數(shù)據(jù)挖掘在高校圖書館個性化推薦服務中的有效應用

徐靜

摘要：該文闡述了數(shù)據(jù)挖掘技術(shù)在高校圖書館中應用，結(jié)合圖書館的實際特征以及優(yōu)勢，為讀者提供個性化的推薦服務，作為一種較為有效的技術(shù)手段，可以在根本上提升高校圖書館的服務質(zhì)量與水平。文章通過對現(xiàn)階段高校圖書館數(shù)據(jù)挖掘技術(shù)的簡單分析，論述了其主要的任務與方法，對高校圖書館服務中數(shù)據(jù)挖掘技術(shù)的應用與方案設計進行闡述。

關(guān)鍵詞：數(shù)據(jù)挖掘；高校圖書館；個性化推薦；服務

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）25-0012-02

隨著數(shù)字圖書館的建設與發(fā)展，圖書館的電子資源庫在不斷地完善，電子圖書的購買量也在不斷地增多，各種數(shù)據(jù)的海量增加，使得讀者無法精準的獲得自己的想要的信息數(shù)據(jù)資源。而數(shù)據(jù)挖掘技術(shù)是一種較為有效的基礎手段，可以實現(xiàn)高校圖書館的個性化發(fā)展，轉(zhuǎn)變傳統(tǒng)的被動服務模式，進而構(gòu)建一個良好的數(shù)字資源環(huán)境。

1 高校圖書館數(shù)據(jù)挖掘技術(shù)任務及常用方法

1.1 分類發(fā)現(xiàn)

在數(shù)據(jù)挖掘中分類是一項重要的任務，目前多為經(jīng)濟應用。利用分類技術(shù)可以構(gòu)建分類函數(shù)以及模型，此種模型可以將數(shù)據(jù)庫中的數(shù)據(jù)進行映射處理，在預測中應用分類可以對歷史數(shù)據(jù)進行分析，了解今后的變化趨勢，進而進行精準的判斷分析，綜合實際狀況進行準備處理。構(gòu)造分類器，就要有訓練樣本數(shù)據(jù)集作為輸入的基礎。訓練樣本數(shù)據(jù)集由一組數(shù)據(jù)庫記錄或者元組構(gòu)成，其中每個元組就是一種通過相關(guān)字段數(shù)值構(gòu)成的特征向量。分類器的主要構(gòu)造方法有機器學習方法、神經(jīng)網(wǎng)絡方法等，其應用的統(tǒng)計方法主要是貝葉斯法以及非參數(shù)統(tǒng)計法等，其對應的知識表示則主要就是判別函數(shù)以及原型的實例。

1.2 聚類發(fā)現(xiàn)

聚類就是將一組中的個體基于相似狀態(tài)進行類別的劃分，其主要目的就是縮小相同個體的差距，將不同類別的個體差距拉大。聚類的方法主要有機器學習方式、面向數(shù)據(jù)庫的方法以及統(tǒng)計方法等。在機器學習中應用的聚類可以稱之為無監(jiān)督方式，相對于分類學習的方式來說，其使用的數(shù)據(jù)是未標記的，主要就是通過聚類學習算法對其進行自動的確定，其主要的統(tǒng)計方式主要有系統(tǒng)聚類法、分解法等。

1.3 數(shù)據(jù)總結(jié)

數(shù)據(jù)總結(jié)就是對數(shù)據(jù)的濃縮，將整體以及繁瑣的數(shù)據(jù)進行緊湊的總結(jié)，相對于傳統(tǒng)的數(shù)據(jù)挖掘方式來說，其方法較為單一，就是將數(shù)據(jù)在各個字段之上進行求和處理，了解其平均值，再對其進行簡單的分析處理。

2 高校圖書館服務中數(shù)據(jù)挖掘技術(shù)的應用

在高校圖書館服務中數(shù)據(jù)挖掘技術(shù)的作用主要體現(xiàn)在可以完善信息資源庫，提高信息資源的利用效率。利用數(shù)據(jù)挖掘技術(shù)構(gòu)建完善的高校圖書館大數(shù)據(jù)挖掘方案，合理使用數(shù)據(jù)挖掘技術(shù)的應用重點與技術(shù)手段，具體如下：

2.1 完善信息資源建設

通過數(shù)據(jù)挖掘技術(shù)對各種信息進行挖掘處理，獲得的內(nèi)容就是圖書館讀者群體的基礎信息。為了提升圖書館個性化的服務質(zhì)量，完善信息資源的檢索服務，要對各個方面的信息資源進行收集整理，進而構(gòu)造完善的個性化服務資源。在實際應用中，要對讀者的閱讀需求以及閱讀方向進行了解，對各項信息資源進行有效的補充與完善，提升圖書館的個性化服務特征。

