徐 瑩

（南京中醫(yī)藥大學(xué)翰林學(xué)院，江蘇 南京 225300）

0 引言

隨著網(wǎng)絡(luò)信息技術(shù)的快速發(fā)展，現(xiàn)代圖書館朝著數(shù)字化、智能化方向發(fā)展，計(jì)算機(jī)技術(shù)在圖書館工作中的應(yīng)用，大大提高了工作效率與水平?，F(xiàn)階段，圖書館軟硬件設(shè)備持續(xù)完善，圖書館內(nèi)涵建設(shè)是圖書館發(fā)展建設(shè)中的熱點(diǎn)問題，個(gè)性化服務(wù)也是圖書館未來發(fā)展目標(biāo)，而數(shù)據(jù)挖掘在圖書館個(gè)性化服務(wù)中發(fā)揮著不可替代的作用。接下來，談?wù)剬?duì)數(shù)據(jù)挖掘在圖書館個(gè)性化服務(wù)中應(yīng)用的幾點(diǎn)思考[1]。

1 數(shù)據(jù)挖掘技術(shù)相關(guān)概述

數(shù)據(jù)挖掘技術(shù)是從海量隨機(jī)產(chǎn)生、模糊、不完善且有噪聲的數(shù)據(jù)中提出產(chǎn)生的，所提取的數(shù)據(jù)的潛力大、被理解接受、且新穎。利用數(shù)據(jù)挖掘技術(shù)對(duì)這些數(shù)據(jù)進(jìn)行抽取、分析與轉(zhuǎn)化處理，并從中篩選出能夠幫助決策的核心數(shù)據(jù)[2]。數(shù)據(jù)挖掘分為：（1）數(shù)值數(shù)據(jù)挖掘。具有預(yù)測(cè)和描述兩種任務(wù)。簡(jiǎn)單點(diǎn)說，挖掘功能涵蓋了發(fā)現(xiàn)概念類描述，分類、關(guān)聯(lián)、聚類、預(yù)測(cè)、類似性分析、偏差分析以及趨勢(shì)分析。（2）基于Web的數(shù)據(jù)挖掘。Web數(shù)據(jù)挖掘，具體來說就是針對(duì)Web頁面結(jié)構(gòu)、Web頁面內(nèi)容、電子商務(wù)信息、用戶訪問信息等數(shù)據(jù)，技術(shù)人員通過數(shù)據(jù)挖掘方法來篩選出用用信息，進(jìn)而能夠完善站點(diǎn)設(shè)計(jì)，提高電子商務(wù)質(zhì)量與水平。（3）文本數(shù)據(jù)挖掘。是基于文本信息進(jìn)行的數(shù)據(jù)挖掘。如果數(shù)據(jù)挖掘的目標(biāo)群眾全部都是文本類型構(gòu)成的，于是，運(yùn)用信息檢索以及數(shù)據(jù)挖掘算法，針對(duì)海量的文本信息實(shí)施自動(dòng)化信息分析和處理的過程，就是文本數(shù)據(jù)的挖掘過程。

2 大數(shù)據(jù)技術(shù)下圖書館個(gè)性化服務(wù)探析

2.1 個(gè)性化推薦

從目前的圖書館建設(shè)來看，個(gè)性化推薦服務(wù)能夠?yàn)橛脩籼峁﹥?yōu)質(zhì)高效、針對(duì)性強(qiáng)的建議，為用戶根據(jù)自身需求選擇專利、文獻(xiàn)、圖書等資料提供輔助決策服務(wù)。如，在推薦圖書時(shí)，推薦熱點(diǎn)書籍的技術(shù)難度系數(shù)很低，用戶轉(zhuǎn)化率較差，因此，應(yīng)提供個(gè)性化推薦。具體來說，國(guó)內(nèi)外有關(guān)個(gè)性化推薦的研究很多，而精確度是衡量推薦系統(tǒng)的核心指標(biāo)之一，關(guān)注度強(qiáng)。然而，如果只單純考慮精確度是不行的，良好的推薦結(jié)果同時(shí)還具備驚喜性、新穎性。如，學(xué)生想要從圖書館借閱《藝術(shù)鑒賞概論》，不管有沒有人推薦，他都會(huì)去借閱，推薦《藝術(shù)鑒賞概論》書籍的結(jié)果只是推薦了一本學(xué)生已經(jīng)準(zhǔn)備好借的書，毫無驚喜性、新穎性。所以，圖書館個(gè)性化服務(wù)不但需科學(xué)預(yù)測(cè)用戶的行為，更要具備開闊學(xué)生眼界、挖掘符合學(xué)生興趣的其他書籍文獻(xiàn)[3]。

