劉 偉 李秀霞

（曲阜師范大學(xué)傳媒學(xué)院，山東 日照 276826）

1 引言

“大數(shù)據(jù)”時代，在線評論成為主要的信息源之一。從海量的評論數(shù)據(jù)中發(fā)掘有用的信息已成為數(shù)據(jù)分析的熱點問題，也是圖書館開展信息組織、日常管理、信息服務(wù)的需要。高校圖書館服務(wù)質(zhì)量的網(wǎng)絡(luò)評論文本良莠不齊，主題特征不明顯，對在線評論文本進行聚類，挖掘這些評論文本主題，能從大量的文本數(shù)據(jù)中發(fā)現(xiàn)很多潛在問題，有利于圖書館提高服務(wù)質(zhì)量。基于此，筆者通過爬取高校圖書館服務(wù)質(zhì)量的在線評論，通過Word2vec獲得在線文本內(nèi)容的詞義向量，利用K-means實現(xiàn)主題聚類，發(fā)現(xiàn)高校圖書館服務(wù)質(zhì)量領(lǐng)域的主題特征，可為提升圖書館的服務(wù)質(zhì)量和服務(wù)水平提供依據(jù)，有利于圖書館據(jù)此提高資源利用率，提升高校圖書館的公眾形象，同時也為師生的文化閱讀和科研創(chuàng)新提供更好的環(huán)境。

2 國內(nèi)外研究現(xiàn)狀

文本挖掘又稱為文本知識發(fā)現(xiàn)，是利用相關(guān)方法、工具、手段，從大量模糊的、隨機的、有噪聲影響的文本資料庫中，提取具有預(yù)測性或潛在分析價值的信息的過程[1]。對文本聚類的研究，在社會學(xué)、生物醫(yī)學(xué)以及圖書情報學(xué)領(lǐng)域都有所涉獵。作為一種典型的非監(jiān)督學(xué)習方法，文本聚類可大致分為劃分的方法、層次的方法、基于密度的方法和基于網(wǎng)格的方法等[2]。對于文本聚類算法，可以分為兩種類型：一類是層次聚類法，另一類是以K-means算法為代表的基于劃分的聚類算法。在文本聚類過程中，為了減少聚類過程中迭代的次數(shù)，田詩宵[3]等人對K-means算法進行了改進，提高了聚類精準度。邱云飛[4]等人對短文本特征關(guān)鍵詞的稀疏性問題做了相關(guān)研究。隨著數(shù)據(jù)科學(xué)的發(fā)展，文本聚類環(huán)境下數(shù)據(jù)驅(qū)動的計算范式與方法體系正在形成[5]，主題聚類在圖書館學(xué)領(lǐng)域也得到了普遍的應(yīng)用。李鵬飛[6]通過對青海民族大學(xué)圖書館的借閱信息進行處理，通過K-means算法對用戶行為進行主題聚類，實現(xiàn)個性化服務(wù)與大數(shù)據(jù)挖掘的有效結(jié)合。吳茵茵[7]借助LDA聚類模型對國外圖書館的在線展覽內(nèi)容進行聚類，分析其對展覽主題的選擇。蔡曉峰[8]通過在數(shù)字圖書館和用戶之間建立網(wǎng)絡(luò)模型分析圖書館用戶群組。薩支斌[9]等人提出了基于個性化推送服務(wù)的數(shù)字圖書館學(xué)習資源提取方法。在主題聚類思想的影響下，楊帆[10]提出了構(gòu)建圖書館大數(shù)據(jù)分析平臺的方法。

隨著互聯(lián)網(wǎng)在線社交平臺的蓬勃發(fā)展，越來越多的用戶通過在線評論的方式發(fā)表對產(chǎn)品或服務(wù)的意見[11]。由于在線評論來源廣、數(shù)據(jù)量大、更新快，越來越被企業(yè)和用戶所重視[12]。高校圖書館是學(xué)校的文化服務(wù)與傳播的中心，提高圖書館的服務(wù)質(zhì)量是高校圖書館建設(shè)的重點方向。雖然多位學(xué)者都對其有所研究，但基于高校圖書館在線評論并通過分析其主題特征開展服務(wù)質(zhì)量的研究卻很少。基于此，筆者通過爬取在線評論，在分析高頻主題詞的基礎(chǔ)上，利用Word2vec獲取評論文本的詞義向量，分析評論的語義關(guān)系，借助Kmeans算法實現(xiàn)評論文本的主題聚類，發(fā)掘用戶對高校圖書館服務(wù)的關(guān)注點，提出改進高校圖書館服務(wù)質(zhì)量的策略。

