基于文本相似度的高校圖書館電子資源建設(shè)研究

孫 慧

(長春師范大學(xué) 圖書館， 長春 130032)

引言

大數(shù)據(jù)環(huán)境背景下，高校圖書館數(shù)字資源建設(shè)是圖書館建設(shè)的最重要的組成部分，高校圖書館數(shù)據(jù)庫資源的建設(shè)情況不僅反映了高校資源建設(shè)的重視程度，更在一定層面反映了學(xué)校教學(xué)和科研的發(fā)展水平。此外，高校資源建設(shè)情況還與高校的學(xué)科建設(shè)和服務(wù)等級密不可分[1]。

通常情況下,按照數(shù)據(jù)來源，數(shù)據(jù)庫可分為購買數(shù)據(jù)庫、試用數(shù)據(jù)庫、自建數(shù)據(jù)庫和特色數(shù)據(jù)庫；按照數(shù)據(jù)庫的語種，可分為中文數(shù)據(jù)庫、英文數(shù)據(jù)庫、西文數(shù)據(jù)庫及多語種數(shù)據(jù)庫；按照數(shù)據(jù)庫資源類型，可分為數(shù)據(jù)、期刊、電子書、多媒體、參考工具、平臺、專利、報紙、古籍、技術(shù)標準、多出版類型等[2]。

1 高校數(shù)據(jù)庫資源獲取

1.1 數(shù)據(jù)來源

本次研究搜集的數(shù)據(jù)庫資源數(shù)據(jù)主要來自于各高校圖書館網(wǎng)站中資源欄目，據(jù)教育部公示2016全國最新高校名單統(tǒng)計，共有2 879所高校，每所高校網(wǎng)站分別具有幾十到幾百個不等的電子資源數(shù)據(jù)庫[3]。本文有針對性地搜集了截至2017年8月國內(nèi)30所重點高校使用的數(shù)據(jù)庫作為數(shù)據(jù)分析樣本，主要搜集數(shù)據(jù)庫資源的名稱、語種、類型以及學(xué)科服務(wù)范圍等信息[4]。

1.2 數(shù)據(jù)獲取工具

本文研究處理的數(shù)據(jù)主要是通過八爪魚采集器對高校圖書館網(wǎng)站的資源模塊使用數(shù)據(jù)獲取方式得到的。八爪魚采集器是一款業(yè)界領(lǐng)先的新一代、智能、通用的網(wǎng)頁數(shù)據(jù)采集器，能迅速采集各種資源，使用簡單，而且全部可視化操作[5]。通過八爪魚數(shù)據(jù)采集器提取的數(shù)據(jù)可以導(dǎo)入/導(dǎo)出多種格式的數(shù)據(jù)文件，如:導(dǎo)入SqlServer、MySql數(shù)據(jù)庫、導(dǎo)出到excel或txt等。

1.3 數(shù)據(jù)獲取結(jié)果

本文數(shù)據(jù)獲取結(jié)果為30個國內(nèi)重點高校圖書館數(shù)據(jù)。結(jié)果中包括有：綜合類院校15個，理工類院校8個，師范類院校4個，財經(jīng)類院校3個，具體的數(shù)據(jù)獲取結(jié)果見表1所示。其中，資源種類是指該校圖書館網(wǎng)站上顯示的數(shù)據(jù)庫總個數(shù)；學(xué)科分類是指是否可以根據(jù)學(xué)科來查看數(shù)據(jù)庫；語種分類是指是否可以根據(jù)數(shù)據(jù)庫語言類別來查看數(shù)據(jù)庫；類型分類是指使用數(shù)據(jù)庫時是否可以根據(jù)數(shù)據(jù)、期刊、電子書、多媒體、參考工具、平臺、專利、報紙、古籍、技術(shù)標準、多出版類型等來檢索數(shù)據(jù)庫[6]。

表1 30所國內(nèi)高校圖書館資源建設(shè)情況Tab. 1 Resources construction of 30 domestic university libraries

