基于小數(shù)據(jù)的高校圖書館個性化推薦

摘 要：相對其他圖書館，高校圖書館的讀者群相對固定，讀者群需求更具針對性，而且高校圖書館能夠獲得大量與讀者相關性較大的小數(shù)據(jù)，高校圖書館可以在大數(shù)據(jù)發(fā)現(xiàn)的規(guī)律基礎上，利用小數(shù)據(jù)對讀者行為分析，完成對讀者的個性化推薦。

關鍵字：小數(shù)據(jù)；個性推薦；高校圖書館

課題項目：本文系黑龍江省高校圖工委第四屆科研課題項目“數(shù)字圖書館用戶個性化推薦算法研究與應用”（項目編號2015-B-065）研究成果之一。

當前是大數(shù)據(jù)時代，各行各業(yè)都在進行技術改造和升級，共享數(shù)據(jù)數(shù)字化治理的價值[1]。但是大數(shù)據(jù)情報分析需要強大的實力，大數(shù)據(jù)分析中的數(shù)據(jù)采集、預處理、分析挖掘等過程不但需要高水平的研究人員，還需要例如Hadoop、HPCC等高端的數(shù)據(jù)存儲設備和先進的技術。對于圖書館尤其是普通高校圖書館而言，在研究和挖掘大數(shù)據(jù)時必然要面對一些人力、物力等方面的困難。另一方，高校圖書館的服務群體主要是學生和老師，相對固定且讀者群數(shù)量較小，讀者群有相對固定的模式和需求，對于“小數(shù)據(jù)”的分析對高校圖書館就比較重要，而且基于小數(shù)據(jù)分析也更快速、準確，對于人力、物力要求較小，也具有很強的可操作性。

那么什么是小數(shù)據(jù)？其概念最早是由美國康奈爾大學的教授D.Estrin提出的，Estrin教授對他父親去世前幾個月的日常生活行為觀察分析，注意到他的父親在那段時間的日常行為與平時有一些不同，例如：老人基本不去市場買菜、也不再與其他人發(fā)送電子郵件，日常散步的范圍越來越小等等。然而，到醫(yī)院做常規(guī)檢查時，這些數(shù)據(jù)是無論通過何種醫(yī)學儀器都檢測不出來的，但這些數(shù)據(jù)確實揭示了老人在去世前幾個月身體逐漸衰退的事實和過程，這些日常行為異常的小數(shù)據(jù)可以當做醫(yī)學證明，也促使Estrin教授意識到小數(shù)據(jù)的重要意義，并在2013年神經(jīng)信息處理系統(tǒng)國際會議上發(fā)表了小數(shù)據(jù)相關的報告。

1 高校圖書館讀者的小數(shù)據(jù)

小數(shù)據(jù)是指以個人為中心的全方位數(shù)據(jù)，包括數(shù)據(jù)被采集對象實時的生活習慣、身體狀況、社交、財務、喜好、情緒、行為等數(shù)據(jù)[2]。對高校圖書館而言，相對其他行業(yè)和公共圖書館，小數(shù)據(jù)的采集范圍更廣泛，可以包括讀者在使用圖書館過程中產(chǎn)生的直接數(shù)據(jù)、由其推測的數(shù)據(jù)和其它部門提供的相關數(shù)據(jù)。

其中最能夠直接獲取的是讀者直接登記的信息，如新生辦理借書證、注冊移動圖書館等，能夠獲得讀者的姓名、專業(yè)、年齡等基本信息；讀者在圖書館信息管理系統(tǒng)中留下的信息，例如通過挖掘借閱歷史、查詢歷史、圖書館薦購信息等分析讀者以前的關注點、當前的興趣點等；讀者使用圖書館各種設備、終端的信息和反饋，如讀者進出圖書館及各閱覽室刷卡信息、使用圖書館終端瀏覽、查詢文獻記錄；其他部門也可以提供讀者相關數(shù)據(jù)以供分析，如：專業(yè)考試信息、學校公共課開設情況、學生選課信息、技能考試報考情況等等，有許多其他公共圖書館不能得到的讀者相關的小數(shù)據(jù)，不僅包括讀者留下的顯性的信息，也包括需要挖掘分析的隱形痕跡；通過社交媒體分析讀者心理活動、興趣點變化，如opac的“我的圖書館”中收藏的圖書、公眾號中的反饋、微博評價轉(zhuǎn)發(fā)等。高校圖書館可以利用行業(yè)大數(shù)據(jù)或已有的研究結論發(fā)現(xiàn)的事物之間的普遍規(guī)律，然后用小數(shù)據(jù)挖掘跟蹤個體，在個體不同時間、地點匹配大數(shù)據(jù)分析結果，完成讀者個性化推薦服務。

以一名大學本科學生為例，進入大學校園前兩年時間的大部分是公共基礎課或?qū)I(yè)基礎課，例如：高等數(shù)學、外語、專業(yè)相關基礎課等，還有其選擇的選修課，通常還要報考大學英語四六級考試；大三大四則開始學習專業(yè)課程，可能還有報考相關專業(yè)的專業(yè)證書考試；大四畢業(yè)設計課題選擇前對本專業(yè)研究熱點問題的關注，選擇課題后知識的積累，都需要閱讀大量的專業(yè)期刊、書籍等，加之平時瀏覽、查詢的流通歷史記錄；給圖書館公眾號的反饋意見、圖書館主頁中的留言等等都是高校圖書館可以采集獲取的讀者小數(shù)據(jù)，而且獲得手段相對容易，在數(shù)據(jù)收集、傳遞過程中不涉及外界數(shù)據(jù)，僅在高校內(nèi)部即可采集到所需讀者的小數(shù)據(jù)，減少數(shù)據(jù)在采集傳遞過程中外泄的可能性，更加有效地保護了讀者的個人信息安全。

