(duì)于檔案館未來(lái)的發(fā)展而言，具備和提升對(duì)用戶數(shù)據(jù)分析能力是大數(shù)據(jù)時(shí)代的要求，是建設(shè)智慧檔案館的一項(xiàng)重要內(nèi)容。具體來(lái)說(shuō)，大數(shù)據(jù)時(shí)代的檔案館，必須要能夠有效地收集用戶數(shù)據(jù)，并從中提取出寶貴的使用價(jià)值，感知檔案用戶的現(xiàn)實(shí)需求特點(diǎn)，預(yù)測(cè)檔案用戶下一步的行動(dòng)與需求。只有實(shí)現(xiàn)了這一系列的功能，才能真正使檔案館在用戶視角中成為一個(gè)智慧化的實(shí)體。

因此，從分析用戶數(shù)據(jù)來(lái)提升檔案服務(wù)的目的出發(fā)，當(dāng)前檔案館應(yīng)立足于自身實(shí)踐需求和實(shí)際數(shù)據(jù)建設(shè)能力，提出對(duì)檔案用戶數(shù)據(jù)分析引擎架構(gòu)及其配套的技術(shù)實(shí)現(xiàn)方案。通過(guò)建立檔案館對(duì)用戶數(shù)據(jù)的分析機(jī)制，指導(dǎo)和促進(jìn)自身服務(wù)的提升，應(yīng)對(duì)大數(shù)據(jù)時(shí)代的要求。

2 檔案館需要建立怎樣的用戶數(shù)據(jù)分析引擎？

本文所稱(chēng)的檔案用戶數(shù)據(jù)，是指檔案用戶在利用檔案過(guò)程中所形成的反映檔案利用行為、利用主體以及客體特征的數(shù)據(jù)，主要包括對(duì)檔案利用行為的數(shù)據(jù)、檔案用戶自身屬性的數(shù)據(jù)、所利用檔案具有屬性的數(shù)據(jù)等。這就是我們要變廢為寶的“數(shù)據(jù)廢氣”。要實(shí)現(xiàn)通過(guò)關(guān)注檔案用戶數(shù)據(jù)促進(jìn)檔案服務(wù)的提升，就要建立對(duì)于檔案用戶數(shù)據(jù)進(jìn)行分析判斷、知識(shí)抽取以及據(jù)此采取相應(yīng)行動(dòng)的機(jī)制，這就是檔案用戶數(shù)據(jù)分析引擎。

該分析引擎應(yīng)具備用戶數(shù)據(jù)收集、提取知識(shí)、保護(hù)隱私與安全、檔案館策略提示幾項(xiàng)主要的功能。其中檔案用戶數(shù)據(jù)收集模塊應(yīng)負(fù)責(zé)對(duì)檔案用戶特征、檔案利用行為、用戶對(duì)檔案評(píng)價(jià)等數(shù)據(jù)的收集，然后通過(guò)數(shù)據(jù)整理清洗規(guī)整收集到的數(shù)據(jù)、消除數(shù)據(jù)噪聲等。并應(yīng)具有隱私保護(hù)和密級(jí)保護(hù)規(guī)則模塊，負(fù)責(zé)防止數(shù)據(jù)調(diào)用時(shí)違反隱私和保密規(guī)則。

知識(shí)提取模塊，應(yīng)根據(jù)收集存儲(chǔ)的用戶利用數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘工具提取出有用知識(shí)。主要可以包括以下的幾個(gè)功能單元：1.分類(lèi)模型。對(duì)檔案用戶和所利用檔案數(shù)據(jù)資源進(jìn)行分類(lèi)和聚類(lèi)，按照用戶以及利用檔案資源之間的相似度判定其各自的所屬類(lèi)別，對(duì)用戶評(píng)價(jià)的原因進(jìn)行分類(lèi)；2.推薦引擎。主要根據(jù)檔案用戶的利用行為、身份屬性或檔案資源所獲得的評(píng)價(jià)，為用戶推薦檔案數(shù)據(jù)資源，提供檔案數(shù)據(jù)個(gè)性化推薦的系統(tǒng)服務(wù)；3.評(píng)價(jià)分析。對(duì)檔案數(shù)據(jù)資源所獲得的評(píng)價(jià)進(jìn)行整理和統(tǒng)計(jì)分析，得出用戶對(duì)所利用的檔案資源、服務(wù)情況等方面的信息；4.關(guān)聯(lián)分析。對(duì)檔案用戶數(shù)據(jù)中所體現(xiàn)的規(guī)律和聯(lián)系進(jìn)行分析，如用戶利用目的與利用檔案類(lèi)型的關(guān)系，檔案數(shù)據(jù)信息之間在利用中的聯(lián)系，檔案利用行為與特定時(shí)間之間的關(guān)系等等。5.異常檢測(cè)。識(shí)別檔案用戶數(shù)據(jù)中不常見(jiàn)的、反常的實(shí)例，包括異常的評(píng)價(jià)、利用行為、用戶屬性信息等，判定這是新的檔案利用趨勢(shì)，還是需要特殊服務(wù)的用戶，或是對(duì)檔案利用數(shù)據(jù)的惡意干擾等。

