大數(shù)據(jù)背景下數(shù)字資源聚合及服務推薦研究

周琴 海南醫(yī)學院 孫小江 海南職業(yè)技術(shù)學院

背景

大數(shù)據(jù)時代，學習信息資源的爆炸式增長和學習者精準化、個性化需求之間的矛盾越發(fā)凸顯。學習資源的持續(xù)增長和擴充已遠遠超出了個體的信息處理能力，用戶面對過量的信息很難找到自己真正喜歡的資源，而內(nèi)容提供者也很難把優(yōu)質(zhì)的內(nèi)容準確地推送給感興趣的用戶。從而導致“資源越來越多，但獲取越來越難”的信息悖論。同時在大數(shù)據(jù)背景下，圖書館的服務模式也在不斷地發(fā)生變化，從以前的被動提供信息資源的平臺向主動提供知識服務的平臺轉(zhuǎn)變。如何提高資源的聚合度，如何實現(xiàn)學習者與資源的準確匹配，為學習者提供更加精準的資源，從而緩解學習迷航、減少用戶時間和精力的投入，提高圖書館的服務質(zhì)量是我們亟待要解決的問題。

1 數(shù)字圖書館學習資源服務推薦的必要性

實現(xiàn)學習資源的精準推薦不僅是圖書館資源建設(shè)豐富化的需求，同時也能滿足讀者資源多元化、多樣化的需求。

1.1 能滿足數(shù)字圖書館資源建設(shè)豐富化的需求

隨著互聯(lián)網(wǎng)、大數(shù)據(jù)時代的到來，圖書館作為文獻信息資源建設(shè)中心。越來越重視學習資源的建設(shè)與完善。豐富的數(shù)據(jù)資源對數(shù)字圖書館來說也是一項挑戰(zhàn)。資源的重復、無效的數(shù)據(jù)等問題不斷出現(xiàn)。通過資源聚合的方式，為讀者實現(xiàn)精準資源的推薦，不僅使數(shù)據(jù)間的關(guān)系更加清晰，也是對龐大的數(shù)據(jù)庫進行梳理，對無效數(shù)據(jù)進行清洗，能夠進一步促進圖書館資源建設(shè)的豐富與完善。

1.2 服務推薦能實現(xiàn)讀者多樣化的資源需求

精準化、個性化的資源推薦也是讀者的閱讀需求。一方面，讀者的主體越來越多元化，他們的生活環(huán)境、教育背景等不同，所以其資源需求也呈現(xiàn)不同。另一方面，因為信息化、網(wǎng)絡(luò)化時代的到來，資源獲取的方式更加簡單、多樣化。讀者對圖書館服務的要求也會越來越高，所以圖書館要依托網(wǎng)絡(luò)平臺，掌握讀者的需求實現(xiàn)資源聚合更好地為讀者進行資源的推薦，提高服務的準確性和精確性。

2 數(shù)字資源精服務推薦的含義

2.1 資源聚合

資源聚合就是發(fā)現(xiàn)資源內(nèi)部潛在的關(guān)系，通過系統(tǒng)整合、聚合及深度挖掘等方式發(fā)現(xiàn)文獻的內(nèi)在含義，有序地展示資源之間、作者與作者之間、作者與關(guān)鍵詞之間等的關(guān)系。形成集概念、主題、學科內(nèi)容和科研對象為一體的知識化網(wǎng)絡(luò)。

2.2 服務推薦

服務推薦是結(jié)合數(shù)字圖書館資源的內(nèi)容特征，通過對用戶的興趣愛好和資源訪問行為進行分析與挖掘，主動向用戶推薦其滿足需求的數(shù)字資源。因此服務推薦是圖書館提高服務質(zhì)量、滿足用戶精準化、個性化需求的重要途徑。

2.3 資源聚合與服務推薦的關(guān)系

數(shù)字圖書館資源聚合是為了實現(xiàn)各類紙質(zhì)、電子資源之間的有效關(guān)聯(lián)，而服務推薦的目的是為了滿足用戶的需求為其提供的精準化、個性化的服務。而面對海量的資源，出現(xiàn)了信息過載，信息越多獲取越難的困境。所以必須正確把握“資源聚合是服務推薦的基礎(chǔ)，服務推薦是資源聚合的目的”的辯證關(guān)系，才能有效地提升館藏資源的利用率，才能更好地提升用戶的滿意度。