3 研究方法及研究流程

3.1 主要研究方法

（1）Word2vec

Word2vec是Google在2013年開源的一款詞向量訓(xùn)練工具[13]。與其他詞向量模型相比，Word2vec的優(yōu)勢在于能借助上下文語義，將相似性高的詞語聚為一類，從大規(guī)模未經(jīng)標注的語料中高效生成詞向量，因此具有極強的適用性和靈活性。該算法包含CBOW和Skip-Gram兩種模式，前者根據(jù)上下文推測特征詞，后者通過特征詞推測上下文概率。由于Skip-Gram可以改善文本特征的稀疏性和可解釋性，但不會增加聚類算法的復(fù)雜性，可得到更好的聚類效果[14]。所以筆者選擇Word2vec的第二種模式。Skip-Gram模式的基礎(chǔ)形式如圖1所示。

圖1 Skip-Gram模式的基礎(chǔ)形式圖

該模型本質(zhì)上采用的是3層神經(jīng)網(wǎng)絡(luò)來訓(xùn)練詞向量，模型輸入的是某個特定詞上下文相關(guān)的詞，輸出的是該詞特定的詞向量，筆者運用Skip-Gram模式進行高頻主題詞向量的輸出，假設(shè)給定文本序列詞A={a1,a2,a3…an}，運用Skip-Gram實現(xiàn)整個序列詞的對數(shù)概率平均值最大化。

該詞序列的訓(xùn)練目標函數(shù)為：

在該目標函數(shù)中，c為該詞所在的上下文，c值越大，結(jié)果越精準。但同時會加劇計算時間，k指文本窗口的大小。

對于P(at+c|at)，則有：

該式中，vt為詞語at的詞向量輸出，那vc即該詞在文本中相鄰詞ac的詞向量。

在爬取的文本集中，由于數(shù)據(jù)量較為龐大，且不同高校圖書館服務(wù)質(zhì)量方面的在線評論文本數(shù)量不一，僅舉例來說明在線評論語義特征的表示。對5所高校圖書館的相關(guān)評論文本，即建立了5個文本集，表示為M={M1,M2,M3,M4,M5}，數(shù)據(jù)預(yù)處理后，運用Word2vec中的Skip-Gram模型，將數(shù)據(jù)集中每一個高頻主題詞映射成一個向量，最終的文本語義采用向量加權(quán)平均法，計算公式如下所示。

該式中，V(dj)表示第jt條評論文本內(nèi)容所輸出的語義向量，Wi為評論文本中的第i個詞，V(wi)表示詞Wi的詞向量，N表示評論文本的長度。

（2）K-means算法

K-means算法由MacQueen于1967年提出。其算法的核心思想是按照樣本的相似度進行聚類。該聚類算法適合大容量數(shù)據(jù)集，操作簡單，計算速度快，通常與Word2vec結(jié)合使用。筆者利用K-means算法實現(xiàn)在線評論的主題聚類。Kmeans算法的計算分為以下4步：

第一步，記隨機選取的樣本均值點為k，第i個均值為ui。

第二步，通過歐式距離求各個樣本點到各均值點的距離，把距離最短的歸為一類，其中，d為第i個點到第j個均值距離，xi為第i個數(shù)據(jù)點。公式為：

第三步，對第二步得到的新的k類，求取均值，得到新的均值點。

第四步，重復(fù)步驟二、三，直至樣本均值點不再顯著變化。

3.2 相關(guān)論證

Word2vec詞義向量模型在自然語言處理領(lǐng)域進行數(shù)據(jù)分析得到了廣泛的應(yīng)用，其本質(zhì)是在神經(jīng)網(wǎng)絡(luò)模型下進行非線性的變換。李賀教授團隊利用該模型對電子產(chǎn)品進行評論與需求之間的主題關(guān)聯(lián)度，促進了Word2vec進行文本語義相似度的深入發(fā)展。Word2vec詞向量模型依據(jù)中文詞義的相似性，這是源于認知語言學(xué)中的“距離相似性”原理，已經(jīng)得到了業(yè)內(nèi)外學(xué)者的廣泛認同。到目前為止，對Word2vec的相關(guān)理論論證已經(jīng)非常充分，其處理程序也實現(xiàn)了部分開源。

K-means聚類算法是典型的目標函數(shù)聚類算法的代表，以歐氏距離作為相似度測度，其原理是通過距離相似度進行聚類。隨著需求的增加，專家學(xué)者對其算法不斷優(yōu)化，k-means+，k-means++等應(yīng)運而生。其算法在教育學(xué)、經(jīng)濟學(xué)、管理學(xué)等領(lǐng)域都得到了運用。