策略提示模塊，是根據(jù)分析引擎根據(jù)所表示的知識(shí)規(guī)則，提示檔案館應(yīng)采取策略的功能層次。主要可包括：1.服務(wù)提升。檔案資源個(gè)性化推薦、檔案數(shù)據(jù)智能檢索、檔案用戶間交流群建設(shè)及相應(yīng)好友推薦等內(nèi)容；2.資源建設(shè)。根據(jù)分析引擎提供的知識(shí)來(lái)改進(jìn)檔案數(shù)據(jù)資源的收集與構(gòu)成，如進(jìn)行以下工作：檔案資源評(píng)價(jià)分類(lèi)、用戶差評(píng)分析、檔案數(shù)據(jù)資源利用關(guān)聯(lián)分析、用戶未能檢索到的檔案資源分析等；3.支持決策。應(yīng)用分析引擎提取的知識(shí)支持檔案館的管理決策，實(shí)現(xiàn)循數(shù)管理［2］的思想。如通過(guò)對(duì)檔案用戶進(jìn)行分類(lèi)與聚類(lèi)、實(shí)現(xiàn)小眾化服務(wù)；通過(guò)對(duì)檔案用戶數(shù)據(jù)中異常實(shí)例的感知和分析，確定檔案館應(yīng)采取的相應(yīng)措施；通過(guò)檔案項(xiàng)目所獲評(píng)價(jià)的趨勢(shì)分析，實(shí)施檔案開(kāi)放以及利用工作的前瞻性安排等。

3 檔案館如何實(shí)現(xiàn)和部署檔案用戶數(shù)據(jù)分析引擎？

以上我們所提出的分析引擎，從概念模型的角度闡釋了引擎總體架構(gòu)和所包含的功能。要實(shí)現(xiàn)和實(shí)際部署這樣的引擎，從總體上講檔案館需要從兩個(gè)方面開(kāi)展工作：技術(shù)進(jìn)步和制度建設(shè)。具體來(lái)講，當(dāng)前檔案館可分別開(kāi)展以下幾個(gè)方面的工作：

3.1 完善當(dāng)前檔案信息系統(tǒng)用戶數(shù)據(jù)采集功能

目前在開(kāi)展了檔案信息化的檔案部門(mén)，一般均采用了基于數(shù)據(jù)庫(kù)系統(tǒng)加管理軟件的檔案信息系統(tǒng)，多數(shù)檔案部門(mén)所用到這類(lèi)系統(tǒng)的主要功能是存儲(chǔ)和檢索檔案數(shù)據(jù)文件，而較少關(guān)注和利用這些信息系統(tǒng)所具有的用戶數(shù)據(jù)采集功能。而且，在一些型號(hào)的檔案信息系統(tǒng)中，對(duì)檔案用戶數(shù)據(jù)的采集功能支持度也很不完善。所以，檔案部門(mén)應(yīng)當(dāng)從現(xiàn)在起，除了重視檔案數(shù)據(jù)本身，還要重視對(duì)檔案用戶數(shù)據(jù)的采集與存儲(chǔ)工作。要充分將自身已有的檔案信息系統(tǒng)用戶數(shù)據(jù)采集功能利用起來(lái)，或是依托相關(guān)技術(shù)力量來(lái)開(kāi)發(fā)與完善此部分?jǐn)?shù)據(jù)的采集功能，為部署分析引擎提供必要的數(shù)據(jù)基礎(chǔ)。

