張紅偉,邢 丹,陳 玲，解素芳，王春梅

隨著大數(shù)據(jù)、云計算等新興數(shù)字技術(shù)的發(fā)展，人文研究出現(xiàn)了革命性的轉(zhuǎn)變，數(shù)據(jù)密集型研究不斷加劇?！皵?shù)字人文”的出現(xiàn)不僅為傳統(tǒng)人文研究帶來了新方法，注入了新活力，還拓展了人文研究領(lǐng)域[1]。李泉在《數(shù)字人文：開創(chuàng)人文研究的新紀元》一文中指出：“數(shù)字人文堪稱人文研究的‘開天辟地’與‘創(chuàng)世紀’，能夠開創(chuàng)人文研究的新紀元”[2]。數(shù)字人文研究在世界各地如火如荼地展開，“大數(shù)據(jù)視域下數(shù)字人文研究”入選2018年度“中國十大學術(shù)熱點”，數(shù)字人文的高熱狀態(tài)在近幾年將一直持續(xù)下去[3]。圖情界如何為數(shù)字人文學者提供個性化的服務(wù)成為當前的棘手問題，畫像技術(shù)的發(fā)展為數(shù)字人文服務(wù)提供了新思路。

1 數(shù)字人文個性化服務(wù)

當前數(shù)字人文服務(wù)主要從基礎(chǔ)設(shè)施建設(shè)、技術(shù)體系框架及科研服務(wù)內(nèi)容等宏觀層面進行，如何進行數(shù)字人文個性化服務(wù)等以微觀層面研究較少[4]。針對個性化研究，周謙豪等設(shè)計了一款數(shù)字人文工具——inBooks，該工具不僅能通過紙本圖書的圖像獲取數(shù)字人文資源，還可以構(gòu)建個性化知識網(wǎng)絡(luò)[5]；曾子明和秦思琪采用深度學習方法和哈希方法構(gòu)建了面向數(shù)字人文的移動視覺搜索模型，探討了圖像語義特征提取和檢索流程，為獲取數(shù)字人文視覺資源提供了新思路[6-7]；上海圖書館推出家譜知識服務(wù)平臺，該平臺實現(xiàn)了基于概念的精確查詢，以“時間軸”“地圖”等為用戶提供可視化家譜數(shù)據(jù)展示[8]。以上研究從不同側(cè)面探討了數(shù)字人文領(lǐng)域的個性化服務(wù)，然而這些研究遠遠無法滿足數(shù)字人文學者的個性化需求。針對數(shù)字人文特點及學者不同的研究興趣，如何提供優(yōu)質(zhì)的個性化服務(wù)仍是圖情界急需探索的難題。

2 用戶畫像技術(shù)

用戶畫像是一種刻畫用戶信息模型的技術(shù)，在挖掘用戶真實數(shù)據(jù)的基礎(chǔ)上，按照需求提煉出用戶信息，呈現(xiàn)虛擬的用戶信息全貌，以此為基礎(chǔ)為用戶提供精準個性化服務(wù)[9]。用戶畫像技術(shù)近年引起了電子商務(wù)、金融、社交網(wǎng)絡(luò)等各界的廣泛關(guān)注和研究。圖情領(lǐng)域為了提供更貼合用戶需求的個性化服務(wù)，也引入了用戶畫像。李丹等利用顯式和隱式相結(jié)合的方法獲取讀者信息，構(gòu)建讀者畫像，采用協(xié)同過濾的方法向讀者推薦興趣度排名靠前的N項內(nèi)容[10]；劉海鷗等將情景興趣應用于讀者畫像，通過計算與當前情景相似的歷史情景獲取讀者感興趣的內(nèi)容[11]；何娟在畫像模型中構(gòu)建了個人畫像和群體畫像，綜合二者的閱讀特征對讀者進行個性化推薦[12]；張海濤等通過對中國知網(wǎng)和Web of Science中有關(guān)用戶畫像的文章進行定量和定性分析后，指出用戶畫像研究雖然取得了一些成果，但主要集中于社會化問答社區(qū)、數(shù)字圖書館和輿情傳播等主題，其他主題的研究比較薄弱[13]。隨著數(shù)字人文研究的快速發(fā)展，數(shù)字人文研究學者隊伍不斷壯大，成果數(shù)量急劇增多，學者對數(shù)據(jù)處理的技術(shù)服務(wù)需求進一步增強。如何利用用戶畫像刻畫出數(shù)字人文學者信息，針對具體需求提升數(shù)字人文學者的個性化服務(wù)水平值得深入研究。

