用戶畫像模型及其在圖書館領(lǐng)域中的應(yīng)用

劉海鷗，孫晶晶，陳 晶，張亞明△

（1．燕山大學(xué)經(jīng)濟(jì)管理學(xué)院；2．燕山大學(xué)互聯(lián)網(wǎng)+與產(chǎn)業(yè)發(fā)展研究中心）

用戶畫像也稱為用戶角色，是基于一系列真實(shí)數(shù)據(jù)建立的目標(biāo)用戶模型，同時(shí)也是最能描述用戶特征（如年齡、性別、居住地、工作地點(diǎn)等）的形象集合。［1］最早提出用戶畫像概念的是交互設(shè)計(jì)之父Alan Cooper，其將用戶畫像定義為“基于用戶真實(shí)數(shù)據(jù)的虛擬代表”，通過搜集用戶數(shù)據(jù)分析用戶的不同特征，形成他們的個(gè)性化標(biāo)簽，這樣便構(gòu)成了此類群體的用戶畫像。Amato［2］、Quintana等［3］將用戶畫像描述為“一個(gè)從海量數(shù)據(jù)中獲取的、由用戶信息構(gòu)成的形象集合”，通過這個(gè)集合，可以描述用戶的需求、興趣以及個(gè)性化偏好等。將用戶畫像引至圖書館領(lǐng)域可更好地了解讀者需求，從而協(xié)助圖書館重新審視其服務(wù)系統(tǒng)，改進(jìn)服務(wù)質(zhì)量。［4］

1 用戶畫像建模方法

鑒于用戶畫像的表示方式、關(guān)注點(diǎn)各不相同，用戶畫像建模方法可分為以下幾大類，即面向用戶行為的用戶畫像模型、基于本體的用戶畫像模型、融合用戶興趣的畫像模型等。

1.1 面向用戶行為的畫像模型

用戶行為分析是用戶畫像的一個(gè)重要內(nèi)容，關(guān)于網(wǎng)絡(luò)用戶行為的早期研究可追溯到2005年，國(guó)外學(xué)者Barabdsi［5］基于復(fù)雜網(wǎng)絡(luò)理論對(duì)用戶的行為規(guī)律進(jìn)行探討，通過統(tǒng)計(jì)用戶發(fā)送和回復(fù)普通郵件及電子郵件的時(shí)間間隔，發(fā)現(xiàn)人類行為并不服從泊松分布，而是服從具有胖尾特征的冪律分布，并在今后的研究中進(jìn)一步指出93%的人類活動(dòng)都是可預(yù)測(cè)的。Fawcett等［6］提出了通訊欺詐指數(shù)這一概念，通過分析若干起詐騙案得出電話記錄中的欺詐指數(shù)，然后基于詐騙指數(shù)構(gòu)建用戶行為畫像，最后將其應(yīng)用于實(shí)際的欺詐檢測(cè)中，得到良了好的實(shí)驗(yàn)結(jié)果。Nasraoui等［7］在研究過程中引入了數(shù)據(jù)挖掘技術(shù)，并對(duì)Web站點(diǎn)的日志數(shù)據(jù)進(jìn)行分析，根據(jù)用戶的行為模式進(jìn)行聚類分析，由此對(duì)不同用戶群體進(jìn)行畫像，從而得到特定集群的用戶畫像。Iglesias等［8］也進(jìn)行了相關(guān)研究，他們獲取了用戶在Unix Shell上的命令日志，該日志包含了用戶的部分行為信息，由此來(lái)獲得計(jì)算機(jī)用戶的行為畫像。在此基礎(chǔ)上，Nasraoui等［9］通過分析動(dòng)態(tài)網(wǎng)站上的網(wǎng)絡(luò)日志，提出一種動(dòng)態(tài)的、可演化的日志挖掘框架，由此構(gòu)建基于動(dòng)態(tài)網(wǎng)絡(luò)日志的用戶行為畫像模型，該模型不僅可以挖掘并且分析用戶的日志信息，同時(shí)還可以多方面對(duì)用戶畫像信息進(jìn)行實(shí)時(shí)跟蹤與動(dòng)態(tài)驗(yàn)證。Adomavicius等［10］在研究中根據(jù)統(tǒng)計(jì)用戶的閱讀時(shí)間和重訪問行為等來(lái)構(gòu)建了用戶檔案信息，同時(shí)還對(duì)基于行為的用戶畫像技術(shù)進(jìn)行了探討，研究結(jié)果表明，用戶畫像可以很好地挖掘用戶檔案信息，從而揭示更深層面的用戶消費(fèi)行為規(guī)律。