通過數(shù)據(jù)搜集得到的30所高校圖書館網(wǎng)站的數(shù)據(jù)庫列表，共采集到6 796條信息紀錄。

2 文本相似度數(shù)據(jù)分析

2.1 數(shù)據(jù)標準化

數(shù)據(jù)標準化主要是將數(shù)據(jù)進行規(guī)范化處理，轉(zhuǎn)換為有利于數(shù)據(jù)分析的數(shù)據(jù)，本文的數(shù)據(jù)標準化研究主要可解析為如下設(shè)計內(nèi)容：

(1)去除重復(fù)數(shù)據(jù)。如：同一個圖書館數(shù)據(jù)庫列表中會出現(xiàn)“中國知網(wǎng)鏡像”與“中國知網(wǎng)主站”兩個電子資源，實質(zhì)為同一資源的2種存儲方式，需要去除重復(fù)的記錄。

(2)合并相同數(shù)據(jù)項。如：對于中國知網(wǎng)碩博論文、中國知網(wǎng)期刊全文數(shù)據(jù)庫，需要進行合并，統(tǒng)稱為中國知網(wǎng)數(shù)據(jù)庫。

(3)規(guī)范化數(shù)據(jù)庫命名法。如：“國務(wù)院發(fā)展研究中心信息網(wǎng)”與“國研網(wǎng)”雖然數(shù)據(jù)庫名稱文字標識不同，但屬于同一個數(shù)據(jù)庫，統(tǒng)稱為國研網(wǎng)，而對于英文數(shù)據(jù)庫統(tǒng)一使用英文拼寫和簡寫方法命名，去除中文詞匯命名。

2.2 數(shù)據(jù)分析程序

對于搜集得到的 6 796條數(shù)據(jù)庫信息，分析可知其中的很多信息記錄表征的都是同一數(shù)據(jù)庫，譬如很多學(xué)校都使用中國知網(wǎng)CNKI數(shù)據(jù)庫，復(fù)旦大學(xué)圖書館數(shù)據(jù)庫列表中對該數(shù)據(jù)庫命名為“中國知網(wǎng)”,而吉林大學(xué)圖書館數(shù)據(jù)庫列表中命名為“中國知網(wǎng)CNKI”，為此就需要一種有效的數(shù)據(jù)分析方法進行文字的相似度比較。本文即使用VBA語言實現(xiàn)了一種文本相似度比較的程序，實現(xiàn)數(shù)據(jù)的統(tǒng)計與分析?；A(chǔ)研究數(shù)據(jù)源如圖1所示。其中，Sheet1名字為數(shù)據(jù)源，Sheet2名字為相似度，用來保存比較結(jié)果[7]。

圖1 數(shù)據(jù)源信息表Fig. 1 Data source information table

文本比較相似度程序的關(guān)鍵功能可表述如下：

(1)自動獲取數(shù)據(jù)總行數(shù)。

(2)設(shè)置比較行，不包含表頭，設(shè)置從某幾行到某幾行進行比較。

(3)根據(jù)相似度閾值的設(shè)置，篩選符合相似度閾值的數(shù)據(jù)會被復(fù)制到圖1相似度的表中。

(4)設(shè)置復(fù)制行數(shù)是指保存相似度結(jié)果時，需要復(fù)制的源數(shù)據(jù)的行數(shù)。

(5)連續(xù)比較，程序每次運行不清空上次比較結(jié)果并設(shè)定數(shù)據(jù)追加，否則每次運行前將清空相似度表。

2.3 算法原理

本文給出的文本相似度分析算法的研究原理是：從2個字符串的左邊開始比較,計算并記錄已經(jīng)比較過的子串的距離,然后進一步得到下一個字符位置時的距離，距離就是用來計算從源串s轉(zhuǎn)換到目標串t所需要的最少的插入、刪除和替換的數(shù)目，算法流程設(shè)計如圖2所示[8]。

計算相似度的數(shù)學(xué)表達式為：

Q=(rep/Longer)^2*L(L=1)

(1)

其中，Q為相似度百分比，取值范圍為0～100；rep為重疊率為1的情況下，計算不同字符的個數(shù)，即為需要替換的字符個數(shù)；Longer為需比較的2個字符串較長字符串的長度值[9]。

