高校图书馆大数据应用模式及实证研究成果

2023-07-24 理论教育版权反馈

【摘要】：特别是随着阅读终端的多样化和社交媒体的广泛使用，形成了全方位、立体化的图书馆大数据。图书馆可用于满足智慧服务核心需求的重要大数据资源见表7.1。大数据挖掘作为知识发现、信息行为分析的重要研究方法，是图书馆数据展现数据智慧的关键技术之一。本节提出如图7.1所示的基于大数据挖掘的图书馆智慧服务模型，将大数据挖掘作为沟通图书馆智慧服务需求和大数据应用的桥梁。

综合学界观点，图书馆智慧服务的核心模式至少包含四个方面：

（1）智慧性的群体知识共享，促使知识隐性到显性的转化、知识转移和传播，使知识“易知”。

（2）智慧性的知识推荐和推送，根据用户兴趣和需求，为用户提供泛在化、个性化的情境知识服务，使知识“易用”。

（3）智慧性的知识导航，为用户提供知识主题、热点、发展趋势、知识关联和拓展，使知识“易悟”。

（4）智慧性的图书馆业务优化，以用户需求为导向，开展阅读推广、讲座等活动，使知识“易得”。

互联网技术使图书馆资源之间、用户之间、用户和资源之间的互联和协同达到前所未有的广度和深度。特别是随着阅读终端的多样化和社交媒体的广泛使用，形成了全方位、立体化的图书馆大数据。图书馆可用于满足智慧服务核心需求的重要大数据资源见表7.1。

表7.1　“互联网+”图书馆主要大数据资源

pagenumber_ebook=86,pagenumber_book=77

主要大数据资源包括三类：

（1）用户数据：用户行为数据，包括显式行为数据和隐式行为数据、终端感知数据及社交数据等。

（2）知识资源数据。

（3）业务流程数据。

大数据挖掘作为知识发现、信息行为分析的重要研究方法，是图书馆数据展现数据智慧的关键技术之一。本节提出如图7.1所示的基于大数据挖掘的图书馆智慧服务模型，将大数据挖掘作为沟通图书馆智慧服务需求和大数据应用的桥梁。

pagenumber_ebook=87,pagenumber_book=78

图7.1　基于大数据挖掘的图书馆智慧服务模型

1.用户群挖掘

挖掘用户群，实现群体知识共享。依据用户个人工作经历、科研方向等基础数据，以及微信、微博、论坛等社交数据，构建大规模社会网络，应用分类、聚类、频繁模式发现等挖掘方法挖掘用户群社区或关键人物，研究隐性知识到显性知识的转化及知识的转移和传播，实现用户群知识共享。

2.用户兴趣挖掘

挖掘用户兴趣，实现个性化、场景化、泛在化的知识推荐和推送。分析用户显式行为和隐式行为大数据，以及手机、平板电脑等阅读终端感知数据，挖掘用户深层需求，根据用户当前所处的特殊场景，分领域、分层次、分阶段向用户推荐各类资源，实现智慧性的知识推荐和推送。

3.学科和领域知识挖掘

挖掘学科和领域知识，实现自动知识导航。建立学科和领域知识关联网络，结合共词分析和聚类分析方法，依据关键词和关键字挖掘知识主题及主题关联，获得学科知识热点；加入时间纬度，可以表现出该学科研究动态变化、发展方向；挖掘学科知识图谱，使基于问答语料的生成式知识问答成为可能。

4.业务关联挖掘

挖掘业务关联，实现业务优化。对咨询数据、检索查新数据、资源采购数据等管理数据进行关联规则分析，发现用户需求相关的各种关联，如某时间段、某类用户与某种业务需求的关联等，优化图书馆业务流程；对流通数据与外部数据进行关联规则分析，发现如进馆人数与天气的关联、某时间节点或某事件与进馆人数的关联，为图书馆开展阅读推广、讲座等用户服务活动提供支持。

高校图书馆大数据应用模式及实证研究成果

相关推荐