國(guó)內(nèi)學(xué)者郝增勇［11］系統(tǒng)梳理了目前關(guān)于用戶行為分析的主要方法，并對(duì)用戶流量統(tǒng)計(jì)、用戶分布、網(wǎng)站排行、關(guān)注熱點(diǎn)等用戶相關(guān)的網(wǎng)站數(shù)據(jù)進(jìn)行了可視化分析。但是，該研究重點(diǎn)集中于分析用戶行為的系統(tǒng)構(gòu)建和數(shù)據(jù)展現(xiàn)，未基于用戶數(shù)據(jù)挖掘用戶價(jià)值和用戶需求。肖云鵬等［12］通過對(duì)用戶真實(shí)數(shù)據(jù)進(jìn)行分析，設(shè)計(jì)了用戶行為的表征量表，將之作為驅(qū)動(dòng)用戶行為的動(dòng)力學(xué)指標(biāo)，提出一種興趣和節(jié)點(diǎn)間交互的個(gè)體行為動(dòng)力學(xué)模型，由此分析用戶的個(gè)體行為以及個(gè)體行為如何對(duì)其他用戶產(chǎn)生影響；需要指出的是，該研究?jī)H從個(gè)體數(shù)據(jù)出發(fā)，并沒有實(shí)現(xiàn)對(duì)用戶行為未來(lái)的預(yù)測(cè)。張小可等［13］通過收集移動(dòng)互聯(lián)網(wǎng)用戶的行為歷史數(shù)據(jù)來(lái)進(jìn)行多元回歸分析，構(gòu)建了一個(gè)貝葉斯網(wǎng)絡(luò)模型，根據(jù)用戶的實(shí)時(shí)行為數(shù)據(jù)來(lái)對(duì)模型參數(shù)進(jìn)行更改，從而獲得每一個(gè)移動(dòng)用戶的用戶畫像。黃文彬等［14,15］利用移動(dòng)網(wǎng)絡(luò)基站數(shù)據(jù)從用戶周期性活動(dòng)規(guī)律、用戶頻繁活動(dòng)規(guī)律以及用戶移動(dòng)速度三個(gè)方面構(gòu)建了移動(dòng)用戶的用戶畫像，由此較為清晰地展示用戶每天的生活規(guī)律和移動(dòng)情況，同時(shí)揭示與用戶地理位置相關(guān)的具體行為。需要指出的是，該研究對(duì)移動(dòng)用戶微觀行為的刻畫較為有限，用戶畫像模型應(yīng)進(jìn)一步與用戶網(wǎng)絡(luò)訪問記錄以及用戶的移動(dòng)屬性相結(jié)合，這樣才能獲取準(zhǔn)確度更高、粒度更為細(xì)致的用戶移動(dòng)行為與用戶偏好。

綜上，對(duì)用戶行為的研究是用戶畫像研究的重中之重，不僅可以發(fā)現(xiàn)某一用戶屬于什么群體分布，而且可以從用戶聚集的用戶人群中發(fā)現(xiàn)人群之間的差異?；诖耍覀兛梢詷?gòu)建完善的用戶畫像，然后針對(duì)不同用戶人群提供精準(zhǔn)化的優(yōu)質(zhì)服務(wù)。需要指出的是，當(dāng)前面向數(shù)據(jù)體量有限的用戶行為分析與用戶畫像研究已積累了不少研究成果，但在大數(shù)據(jù)環(huán)境下，用戶行為數(shù)據(jù)增長(zhǎng)迅速、類型眾多且價(jià)值密度低，如何基于大數(shù)據(jù)技術(shù)對(duì)用戶行為進(jìn)行深入挖掘，從而構(gòu)建基于用戶行為大數(shù)據(jù)分析的用戶畫像，是關(guān)系大數(shù)據(jù)時(shí)代用戶畫像服務(wù)真正落地的關(guān)鍵問題。

