基于用戶適用度的開放數(shù)據(jù)質量提升研究*

王瑞云 賈君枝

（1.山西大學經(jīng)濟與管理學院，太原 030006；2.中國人民大學信息資源管理學院，北京 100872）

當前大數(shù)據(jù)和“互聯(lián)網(wǎng)+”等國家項目正致力于促進國家信息化發(fā)展，確保公民公平、公正、準確地獲取到所需信息。2015年，國務院印發(fā)《促進大數(shù)據(jù)發(fā)展行動綱要》規(guī)劃大數(shù)據(jù)發(fā)展目標，旨在2018年底前建成國家政府數(shù)據(jù)統(tǒng)一開放平臺，2020年底前逐步實現(xiàn)信用、交通、醫(yī)療、衛(wèi)生、就業(yè)、社保、地理、文化、教育、科技、資源、農業(yè)、環(huán)境、安監(jiān)、金融、質量、統(tǒng)計、氣象、海洋、企業(yè)登記監(jiān)管等民生保障服務相關領域的政府數(shù)據(jù)集向社會開放[1]。政府和公用事業(yè)機構的開放數(shù)據(jù)是大數(shù)據(jù)的基本數(shù)據(jù)內容，因來源機構的信用擔?？煽慷哂泻芨叩挠脩粜湃魏蛻脙r值。

國內開放數(shù)據(jù)發(fā)展起步晚于國外，在開放數(shù)據(jù)規(guī)模和質量上都存在一定的缺陷，亟需改進。根據(jù)互聯(lián)網(wǎng)基金會發(fā)布的第四次《開放數(shù)據(jù)晴雨表》的評價，中國在115個國家/機構中排名71位。在開放數(shù)據(jù)評價的15個主題數(shù)據(jù)集中，我國只有人口普查細節(jié)數(shù)據(jù)和公共交通時間表兩項排名在前69位，其他項單項排名都在70位以后；而且已提供的開放數(shù)據(jù)只達到該機構的最低要求，即數(shù)據(jù)集存在和可在線獲取，沒有達到整體可用和提供數(shù)據(jù)關鍵元素鏈接等更高要求[2]。

國外學者[3-7]的研究重視開放數(shù)據(jù)與用戶需求的匹配，利用開放數(shù)據(jù)定量研究方法結合專家知識解決現(xiàn)實中的具體問題，如某一地區(qū)的人口下降和社區(qū)公共服務的可持續(xù)性，以及空氣污染治理、疾病傳播和控制等。國內學者[8-9]首先研究分析發(fā)達國家開放數(shù)據(jù)的經(jīng)驗以供借鑒，還有一些學者[10-13]采用各種定量研究方法進行國內開放數(shù)據(jù)的質量評價和質量提高研究。國內的定量研究通常采用問卷調查方法，對開放數(shù)據(jù)門戶網(wǎng)站的整體質量進行評價。評價指標采用通用網(wǎng)站評價指標（如網(wǎng)站的下載速度等），不反映開放數(shù)據(jù)網(wǎng)站的重要特征。由于初期用戶對開放數(shù)據(jù)使用很少，很多被調查的用戶前期沒有瀏覽和下載過開放數(shù)據(jù)[14]，回收的調查問卷準確性受到用戶對開放數(shù)據(jù)認知的限制，所以現(xiàn)階段有必要根據(jù)開放數(shù)據(jù)用戶使用行為方面的特點，研究開放數(shù)據(jù)質量和質量提升。北京開放數(shù)據(jù)門戶網(wǎng)站是國內開放數(shù)據(jù)各方面指標較好的網(wǎng)站之一，有大量的用戶進行瀏覽和下載，本文后續(xù)部分以北京開放數(shù)據(jù)門戶網(wǎng)站數(shù)據(jù)集作為案例數(shù)據(jù)來源。