2.2 提高信息資源的利用效率

高校信息資源的采集與處理尤為重要，其直接關(guān)系到圖書館的綜合實力。圖書館如果涵蓋了豐富的信息資源，就會吸引大量的讀者。傳統(tǒng)的信息采集都是通過人工的方式開展的，因為個體差異導致其信息資源采集受到各種因素的干擾。通過現(xiàn)代化的數(shù)據(jù)挖掘技術(shù)，可以對高校圖書館的內(nèi)部資源進行系統(tǒng)的分析梳理，綜合具體狀況具體分析，給出合理的建議，進而為讀者的閱讀提供方便。這樣不僅僅可以提升圖書館的利用率，也可以在根本上改善讀者的閱讀體驗。

2.3 高校圖書館大數(shù)據(jù)挖掘方案設計

在利用數(shù)據(jù)挖掘技術(shù)進行高校圖書館方案的設計過程中，可以基于Hadoop大數(shù)據(jù)分析基礎平臺、利用MapReduce/Spark作為計算框架對其進行個性化的服務設計。在整個大數(shù)據(jù)挖掘方案的設計中，其主要的模塊為數(shù)據(jù)收集、角色構(gòu)建、實現(xiàn)算法以及結(jié)果存儲、前端應用等，主要分為在線部分以及離線部分，包括數(shù)據(jù)特征選取、個性化服務算法選取等相關(guān)內(nèi)容。

2.3.1 在線部分

1） 數(shù)據(jù)收集

基于開源分布式文件系統(tǒng)HDFS以及HBase數(shù)據(jù)庫管理系統(tǒng)基礎之上，進行高校圖書館的大數(shù)據(jù)存儲以及數(shù)據(jù)信息的讀寫操作。其中HDFS文件系統(tǒng)就是一個具有高擴展性、高穩(wěn)定性且高可靠性的大規(guī)模的數(shù)據(jù)分布存儲管理系統(tǒng)，可以為上層的應用程序提供邏輯較為完整的大規(guī)模的數(shù)據(jù)文件信息。而HBase則是基于HDFS之上的一種分布式的數(shù)據(jù)庫，可以解決結(jié)構(gòu)化以及半結(jié)構(gòu)化甚至非結(jié)構(gòu)化的大數(shù)據(jù)的數(shù)據(jù)存儲問題，可以實現(xiàn)實時的讀寫以及隨機的訪問處理。

用戶的各種行為就是個性化服務算法的信息來源基礎，對此必須要對用戶的訪問日志進行收集整理。同時，用戶應用的檢索以及推薦的引擎系統(tǒng)中的數(shù)據(jù)也會被系統(tǒng)記錄分析，主要用于對今后的算法進行優(yōu)化處理。

2） 前端應用

前端應用主要就是對網(wǎng)頁接收以及移動設備推進的各種請求的處理，在對其進行處理之后要綜合實際狀況推薦后臺的引擎?zhèn)鬟f，在獲得其后臺的返回結(jié)果之后再反饋給用戶。通過網(wǎng)絡平臺上的關(guān)聯(lián)數(shù)據(jù)技術(shù)手段，結(jié)合海量的語義網(wǎng)絡知識庫系統(tǒng)，對其進行實時的檢索分析，可以為用戶提供實時性、交互性的個性化信息服務。

2.3.2 離線部分

1） 角色建模

角色建模主要可以分為用戶建模以及文獻建模兩種類型。其中用戶建模就是綜合用戶的人口統(tǒng)計學信息以及用戶的行為數(shù)據(jù)構(gòu)建完善的用戶畫像模型，了解用戶的短期以及中長期的興趣以及趨勢等。而文獻建模則是綜合文獻自身的領域?qū)傩蕴卣?，結(jié)合用戶訪問的文獻信息數(shù)據(jù)，構(gòu)建基礎的文獻畫像模型，其主要的目的就是刻畫用戶本質(zhì)特征。用戶建模以及文獻建模其主要的方式就是本體建模方式以及非本體建模兩種方式，這兩種建模方式可以通過Spark/MapReduce計算框架實現(xiàn)，而其模型主要就是通過HBase數(shù)據(jù)庫對其進行分布式的存儲以及檢索。

2） 算法實現(xiàn)和結(jié)果存儲

推薦、檢索以及推送算法都是以已經(jīng)建立的用戶模型以及文獻模型為基礎，利用不同的方式對其進行計算分析，進而尋找可以與用戶以及輸入信息匹配的文獻內(nèi)容，通過大數(shù)據(jù)挖掘技術(shù)對其進行優(yōu)化，可以提升個性化服務的質(zhì)量，進而提高用戶的使用滿意度。

Mahout則是一種以Hadoop以及MapReduce計算框架為基礎的具有擴展性的軟件包，其主要的作用就是處理高校圖書館大數(shù)據(jù)。Mahout可以為推薦引擎提供了一些可擴展的機器學習領域的經(jīng)典算法，涵蓋了聚類、分類、頻繁集等挖掘算法；可以利用降維方法對各項信息進行降維處理，解決高校圖書館的高緯度問題；可以實現(xiàn)用戶推薦以及物品推薦，為用戶提供個性化的信息服務。