3.3 研究流程

研究框架如圖2所示。

圖2 研究框架圖

根據(jù)圖2，首先利用Python抓取數(shù)據(jù)源，篩選有用的評論文本，剔除與內(nèi)容無關(guān)的在線評論。對文本進行預(yù)處理，包括去停用詞、NLTK分詞以及詞性的標注等。抽取評論文本的高頻主題詞，形成語料數(shù)據(jù)。再將高頻主題詞通過Word2vec轉(zhuǎn)化為詞向量，然后利用K-means進行聚類，確定K值，實現(xiàn)主題聚類，進一步進行聚類分析。

4 實證研究

4.1 在線評論數(shù)據(jù)來源及預(yù)處理

大眾點評網(wǎng)是全球最早建立的第三方言論發(fā)布網(wǎng)站，因此所有在線評論均來源于大眾點評網(wǎng)。筆者借助Python的Scrapy網(wǎng)頁爬取工具，爬取大眾點評網(wǎng)上有關(guān)上海大學(xué)、天津大學(xué)、浙江大學(xué)、西安電子科技大學(xué)以及武漢大學(xué)等評論數(shù)量較多的圖書館的在線評論文本，時間跨度為2018年1月—2021年5月。5所高校圖書館的原始在線評論共獲得2703條，初步剔除圖片、表情等非文本評論后共獲得2456條。抓取評論發(fā)布時間、評論內(nèi)容、文本長度以及評論回復(fù)等字段。將爬取的在線評論文本存儲在文本編輯器中，以“.csv”格式進行保存。在線評論的數(shù)據(jù)預(yù)處理包括剔除無關(guān)評論、對評論文本進行去重、降噪、切詞，為下一步主題抽取提供數(shù)據(jù)源；之后進行詞性標注，形成待處理語料集。

4.2 生成在線評語高頻詞

利用Python對所爬取的高校圖書館服務(wù)質(zhì)量領(lǐng)域的在線評論文本做詞頻的統(tǒng)計，利用哈爾濱工業(yè)大學(xué)停用詞表，通過軟件ROST對爬取的評論文本進行數(shù)據(jù)分詞、去重、去停用詞、消除噪音等預(yù)處理操作，同義合并后得到高頻詞表，根據(jù)高頻詞，將其劃分為名詞詞性高頻詞、動詞詞性高頻詞和形容詞詞性高頻詞。高頻詞表（部分）如表1所示。

表1 在線評論文本高頻主題詞（部分）

表1中的高頻詞分3類，有名詞詞性高頻詞、動詞詞性高頻詞、形容詞詞性高頻詞，不同類型的高頻詞反映了高校圖書館的不同服務(wù)水平和服務(wù)質(zhì)量。在名詞詞性高頻詞中，讀者最重視的是圖書館的借閱環(huán)境和藏書量，大部分讀者評價為“館藏豐富”并給予較高的評價，但也不乏出現(xiàn)“資源老舊，圖書更新速度慢”這樣的評語。此外，圖書館閱讀氛圍、配套基礎(chǔ)設(shè)施如座椅等，也是讀者關(guān)注的地方。在動詞詞性高頻詞中，最受關(guān)注的高頻詞是“借閱圖書”“檢索效率”等，說明高校師生最關(guān)注的是圖書借閱與資源檢索；除了與圖書館業(yè)務(wù)直接相關(guān)的詞外，也有“咨詢”“自修”等高頻詞，說明高校圖書館是學(xué)子們備考的主要場所。在形容詞詞性高頻詞中，大多涉及“干凈”“舒適”及圖書館建筑方面的評價，結(jié)合原始在線評論語料庫中“圖書館占地面積大，規(guī)模宏偉”“干凈衛(wèi)生，服務(wù)細致”，發(fā)現(xiàn)基本為正向評級的詞語，說明高校圖書館作為一個文化傳遞機構(gòu)，對高校學(xué)生具有極大的吸引力。

4.3 在線評論語義特征表示

詞向量反映了文本的基本結(jié)構(gòu)，良好的詞向量便于使語義相近的詞聚集在一起。將高頻詞映射到詞向量空間，可為后續(xù)實現(xiàn)文本聚類提供語義分析基礎(chǔ)。借助Word2vec訓(xùn)練詞向量，將處理好的評論文本通過Word2vec獲得詞向量，Word2vec輸出的詞向量矩陣（部分）如圖3所示。