1 研究的概念框架構建

1.1 用戶適用度的用戶行為表示

用戶適用度是開放數(shù)據(jù)滿足用戶應用各方面需求的綜合指標。開放數(shù)據(jù)的根本目的是利用[15]，開放數(shù)據(jù)集的用戶適用度指標可以通過用戶需求匹配和選擇數(shù)據(jù)集的行為顯式地表示出來。基于用戶需求匹配和選擇數(shù)據(jù)集的行為全過程見圖1。首先用戶面對開放數(shù)據(jù)門戶網(wǎng)站的海量數(shù)據(jù)集，根據(jù)網(wǎng)站推廣和導航進行初選，得到初步匹配需求的所有數(shù)據(jù)集集合。集合中的數(shù)據(jù)集都獲得了用戶瀏覽點擊行為，該行為參數(shù)包括瀏覽的對象、瀏覽時間。本文只簡單化選取當前時點數(shù)據(jù)集的累計瀏覽次數(shù)指標。其次，用戶通過瀏覽數(shù)據(jù)集的內容說明和元數(shù)據(jù)，進一步精確地判斷該數(shù)據(jù)集和自身需求的匹配程度。用戶根據(jù)元數(shù)據(jù)詳細說明來判斷該數(shù)據(jù)集是否為所需內容，數(shù)據(jù)集的更新頻率、最新更新時間影響用戶對數(shù)據(jù)的及時性需求；數(shù)據(jù)集發(fā)布更新主體的可信程度影響用戶對數(shù)據(jù)的可靠性需求；數(shù)據(jù)格式、數(shù)據(jù)集行列數(shù)等也是影響用戶判定的質量指標。經(jīng)過綜合需求匹配階段的精確判斷，用戶決定是否下載數(shù)據(jù)集提供的數(shù)據(jù)資源，符合用戶精確需求匹配的數(shù)據(jù)集選入精確匹配數(shù)據(jù)集集合，并得到用戶下載點擊行為，行為參數(shù)具體包括下載對象和下載時間，本文表示為當前時點數(shù)據(jù)集的累計下載次數(shù)指標。用戶開放數(shù)據(jù)的利用還包括手機端的APP用戶關注的新型用戶行為，表現(xiàn)為用戶關注數(shù)的指標。最后，用戶對下載到本地的數(shù)據(jù)資源進行處理，可能做出質量評價、問題反饋、提出進一步需求等一系列行為，作為門戶網(wǎng)站未來提高數(shù)據(jù)集的質量參考。

1.2 用戶適用度的數(shù)據(jù)集內在質量

數(shù)據(jù)的內在質量是用戶選擇的內因和基礎，而行為統(tǒng)計為數(shù)據(jù)表示內在質量的需求匹配結果。用戶適用度概念是由Vetrò等[3]提出，由于低質量的開放數(shù)據(jù)集增加了用戶的再利用成本，從而不能滿足用戶顯式和隱含的需要；并提出基于用戶適用度的質量量度定義，包括從數(shù)據(jù)集到單元格不同粒度對象的9個質量量度定義，即創(chuàng)建更新可溯源性、及時性、過期延遲時間、數(shù)據(jù)單元和行的完整性、數(shù)據(jù)單元和數(shù)據(jù)集的標準符合性、單元粒度的易理解性和單元粒度的準確性。從上述九方面達到用戶選擇利用的要求，能降低用戶的整體使用成本，提升數(shù)據(jù)集可靠性、及時性和準確性，從而大幅降低開放數(shù)據(jù)集的總體利用成本，整體上提高數(shù)據(jù)的用戶適用度[5]，使數(shù)據(jù)集得到增值性的利用和再利用。

圖1 用戶需求匹配和選擇數(shù)據(jù)集的行為全過程

另一個數(shù)據(jù)質量內在標準是關聯(lián)開放數(shù)據(jù)質量的五星標準[16]，主要基于開放數(shù)據(jù)的發(fā)布格式和符合標準的程度，最低標準是存在任何格式用戶可獲取的開放數(shù)據(jù)，但是這些數(shù)據(jù)可能是圖片格式，不方便用戶的機器編輯處理。二星和三星的數(shù)據(jù)集分別是.xls和.csv格式的表格數(shù)據(jù)，這兩個級別的數(shù)據(jù)集可以導入數(shù)據(jù)庫；三星與二星的數(shù)據(jù)集相比，其優(yōu)勢體現(xiàn)在表格數(shù)據(jù)集不局限于微軟的Excel數(shù)據(jù)（.xls格式）。四星的數(shù)據(jù)集符合W3C的開放標準，數(shù)據(jù)采用RDF表示，并且可以通過SPARQL查詢獲取。五星開放數(shù)據(jù)實現(xiàn)數(shù)據(jù)到其他提供方數(shù)據(jù)的關聯(lián)。四星和五星的高質量數(shù)據(jù)方便用戶集成多來源的開放數(shù)據(jù)，實現(xiàn)開放數(shù)據(jù)門戶的互操作。國內的開放數(shù)據(jù)總體達到三星標準，提供.xls和.csv格式的表格數(shù)據(jù)，還有少部分的word文件和pdf圖片文件。三星標準的數(shù)據(jù)集質量限制用戶在多網(wǎng)站來源的數(shù)據(jù)集之間的互操作，提高用戶的處理成本。而word和pdf圖片格式的數(shù)據(jù)資源需要用戶付出更高的處理成本，甚至需要安裝專門軟件處理數(shù)據(jù)，用戶的利用成本更高。