圖2 數(shù)據(jù)分析算法Fig. 2 Data analysis algorithm

3 數(shù)據(jù)分析結(jié)果

本文分析結(jié)果設(shè)置程序的相似度閾值為60～100，目的是最大可能地去除相似度較高的數(shù)據(jù)庫信息，精確篩選結(jié)果。由于英文和外文期刊名稱的巨大區(qū)別性，及中文和外文期刊配置提供的服務(wù)有所不同，可以依據(jù)語種針對所得到的30所高校的數(shù)據(jù)庫列表中的數(shù)據(jù)展開統(tǒng)計分析，并分別給出如下研究處理結(jié)果[10]。

3.1 中文數(shù)據(jù)庫分析結(jié)果

圖3顯示了在30所高校中排名前15的中文數(shù)據(jù)庫的使用情況信息，排名先后順序為中國知網(wǎng)(CNKI)、KUKE數(shù)字音樂圖書館、人大報刊復(fù)印資料、新東方多媒體學(xué)習(xí)庫、中文社會科學(xué)引文索引(CSSCI)、維普期刊資源整合平臺、讀秀搜索、國研網(wǎng)、NoteExpress參考文獻管理軟件、中國基本古籍庫、超星電子圖書、超星數(shù)字圖書館、EPS全球統(tǒng)計數(shù)據(jù)/分析平臺、超星學(xué)術(shù)視頻。

圖3 中文數(shù)據(jù)庫使用情況Fig. 3 Chinese database usage

由圖3結(jié)果可見，中文數(shù)據(jù)庫中使用以人文社會科學(xué)領(lǐng)域中的各個學(xué)科為主，而且是以期刊和電子圖書為主，高校比較注重英語、音樂、經(jīng)濟、古籍等方面資料的學(xué)習(xí)[11]。

3.2 外文數(shù)據(jù)庫分析結(jié)果

圖4 顯示了在30所高校中排名前15的外文數(shù)據(jù)庫的使用情況信息。排名先后順序為：HeinOnline(著名的法學(xué)期刊全文數(shù)據(jù)庫)、Taylor & Francis、ACM Digital Library、 Science Online(即《科學(xué)》在線)、Wiley Online Library、ACS(美國化學(xué)學(xué)會)、Nature、Annual Reviews(專注于出版綜述期刊，回顧本學(xué)科最前沿的進展，為科學(xué)研究提供方向性指導(dǎo))、MyiLibrary(世界領(lǐng)先的集成性電子書平臺)、Encyclopedia Britannica Online(享有盛譽的綜合性英文百科全書)、Elsevier ScienceDirect、OCLC FirstSearch、Web of Science、Oxford Scholarship Online(專門收錄牛津大學(xué)出版社最優(yōu)秀的學(xué)術(shù)專著圖書)、MathSciNet(美國數(shù)學(xué)學(xué)會出版的《數(shù)學(xué)評論》)。

圖4 外文數(shù)據(jù)庫使用情況Fig. 4 Foreign language database usage

由圖4結(jié)果可以看出，外文數(shù)據(jù)庫主要以自然科學(xué)為主，人文科學(xué)為輔，并且是以高水平的期刊和圖書為主，各高校比較注重數(shù)學(xué)、計算機、化學(xué)、生物等學(xué)科的建設(shè)和發(fā)展。

4 應(yīng)用

通過本文的研究技術(shù)對國內(nèi)30所重點高校圖書館數(shù)據(jù)的分析，最終得到了有利于圖書館資源建設(shè)的很多數(shù)據(jù)，可以將這些技術(shù)更好地應(yīng)用于以下工作中。

4.1 依托優(yōu)勢學(xué)科，提高學(xué)科服務(wù)能力

高校圖書館擁有豐富的數(shù)字資源和較為穩(wěn)定的高素質(zhì)用戶群。通過了解一家學(xué)校的重點學(xué)科并對其數(shù)字資源建設(shè)數(shù)據(jù)展開實時跟蹤，及對用戶使用行為進行統(tǒng)計，可以分析得到該校的重點學(xué)科的研究發(fā)展態(tài)勢，進而總結(jié)提煉為學(xué)科發(fā)展規(guī)律，可以利于有的放矢地制定學(xué)科資源建設(shè)和發(fā)展策略規(guī)劃，并對重點學(xué)科提供高質(zhì)量的服務(wù)[12]。

