基于大数据的图书馆学术资源深度挖掘 与个性化推送服务研究.docVIP

基于大数据的图书馆学术资源深度挖掘 与个性化推送服务研究 　　摘要：在大数据迅速发展的浪潮下，用户对图书馆智能化要求愈加明显，本文通过对学术资源的深度挖掘和个性化推送服务的深入研究，探讨了如何将数据挖掘技术应用到图书馆个性化推送服务中，希望为读者提供更高质量的信息服务。 　　关键词：大数据 高校图书馆 深度挖掘 个性化推送服务 　　中图分类号：G2507文献标识码：A文章编号：1009-5349（2017）12-0095-02 　　当前，高校图书馆在提升智能化服务程度的基础上，逐渐加强了针对知识信息的传播、挖掘服务功能，就目前文献主题搜索情况来看，高校图书馆还存在着一些不足，它没有主动挖掘师生的需求，缺乏针对用户的需求信息的深度推荐以及没有全面考虑用户的个性化需求。因此，图书馆未来的重点研究方向应为如何进行个性化的推送服务，并将其与数据挖掘技术紧密联系起来，使其在帮助师生快速找到自己所需的知识和信息的同时，还能够提高学生的学习效率。 　　一、大数据时代图书馆信息资源深度挖掘关键技术 　　（一）基于 Hadoop 的分布式数据挖掘技术 　　Hadoop 主要是由编程模型MapReduce和分布式文件系统 HDFS两个核心部分组成，分布式文件系统HDFS为大规模数据集上的应用提供可靠的分布式文件访问。HDFS 与 MapReduce 紧密配合，构成了Hadoop 的基础，使它能够将程序分割成多个独立的单元，并分发到不同的节点，通过各个节点的计算能力完成整个程序的运作。[1] 　　（二）向量空间模型 　　在信息服务中计算资源相似度时使用了向量空?g模型。该模型是60年代末Salton等人最先提出的， 是计算两个文档相似度较为经典的模型，文档在该模型中被表示为向量，因此，文档相似度的计算问题也就可以转变成为欧式空间中向量的计算问题。向量空间模型是应用于信息过滤，信息撷取，索引以及评估相关性的代数模型，主要的计算思想是对所有的信息内容先采用分词处理，然后把信息资源细分为独立的词语组合。 　　（三）聚类分析 　　聚类分析就是从一个聚类变量中提取N种特征，并将这N种特征存放到一个N维向量之中，利用得到的N维向量空间与其他聚类向量做相似性对比，逐渐形成按照某种规则进行分类的方式，使得在同一规则下的一组聚类变量成为同类，同类之间的特征最为相近，不同类之间的特征相距较远。聚类算法常应用于高校图书馆分析读者行为特征的模块，在对读者访问的同一类期刊资源数据时，往往需要用聚类的方法进行相似性聚合。 　　（四）关联规则算法 　　关联规则是通过发现事物之间的关联关系，实现从一件事情的发生来预测另一件事件的发生，从而能够更好地了解和掌握事物发展的规律等。算法通过对所提供的数据进行多次扫描，根据所指定的支持度而产生频繁项集，之后根据指定的置信度来产生关联规则集。图书馆建设已经开始进入资源整合与面向用户的数字化服务阶段，通过关联规则挖掘能够进行更高层次的分析，以便更好地为读者服务。 　　二、大数据时代图书馆个性化推送服务 　　对高校图书馆而言，数字资源的积累经历了传统的数字化到原生数字资源的发展过程[2]，在这一过程中，大部分学生仅是利用搜索工具查找目的书籍的位置所在，学生在阅读各类文献书籍没有过多经验，其浏览文献质量好坏的评定就是如何运用关键字和相关数据处理技术从大量的差异化的数据中，既省时省力又可以精确地获得自己想要的高质量文献书籍。 　　（一）建立用户个性化分析模型 　　根据学生的信息搜索以及借书记录，对其个性化服务需求进行进一步剖析，利用先进的数据挖掘和分析处理技术深度挖掘大量丰富的网上资源，充分采集用户需要的信息，在用户登录图书馆网站上及时推送出相关高质量书籍，提高用户所需书籍的获取效率。 　　（二）为图书馆规划提供数据支持 　　为用户提供满意、高效的阅读体验，始终是高校图书馆的服务理念。但高校图书馆可能存在人员分配不足、数据调研不全面等相关问题，不能及时了解到多数学生所关注的书籍，以至于达到一个书籍资源丰富仍旧不能满足用户的阅读需求。建立高校个性化推送服务，通过分析用户借阅书籍数据，可以判断学生阅读文献书籍的总体趋势，为图书馆挖掘出大部分用户所关注的书籍、近期的热门书籍，从而对图书馆馆藏书籍进行有效判断和书籍的及时更新，并合理采购各式文献书籍和热门网络文献，能够提高读者对图书馆馆藏资源的利用率。 　　（三）建立专业文献数据库 　　同一专业，研究课题相似的用户有着共同的专业文献需求，因此高校图书馆可以为不同专业的学生提供更为细化的个性化推送服务。我们可以建立关于不同专业的文献存储数据库，专业教师均可登录校内网上图书馆，在各自专业的数据库目录内容下构建专业化的、课题化的阅读内容，为用户推荐与其所学专业相关的、实用