3.2 根據(jù)自身情況選擇適當(dāng)?shù)挠脩魯?shù)據(jù)分析引擎開(kāi)發(fā)方案

從目前的實(shí)際情況來(lái)看，各級(jí)各類(lèi)檔案館在IT 技術(shù)方面的能力水平相差較大。而構(gòu)建檔案用戶數(shù)據(jù)分析引擎實(shí)質(zhì)上是一項(xiàng)信息系統(tǒng)開(kāi)發(fā)工作，所以檔案館要充分考慮到自身的現(xiàn)實(shí)數(shù)據(jù)分析需求、技術(shù)力量和館藏資源特點(diǎn)，選擇恰當(dāng)?shù)男畔⑾到y(tǒng)開(kāi)發(fā)方式，實(shí)現(xiàn)分析引擎的建設(shè)。這主要包括兩個(gè)方面：一是建設(shè)方式是由檔案館自主完成還是外包建設(shè)工作；二是選擇適用于檔案館自身的分析引擎實(shí)現(xiàn)技術(shù)。

實(shí)際上，在整個(gè)檔案用戶數(shù)據(jù)分析引擎建設(shè)的過(guò)程中，檔案館方面要始終居于主導(dǎo)地位。即使是外包建設(shè)工作方式，檔案館也要在系統(tǒng)需求、技術(shù)選擇、使用界面等方面提出適合自身特點(diǎn)的方案，并與信息系統(tǒng)建設(shè)方密切溝通，確保其正確實(shí)施。而在實(shí)現(xiàn)技術(shù)選擇方面，所選擇的具體數(shù)據(jù)分析技術(shù)應(yīng)當(dāng)是對(duì)于分析引擎建設(shè)工程易于實(shí)現(xiàn)、功能較強(qiáng)、易于理解與應(yīng)用，既符合檔案部門(mén)實(shí)際應(yīng)用需求又不超越自身的技術(shù)力量。這樣，使分析引擎既發(fā)揮積極作用，又不使檔案部門(mén)陷入“技術(shù)泥潭”。

3.3 結(jié)合自身情況實(shí)現(xiàn)分析引擎的具體功能

檔案用戶數(shù)據(jù)分析引擎所具有的實(shí)際功能可以包含很多種，每種功能面對(duì)檔案部門(mén)的實(shí)際環(huán)境也會(huì)具有不同的表現(xiàn)形式。因此，檔案部門(mén)可根據(jù)自身所面對(duì)的用戶群體與檔案資源狀況，應(yīng)用自身所選擇的引擎實(shí)現(xiàn)技術(shù)，實(shí)現(xiàn)符合自身服務(wù)需要的分析引擎功能。例如可以根據(jù)自身所面對(duì)用戶的身份特征信息，開(kāi)展對(duì)檔案數(shù)據(jù)資源的個(gè)性化推薦；建立對(duì)檔案用戶屬性的多維分析資源庫(kù)；開(kāi)發(fā)對(duì)檔案數(shù)據(jù)資源的輔助檢索系統(tǒng)，應(yīng)對(duì)用戶檢索多樣化的應(yīng)用環(huán)境；為了防止檔案資源流失，通過(guò)異常檢測(cè)分析潛在的不守信用用戶并進(jìn)行預(yù)警；通過(guò)趨勢(shì)變動(dòng)及預(yù)估來(lái)感知用戶對(duì)檔案需求或反饋意見(jiàn)的變化趨勢(shì)等。從總體講，這些具體功能的根本目的，就是為了將用戶數(shù)據(jù)驅(qū)動(dòng)服務(wù)提升與管理進(jìn)步的宗旨落到實(shí)處。

3.4 建立與完善用戶數(shù)據(jù)分析引擎的配套制度

對(duì)于檔案部門(mén)來(lái)說(shuō)，信息技術(shù)要與配套制度相結(jié)合，才能實(shí)現(xiàn)檔案服務(wù)與管理的真正進(jìn)步。用戶數(shù)據(jù)分析引擎在檔案館部署運(yùn)行的過(guò)程中，檔案部門(mén)要制定有效的管理制度和使用規(guī)范，確保其發(fā)揮良好的作用。例如，應(yīng)研究建立用戶數(shù)據(jù)收集實(shí)施辦法、用戶數(shù)據(jù)安全性責(zé)任規(guī)范、用戶數(shù)據(jù)使用及安全責(zé)任追究實(shí)施辦法、檔案數(shù)據(jù)個(gè)性化推薦服務(wù)規(guī)則等。通過(guò)這一系列的工作制度和紀(jì)律規(guī)范，明確用戶數(shù)據(jù)分析引擎運(yùn)行過(guò)程中檔案工作人員的任務(wù)職責(zé)，以制度的形式確保分析引擎的良好運(yùn)行，確保分析引擎對(duì)檔案部門(mén)進(jìn)步的促進(jìn)作用。