1.2 基于本體的用戶畫像模型

本體是一種形式化的說明，通過形式化表達(dá)特定領(lǐng)域中的對(duì)象類型、概念、屬性以及相互關(guān)系，主要包括概念模型、明確、形式化和共享四層含義。國(guó)外學(xué)者Razmerita等［16］提出了基于本體（Ontology）的用戶模型架構(gòu)，并將該框架模型應(yīng)用于知識(shí)管理系統(tǒng)的上下文處理中，取得了良好的效果。Tao等［17］在研究中引入醫(yī)療知識(shí)庫(kù)建立用戶本體概念模型，同時(shí)結(jié)合用戶興趣建立個(gè)性化本體知識(shí)庫(kù)，為構(gòu)建醫(yī)療用戶畫像奠定了基礎(chǔ)。Shehata等［18］在用戶畫像建模過程中引入本體的概念，使用本體概念圖來(lái)探討語(yǔ)句間的語(yǔ)義聯(lián)系，從而挖掘出用戶興趣并基于此建立了與之相對(duì)應(yīng)的用戶畫像模型。Tang等［19］主要對(duì)學(xué)術(shù)圈中的用戶畫像進(jìn)行了探討，通過拓展FOAF（Friendof aFriend）Ontology構(gòu)建了學(xué)者的用戶畫像。

鄭建興等［20］以微博為例，結(jié)合其文本短、信息少、更新速度快等特點(diǎn)，在本體用戶模型基礎(chǔ)上提出了友鄰—用戶模型的實(shí)現(xiàn)方法。姜建武等［21］利用用戶描述和計(jì)算機(jī)處理等方法，提出了信息本體的概念，同時(shí)運(yùn)用基于“行為－主題”，“主題－詞匯”及“行為－詞匯”三位一體的模型，抽象出體現(xiàn)用戶行為的具體標(biāo)簽，由此構(gòu)建用戶畫像的數(shù)學(xué)模型。此外，還針對(duì)傳統(tǒng)信息推送服務(wù)未考慮用戶個(gè)人綜合因素、針對(duì)性差和推廣轉(zhuǎn)化率低等問題，結(jié)合大數(shù)據(jù)理論提出基于用戶畫像的智能信息推送方法。

綜上，基于本體的用戶畫像方法不僅可以更多考慮信息源包含的具體語(yǔ)義，而且有著相較于其他用戶畫像方法語(yǔ)義表達(dá)能力更強(qiáng)，且具有較好的邏輯推理能力，將之應(yīng)用于個(gè)性化信息推薦、信息檢索領(lǐng)域可顯著提升準(zhǔn)確率與查全率。但是，相較于其他用戶畫像模型，基于本體的用戶畫像模型較為復(fù)雜，這是因?yàn)楸倔w庫(kù)的建立需要領(lǐng)域?qū)＜覅⑴c制定，即在運(yùn)用基于本體的用戶畫像模型創(chuàng)建用戶畫像時(shí)，需要專業(yè)領(lǐng)域的權(quán)威專家的參與才能實(shí)現(xiàn)，增加了用戶畫像的難度。

1.3 融合用戶興趣的畫像模型

為了更好地描繪用戶特征與偏好，如何在用戶畫像過程中融合用戶興趣成為研究的一大主題。Godoy等［22］使用聚類算法對(duì)網(wǎng)頁(yè)文檔進(jìn)行分類，以此來(lái)確定用戶的興趣偏好。Pazani等［23］根據(jù)用戶生成的標(biāo)簽對(duì)用戶的興趣檔案進(jìn)行追蹤，總結(jié)了各種用戶興趣檔案的構(gòu)建方法，其中，用戶興趣檔案的信息內(nèi)容主要包括描述用戶喜愛的商品信息、購(gòu)買特定商品的交互信息等。Kim等［24］針對(duì)社交網(wǎng)絡(luò)中的留言等充滿噪聲和新詞的問題，提出了將基于頻率的方法和基于翻譯的方法相結(jié)合的詞提取方法，這種方法在專業(yè)領(lǐng)域詞聚類方面有較好的效果。Liu等［25］指出，學(xué)者在挖掘微博用戶興趣時(shí)，一般是將詞袋模型（Bag of Word）建立在用戶發(fā)表內(nèi)容或者用戶粉絲的基礎(chǔ)上，在這個(gè)過程中他們通常忽略了一個(gè)重要事實(shí)，即用戶發(fā)表的內(nèi)容在很大概率上僅是他們所從事的行業(yè)或者他們所擅長(zhǎng)的事情，但是這并不一定是他們的真正興趣。基于此，采用關(guān)鍵詞抽取算法對(duì)用戶在社交網(wǎng)絡(luò)中的回復(fù)和留言進(jìn)行挖掘，通過隱含狄利克雷分布模型（Latent Dirichlet Allocation，LDA）計(jì)算用戶感興趣的話題，然后對(duì)用戶進(jìn)行畫像。雖然該方法能夠在一定程度上發(fā)現(xiàn)用戶的潛在興趣，但是當(dāng)用戶粉絲量很少或者發(fā)表的內(nèi)容較少時(shí)，該方法的挖掘效果不佳。