1.3 基于用戶適用度的數(shù)據(jù)質量框架

構建基于用戶適用度的數(shù)據(jù)質量框架可以分為數(shù)據(jù)集內在質量指標和用戶行為的外在質量指標。內在質量指標包括數(shù)據(jù)集的內容主題、數(shù)據(jù)集的元數(shù)據(jù)說明、數(shù)據(jù)集的及時性、數(shù)據(jù)列表現(xiàn)出的數(shù)據(jù)屬性豐富度、數(shù)據(jù)行（多個表的總行數(shù)）表示出的數(shù)據(jù)規(guī)模5方面指標；用戶行為的外在質量指標包括瀏覽次數(shù)、下載次數(shù)和用戶關注數(shù)3個方面基本指標，以及計算出的下載瀏覽比、時段下載瀏覽比等分析性二級指標。

2 數(shù)據(jù)集內在質量與用戶行為的關系

以北京開放數(shù)據(jù)門戶網(wǎng)站作為實例研究對象，利用網(wǎng)絡爬蟲工具從門戶網(wǎng)站的用戶互動信息、數(shù)據(jù)集的主題導航、主題數(shù)據(jù)集的下載/瀏覽排行、數(shù)據(jù)集的熱門下載等統(tǒng)計信息中獲取數(shù)據(jù)集質量和用戶行為數(shù)據(jù)，對該開放數(shù)據(jù)門戶每個數(shù)據(jù)集的用戶選擇行為和數(shù)據(jù)集內在質量的關系進行分析，旨在為基于用戶適用度的數(shù)據(jù)集質量提升奠定基礎。

2.1 下載瀏覽關注與數(shù)據(jù)集內在質量的關系

2.1.1 下載次數(shù)與主題數(shù)據(jù)集個數(shù)的相關關系

門戶網(wǎng)站共提供20個主題的1 023個數(shù)據(jù)集，由于網(wǎng)站數(shù)據(jù)集個數(shù)較多，為方便用戶選擇適合自身需求的數(shù)據(jù)集提供主題導航，通過主題數(shù)據(jù)集個數(shù)和主題內容兩個屬性向用戶展示數(shù)據(jù)。門戶網(wǎng)站給出按主題分類的數(shù)據(jù)集個數(shù)如表1所示，可以看出，不同主題的數(shù)據(jù)集分布差異明顯。根據(jù)一般常識和開放數(shù)據(jù)提供者的考慮，提出假設S1。

S1：各主題的數(shù)據(jù)集個數(shù)與用戶下載瀏覽次數(shù)正相關。

表1 按數(shù)據(jù)集個數(shù)排序的數(shù)據(jù)集主題情況

本文樣本的獲取時間為2018年10月10日，下載排名前30的數(shù)據(jù)集信息見表2[17]。由于“下載次數(shù)”比“瀏覽次數(shù)”更能體現(xiàn)開放數(shù)據(jù)集用戶適用度的行為結果，故選取下載次數(shù)為首要因素排序。其中的6～8列在后文研究中使用。對瀏覽次數(shù)和下載次數(shù)按照主題分類匯總統(tǒng)計見圖2。由于瀏覽次數(shù)遠大于下載次數(shù)，為了圖形顯示清晰，圖2中對瀏覽次數(shù)除以10。

下載量最多的數(shù)據(jù)集主題集中在教育科研、交通服務、旅游住宿、企業(yè)服務。教育科研主題占據(jù)下載次數(shù)排名第1和第2，該主題在下載次數(shù)前30的數(shù)據(jù)集個數(shù)為8，總下載次數(shù)12 087，遠大于其他主題的數(shù)據(jù)集；但表1中該主題的數(shù)據(jù)集個數(shù)為81，排名第3，遠少于第1主題的數(shù)據(jù)集個數(shù)298，所以教育科研主題是不支持假設S1正相關關系的一個異常。不支持假設S1最大的異常是表1中提供數(shù)據(jù)集個數(shù)最多主題的經(jīng)濟建設，在表2中下載量前30的數(shù)據(jù)集中沒有出現(xiàn)。具體到經(jīng)濟建設主題內部，該主題按下載次數(shù)排名的數(shù)據(jù)集信息見表3。該主題下載次數(shù)排名前2的數(shù)據(jù)集在總體排名分別為111和136，其他的都在總體排名260以后。