4 檔案用戶數(shù)據(jù)分析引擎的實(shí)例是怎樣的？

以下我們根據(jù)自身的項(xiàng)目研究，以實(shí)例的形式為大家展現(xiàn)檔案用戶數(shù)據(jù)分析引擎具體的建設(shè)：

4.1 分析引擎實(shí)現(xiàn)技術(shù)的選擇

關(guān)聯(lián)規(guī)則（Association Rule）、協(xié)同過(guò)濾（Collaborative Filter）、項(xiàng)目的向量建模是與我們所提出的分析引擎相關(guān)的幾項(xiàng)技術(shù)。其中協(xié)同過(guò)濾的基本原理是基于最近鄰居的評(píng)分?jǐn)?shù)據(jù)對(duì)目標(biāo)用戶產(chǎn)生推薦。該技術(shù)的核心是用戶—評(píng)分矩陣，用來(lái)表示用戶對(duì)每個(gè)項(xiàng)目的評(píng)價(jià)?；镜耐扑]步驟是用戶評(píng)價(jià)、最近鄰查找、推薦結(jié)果生成。

項(xiàng)目的向量建模技術(shù)主要思想是，將目標(biāo)項(xiàng)目提取為特征向量，用于匹配計(jì)算等場(chǎng)景。這項(xiàng)技術(shù)的個(gè)性化程度較高，但其難點(diǎn)在于對(duì)推薦項(xiàng)目（如文檔）特征的提取，如文獻(xiàn)［3］介紹了對(duì)于文本的特征提取公式等，而對(duì)于那些難以提取特征、準(zhǔn)確表達(dá)成向量形式的推薦項(xiàng)目（如音像檔案等）則較難應(yīng)用。

考慮到檔案館現(xiàn)實(shí)的數(shù)據(jù)分析需求、技術(shù)力量和館藏資源特點(diǎn)，在此主要選擇協(xié)同過(guò)濾技術(shù)作為分析引擎的實(shí)現(xiàn)技術(shù)，并輔以向量建模技術(shù)以提高分析效果。正如選擇軟件的一種原則一樣：功能強(qiáng)大的傻瓜軟件才是最好的。協(xié)同過(guò)濾技術(shù)對(duì)于我們分析引擎的需要而言，其功能即強(qiáng)大又很“傻瓜”。

4.2 分析引擎若干典型功能的實(shí)現(xiàn)

4.2.1 檔案資源個(gè)性化推薦

與電影、商品、新聞等領(lǐng)域的推薦系統(tǒng)不同，當(dāng)前檔案數(shù)據(jù)推薦的特點(diǎn)是推薦結(jié)果主要基于用戶因辦理某事務(wù)而對(duì)檔案的剛性需求，且需求往往是先映射到類(lèi)再尋求具體數(shù)據(jù)文件。即用戶的檔案需求在類(lèi)別上有共性、在具體文件上有個(gè)性。為此我們提出如下的推薦方案：

①首先對(duì)檔案用戶建模，采用向量形式描述用戶屬性，并確定待推薦檔案文件的類(lèi)別粒度；②再根據(jù)檔案業(yè)務(wù)利用數(shù)據(jù)，建立“用戶屬性-檔案文件類(lèi)別”二值觀測(cè)值矩陣，矩陣以0、1 數(shù)值的形式記錄具有某屬性的用戶利用過(guò)某類(lèi)檔案文件的情況；③當(dāng)目標(biāo)用戶檔案利用中輸入自身的屬性信息，推薦引擎即根據(jù)屬性信息在用戶模型空間中查找最相似用戶，然后檢索這些最相似用戶在用戶屬性-檔案文件類(lèi)別矩陣中利用過(guò)什么類(lèi)別的檔案文件；④將檢索到的文件類(lèi)別（并集）與目標(biāo)用戶自身屬性相結(jié)合，在檔案數(shù)據(jù)庫(kù)中檢索到具體的檔案數(shù)據(jù)文件推薦給用戶。