王慶福［26］采用貝葉斯網(wǎng)絡(luò)構(gòu)建用戶興趣模型，構(gòu)建用戶畫像并將之應(yīng)用于內(nèi)容推送領(lǐng)域。研究指出用戶畫像的興趣標(biāo)簽主要依賴于3類數(shù)據(jù)：① 用戶數(shù)據(jù)，主要包括靜態(tài)和動(dòng)態(tài)數(shù)據(jù)；② 商品數(shù)據(jù)即客觀商品屬性，包括商品功能、顏色、尺寸等具體數(shù)據(jù)；③ 平臺(tái)數(shù)據(jù)，其中平臺(tái)包括用戶和商品交互的平臺(tái)、用戶獲取信息的平臺(tái)、用戶購(gòu)買商品的平臺(tái)以及用戶發(fā)布評(píng)論的平臺(tái)等。研究結(jié)果表明，貝葉斯網(wǎng)絡(luò)不僅能夠?qū)崿F(xiàn)數(shù)據(jù)全局合理優(yōu)化，還能將用戶行為特征映射為網(wǎng)格中各個(gè)節(jié)點(diǎn)間的轉(zhuǎn)換權(quán)值，從而有利于用戶興趣標(biāo)簽的提取和畫像模型的實(shí)驗(yàn)。李冰等［27］建立了基于K-means算法的用戶畫像，通過采集歷史數(shù)據(jù)樣本建立聚類模型，深入分析卷煙零售客戶的特征并對(duì)其進(jìn)行畫像，在此基礎(chǔ)上為零售客戶提供智能推薦服務(wù)。

總體來(lái)看，國(guó)內(nèi)外學(xué)者在探討融合用戶興趣的畫像方法方面取得了一定的研究成果，當(dāng)前融合用戶興趣的畫像方法主要有兩種思路，一是使用顯性的用戶興趣數(shù)據(jù)（如用戶網(wǎng)站、社交平臺(tái)注冊(cè)信息）對(duì)用戶畫像進(jìn)行構(gòu)建，二是采用隱性方式來(lái)收集用戶的喜好信息。需要指出的是，用戶對(duì)某一資源的關(guān)注度或興趣度會(huì)隨著時(shí)間的推移而產(chǎn)生變化，雖然其長(zhǎng)期行為具有一定的穩(wěn)定性，但是在短期可能發(fā)生興趣遷移的情況。此外，用戶興趣與偏好受外界情境（如地理位置、天氣狀況、社交關(guān)系等）的影響較大，由此也會(huì)導(dǎo)致用戶興趣的變化。而當(dāng)前融合用戶興趣的畫像方法卻很少考慮時(shí)間以及周邊情境等影響因素，因此，在考慮用戶興趣的前提下，如何進(jìn)一步融合時(shí)間、地理位置、天氣狀況、社交關(guān)系等標(biāo)簽信息，從而更精準(zhǔn)地反映用戶興趣遷移的時(shí)間變化、情境敏感等特點(diǎn)，成為用戶畫像領(lǐng)域亟待解決的問題。

2 用戶畫像在圖書館領(lǐng)域中的應(yīng)用

通過融合用戶的基本信息、興趣偏好與其他行為信息，圖書館系統(tǒng)運(yùn)用聚類、關(guān)聯(lián)規(guī)則以及分類等數(shù)據(jù)挖掘方法將其抽象化，由此繪制出讀者的“用戶畫像”?！坝脩舢嬒瘛笨梢暂^為深刻地描述讀者用戶的群體行為特征，從而為圖書館個(gè)性化內(nèi)容推薦、讀者滿意度管理及信用評(píng)價(jià)等提供借鑒。