3 數(shù)字人文視域下學者畫像系統(tǒng)構(gòu)建

數(shù)字人文學者在研究過程中經(jīng)常需要用到一些軟件工具，如SPSS、Eviews等[14]，并且在數(shù)據(jù)管理計劃、元數(shù)據(jù)、數(shù)據(jù)倉儲與保存、數(shù)據(jù)出版、數(shù)據(jù)分析可視化等數(shù)據(jù)處理環(huán)節(jié)中，不同學者的關(guān)注點也不盡相同[15]。針對數(shù)字人文的特點，本文設(shè)計了一個數(shù)字人文學者畫像系統(tǒng)，旨在從研究內(nèi)容、常用科研工具和所關(guān)注的數(shù)據(jù)處理環(huán)節(jié)等方面刻畫出數(shù)字人文學者特點，在此基礎(chǔ)上實現(xiàn)更貼合需求的數(shù)字人文個性化服務(wù)。

3.1 數(shù)據(jù)的采集和處理

學者數(shù)據(jù)信息是構(gòu)建畫像系統(tǒng)的基礎(chǔ)。學者數(shù)據(jù)主要包括基本信息、發(fā)表論文、內(nèi)容偏好、常用科研工具和所關(guān)注數(shù)據(jù)處理環(huán)節(jié)等5方面的內(nèi)容。其中基本信息包括學者姓名、年齡、性別、機構(gòu)、專業(yè)等，發(fā)表論文包括論文題目、發(fā)表期刊、發(fā)表時間等；內(nèi)容偏好是根據(jù)發(fā)表論文提取出的研究興趣與方向；常用科研工具包括SPSS、Eviews、SAS、ACCESS、Ucinet、CiteSpace、VOSviewer、Gephi等，數(shù)據(jù)處理環(huán)節(jié)包括數(shù)據(jù)管理計劃、元數(shù)據(jù)、數(shù)據(jù)倉儲與保存、數(shù)據(jù)出版、數(shù)據(jù)分析可視化等。

本文采用改進的爬蟲技術(shù)從中國知網(wǎng)和學者主頁爬取學者的基本信息、論文、常用工具、關(guān)注的數(shù)據(jù)處理環(huán)節(jié)等信息。獲取的論文在經(jīng)過去重、去停用詞等預處理后，將論文用向量空間模型(Vector Space Model，VSM)表示，利用TF-IDF算法進行特征提取并賦予相應的權(quán)值，提取出論文的特征向量，將論文轉(zhuǎn)化為可以計算彼此相似度的向量。一篇論文可表示為：

d=(t1,t2,…tn;w1,w2,…,wn)

式中，n表示向量維度，tk表示論文第k個特征項，wk是tk(1≤k≤n)相應的權(quán)值。兩篇論文的相似度可以表示為：

(公式1)

sim()的取值范圍是[0，1]，sim()越大，表示兩篇論文的相似度越高；相反，sim()越小，表示兩篇論文的相似度越低。在提取論文信息的基礎(chǔ)上分析得出學者的研究偏好，并對常用工具和關(guān)注的數(shù)據(jù)處理環(huán)節(jié)等內(nèi)容進行補充。

3.2 數(shù)據(jù)聚類

本文采用Single-Pass算法對論文進行聚類。按照論文到達的次序，將第一個到達的論文設(shè)為一個類簇C1，然后將后續(xù)到達的論文di與現(xiàn)有的類簇C計算相似度，選擇相似度最大的類簇Ci。如果相似度大于閾值θ，則把論文di歸入Ci，并更新Ci的向量；否則，將論文di設(shè)為一個新的類簇，直到將所有的論文都歸入相應類簇為止。

本文以常用科研工具為依據(jù)對學者進行聚類。數(shù)據(jù)采集處理后，系統(tǒng)將保存常用工具信息表，該表列出所有的人文學者與其常用科研工具，如果學者使用該工具則用1表示，不使用則用0表示。如學者0001常使用SPSS和SAS而不使用Eviews，學者00002常使用Eviews和SAS而不使用SPSS(表1)。該表對每個學者使用的科研工具進行聚類。此外，每個科研工具對使用學者進行聚類，統(tǒng)計出每個科研工具的使用者(表2)。學者Si與學者Sj關(guān)于常用工具的相似度用公式(2)表示。

sim(Si,Sj)=n/N

(公式2)