圖3 詞向量輸出圖

4.4 在線評論文本主題聚類

（1）K值的選取

聚類數(shù)K值可根據(jù)平均輪廓系數(shù)法和手肘法來確定[15]。筆者采用手肘法，評估公式為：

SSE是誤差平方和，代表聚類結(jié)果的好壞，ci是第i個簇，p是ci的樣本點，mi是ci的質(zhì)心。隨著聚類數(shù)k的增大，樣本劃分會更加精細，同時隨著每個簇的聚合程度提高，誤差平方和SSE會逐漸變小。也就是說，SSE和k的關(guān)系圖是一個手肘的形狀，這個肘部對應(yīng)的K值就是最佳的聚類數(shù)。

筆者采取各個簇內(nèi)的樣本點到所在簇質(zhì)心的距離平方和（SSE）作度量，SSE越小，則各個類簇越收斂，通過肘部圖中曲線下降的拐點，即可較好地確定K值。在數(shù)據(jù)集上實驗，得到圖4所示的肘部圖，該圖中肘部對應(yīng)的K值取5，說明該數(shù)據(jù)集最佳的聚類數(shù)為5，即在線評論文本的主題可聚為5類。

圖4 肘部圖

（2）聚類結(jié)果與分析

通過K-means對評論主題詞進行聚類，得到評論數(shù)據(jù)的聚類結(jié)果（見表2）。

表2 高校圖書館在線評論文本聚類

根據(jù)K-means算法將共2456條評論語句聚為5類，每個類簇評論條數(shù)分別為875條，510條，417條，266條，388條（見表3）。

表3 各主題評論占比及相應(yīng)的高頻詞

（3）結(jié)果驗證及效果評估

目前，由于聚類算法不同，聚類原理也有差異，聚類結(jié)果尚無統(tǒng)一的評估標準，在實際運用中，聚類常用的評估指標有純度（purity）、蘭德系數(shù)（Rand Index）以及F值，已有文獻中多采用純度評估K-means聚類效果，因此筆者采用純度計算。

純度計算公式如下：

其中，N為樣本數(shù)，A為聚類后的簇類數(shù)量，B為正確的類別，wk為某一簇中的樣本，cj為類別中真實的樣本，P的取值范圍為[0-1]，數(shù)值越大，聚類效果越好。

通過每一簇主題與總評論主題去交集，得到5類簇中每一簇的有效聚類樣本為617條，406條，288條，218條，304條。由于類簇中樣本較多，通過數(shù)據(jù)導(dǎo)入Excel中，運用此法進行計算，得到結(jié)果為：

聚類結(jié)果受多種因素的影響，運用K-means算法聚類，得到的聚類效果評估為0.746，在[0-1]的范圍之內(nèi)，聚類效果比較理想，能夠真實反映聚類的數(shù)量及準確度。但是，在聚類過程中，由于機器語言聚類的限制，不可避免地將某些主題聚集到與之不相關(guān)的類簇中，例如“自助借閱”本應(yīng)歸為自動化服務(wù)的類簇中，但聚類結(jié)果卻為面向讀者服務(wù)的類簇中，這種情況極大影響聚類效果。另外，K值的選擇也客觀影響聚類的效果，在實際聚類中，共有9個類簇，但是類簇的選取要看肘部圖中拐點前的類簇，故舍棄了4個與之關(guān)系不大的類簇。

5 在線評論文本主題分析

根據(jù)表2、表3分析高校圖書館在線評論文本的5類主題特征。

（1）基礎(chǔ)服務(wù)。基礎(chǔ)服務(wù)類的評論占比最高，讀者更重視圖書館的閱讀環(huán)境和閱讀氛圍。對于圖書館來說，服務(wù)是第一位的，培養(yǎng)具有高素質(zhì)的館員為讀者服務(wù)是圖書館基礎(chǔ)性的服務(wù)，館員要加強自身職業(yè)道德的培養(yǎng)，要定期參加圖書館相關(guān)知識培訓(xùn)，提升自身職業(yè)技能，擺正為讀者服務(wù)的位置，把個人利益與服務(wù)業(yè)績相結(jié)合。在圖書館設(shè)施布局的過程中，不僅要注重美觀，合理利用經(jīng)費，為讀者提供良好的閱讀場所，還要注重用戶的閱讀體驗。此外，由高頻主題詞看出，讀者對圖書館內(nèi)部裝潢也比較看重，在設(shè)計布置時，要考慮到讀者閱讀舒適度，加強配套設(shè)施的建設(shè)，形成聚合效應(yīng)，從而吸引更多人到館閱讀。