2.1 個(gè)性化內(nèi)容推薦與精準(zhǔn)營(yíng)銷

圖書館的個(gè)性化內(nèi)容推薦是將讀者興趣、知識(shí)領(lǐng)域等關(guān)聯(lián)信息加工為能夠生動(dòng)描述讀者偏好的知識(shí)元，由此來(lái)支持?jǐn)?shù)字圖書館各種推薦服務(wù)，最終能夠?yàn)橛脩籼峁M足其個(gè)性化需求的知識(shí)資源。目前，國(guó)內(nèi)外有少量學(xué)者基于用戶畫像對(duì)個(gè)性化推薦系統(tǒng)進(jìn)行了優(yōu)化。Mao等［28］基于擴(kuò)散理論減少了畫像過程中的用戶冗余標(biāo)簽，然后利用社會(huì)網(wǎng)絡(luò)探討密集用戶標(biāo)簽之間的網(wǎng)絡(luò)關(guān)系，由此提高用戶畫像的準(zhǔn)確度和個(gè)性化內(nèi)容推薦的精度。Ravi等［29］根據(jù)用戶的興趣點(diǎn)、用戶評(píng)分等信息對(duì)用戶進(jìn)行畫像，為讀者制定個(gè)性化的旅游出行方案。Geyer-Schulz等［30］構(gòu)建了基于用戶行為畫像的數(shù)字圖書館信息推薦系統(tǒng)，通過計(jì)算圖書館用戶共用文獻(xiàn)的出現(xiàn)頻率，為用戶提供出現(xiàn)次數(shù)頻繁的文獻(xiàn)，并成功將該技術(shù)應(yīng)用于德國(guó)卡爾斯魯厄大學(xué)OPAC推薦系統(tǒng)中。目前，我國(guó)基于用戶畫像視角對(duì)圖書館個(gè)性化內(nèi)容推薦問題進(jìn)行探討的研究還很少，僅有幾篇與之相關(guān)的文獻(xiàn)。陳慧香等［31］在研究中指出，面向海量的數(shù)據(jù)資源和龐大的用戶群體，用戶畫像為圖書館提供精準(zhǔn)服務(wù)奠定了基礎(chǔ)，論文探討了用戶畫像在圖書館領(lǐng)域中的應(yīng)用現(xiàn)狀，歸納了我國(guó)圖書館應(yīng)用用戶畫像的借鑒經(jīng)驗(yàn)。劉速［4］以天津圖書館為例，對(duì)構(gòu)建圖書館用戶畫像的數(shù)據(jù)來(lái)源、信息分析、模型構(gòu)建等問題進(jìn)行了探討。胡媛等［1］將用戶畫像技術(shù)應(yīng)用于圖書館知識(shí)社區(qū)的建設(shè)之中，通過提煉用戶興趣標(biāo)簽構(gòu)建讀者用戶畫像，使得讀者用戶的特征更為生動(dòng)、具體，不僅減少了用戶的信息搜索時(shí)間、提高了知識(shí)傳播效率，同時(shí)還改善了圖書館社區(qū)的個(gè)性化服務(wù)質(zhì)量，提升了用戶忠誠(chéng)度。