2.2 個(gè)性化檢索

文獻(xiàn)檢索是現(xiàn)代圖書館所提供的核心服務(wù)之一。檢索又分為精確檢索、模糊檢索兩種。在精確檢索時(shí)，明確需要知道自己需要借的圖書的基本信息，而模糊檢索無須用戶掌握書籍名稱、作者姓名等具體信息，只需要對(duì)自己有用即可。檢索和推薦的共同點(diǎn)就在于他們都是用戶用于查找信息的一個(gè)工具，因此，它們需要處理的數(shù)據(jù)、反饋給用戶的信息的性質(zhì)都是相同的。但二者也存在較大的不同。推薦是滿足用戶需要的驚喜、新穎，檢索要的是精確、精準(zhǔn)。如，在圖書館檢索工具中輸入“高等數(shù)學(xué)”3個(gè)字時(shí)，可見用戶需要找的是與高等數(shù)學(xué)有關(guān)的書籍，除了精準(zhǔn)性要求外，檢索還應(yīng)對(duì)檢索結(jié)果進(jìn)行排序。如，“高等數(shù)學(xué)”是大學(xué)數(shù)學(xué)專業(yè)核心課程，教材也有很多，用戶在檢索時(shí)輸入“高等數(shù)學(xué)”，返回檢索結(jié)果能夠根據(jù)用戶實(shí)際情況進(jìn)行排序。針對(duì)學(xué)生，可將基礎(chǔ)教材放在前排；針對(duì)專業(yè)教師，可將高級(jí)教材放在前排。隨著大數(shù)據(jù)技術(shù)的應(yīng)用，相比推薦，檢索的精確性要求更高，且圖書館的高級(jí)檢索功能也要進(jìn)行個(gè)性化。

2.3 個(gè)性化推送

文獻(xiàn)推送是當(dāng)下圖書館提供的又一個(gè)性化服務(wù)，旨在通過現(xiàn)代技術(shù)推送給用戶他們可能感興趣、可能需要的信息，進(jìn)而提供個(gè)性化、自動(dòng)化服務(wù)，為用戶提供良好的服務(wù)。推送系統(tǒng)時(shí)鐘秉承以用戶為中心的原則，調(diào)動(dòng)用戶借書積極性，并充分發(fā)揮各種文獻(xiàn)資源優(yōu)勢(shì)。要想發(fā)揮文獻(xiàn)推薦功能、檢索功能，需要為用戶建立檔案或者畫像，進(jìn)而能夠根據(jù)用戶的喜好、偏好來提供個(gè)性化推薦與檢索服務(wù)。從本質(zhì)上來看，文獻(xiàn)推薦和檢索都是推送的一部分，所以，圖書館個(gè)性化推薦和檢索的一些高級(jí)技術(shù)也同樣適用于推送系統(tǒng)。目前來看，推送系統(tǒng)需要開辟更多途徑，如，利用郵件、手機(jī)向用戶推送他們可能感興趣的文獻(xiàn)資料，但需要利用用戶畫像或者檔案來實(shí)現(xiàn)推送功能的實(shí)現(xiàn)。

3 數(shù)據(jù)挖掘技術(shù)在圖書館個(gè)性化服務(wù)中的具體應(yīng)用

3.1 數(shù)據(jù)挖掘技術(shù)在個(gè)性化推薦中的具體應(yīng)用

第一，以內(nèi)容為基礎(chǔ)的推薦算法。具體來說，就是結(jié)合不同文獻(xiàn)間的相似性為用戶推薦，先利用數(shù)據(jù)挖掘技術(shù)對(duì)用戶已經(jīng)打分的文獻(xiàn)內(nèi)容進(jìn)行分析，并建檔，再?gòu)暮Ａ课墨I(xiàn)中篩選出與用戶檔案記載相似的文獻(xiàn)，并根據(jù)相關(guān)內(nèi)容篩選出一些滿足要求的文獻(xiàn)推薦給用戶。

第二，以關(guān)聯(lián)規(guī)則為基礎(chǔ)的推薦算法。當(dāng)下，關(guān)聯(lián)規(guī)則是運(yùn)用十分廣泛、頻繁的一種推薦技術(shù)，關(guān)聯(lián)規(guī)則自身也是數(shù)據(jù)挖掘領(lǐng)域的核心技術(shù)之一。目前來看，關(guān)聯(lián)規(guī)則在零售行業(yè)購(gòu)物籃分析案例最為成功。將關(guān)聯(lián)規(guī)則運(yùn)用到圖書館個(gè)性化服務(wù)中，有利于分析用戶使用文獻(xiàn)間的聯(lián)系，并找到使用最頻繁的文獻(xiàn)，進(jìn)而讓系統(tǒng)能夠在用戶瀏覽或者下載時(shí)向他們推薦更多有效的文獻(xiàn)。以關(guān)聯(lián)規(guī)則為基礎(chǔ)的推薦算法在運(yùn)用時(shí)主要是結(jié)合用戶的文獻(xiàn)使用數(shù)據(jù)來形成關(guān)聯(lián)規(guī)則，然后根據(jù)用戶當(dāng)下的查閱或者瀏覽情況進(jìn)行有針對(duì)性的推薦。如果用戶的文獻(xiàn)使用數(shù)據(jù)最終變成大數(shù)據(jù)，那么要利用基于大數(shù)據(jù)分析的關(guān)聯(lián)規(guī)則重新挖掘有效算法。