4.2 搭建高校聯(lián)合采購方案的橋梁

通過電子資源建設(shè)的相關(guān)數(shù)據(jù)來探尋各個高校學(xué)科發(fā)展態(tài)勢，分析院校之間使用電子資源的相似性，有助于高校之間學(xué)科聯(lián)合，為高校未來館際間的進一步資源整合和聯(lián)合采購提供了有效的基礎(chǔ)依據(jù)。

4.3 促進館際互借與文獻傳遞

通過數(shù)據(jù)分析，以了解各個高校電子資源的建設(shè)情況，這樣就可以得到各高校圖書館資源的來源和渠道，有助于館際互借及文獻傳遞業(yè)務(wù)的順利開展。

4.4 評估數(shù)字資源利用價值

通過采集提取各高校圖書館數(shù)據(jù)資源信息，可以對研究選擇的高校圖書館的已訂購的數(shù)字資源的瀏覽量、下載量等數(shù)據(jù)進行調(diào)查分析，為其它院校選購電子資源發(fā)揮有益的參考與借鑒作用。

5 結(jié)束語

到目前為止，國內(nèi)圖書館建設(shè)已經(jīng)步入正軌，數(shù)據(jù)挖掘與分析技術(shù)也陸續(xù)涌現(xiàn)，并取得了長足進步。在以后的工作中，可以擴大數(shù)據(jù)采集的范圍，同時設(shè)計優(yōu)化文本相似度分析算法，得到更加準確的數(shù)字資源分析結(jié)果，再將其應(yīng)用于其它數(shù)據(jù)分析工作中，旨在為大數(shù)據(jù)環(huán)境下數(shù)字資源的建設(shè)與分析研究提供更多的可行性分析方法及途徑。

[1] 王飛. 基于數(shù)據(jù)挖掘的高校圖書館個性化推薦服務(wù)的應(yīng)用研究[D]. 呼和浩特: 內(nèi)蒙古工業(yè)大學(xué),2015.

[2] 曾路平. 基于相似度的文本聚類算法研究及應(yīng)用[D]. 鎮(zhèn)江: 江蘇大學(xué),2009.

[3] 許君寧. 基于知網(wǎng)語義相似度的中文文本聚類方法研究[D]. 西安:西安電子科技大學(xué),2010.

[4] 梁茹，李建霞，劉穎，等. 高校圖書館數(shù)字資源綜合服務(wù)能力評價[J]. 金融大學(xué)圖書館學(xué)報,2015(2): 38-46.

[5] 蔣巖波， 陳香珠. 國內(nèi)高等財經(jīng)院校圖書館數(shù)字資源建設(shè)問題研究—基于國內(nèi)45所財經(jīng)院校圖書館的調(diào)查分析[J]. 圖書情報工作,2015，59(8): 65-71.

[6] 何建新. 大數(shù)據(jù)時代高校圖書館的數(shù)字資源共享策略探討[J]. 現(xiàn)代情報,2014,34(9): 101-104,110.

[7] 李賀，袁翠敏，李亞峰. 基于文獻計量的大數(shù)據(jù)研究綜述[J]. 情報科學(xué),2014，32(6): 148-155.

[8] WANG Gang,ZHONG Guoxiang. Study on text clustering algorithm based on similarity measurement of ontology [J].Computer Science,2010,37(9): 222-224,228.

[9] 陳大慶，葉蘭，楊巍，等. 電子資源使用統(tǒng)計平臺USSER的設(shè)計與實現(xiàn) [J]. 圖書情報工作,2015，59(1):106-112.

[10]周婕. 高校圖書館電子資源建設(shè)實踐與研究 [J]. 情報理論與實踐,2006,29(6):715-718.

[11]陳妙鳳. 試論大數(shù)據(jù)時代高校圖書館電子資源特色化服務(wù)[J]. 才智,2017(5):101.

[12]常定姁. 基于微信的高校圖書館電子資源推廣調(diào)查與分析—以“985”高校圖書館為例[J]. 圖書館學(xué)研究, 2017(16): 69-77.