2.2 用戶流失與滿意度管理

對(duì)流失用戶進(jìn)行畫像可以幫助企業(yè)明晰哪些用戶流失了以及用戶流失的原因等，從而為優(yōu)化產(chǎn)品與服務(wù)提供參考。Shawn Steward［32］最早對(duì)用戶流失問題進(jìn)行了研究，主要探討了電信客戶及其流失問題。我國(guó)較早進(jìn)行該方面研究的為柳炳祥等，［33］他們結(jié)合中國(guó)行業(yè)背景對(duì)客戶流失問題做了細(xì)致的研究。隨后，盛昭瀚等［34］提出了基于加權(quán)熵的ID3決策樹客戶流失預(yù)測(cè)算法。隨著建模技術(shù)和模型精度的不斷提高，新的用戶流失預(yù)測(cè)系統(tǒng)框架層出不窮，且成功應(yīng)用于圖書館等領(lǐng)域。張洪艷［35］分析了圖書館界傳統(tǒng)用戶調(diào)查工作的局限性，構(gòu)建了圖書館聯(lián)盟用戶管理系統(tǒng)用戶滿意度測(cè)評(píng)模塊的框架，同時(shí)提出了基于維基技術(shù)的用戶滿意度信息采集方式，倡導(dǎo)用戶參與圖書館的滿意度測(cè)評(píng)。李映坤［36］采用標(biāo)簽集合構(gòu)建了用戶畫像，并通過生存分析、支持向量機(jī)方法對(duì)用戶一段時(shí)間內(nèi)的使用行為數(shù)據(jù)進(jìn)行分析，由此構(gòu)建了用戶流失預(yù)測(cè)模型，并提出了相應(yīng)對(duì)策。戴桓宇［37］從用戶投訴入手，利用投訴文本提出了構(gòu)造用戶畫像訓(xùn)練集的方法，最后基于決策樹算法繪制了投訴類別用戶的畫像，該畫像模型能夠?qū)ν对V用戶特征進(jìn)行定量刻畫，并進(jìn)行用戶的滿意度管理。對(duì)于圖書館而言，滿意度管理至關(guān)重要，它關(guān)系到圖書館的服務(wù)質(zhì)量，通過讀者滿意度管理可以得知圖書館改進(jìn)方向，提升用戶滿意度。當(dāng)前，大多圖書館都關(guān)注讀者滿意度管理，但是并沒有充分利用用戶反饋來(lái)改善館區(qū)建設(shè)與管理，相關(guān)信息挖掘技術(shù)也不完善，有用戶流失原因不明的情況出現(xiàn)。［38］因此，利用用戶畫像進(jìn)行讀者滿意度管理將會(huì)是今后圖書館發(fā)展管理的重點(diǎn)與難點(diǎn)。

2.3 讀者信用評(píng)價(jià)與征信管理

對(duì)讀者進(jìn)行信用管理是抑制圖書館讀者失信現(xiàn)象的一個(gè)有效途徑，而建立相應(yīng)的指標(biāo)體系則是信用管理的首要工作。成永娟［39］對(duì)圖書館用戶的信用積分以及信用評(píng)價(jià)問題進(jìn)行了研究，利用加權(quán)方法與神經(jīng)網(wǎng)絡(luò)對(duì)用戶信用進(jìn)行評(píng)價(jià)，并通過樣本測(cè)試證明用戶信用評(píng)價(jià)方法的有效性。陳少華等［40］利用云模型建立圖書館用戶信用評(píng)價(jià)模型，通過特定的算法來(lái)實(shí)現(xiàn)定性概念和定量表示的轉(zhuǎn)換，且具有很強(qiáng)的可操作性，利用云模型評(píng)價(jià)方法能大大減少人為判斷的主觀性。郭強(qiáng)等［41］根據(jù)讀者的借閱情況分析大學(xué)圖書館讀者失信現(xiàn)象，給出了評(píng)價(jià)圖書館讀者個(gè)人信用的指標(biāo)體系，以此對(duì)讀者個(gè)人信用等級(jí)進(jìn)行評(píng)價(jià)。林漢川等［42］在研究中引入了Logistic回歸模型與隨機(jī)森林方法，通過構(gòu)建用戶畫像模型與風(fēng)險(xiǎn)計(jì)量模型探討了海量數(shù)據(jù)環(huán)境下的個(gè)人信用風(fēng)險(xiǎn)評(píng)估問題，研究結(jié)果表明，作為用戶畫像的重要組成部分，用戶信用畫像在精準(zhǔn)測(cè)評(píng)用戶信用等級(jí)以及實(shí)施風(fēng)險(xiǎn)管控方面具有重要作用。丁偉等［43］以手機(jī)用戶畫像為例，分析了手機(jī)用戶畫像的數(shù)據(jù)來(lái)源以及與之相關(guān)的個(gè)人隱私保護(hù)方法，并探討了手機(jī)用戶畫像在個(gè)人征信應(yīng)用中的有效性。當(dāng)前，我國(guó)圖書館行業(yè)還普遍面臨著較為嚴(yán)重的用戶失信行為，仍需加強(qiáng)對(duì)讀者信用評(píng)級(jí)與征信的管理，用戶畫像方法為加強(qiáng)圖書館用戶的信用管理提供了借鑒。