2.3.3 數(shù)據(jù)特征選取

在實際應用中，無論應用本體建模還是非本體的建模方式，用戶建模以及文獻建模的重點就是信息數(shù)據(jù)的特征選取，在掌握對象數(shù)據(jù)的基礎特征之后可以通過模型對其進行分析處理，通過基于內(nèi)容的方式、用戶行為的方式、專業(yè)知識的方式以及社交網(wǎng)絡等方式了解其相似度，進而提供個性化的服務。鑒于現(xiàn)階段高校圖書館中并沒有形成較為完善的社交網(wǎng)絡系統(tǒng)，在實際應用中可以綜合內(nèi)容以及行為特征進行分析處理。其內(nèi)容特征則主要包括了文獻的標題、類別、用戶的背景以及興趣等內(nèi)容。用戶行為則主要就是用戶的瀏覽、下載以及借閱的文獻歷史記錄。二者可以實現(xiàn)有效的互補，例如，在用戶流量不足的時候其主要的內(nèi)容特征就是首選，無需了解用戶的訪問記錄，就可以解決大數(shù)據(jù)挖掘系統(tǒng)中存在的問題與不足；而在用戶具有較為充足的流量的時候，則可以對文章自身進行挖掘，了解其存在的潛在語義，提供更為精準的推薦內(nèi)容。

2.3.4 個性化服務推薦算法選取

高校圖書館要想提供高質(zhì)量的個性化服務，需要合理的應用推薦算法并保障算法的精準性、高效性以及穩(wěn)定性。

1） 準確性。在推薦系統(tǒng)推薦過程中，其自身的準確性主要就是受到用戶的數(shù)量以及物品之間數(shù)量比例因素的影響。在一般狀況之下，小部分相似度較高的用戶，其價值要高于相似度較低的用戶。在高校圖書館中的主要用戶多為學生、教師以及相關(guān)行政人員，不同的類別可以進行精準的劃分處理，通過對學生的不同專業(yè)的分析了解用戶之間的區(qū)分狀況，通過基于用戶的協(xié)同過濾的方式進行推薦，可以提升高校圖書館個性化推薦的效果與質(zhì)量。

2） 高效性。在一般狀況之下，多數(shù)的數(shù)據(jù)挖掘部分就是離線計算，對于實時返回的結(jié)果并沒有嚴格的要求，而在現(xiàn)階段的發(fā)展中必須對實時數(shù)據(jù)挖掘結(jié)果的計算時間提出一定的要求。因此，必須要提升挖掘的效率與質(zhì)量。在用戶數(shù)量高于物品數(shù)量的時候，物品的相似度計算其消耗的資源要小于用戶之間的相似度的計算，因此，物品的協(xié)同過濾效率也更高。反之，則既有用戶的協(xié)同過濾更為高效。因為在高校圖書館中應用的文獻數(shù)量要高于實際的用戶數(shù)量，則可以應用協(xié)同過濾的方式進行處理。

3） 穩(wěn)定性。物品以及用戶在持續(xù)變化，在系統(tǒng)中，如果其物品集合的穩(wěn)定性高于用戶集合的穩(wěn)定性，則可以通過基于物品的方式進行處理，進而避免頻繁信息數(shù)據(jù)的計算以及更新。如果狀況相反，則要通過基于用戶的方式進行處理。在高校中，學生的數(shù)量是變化的，學生的用戶也隨著新生入學以及畢業(yè)而出現(xiàn)變化，而圖書館的書籍以及文獻都會出現(xiàn)不同程度的變化，從穩(wěn)定性的角度對其進行分析，可以綜合實際狀況合理的應用。

3 結(jié)束語

在大數(shù)據(jù)時代，高校圖書館的個性化服務還是存在一定的問題與不足，通過大數(shù)據(jù)挖掘技術(shù)的應用，可以完善信息資源建設，增強信息資源的利用效率，綜合實際狀況合理地設計高校圖書館大數(shù)據(jù)挖掘方案，進而精準的分析用戶的不同需求，進而提高用戶的滿意度，這樣才可以為高校圖書館用戶提供高質(zhì)量的信息服務，具有一定的應用價值。

參考文獻：

[1] 柳益君，何勝，馮新翎，等.大數(shù)據(jù)挖掘在高校圖書館個性化服務中應用研究[J].圖書館工作與研究，2017，（5）.

[2] 王哲.數(shù)據(jù)挖掘技術(shù)在高校圖書館個性化服務中的應用研究[D].重慶大學，2012.

[3] 楊雪霞.數(shù)據(jù)挖掘技術(shù)在高校圖書館管理系統(tǒng)中的應用研究[J].軟件，2011，32（4）.

[4] 項爾津.高校圖書館個性化服務中數(shù)據(jù)挖掘技術(shù)的應用研究[J].蘭臺世界，2014，（29）.

[5] 李靜.數(shù)據(jù)挖掘技術(shù)在高校圖書館個性化服務中的應用研究[D].2012.

【通聯(lián)編輯：唐一東】