上述兩種異常否定了基于提供者和一般常識的假設S1。第一個異常的數(shù)據(jù)集主題是當前用戶重點關注教育科研主題的外在表現(xiàn)，主題內容對瀏覽下載次數(shù)的影響遠超過假設S1的正相關影響。第二個異常更需要開放數(shù)據(jù)門戶管理者思考，經(jīng)濟主題的數(shù)據(jù)集提供的數(shù)據(jù)集個數(shù)很多，但是并沒有被用戶瀏覽和下載，網(wǎng)站需要對該主題的數(shù)據(jù)集增大推廣力度，更好地滿足用戶需求，使該主題的數(shù)據(jù)集更多地被用戶瀏覽下載。

表2 按下載次數(shù)排序前30的數(shù)據(jù)集

圖2 主題分類的下載次數(shù)和瀏覽次數(shù)匯總（前8項）

2.1.2 下載次數(shù)與數(shù)據(jù)集及時性的正相關及異常

本文后續(xù)將研究6個正相關關系，分別是下載次數(shù)與數(shù)據(jù)及時性、數(shù)據(jù)表列數(shù)、數(shù)據(jù)表行數(shù)的3個相關關系，以及下載瀏覽比與數(shù)據(jù)及時性、數(shù)據(jù)表列數(shù)、數(shù)據(jù)表行數(shù)的3個相關關系。為準確地判定各數(shù)據(jù)集的各對指標的正相關關系是否成立，下面分別根據(jù)每個正相關判斷的兩個指標，對表2的數(shù)據(jù)集進行聚類。本文的6個相關關系共涉及5個指標，分別為下載次數(shù)、下載瀏覽比、及時性、列數(shù)、行數(shù)；應用這5個指標對數(shù)據(jù)集進行聚類。聚類算法采用最小化組內距離、最大化組間距離的原則，分組參數(shù)設為5，編寫程序計算。上述5個指標對表2的30個數(shù)據(jù)集的聚類分組結果見表4。

表3 經(jīng)濟建設主題按下載次數(shù)排序前5的數(shù)據(jù)集

表4 數(shù)據(jù)集的下載次數(shù)、下載瀏覽比、及時性、列數(shù)、行數(shù)聚類分組賦值結果

表4第1列是5個分組對應的分值，第2～6列是按指標的聚類結果分組內的數(shù)據(jù)集編號。對5組分別按5級量級賦值，同一組內的數(shù)據(jù)集賦同一值，如第2列第1個分組“1，2，3”，表示1、2、3號數(shù)據(jù)集按下載次數(shù)分在一組，分值為5（5最好，1最差）。

指標及時性需要元數(shù)據(jù)給出固有的更新頻率，在最新更新時間基礎上分析。先按公式（1）計算數(shù)據(jù)集的延遲度。

其中研究時點、最新更新時間的單位為年。由于門戶網(wǎng)站數(shù)據(jù)集的元數(shù)據(jù)中沒有提供更新頻率，本文假設更新頻率為1次/年。再根據(jù)公式（2）計算及時性。指標聚類采用的是最后計算出的及時性值，聚類結果見表4的第4列。