2 小數(shù)據(jù)的分析

讀者小數(shù)據(jù)的分析能推算出用戶的各種興趣需求和接受圖書館服務時的舒適度，把各種資源、服務及推送方式與相應的用戶相互匹配，形成高質(zhì)量的個性化服務[4]。

對于在圖書館歷史數(shù)據(jù)較少的讀者，可以采取靜態(tài)數(shù)據(jù)推薦算法，根據(jù)其注冊基本信息和社交媒體好友等信息，為讀者推送如所在專業(yè)讀者最感興趣的圖書、他的好友閱讀最多的文章等，這類服務是粗粒度的，個性化較低。通過采集讀者小數(shù)據(jù)發(fā)現(xiàn)數(shù)據(jù)量積累到一定程度后，可以采用基于內(nèi)容的推薦算法，主要是根據(jù)讀者的歷史數(shù)據(jù)推斷其個人喜好，推薦相似的內(nèi)容，并跟蹤讀者的興趣。還可以根據(jù)社交媒體等將讀者之間聯(lián)系起來，例如喜歡閱讀類似書籍的讀者可能有相同或相似的偏好。這類推薦算法要先找到讀者所屬的興趣相似的讀者群，即讀者的“最近鄰居”[5]，把“最近鄰居”最感興趣、最關注的，而讀者本身不知道的信息推送給讀者。

讀者的興趣受多方面因素影響，僅僅從數(shù)據(jù)庫、計算機中采集讀者小數(shù)據(jù)并不能完全展示出讀者的興趣，結合社交情境推演的數(shù)據(jù)才更全面；同時單獨一種推薦算法也不能準確的預測、判斷出讀者真正、實時的需求，在完善數(shù)據(jù)采集技術、手段和范圍的同時，采取多種推薦算法混合的方式也能夠完善圖書館的個性化服務。

3 根據(jù)小數(shù)據(jù)精準推薦

根據(jù)馬特萊法則即二八法則，圖書館80%的讀者只為圖書館提供了20%的服務收益，這80%的讀者為普通讀者；而其他20%的讀者卻為圖書館貢獻了80%的服務收益，這20%的讀者即為圖書館的關鍵讀者、VIP讀者。針對高效率讀者采取高精度、高準確度的服務更能提高圖書館的個性化推薦，采取如：個性推薦、服務定制、優(yōu)先選書等“VIP”化服務。高校圖書館按照借閱排行、進館次數(shù)等數(shù)據(jù)可以選出關鍵讀者，跟蹤關鍵讀者的小數(shù)據(jù)可以了解單個讀者的閱讀活動、閱讀心理變化、閱讀社會關系、閱讀需求和閱讀模式等，進行最真實、生動和動態(tài)的描繪與本質(zhì)因果關系的揭示[3]。

根據(jù)跟蹤的小數(shù)據(jù)對20%的關鍵讀者進行精準推薦活動，例如，讀者個體在微信端、移動圖書館、opac或其他終端設備上的閱讀、瀏覽或檢索的內(nèi)容、時間都具有自己的特征，圖書館可以通過對讀者借閱歷史數(shù)據(jù)、目前讀者個體的閱讀所需、讀者個體所處方位等相關小數(shù)據(jù)進行分析，明確館藏新書適宜推薦的讀者群、館內(nèi)讀書文化等活動積極參與的讀者群、微信推送的高接受讀者群及服務推送的內(nèi)容模式等，在不干擾讀者正常工作、學習的前提下，在合適的時間采取讀者習慣、喜歡的方式對讀者進行個性化推薦，完成圖書館服務推送，保證讀者有較高的興趣度和滿意度，使得圖書館獲取良好的服務收益。

4 結語

隨著信息技術的快速發(fā)展、圖書館資源數(shù)量的急劇增加和人們生活節(jié)奏的加快，如何快速、準確、有效地發(fā)現(xiàn)讀者的需求，已經(jīng)是圖書館發(fā)展所要面臨的重要問題。對于高校圖書館而言，服務群體是相對固定的，相對大數(shù)據(jù)分析所需的高要求，小數(shù)據(jù)分析更加適用于高校圖書館，更具有針對性，效率更高。高校圖書館在日常工作中應該注意采集小數(shù)據(jù)，也要培養(yǎng)館員利用小數(shù)據(jù)分析讀者需求、發(fā)現(xiàn)讀者興趣的能力，利用小數(shù)據(jù)分析挖掘讀者隱性需求，有利于提高館員的數(shù)據(jù)服務素養(yǎng)，優(yōu)化升級圖書館的個性化推薦，推動圖書館優(yōu)質(zhì)服務的發(fā)展。

參考文獻

[1]張衛(wèi)東.小數(shù)據(jù)架構下的數(shù)字化治理路徑研究[J].高校圖書館工作，2016（36），176.

[2]陳沉.基于小數(shù)據(jù)決策支持的圖書館個性化服務[J].圖書與情報，2015，01.

[3]陳沉.圖書館小數(shù)據(jù)讀者個性化興趣預測與發(fā)現(xiàn)模型的構建[J].圖書館論壇.2016，12.

[4]陳廉芳.大數(shù)據(jù)環(huán)境下圖書館用戶小數(shù)據(jù)的采集、分析與應用[J].技術應用.2016，3.

[5]李新廣.數(shù)字圖書館的用戶偏好模型及個性化推薦研究[D].武漢大學.2011.

作者簡介

錢浩，哈爾濱商業(yè)大學圖書館，館員。