第三，混合推薦算法。這種算法是統(tǒng)籌各種推薦技術(shù)形成的推薦成果，為用戶提供有針對(duì)性的推薦列表。有效消除了傳統(tǒng)單一推薦技術(shù)的弊端，充分發(fā)揮不同推薦技術(shù)的優(yōu)勢(shì)，弱化它們的短處。模型加權(quán)融合、模型級(jí)聯(lián)融合是當(dāng)下最有效的推薦模型融合手段。其中，模型加權(quán)融合中，線性融合除外，剩下的算法都能夠用在模型融合中。

第四，協(xié)同過濾推薦算法。首先，以物品為基礎(chǔ)的協(xié)同過濾推薦。具體來說，就是利用不同物品間的相似度來做推薦預(yù)測(cè)，在圖書館個(gè)性化服務(wù)過程中，主要通過對(duì)目標(biāo)用戶已經(jīng)評(píng)價(jià)和待評(píng)價(jià)文獻(xiàn)之間的相似度進(jìn)行有效計(jì)算，進(jìn)而得出待評(píng)價(jià)文獻(xiàn)的評(píng)價(jià)預(yù)測(cè)結(jié)果。其次，以用戶為基礎(chǔ)的協(xié)同過濾推薦。具體來說，基于用戶集中對(duì)文獻(xiàn)的評(píng)價(jià)日志來計(jì)算用戶間的相似度，基于相似度分?jǐn)?shù)的多少，選出相似度最高的多個(gè)鄰居用戶，并根據(jù)這些鄰居用戶的興趣愛好來給目標(biāo)用戶推薦。通過聚類挖掘能夠增加推薦結(jié)果的驚喜性，聚類能夠把物理、抽象對(duì)象集合分為由類似對(duì)象構(gòu)成的多個(gè)類。聚類算法產(chǎn)生的簇其實(shí)是一組數(shù)據(jù)對(duì)象的集合，相同簇中的對(duì)象存在明顯的相似點(diǎn)，這與其他簇中的對(duì)象存在顯著差異。目前來看，網(wǎng)格聚類、密度聚類、劃分聚類等是當(dāng)下運(yùn)用最頻繁的聚類算法，有利于提高數(shù)據(jù)挖掘質(zhì)量與水平，提高推薦結(jié)果的驚喜性、新穎性。再者，以模型為基礎(chǔ)的協(xié)同過濾推薦。即以學(xué)習(xí)用戶的歷史圖書文獻(xiàn)評(píng)價(jià)信息來建立用戶模型，并基于此做好圖書評(píng)價(jià)預(yù)測(cè)工作。大數(shù)據(jù)技術(shù)下，多利用人工神經(jīng)網(wǎng)絡(luò)、概率模型來完成以模型為基礎(chǔ)的協(xié)同過濾過程，并利用數(shù)據(jù)挖掘算法來對(duì)歷史數(shù)據(jù)模型進(jìn)行懸鏈，并基于此向用戶推薦文獻(xiàn)資料。

3.2 數(shù)據(jù)挖掘技術(shù)在個(gè)性化檢索與推送中的具體應(yīng)用

大數(shù)據(jù)時(shí)代，圖書館個(gè)性化服務(wù)，不僅要注重個(gè)性化推薦，也不可忽視個(gè)性化檢索與推送環(huán)節(jié)。在個(gè)性化檢索過程中，首先要利用數(shù)據(jù)挖掘技術(shù)來提高排序算法、鏈接分析的精確性，如，利用數(shù)據(jù)挖掘來對(duì)用戶查詢進(jìn)行分類。其次，在個(gè)性化推送過程中，多利用聚類對(duì)用戶進(jìn)行分組，并深入分析不同組別的特點(diǎn)，進(jìn)而為不同組別的用戶有針對(duì)性地推薦文獻(xiàn)資料，提高用戶圖書館服務(wù)體驗(yàn)，獲得自己需要的文獻(xiàn)資料。

4 結(jié)語

綜上所述，隨著現(xiàn)代科技的發(fā)展，尤其是數(shù)據(jù)挖掘技術(shù)、數(shù)據(jù)庫(kù)技術(shù)等在圖書館建設(shè)中的應(yīng)用，對(duì)圖書館發(fā)展觀念的革新、用戶服務(wù)模式的優(yōu)化等產(chǎn)生巨大的推動(dòng)作用?；诖?，在圖書館數(shù)字化、智能化建設(shè)過程中，工作人員應(yīng)注重通過數(shù)據(jù)挖掘技術(shù)來為圖書館提供個(gè)性化推薦、個(gè)性化檢索和個(gè)性化推送服務(wù)，一改傳統(tǒng)模式的弊端，為用戶提供更加優(yōu)質(zhì)高效的圖書館檢索、借閱等服務(wù)體驗(yàn)，推動(dòng)圖書館又好又快發(fā)展。