利用表4“下載次數(shù)各分組數(shù)據(jù)集”和“及時性各分組數(shù)據(jù)集”的結果，對30個數(shù)據(jù)集的對應值進行成對比較，基本支持正相關15個數(shù)據(jù)集；找到極端不支持正相關的6個數(shù)據(jù)集，屬于異常數(shù)據(jù)集，不符合及時性高數(shù)據(jù)集的下載次數(shù)高的正相關常識。這6個異常數(shù)據(jù)集為“小學”“中學”“土地用途區(qū)分”“北京地區(qū)博物館”“車管所”和“養(yǎng)老機構”。其中有重要參考價值的是前3個數(shù)據(jù)集，分別為“小學”“中學”“土地用途分區(qū)”，這3個數(shù)據(jù)集下載次數(shù)最大，及時性反向最差，是極端負相關異常；該異常說明與這些數(shù)據(jù)集主題相關的社會問題得到大量用戶關注，故下載和瀏覽次數(shù)最高。網(wǎng)站尤其需要解決異常數(shù)據(jù)集的及時性問題，及時更新數(shù)據(jù)集，更好地滿足大量用戶的數(shù)據(jù)及時性需求，避免嚴重挫傷大量用戶的積極性。而另外的3個異常數(shù)據(jù)集為“北京地區(qū)博物館”“車管所”和“養(yǎng)老機構”，及時性最高，下載數(shù)卻排在表2的最后組，但是只是相對表2前面的20個數(shù)據(jù)集最低，放在全部數(shù)據(jù)集中下載數(shù)不低，可以排除該異常。

2.1.3 下載瀏覽次數(shù)與數(shù)據(jù)集行列數(shù)的正相關及異常

數(shù)據(jù)集的列數(shù)反映數(shù)據(jù)屬性的豐富程度，行數(shù)反映數(shù)據(jù)集的規(guī)模。數(shù)據(jù)集的列數(shù)和行數(shù)越多，說明數(shù)據(jù)集的質量越高，可以得到更高的用戶下載瀏覽次數(shù)，一般列數(shù)、行數(shù)與下載瀏覽次數(shù)具有正相關關系。

利用表2“列數(shù)”和“行數(shù)”兩列的數(shù)據(jù)聚類分組結果（見表4的“列數(shù)各分組數(shù)據(jù)集”和“行數(shù)各分組數(shù)據(jù)集”），將其分別與表4“下載次數(shù)各分組數(shù)據(jù)集”列的數(shù)據(jù)成對比較，分析兩組正相關關系。結果表明，基本支持列數(shù)與下載瀏覽次數(shù)正相關的數(shù)據(jù)集有16個，正相關性不顯著。支持行數(shù)與下載瀏覽次數(shù)基本正相關的數(shù)據(jù)集個數(shù)有13個，正相關同樣不顯著。

列數(shù)與下載瀏覽次數(shù)正相關的極端異常為“土地用途分區(qū)”數(shù)據(jù)集，下載次數(shù)最高極端反向對應了列數(shù)最少值，該異常需要對數(shù)據(jù)集的列進行深入分析，對于用戶亟需的重點數(shù)據(jù)用2列是否足夠表達實際數(shù)據(jù)的屬性，能否滿足用戶的應用需求。行數(shù)正相關的極端異常為“軌道交通線路”數(shù)據(jù)集，下載次數(shù)較高反向對應了行數(shù)最小值，對此異常進行深入分析，該數(shù)據(jù)集為用戶重點瀏覽下載的數(shù)據(jù)集，但只有16行數(shù)據(jù)，是否能滿足用戶的數(shù)據(jù)要求，是否需要細化數(shù)據(jù)粒度。

2.1.4 下載次數(shù)與及時性、列數(shù)、行數(shù)的正相關異?？偨Y

綜合下載次數(shù)與及時性、列數(shù)和行數(shù)的正相關的極端異常，需要提醒開放數(shù)據(jù)管理者注意共有的異常數(shù)據(jù)集（即用戶下載次數(shù)最高的“小學”“中學”和“土地用途區(qū)分”數(shù)據(jù)集），更需要抓住用戶需求迫切的契機，提高這些數(shù)據(jù)集的及時性，提高“土地用途區(qū)分”數(shù)據(jù)集的列豐富性和“軌道交通線路”數(shù)據(jù)集的行數(shù)。

2.2 用戶下載瀏覽比與開放數(shù)據(jù)集內在質量的關系

2.2.1 用戶下載瀏覽比的含義與計算

用戶的下載瀏覽比反映用戶在瀏覽數(shù)據(jù)集內容選擇下載數(shù)據(jù)集鏈接數(shù)據(jù)資源的概率，代表用戶根據(jù)數(shù)據(jù)集的元數(shù)據(jù)詳細說明與自身需求進一步匹配選擇的概率。表2中30個數(shù)據(jù)集的瀏覽次數(shù)和下載次數(shù)的分布見圖3，圖4中給出二者的3種方案的線性擬合，包括所有點的直線擬合、高區(qū)的直線擬合、低區(qū)的直線擬合。