4.2.2 檔案資源智能檢索

在實(shí)踐中，用戶往往需要在檔案信息系統(tǒng)中費(fèi)力嘗試多種檢索詞，以確定檔案文件的存在性。一個(gè)用戶若以關(guān)鍵詞檢索方式未找到某檔案文件，他可想到的辦法就是換其他關(guān)鍵詞另行檢索。而其他同樣需要這個(gè)文件的用戶，在其各自的檢索過(guò)程中也會(huì)遇到這樣的問(wèn)題并采用此種策略，有些用戶在一遍遍嘗試后就會(huì)檢索到所需文件。所以我們可以將這些找到文件的用戶所嘗試過(guò)的檢索關(guān)鍵詞和他們所命中的文件都記錄下來(lái)，以后遇到使用這些關(guān)鍵詞檢索但又暫未找到該文件的用戶，就將其映射過(guò)來(lái)，將該文件作為推薦結(jié)果呈獻(xiàn)給該用戶。

我們提出檢索策略如下：①根據(jù)用戶以往的檢索記錄與其所命中文件結(jié)果，建立“用戶命中文件-檢索關(guān)鍵詞”二值觀測(cè)值矩陣，該矩陣每行代表用戶命中的一個(gè)檔案文件，矩陣的列是用戶為命中該文件所嘗試過(guò)的檢索關(guān)鍵詞（1 表示該文件用到過(guò)該檢索詞），這里每個(gè)檢索關(guān)鍵詞可以是單詞也可以是詞組或短句；②用戶在檔案系統(tǒng)中輸入關(guān)鍵字檢索文件，若未找到滿意結(jié)果則啟動(dòng)推薦引擎，根據(jù)用戶所輸入的關(guān)鍵詞檢索矩陣列，若發(fā)現(xiàn)矩陣中存在此檢索關(guān)鍵詞，則將此詞所對(duì)應(yīng)的文件作為推薦結(jié)果呈獻(xiàn)給用戶，若矩陣無(wú)此關(guān)鍵詞則用戶再輸入新嘗試關(guān)鍵詞；③若用戶認(rèn)定推薦結(jié)果中某個(gè)或某些文件是檢索目標(biāo)，則向系統(tǒng)表示已命中結(jié)果、結(jié)束推薦，系統(tǒng)據(jù)此向矩陣添加、調(diào)整新的規(guī)則，即將嘗試過(guò)程所用到的新檢索詞添加到矩陣列并將其在命中文件處設(shè)為1，同時(shí)在該文件行中將命中此文件檢索過(guò)程中用到的所有矩陣已有檢索詞處設(shè)為1；④若用戶在檔案系統(tǒng)中經(jīng)過(guò)一系列檢索嘗試，命中的是一個(gè)推薦系統(tǒng)矩陣中沒(méi)有的新文件，則將此文件及其嘗試關(guān)鍵詞作為新規(guī)則添加到矩陣中。

4.2.3 檔案差評(píng)分析

如果用戶做出了好評(píng)，則表示其對(duì)檔案資源、檔案服務(wù)等方面均滿意，而如果在利用后檔案用戶對(duì)某檔案文件做出的是差評(píng)（用戶-項(xiàng)目矩陣中的低值評(píng)分），原因則可能是多方面的，包括檢索到的檔案資源不是自身所需、檔案記錄不完整、本次服務(wù)質(zhì)量不佳等等。差評(píng)分析就是要呈現(xiàn)導(dǎo)致差評(píng)可能的原因。這在實(shí)質(zhì)上是一個(gè)分類(lèi)模型（classification model）問(wèn)題，即通過(guò)分析評(píng)分矩陣中出現(xiàn)差評(píng)的實(shí)例，根據(jù)其用戶屬性、項(xiàng)目特征以及作出差評(píng)的時(shí)間場(chǎng)景等，將差評(píng)原因歸結(jié)到正確的類(lèi)別中。