式中，n表示學者Si常用科研工具與學者Sj重復的數(shù)量，N表示學者Si常用科研工具的總數(shù)。對數(shù)據(jù)處理環(huán)節(jié)也進行類似聚類。

表1 學者─常用科研工具對應表

表2 常用工具─學者倒排表

4 個性化服務(wù)

4.1 興趣相近學者查詢

為了促進科研交流合作，學者需要尋找與自己研究內(nèi)容相近的學者。本文設(shè)計了以下查詢途徑：第一，學者可以根據(jù)研究興趣相似度大小，直接從相應類簇中提取一定數(shù)量的學者；第二，學者可以根據(jù)同時使用的某一個或幾個常用科研工具尋找相應學者，也可以根據(jù)常用工具的相似程度尋找相應學者；第三，學者可以根據(jù)所關(guān)注的不同數(shù)據(jù)處理環(huán)節(jié)尋找相應學者。此外，學者還可以綜合權(quán)衡以上3種因素的相似度尋找相應學者，計算方法如公式(3)所示。

sim(Si,Sj)=αsim1+βsim2+γsim3

(公式3)

式中，sim1表示學者Si和Sj的研究興趣相似度，sim2表示常用科研工具相似度，sim3表示關(guān)注數(shù)據(jù)處理環(huán)節(jié)相似度。系統(tǒng)根據(jù)用戶對3種因素的重視程度設(shè)置α、β和γ的值，其中0≤α,β,γ≤1，并且α+β+γ=1。系統(tǒng)根據(jù)學者需求，利用公式(3)提取一定數(shù)量的學者進行推送。

4.2 文獻精準推送

現(xiàn)有文獻根據(jù)Single-Pass算法形成穩(wěn)定的類簇。當有新文獻出現(xiàn)時，該文獻根據(jù)Single-Pass算法進行聚類，歸入類簇Ci，Ci中所有文獻都是圍繞同一主題展開的研究，存在強相關(guān)性，所有作者也具有相同的研究興趣。因此，系統(tǒng)將新文獻推送給類簇Ci中其他文獻的作者。

4.3 其他推送內(nèi)容

在學者根據(jù)研究興趣、常用科研工具及數(shù)據(jù)處理環(huán)節(jié)進行聚類后，系統(tǒng)根據(jù)具體需求進行精準推送。當舉行某個科研工具的培訓時，將培訓信息推送給使用該工具的所有學者；當舉行有關(guān)某個數(shù)據(jù)處理環(huán)節(jié)的會議時，將會議信息推送給關(guān)注該數(shù)據(jù)處理環(huán)節(jié)的學者；當需要尋找某個工具或數(shù)據(jù)處理環(huán)節(jié)的專家時，直接根據(jù)學者畫像推出相關(guān)專家名單。

4.4 嵌入式服務(wù)

數(shù)字人文館員嵌入科研過程，根據(jù)學者畫像，分析數(shù)字人文學者及團隊在科研過程中可能遇到的困難及需求，隨著科研進程的不斷推進，提供全方位的知識獲取、數(shù)據(jù)管理及科研工具支持等高層次服務(wù)。同時注重對學者數(shù)字人文研究素質(zhì)的培養(yǎng)，特別是不斷提升其數(shù)據(jù)處理及科研工具使用的能力，營造數(shù)字人文研究的濃郁氛圍。

5 結(jié)語

針對數(shù)字人文個性化服務(wù)能力不足問題，本文提出了一種基于用戶畫像的個性化服務(wù)策略，從研究內(nèi)容、常用科研工具和所關(guān)注的數(shù)據(jù)處理環(huán)節(jié)等方面提取數(shù)字人文學者信息，構(gòu)建學者畫像，采用Single-Pass算法對論文進行聚類。分別以常用科研工具和所關(guān)注數(shù)據(jù)處理環(huán)節(jié)為依據(jù)對學者進行聚類。在此基礎(chǔ)上，為數(shù)字人文學者提供了興趣相近學者查詢、精準文獻服務(wù)及嵌入科研過程等個性化服務(wù)，使數(shù)字人文學者從繁雜的資料收集和數(shù)據(jù)處理工作中解脫出來，將精力集中在解決科研問題本身上，有助于數(shù)字人文研究的快速發(fā)展。