分析數(shù)據(jù)集實際語義，下載次數(shù)小于瀏覽次數(shù)，下載次數(shù)與瀏覽次數(shù)正相關。下載次數(shù)y和瀏覽次數(shù)x函數(shù)關系如公式（3）所示。

圖3 瀏覽次數(shù)和下載次數(shù)散點分布

圖4 整體擬合直線和高低區(qū)分別擬合直線

由于門戶網(wǎng)站初期用戶下載需要用戶注冊登錄，而瀏覽不需要登錄，所以某一段時間數(shù)據(jù)集的瀏覽次數(shù)增長，而下載次數(shù)為0，這時間點情景為x>0、y=0；該實際情景下，直線與x的交點x≥0，則與y交點處y≤0，即要求公式（3）中的參數(shù)a≤0。擬合結果如圖4中的全部點、低區(qū)和高區(qū)的3條擬合直線，其參數(shù)（a，b）分為（155，0.071），（106，0.090），（-2 057，0.145）。其中兩條擬合直線的參數(shù)a>0，嚴重違反實際情形；只有高區(qū)的擬合直線a=-2 057，不顯著違背實際情況，其下載瀏覽比值為0.145。以上分析說明每個數(shù)據(jù)集的瀏覽下載擬合直線有顯著差別，不能用同一條直線擬合。所以本文后續(xù)對每個數(shù)據(jù)集計算下載瀏覽比。

本文用兩種方法計算下載瀏覽比。方法1：在公式（3）參數(shù)a=0時計算每個數(shù)據(jù)集的全局平均下載瀏覽比。方法2：根據(jù)公式（4）計算在最近參考時間段（2018年8月23日—10月13日）的下載瀏覽比b1[18]，這兩種下載瀏覽比計算結果如圖5所示。

方法1的下載瀏覽比集中在0.07～0.14；方法2的下載瀏覽比中有8個數(shù)據(jù)集超過0.20，最高是幼兒園數(shù)據(jù)集達0.45。經(jīng)濟建設主題的數(shù)據(jù)集下載排名在100后，但方法2計算的下載瀏覽比較高，為0.35。

比較圖5下載瀏覽比和圖3的下載次數(shù)，可以看出，雖然前6個數(shù)據(jù)集瀏覽次數(shù)和下載次數(shù)都很高，但是下載瀏覽比很低。這說明門戶網(wǎng)站前6個數(shù)據(jù)集雖然被大量的用戶瀏覽，但是其中大部分用戶進一步根據(jù)元數(shù)據(jù)判斷數(shù)據(jù)資源與自身需求匹配時，沒有選擇下載數(shù)據(jù)集資源，數(shù)據(jù)集其他方面的質量可能無法滿足用戶需求。后面24個數(shù)據(jù)集用方法2計算的最近區(qū)間平均下載瀏覽比高于全局平均的下載瀏覽比，說明后面數(shù)據(jù)集的下載次數(shù)有加速發(fā)展的趨勢。綜合上述分析，兩種方法下載比加權綜合得到最終下載瀏覽比，用于數(shù)據(jù)集根據(jù)下載瀏覽指標的聚類，聚類結果見表4的第3列下載瀏覽比各分組的數(shù)據(jù)集。

圖5 數(shù)據(jù)集的平均下載瀏覽比和最近時段的下載瀏覽比

2.2.2 用戶下載瀏覽比與數(shù)據(jù)及時性的正相關及異常

用表4中的下載瀏覽比和數(shù)據(jù)及時性的聚類分組值進行成對比較，驗證這2個指標的正相關性。支持正相關的數(shù)據(jù)集有13個，正相關關系不成立。從本次正相關驗證得到一個新的解釋：2.1.2節(jié)的5個極端異常在本次不再是異常，而變成支持正相關的數(shù)據(jù)集，“小學”“中學”“土地用途區(qū)分”和“軌道交通線路”4個數(shù)據(jù)集的2個屬性分類都在最低組，支持正相關，該結論可以部分解釋2.1.2中下載次數(shù)與及時性正相關的極端異常，這4個數(shù)據(jù)集的下載瀏覽比指標低，表明下載次數(shù)的相對速度有降低的趨勢，更是提醒管理人員盡快提高這些數(shù)據(jù)集的及時性，才有可能扭轉下載次數(shù)下降的趨勢。