建立分類(lèi)模型需要訓(xùn)練集（training set）與檢驗(yàn)集（test set）。對(duì)此可以通過(guò)檔案館人員人工分析得出差評(píng)原因（如用戶回訪等方式），建立差評(píng)原因統(tǒng)計(jì)數(shù)據(jù)集，以其中的一部分?jǐn)?shù)據(jù)建立反映輸入與差評(píng)類(lèi)關(guān)系的決策樹(shù)，另一部分進(jìn)行模型的驗(yàn)證和完善。這個(gè)過(guò)程在實(shí)踐中可以定期進(jìn)行，以完善和優(yōu)化分類(lèi)模型。在分類(lèi)模型建立后，一方面可實(shí)現(xiàn)對(duì)用戶差評(píng)原因的自動(dòng)映射，提供了統(tǒng)計(jì)分析的智能工具；另一方面，更為重要的是，這個(gè)分類(lèi)模型實(shí)際上是對(duì)于檔案館工作的“警示模型”，其描述了在哪些情況下檔案用戶會(huì)對(duì)檔案資源或服務(wù)做出差評(píng)，因此列明了檔案館在資源建設(shè)等工作中應(yīng)避免的情況，這為檔案館提升服務(wù)、改進(jìn)資源等提供了決策依據(jù)。

圖1 檔案用戶差評(píng)原因分類(lèi)模型

4.2.4 檔案利用關(guān)聯(lián)分析

檔案利用關(guān)聯(lián)分析的目的是要揭示用戶屬性（如身份信息、利用目的等）與所利用檔案類(lèi)別之間的關(guān)系。這種分析得出的結(jié)果主要有兩個(gè)方面的重要用途：一是為檔案館識(shí)別用戶、安排與優(yōu)化檔案資源提供依據(jù)；二是為實(shí)現(xiàn)檔案數(shù)據(jù)資源的個(gè)性化提供建模支持。

基于4.2.1節(jié)的內(nèi)容，建立利用分析模型。重點(diǎn)是根據(jù)檔案館實(shí)際情況分別建立檔案用戶模型與檔案資源類(lèi)別模型。其中用戶模型的建模目的是將檔案用戶映射為不同的特征向量。例如在檔案資源個(gè)性化推薦中，使得目標(biāo)用戶能通過(guò)模型映射找到與其特征相同的唯一近鄰用戶；而對(duì)于檔案項(xiàng)目的建模，目標(biāo)是使資源模型可以準(zhǔn)確刻畫(huà)檔案數(shù)據(jù)文件從屬于何種類(lèi)別，該類(lèi)別的劃分有助于揭示此類(lèi)文件的共性，且有助于其與用戶屬性結(jié)合后準(zhǔn)確地直接檢索到用戶所需的具體文件。

4.2.5 未命中檢索詞分析

用戶對(duì)檔案數(shù)據(jù)檢索所使用的關(guān)鍵詞，體現(xiàn)用戶對(duì)檔案資源的實(shí)際需求和自身表達(dá)特點(diǎn)。在4.2.2節(jié)中所提出的智能檢索模型，主要著眼于用戶找到所需文件場(chǎng)景的分析。若是用戶經(jīng)過(guò)一系列嘗試后未命中所需的文件，檔案館應(yīng)對(duì)這些嘗試檢索關(guān)鍵詞進(jìn)行分析，找出檢索未命中的原因。該原因一般可歸結(jié)為三類(lèi)：資源不存在、檢索詞筆誤、資源命名不匹配。在確定原因后，分別采取如下的處理措施：對(duì)于資源不存在，應(yīng)在對(duì)檢索詞統(tǒng)計(jì)匯總后，研究加強(qiáng)所需要的檔案資源建設(shè)，調(diào)整檔案收集的項(xiàng)目，以使檔案資源的擴(kuò)充向用戶需求方向發(fā)展；對(duì)于檢索詞筆誤，可將用戶輸入有誤的檢索詞作為規(guī)則加入4.2.2 節(jié)的協(xié)同過(guò)濾矩陣中（加入其應(yīng)該命中的文件行），今后當(dāng)用戶再有輸入此種錯(cuò)誤檢索詞時(shí)，推薦系統(tǒng)可將正確的文件作為推薦結(jié)果返回給用戶，增強(qiáng)檔案檢索系統(tǒng)的容錯(cuò)性；對(duì)于資源命名不匹配，換句話說(shuō)也就是用戶嘗試的檢索關(guān)鍵詞不充足或此前未出現(xiàn)過(guò)，導(dǎo)致了檢索的“半途而廢”，所以應(yīng)將這些未命中檢索詞作為規(guī)則，加入4.2.2節(jié)的協(xié)同過(guò)濾矩陣中應(yīng)命中文件行中，擴(kuò)充文件的可命中檢索關(guān)鍵詞。