（2）自動化、數(shù)字化建設(shè)服務(wù)。從這5所高校圖書館的在線評論中，可以看到“圖書資源更新慢”“難以找到特定書目”“部分電子資源付費”等評論，可見，高校圖書館應(yīng)加強館藏紙質(zhì)和電子文獻的建設(shè)工作。吸納學(xué)生志愿者幫助讀者查找圖書；定期征詢讀者所需書目并進行購買，進一步加強館藏資源的建設(shè)。在圖書館自動化、數(shù)字化建設(shè)過程中，要注重學(xué)科數(shù)字資源的建設(shè)，增添專業(yè)化較強的電子館藏。借助數(shù)據(jù)庫，將各種有價值的信息進行匯集。通過配備高性能的借閱設(shè)備，提高借閱效率。此外，還要注重信息系統(tǒng)的建設(shè)，定期對電子化、數(shù)字化文檔進行維護。為了減少圖書亂架的現(xiàn)象，有條件的高校圖書館可以引入RFID射頻識別技術(shù)。

（3）面向讀者服務(wù)。服務(wù)是高校圖書館的核心要素，通過高頻詞句如“電子設(shè)備充電”“借閱機長期占用”“開館時間晚”等，筆者認為，圖書館員應(yīng)定期對基礎(chǔ)配套設(shè)施進行維護，還要更大限度地開放館員和讀者之間的情感認同，只有具備專業(yè)素養(yǎng)的館員才能給讀者提供滿意的圖書館現(xiàn)代化的服務(wù)。在該主題下，讀者普遍圍繞“圖書借還”“館際互借”“開放時間”等進行咨詢。因此，圖書館員要具備極強的服務(wù)意識，積極主動服務(wù)，才能真正做好服務(wù)讀者工作。在開展咨詢活動時，可以定期組織校園志愿者參與其中，提高讀者滿意度。

（4）科研創(chuàng)新服務(wù)。美國圖書館學(xué)家謝拉（JesseH.Shera）認為“早期的圖書館員都是學(xué)者”，科研工作是館員自身成長的重要因素，館員做科研引領(lǐng)是一種新理念，一種把服務(wù)者與研究者合二為一的工作模式。通過在線評論了解到，讀者愈加看重館員的專業(yè)知識及具備科學(xué)準確的查詢技能。館員的服務(wù)能力主要取決于其科研能力，而科研成果的產(chǎn)出量是館員科研能力的標志。因此，要建立起較強科研能力的圖書館團隊，集中力量科研攻關(guān)[16]。在制度層面上，高校圖書館應(yīng)建立起科研工作管理體系，定期進行科研規(guī)劃，提高館員的創(chuàng)新能力和創(chuàng)新素養(yǎng)。

（5）文化傳承的過程中，要多渠道加強對優(yōu)秀文化資源的搜集，創(chuàng)新文化載體的表達方式。近年來，各級圖書館都在積極探索以人為本、服務(wù)育人。充分融合“互聯(lián)網(wǎng)+”，一方面將信息化、網(wǎng)絡(luò)化的時代背景融入圖書館服務(wù)育人的總體框架內(nèi)；另一方面積極利用網(wǎng)絡(luò)作為傳播媒體，宣傳圖書館，以圖書館為媒介，積極宣傳地域文化和校本文化，創(chuàng)新性開展文化推廣活動，提高高校的知名度和地域影響力。通過圖書館文化傳播媒介，推動當?shù)匚幕l(fā)展。

6 結(jié)語

基于高校圖書館在線評論的文本數(shù)據(jù)，將在線評論通過名詞性高頻詞、動詞詞性高頻詞、形容詞詞性高頻詞來表達；利用Word2vec詞向量獲取評論文本高頻詞的語義特征，通過K-means算法將評論文本聚為5個主題，分別是基礎(chǔ)服務(wù)、自動化及數(shù)字化建設(shè)服務(wù)、面向讀者服務(wù)、科研創(chuàng)新服務(wù)和文化傳承服務(wù)。根據(jù)5類評論主題，從館員培訓(xùn)、圖書館設(shè)施配置、分學(xué)科館藏建設(shè)及校本文化的傳播等角度，給出提升高校圖書館服務(wù)質(zhì)量的策略。

當然，由于本算法不能有效處理圖片、音頻以及視頻信息，對此作了刪除處理，丟失了部分評論信息。后期將通過圖片、音頻、視頻等處理技術(shù)，挖掘相關(guān)內(nèi)容，豐富評論主題，提高在線評論文本分析的可靠性。