本次相關驗證在解釋消除已有異常的同時，驗證結果還發(fā)現(xiàn)了新的負相關的極端異常，異常數(shù)據(jù)集是表2的“中職”數(shù)據(jù)集和“幼兒園”數(shù)據(jù)集，這兩個數(shù)據(jù)集的下載瀏覽比最好，表明它們有很好的下載應用趨勢，但是及時性最差。這兩個數(shù)據(jù)集在下載次數(shù)和及時性正相關驗證中，沒有表現(xiàn)出明顯的相關異常。所以需要提醒網(wǎng)站管理者重視這兩個隱藏的異常數(shù)據(jù)集的及時性質量提升。另外，不太極端的負相關異常還包括“三級醫(yī)院”“機場班車線路”“快速路”數(shù)據(jù)集，也應該得到網(wǎng)站管理者注意，提早安排數(shù)據(jù)更新。

2.2.3 下載瀏覽比與數(shù)據(jù)集行列的正相關及異常

對表4中的下載瀏覽比與數(shù)據(jù)集的列數(shù)和行數(shù)的聚類數(shù)據(jù)進行成對比較，分別計算兩個相關關系。支持下載瀏覽比與列數(shù)正相關的數(shù)據(jù)集有10個，正相關不能成立。異常數(shù)據(jù)集為“教育部直屬高?！薄懊褶k高校及獨立學院”數(shù)據(jù)集，下載瀏覽比最差，但數(shù)據(jù)集的列數(shù)在最好組；分析其原因是：①雖然教育科研主題是熱門主題，但用戶的關注熱點在主題內部更加細分，這兩個數(shù)據(jù)集正在逐步退出用戶熱門數(shù)據(jù)；②列數(shù)雖然多，但列內容不能匹配用戶需要。

支持下載瀏覽比與行數(shù)正相關的數(shù)據(jù)集有13個，正相關不成立。但是在兩個指標最高和最低兩端組內，正相關表現(xiàn)比較顯著。如下載瀏覽比最好的“備案停車場（位）”“幼兒園”數(shù)據(jù)集，正相關行數(shù)在最好組；下載瀏覽比最差的“軌道交通線路”“教育部直屬高?！薄懊褶k高校及獨立學院”數(shù)據(jù)集，正相關行數(shù)在最差組，該部分正相關也部分說明“教育部直屬高?！焙汀懊褶k高校及獨立學院”數(shù)據(jù)集的列相關異常，可能是內在質量行數(shù)上存在缺陷；發(fā)現(xiàn)的行數(shù)正相關異常數(shù)據(jù)集是“小學”和“土地用途區(qū)分”數(shù)據(jù)集，下載瀏覽比最差，但數(shù)據(jù)表行數(shù)在最好組。說明數(shù)據(jù)規(guī)模對下載瀏覽比的影響遠小于數(shù)據(jù)集主題內容的影響。

2.2.4 下載瀏覽與內在指標的正相關及異常小結

數(shù)據(jù)集的及時性、數(shù)據(jù)表列數(shù)和行數(shù)與下載瀏覽比的正相關關系都不能得到顯著支持。但是2.1.2節(jié)下載次數(shù)與及時性正相關的極端異常在本節(jié)的下載瀏覽比與及時性的正相關得到部分解釋，并且發(fā)現(xiàn)不太外顯的2.1.2節(jié)沒有發(fā)現(xiàn)的新隱含異?！爸新殹薄坝變簣@”數(shù)據(jù)集，需要提醒網(wǎng)站管理者注意這些隱含的異常。列相關的異常數(shù)據(jù)集中的“教育部直屬高校”和“民辦高校及獨立學院”數(shù)據(jù)集，既可能是用戶關注熱門的細分和分支熱門的轉變，也可能有行數(shù)指標差的影響因素。行相關的異常數(shù)據(jù)集為“小學”和“土地用途區(qū)分”兩個數(shù)據(jù)集，也可以從其下載比和及時性的同為最低正相關得到解釋，這兩個數(shù)據(jù)集行數(shù)雖然很多，但是及時性最差，所以下載瀏覽比最差。

2.3 下載瀏覽比與用戶總體適用度的關系

下載瀏覽比可以顯式地反映數(shù)據(jù)集與用戶需求的匹配選擇情況，在很大程度上，可以反映數(shù)據(jù)集的用戶適用度質量，所以本文前面研究下載瀏覽比（下載次數(shù)）與其他質量指標的正相關關系，試圖通過提高相關的質量指標來提高下載瀏覽比或下載次數(shù)，以期最終提高數(shù)據(jù)集的用戶適用度。