相關(guān)研究表明［5］，未能查找到所需的檔案資源是檔案用戶不滿意的最主要原因。因此，檔案館應(yīng)重點(diǎn)關(guān)注這些未命中檢索詞所透露出來(lái)的用戶需求，研究完善自身館藏資源和制度建設(shè)，針對(duì)性地解決諸如館藏資源結(jié)構(gòu)缺陷、開(kāi)放鑒定工作滯后等方面的問(wèn)題。

4.2.6 檔案用戶聚類(lèi)

識(shí)別檔案用戶類(lèi)別是檔案館實(shí)現(xiàn)“小眾化”服務(wù)的重要前提。因此，根據(jù)某種標(biāo)準(zhǔn)將檔案用戶劃分為有意義的組是支持決策必要的環(huán)節(jié)，這就是檔案用戶聚類(lèi)分析。與只根據(jù)用戶自身屬性（如年齡、性別等）進(jìn)行建模劃分不同，此處對(duì)檔案用戶的聚類(lèi)分析著重強(qiáng)調(diào)將用戶對(duì)檔案的評(píng)價(jià)反饋?zhàn)鳛榫垲?lèi)依據(jù)。建立檔案用戶-項(xiàng)目協(xié)同過(guò)濾矩陣，其中項(xiàng)目的粒度可以是一個(gè)檔案文件。將矩陣中每個(gè)用戶視為一個(gè)評(píng)分向量進(jìn)行聚類(lèi)，用以總體上反映用戶對(duì)檔案館資源不同的評(píng)價(jià)狀況。

聚類(lèi)的方法主要包括基于劃分的方法、基于層次的方法、基于密度的方法等，相關(guān)研究中多將K均值（K-Means）聚類(lèi)方法［4］應(yīng)用于協(xié)同過(guò)濾技術(shù)場(chǎng)景，該聚類(lèi)方法的優(yōu)點(diǎn)在于簡(jiǎn)單有效，且比較適用于檔案館實(shí)際的技術(shù)條件和應(yīng)用環(huán)境。因此我們?cè)诖颂岢龌谟脩?項(xiàng)目矩陣，對(duì)于用戶進(jìn)行聚類(lèi)的算法：

①根據(jù)檔案館自身情況，選擇K個(gè)用戶作為初始質(zhì)心；

②repeat

③將矩陣中每個(gè)用戶指派到與其最相似的質(zhì)心（以式1 計(jì)算相似度）；

④重新計(jì)算每個(gè)簇的質(zhì)心；

⑤until 每個(gè)簇的質(zhì)心不發(fā)生變化；

計(jì)算得出的若干用戶簇，可作為檔案館提供分類(lèi)資源服務(wù)、評(píng)估當(dāng)前服務(wù)質(zhì)量的統(tǒng)計(jì)數(shù)據(jù)依據(jù)。對(duì)于初始K 的選取，可經(jīng)過(guò)對(duì)自身用戶數(shù)據(jù)的反復(fù)試驗(yàn)確定。如對(duì)用戶聚類(lèi)的質(zhì)量可以總凝聚度［6］衡量，因此可在實(shí)踐中依據(jù)該項(xiàng)指標(biāo)選擇最優(yōu)K 值及聚類(lèi)方案，對(duì)檔案館聚類(lèi)分析方案進(jìn)行調(diào)優(yōu)。

3.2.7 檔案評(píng)價(jià)異常檢測(cè)

對(duì)于檔案用戶-項(xiàng)目矩陣中用戶評(píng)分信息可能存在的異常情況，檔案館應(yīng)具備一定的檢測(cè)探知能力。所謂異常主要用戶對(duì)檔案資源的評(píng)價(jià)偏離了普遍的情況，主要包括用戶個(gè)性化程度強(qiáng)、資源項(xiàng)目爭(zhēng)議性大、數(shù)據(jù)錯(cuò)誤與噪音、對(duì)評(píng)價(jià)反饋系統(tǒng)的攻擊等。