3 對(duì)我國(guó)圖書館行業(yè)的啟示

3.1 利用信息過濾技術(shù)，實(shí)現(xiàn)個(gè)性化內(nèi)容推薦

綜上所述，對(duì)讀者進(jìn)行畫像可以協(xié)助圖書館進(jìn)行信息過濾，從而為用戶推薦與之相匹配的信息服務(wù)資源。圖書館數(shù)據(jù)庫(kù)資源種類繁多，數(shù)據(jù)類型多樣，傳統(tǒng)的信息檢索方式難以在短期內(nèi)對(duì)數(shù)據(jù)進(jìn)行有效的信息查詢。［44］通過對(duì)圖書館海量數(shù)據(jù)資源的挖掘，利用用戶畫像相關(guān)技術(shù)對(duì)數(shù)據(jù)進(jìn)行過濾，消除冗余數(shù)據(jù)，由此得出的用戶畫像模型能夠較為清晰地體現(xiàn)讀者的信息全貌，從而將圖書館大數(shù)據(jù)轉(zhuǎn)換為有用的知識(shí)和價(jià)值。因此，圖書館要善于利用用戶畫像技術(shù)挖掘出用戶的需求特征，過濾掉海量數(shù)據(jù)中的不相關(guān)信息，為圖書館信息查詢系統(tǒng)降噪；同時(shí)，基于用戶畫像模型進(jìn)行聚類分析與關(guān)聯(lián)挖掘，由此構(gòu)建圖書館個(gè)性化內(nèi)容推薦系統(tǒng)，為廣大用戶提供精準(zhǔn)的信息推送服務(wù)。此外，圖書館還可以在具有相似知識(shí)需求、興趣偏好、閱讀習(xí)慣、科研領(lǐng)域的用戶間建立關(guān)聯(lián)關(guān)系，由此構(gòu)建基于用戶畫像的讀者關(guān)系圖譜、科研關(guān)系圖譜等，從而揭示深層次的知識(shí)服務(wù)規(guī)律。

3.2 重視用戶需求變化，提升用戶滿意度

海量數(shù)據(jù)標(biāo)簽化的圖書館用戶畫像模型相比于傳統(tǒng)的用戶模型更具柔性，更注重用戶需求的變化。需要指出的是，在對(duì)圖書館進(jìn)行用戶畫像時(shí)，要注意建設(shè)相應(yīng)的評(píng)估測(cè)試方案以及用戶滿意度反饋機(jī)制，從而及時(shí)根據(jù)用戶需求變化做出調(diào)整，利用反饋機(jī)制對(duì)用戶畫像進(jìn)行實(shí)時(shí)更新和完善。此外，圖書館還要重視用戶流失問題，基于用戶畫像建立用戶流失預(yù)測(cè)模型，找出讀者流失的根源所在，著力提高用戶滿意度，從而為每位用戶提供更好的個(gè)性化服務(wù)，更好地實(shí)現(xiàn)知識(shí)的共享與流通。

3.3 規(guī)范用戶失信行為，強(qiáng)化公共圖書館信用服務(wù)

當(dāng)前，在圖書館還普遍存在圖書超期未還、故意毀壞圖書、破壞圖書館公共設(shè)施等失信行為。究其原因，主要是大多數(shù)圖書館還缺乏讀者信用管理的理念，對(duì)于讀者的失信行為仍采取簡(jiǎn)單的經(jīng)濟(jì)處罰方式，當(dāng)讀者失信行為導(dǎo)致的經(jīng)濟(jì)損失足夠大時(shí)，就可能出現(xiàn)借書不還、經(jīng)濟(jì)懲罰失效等現(xiàn)象。圖書館信用服務(wù)是讀者通過其社會(huì)信用指數(shù)，免證、免押金地使用圖書館相關(guān)服務(wù)資源，是圖書館領(lǐng)域開展的一種全新服務(wù)模式。通過對(duì)用戶的信用行為進(jìn)行記錄，可以構(gòu)建用戶的信用畫像；當(dāng)用戶出現(xiàn)失信行為時(shí)，則可基于用戶畫像對(duì)讀者的失信行為進(jìn)行分類管理，同時(shí)還可以將讀者在圖書館的失信行為信用納入個(gè)人征信系統(tǒng)，通過社會(huì)監(jiān)督使其遵守圖書館相關(guān)規(guī)定，防范用戶在圖書館資源使用過程中的信用風(fēng)險(xiǎn)，規(guī)范用戶失信行為，強(qiáng)化公共圖書館信用服務(wù)。