3 如何實現(xiàn)數(shù)字資源精準化推薦

資源聚合與服務推薦的相關(guān)技術(shù)

（一）語義相似度計算

語義網(wǎng)可以利用語義標簽將離散的數(shù)字資源連接成緊密的、結(jié)構(gòu)化的知識關(guān)聯(lián)網(wǎng)絡(luò)，將一個個數(shù)字資源“孤島”連接起來。語義相似度計算主要有兩種方法：一類是通過語義詞典，把有關(guān)詞語的概念組織在一個樹形的結(jié)構(gòu)中來計算，另一類主要是通過詞語上下文的信息，運用統(tǒng)計的方法進行求解。采用基于距離、基于內(nèi)容、基于屬性的相關(guān)語義相似度計算等方法，從而優(yōu)化數(shù)字資源的組織結(jié)構(gòu)并提高服務推薦的水平和效率。

（二）聚類算法

資源聚合的過程主要包括資源聚類與資源融合兩個方面，重點是實現(xiàn)資源語義的關(guān)聯(lián)。聚合是對資源的收集、篩選、分析、整理的過程。傳統(tǒng)的聚類方法是擴展到子空間聚類，而不是搜索整個數(shù)據(jù)空間。當存在很多屬性并且數(shù)據(jù)稀疏時，這是有用的。為了達到全局最優(yōu)，基于劃分的聚類可能需要窮舉所有可能的劃分，計算量非常大。實際上，大多數(shù)應用都采用了流行的啟發(fā)式方法，如k-均值和k-中心算法，漸近的提高聚類質(zhì)量，逼近局部最優(yōu)解。這些啟發(fā)式聚類方法很適合發(fā)現(xiàn)中小規(guī)模的數(shù)據(jù)庫中小規(guī)模的數(shù)據(jù)庫中的球狀簇。

（三）服務推薦算法

數(shù)字資源的聚合是對資源的重構(gòu)和再組織，其中最主要的目的是實現(xiàn)資源的精準化、個性化的推薦，挖掘用戶的需求和愛好為其推薦興趣偏好的資源。主要的服務推薦算法有基于內(nèi)容的推薦、協(xié)同過濾推薦和基于知識的推薦方法?；趦?nèi)容的推薦方法本質(zhì)上是對資源自身的特征或?qū)傩缘闹苯佑蜻M行計算，利用的是用戶的標簽。協(xié)同過濾算法的思想是找到和用戶具有相似興趣的人，分析他們的行為給用戶推薦相同的資源，或根據(jù)他們以前使用或查看的資源，給他們推薦相似的?；谥R的推薦算法是需要主動的詢問用戶的需求，然后返回推薦結(jié)果。 基于內(nèi)容推薦算法的優(yōu)點是不需要其他用戶的數(shù)據(jù)，沒有冷啟動問題和稀疏問題，能為具有特殊興趣愛好的用戶進行推薦。缺點是要求內(nèi)容能容易抽取程有意義的特征，用戶的愛好必須能夠用內(nèi)容特征形式來表達，不能顯式地得到其他用戶的判斷情況。協(xié)同過濾算法優(yōu)點是能夠過濾難以進行機器自動內(nèi)容分析的信息，共享其他人的經(jīng)驗，能夠基于一些復雜的，難以表達的概念進行過濾，但協(xié)同過濾仍有許多問題需要解決，其中典型的問題就是稀疏問題和冷啟動問題?；谥R的推薦高度重視知識元，不會存在冷啟動的問題，但知識的獲取比較難，需要規(guī)范的、可用的表達式才能完成。因此可以看到各推薦算法都有其優(yōu)勢與局限性。根據(jù)實際使用情況將三種推薦算法進行不同程度融合。組合推薦一個最重要原則就是通過組合后避免或彌補各自推薦技術(shù)的弱點。

4 數(shù)字資源聚合及服務推薦的意義

提升資源聚合與服務推薦的質(zhì)量是實現(xiàn)數(shù)字圖書館知識服務的基礎(chǔ)和根本保證。在大數(shù)據(jù)背景下，全面提升數(shù)字圖書館知識服務能力更好地滿足用戶個性化、精準化的知識需求成為圖書館必備的服務職能，且為圖書館自身資源的再組織利用提供一種有效的方法與途徑。精準化的服務推薦進一步擴展了數(shù)字圖書館未來知識服務的新視野，也為數(shù)字圖書館學科化、個性化的服務指引了方向。