異常檢測(cè)本質(zhì)上是一個(gè)分類(lèi)問(wèn)題，且可以根據(jù)不同的原因采用不同的檢測(cè)方法。對(duì)于出現(xiàn)用戶個(gè)性化程度強(qiáng)的情況，可基于用戶-項(xiàng)目協(xié)同過(guò)濾矩陣，計(jì)算全部用戶之間的相似度，對(duì)于共有m 個(gè)用戶的矩陣，共需計(jì)算個(gè)相似度數(shù)值，然后可找出與其他用戶相似度數(shù)值均比較低的若干用戶，分析這些用戶“與眾不同”的原因，采取相應(yīng)的行動(dòng)：或是針對(duì)性地推進(jìn)個(gè)性化服務(wù)，或是判定其為數(shù)據(jù)錯(cuò)誤噪聲，予以糾正或清除。

對(duì)于資源項(xiàng)目爭(zhēng)議性大的情況，可采用計(jì)算項(xiàng)目所獲評(píng)分的方差以及極差的方式，從而衡量評(píng)分與中心的偏差程度，找出飽受爭(zhēng)議的檔案資源項(xiàng)目（其方差或極差值較高），分析其具體原因。而對(duì)于檔案評(píng)價(jià)反饋系統(tǒng)的惡意攻擊問(wèn)題，可借鑒推薦系統(tǒng)攻擊檢測(cè)的相關(guān)研究［7］，識(shí)別出對(duì)于系統(tǒng)有攻擊意圖的用戶，及時(shí)采取措施，保障分析引擎的基礎(chǔ)數(shù)據(jù)質(zhì)量。

5 總結(jié)

“一名檔案工作者應(yīng)是首先想到未來(lái)的人”［8］。對(duì)于未來(lái)的大數(shù)據(jù)時(shí)代檔案館建設(shè)，我們現(xiàn)在應(yīng)加快研究如何使檔案館具備強(qiáng)大的數(shù)據(jù)分析能力。這主要包括兩個(gè)方面：對(duì)館藏檔案數(shù)據(jù)的分析和對(duì)檔案用戶數(shù)據(jù)的分析。本文重點(diǎn)關(guān)注的是后者，即如何通過(guò)對(duì)用戶數(shù)據(jù)的分析來(lái)驅(qū)動(dòng)檔案服務(wù)提升的問(wèn)題。為此，本文提出了檔案用戶數(shù)據(jù)分析引擎的架構(gòu)，并基于協(xié)同過(guò)濾和向量建模等技術(shù)提出了若干具體功能的實(shí)現(xiàn)策略。各檔案館在開(kāi)展用戶數(shù)據(jù)分析工作過(guò)程中，可將本文提出的策略作為設(shè)計(jì)要求和實(shí)現(xiàn)說(shuō)明，將對(duì)用戶數(shù)據(jù)的感知及分析功能融入檔案系統(tǒng)中加以實(shí)現(xiàn)，從而實(shí)現(xiàn)檔案館服務(wù)由“供給導(dǎo)向”向“需求導(dǎo)向”的現(xiàn)實(shí)轉(zhuǎn)變。

［1］張倩.高校檔案用戶行為大數(shù)據(jù)分析技術(shù)應(yīng)用研究［J］.檔案與建設(shè)，2014（08）：16－21.

［2］周楓. 資源.技術(shù).思維——大數(shù)據(jù)時(shí)代檔案館的三維詮釋?zhuān)跩］. 檔案學(xué)研究.2013（06）：61-64.

［3］林鴻飛，姚天順.基于示例的中文文本過(guò)濾模型［J］.大連理工大學(xué)學(xué)報(bào)，2000，40(03):375-378.

［4］王鑫等.網(wǎng)絡(luò)資源中基于K-Means 聚類(lèi)的個(gè)性化推薦［J］.北京郵電大學(xué)學(xué)報(bào)，2014，37（04）：120-124.

［5］劉金霞.檔案館用戶滿意度定量分析_兼論兩個(gè)體系的建設(shè)［J］.檔案學(xué)研究，2010，（01）：52-56.

［6］Pang-Ning Tan等著.數(shù)據(jù)挖掘?qū)д摚跰］，北京：人民郵電出版社，2006：312.

［7］余力等.電子商務(wù)推薦攻擊研究［J］.計(jì)算機(jī)科學(xué)，2010，34（05）：134-137.

［8］馬丁·博倫斯.一名檔案工作者應(yīng)是首先想到未來(lái)的人［N］.李文棟，節(jié)譯.中國(guó)檔案報(bào)，2010-12-16(03).