下載瀏覽比過低表示數(shù)據(jù)集的質量有待提高的方面，但是并不能只限于提高下載瀏覽比。下載行為是用戶根據(jù)數(shù)據(jù)集詳細頁面上元數(shù)據(jù)和數(shù)據(jù)說明，判斷數(shù)據(jù)集的內容主題是否與需求的內容匹配；數(shù)據(jù)集的及時性是否符合用戶要求，以及數(shù)據(jù)集的列數(shù)和行數(shù)與數(shù)據(jù)的屬性豐富度和數(shù)據(jù)規(guī)模需求的匹配度。數(shù)據(jù)集元數(shù)據(jù)的準確說明為用戶下載選擇提供正確的依據(jù)，避免用戶下載不適用數(shù)據(jù)的后期處理成本，對數(shù)據(jù)集的總體利用成本的降低和數(shù)據(jù)集的總體適用度有積極的作用。

因此，數(shù)據(jù)集的總體適用度質量需要在準確詳細的數(shù)據(jù)集元數(shù)據(jù)基礎上，保證數(shù)據(jù)集質量提升是建立在對總體成本有效降低的基礎上，再提高重點數(shù)據(jù)集的相關指標質量進而提高下載次數(shù)和長期的下載瀏覽比。

3 研究結論及展望

本文基于用戶利用開放數(shù)據(jù)的行為過程研究開放數(shù)據(jù)的用戶適用度質量，研究對象涉及最微觀的單個數(shù)據(jù)集和主題分類，通過研究下載次數(shù)、下載瀏覽比與數(shù)據(jù)集的及時性、列數(shù)和行數(shù)的正相關關系，發(fā)現(xiàn)極端不符合正相關關系異常數(shù)據(jù)集，深入分析異常數(shù)據(jù)集的應用情景，針對異常數(shù)據(jù)集，提出質量提升建議。

影響數(shù)據(jù)集下載次數(shù)和下載瀏覽比的最重要因素是數(shù)據(jù)集的主題內容和細分主題，門戶網(wǎng)站應該根據(jù)用戶的需求，發(fā)布更多熱門主題的數(shù)據(jù)集，對數(shù)據(jù)集的主題分類盡量劃分到熱門主題，使數(shù)據(jù)集得到高的瀏覽次數(shù)和下載次數(shù)。

對于在多對正相關研究中發(fā)現(xiàn)的異常數(shù)據(jù)集，分析具體應用情景提出的建議應及時反饋給開放數(shù)據(jù)管理者。積極推進管理者利用相關關系改進熱門重要異常數(shù)據(jù)集的質量缺陷。對于熱門主題相關的異常數(shù)據(jù)集更為重要，重點提高異常數(shù)據(jù)集的及時性，長遠提高異常數(shù)據(jù)集的下載瀏覽比；再進一步提高數(shù)據(jù)集列數(shù)，豐富數(shù)據(jù)集的屬性信息，并且提高數(shù)據(jù)集的行數(shù)，從更細的粒度，提供規(guī)模更大的、更精準的數(shù)據(jù)，從而為用戶提供更高的利用價值。最終不僅要提高數(shù)據(jù)集的當前下載瀏覽次數(shù)，更從長遠發(fā)展的角度提高數(shù)據(jù)集的下載瀏覽比，提高開放數(shù)據(jù)的整體適用度。

另外數(shù)據(jù)集還應該保證元數(shù)據(jù)說明的準確性，提高下載次數(shù)和下載瀏覽比的工作應該在不增加后期應用成本的基礎上進行，防止用戶因下載不適用的數(shù)據(jù)集而浪費大量的后期處理成本。

本文研究的局限在于研究案例的開放數(shù)據(jù)還處在發(fā)展的初級階段，無法獲取多個階段的用戶行為數(shù)據(jù)比較，以及用戶的行為數(shù)據(jù)還缺少后期應用成本數(shù)據(jù)；下一步研究將跟蹤國內開放數(shù)據(jù)的發(fā)展，從更加系統(tǒng)的動態(tài)演變的角度關注開放數(shù)據(jù)的質量提升，同時關注關聯(lián)數(shù)據(jù)技術在國內開放數(shù)據(jù)中的應用發(fā)展，提高開放數(shù)據(jù)機器處理方面的質量，更好地發(fā)掘海量開放數(shù)據(jù)的潛在價值。