基于Web数据挖掘科研协同服务模式探索.docVIP

基于Web数据挖掘科研协同服务模式探索 　　[摘要]Web数据挖掘技术是实现个性化科研协同服务的关键技术。本文以学科馆员协同高校科研教师完成重大科研项目为目标，以Web数据挖掘技术为基础，综述了Web数据挖掘的概念、研究方法、国内外研究现状以及学科化科研协同服务的内涵。设计了科研协同服务平台及其运行机制，力求为学科馆员融入高校科研一线提供新的思路和决策。 　　[关键词]Web数据挖掘；学科馆员；科研协同服务 　　DOI：10.3969/J.issn.1008—0821.2012.05.013 　　[中图分类号]G250.7 　　[文献标识码]A 　　[文章编号]1008—0821（2012）05—0051—04 　　随着我国科技水平的不断发展，高等学校生源和就业问题的加剧，高校生存和发展的竞争变得日益激烈。在全方位的竞争当中，教师的科研实力是衡量学校办学水平的最重要砝码，已经成为高校争取排名的坚强武器。教师科研项目或课题的申报越来越需要强有力的论据材料和论证方法来支撑，其项目研究也不断尖端化细致化。一些骨干教师在繁忙的教学工作中，担负着国家级自然科学基金或社会科学基金等重大项目的研究任务。在其项目申报、项目研究、项目结题发布过程中，迫切希望高校图书馆的学科馆员能为其项目研究提供合理的信息导航和信息过滤等服务工作。因此，研究如何在网络环境下，以“用户为中心”，采用恰当的Web数据挖掘技术，挖掘出科研教师用户急需的信息资源，协助其解决科研过程中遇到的实际问题，是学科服务深层次化、个性化的一个新领域，具有独特的研究优势。 　　1 Web数据挖掘鲜活科研协同服务 　　1.1Web数据挖掘 　　1.1.1Web数据挖掘的概念及研究方法 　　Web数据挖掘（Web Data Mining），简称Web挖掘。是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的人们事先不知道但又是潜在有用的信息和知识过程。它是数据挖掘技术在Web环境下的应用，是从数据挖掘发展过来的集Web技术、数据挖掘、计算机技术、信息科学等多个领域的一项技术。Web数据挖掘可分为3类：Web内容挖掘（Web Content Mining）、Web结构挖掘（Web Structure Mining）和Web使用模式挖掘（Web Us-age Mining）。其主要研究方法包括访问路径分析、关联规则发现、序列模式分析、分类规则发现、聚类分析等。其所处理的对象包括静态网页、Web数据库、Web结构、用户使用记录信息等。 　　1.1.2国内外Web数据挖掘的研究现状 　　20世纪90年代以来，数据挖掘技术已在国内外掀起了研究热潮。国外的IBM、NEC等机构对Web数据挖掘进行了大量的研究，并取得了一定的成果。S.Charkrabarti对超文本数据挖掘进行了研究，并指出基于知识的算法将会在Web数据挖掘中扮演重要角色；加州理工学院喷气推进实验室与天文科学家开发的SKICAT系统，能够帮助天文学家发现遥远的类星体。而国内对数据挖掘技术研究虽然较迟，但依然持续升温。有研究者将数据挖掘的因子分析法和聚类分析法相结合，分析我国各地区船舶工业发展的现状，为决策者决策提供科学合理的依据，指导我国船舶工业经济发展的规划和战略，缩小各地区我国船舶工业发展的差异。清华大学对科技文献检测算法进行大量研究，并开发了一套面向计算机领域的英文科技文献监测系统——AmetMiner。该系统从公开的文献数据库（如：DBLP、Citeseer等）抓取相关的文献数据，从Web上抽取研究者的Profile信息，然后将其集成在一起，并在此基础上根据合作关系构建学术网络，并进行深入挖掘，提供如权威专家/期刊/会议发现、关联路径发现等服务；中国人民大学开发的KBDL系统也是通过数据挖掘技术研制成功的仅供本馆使用的个性化服务系统。 　　1.2协同理论与协同科研服务 　　协同理论一词来自希腊语，意指关于“合作的科学”。创始人是前西德理论物理学家赫尔曼·哈肯。协同理论研究各种完全不同的系统在远离平衡时通过子系统之间的协同合作，从无序态转变为有序态的共同规律。其在自然科学和社会科学的各个领域都有广泛的作用，强调人的合作能力和合作精神。而Web个性化服务实际上是指以用户需求为中心的Web服务，图书馆利用现代技术、人工智能技术和专家系统等，主动获取图书馆用户个性化的特定信息需求，以及特定用户群体的共同信息需求，针对用户需求检索网络信息和馆藏数字信息，并根据用户要求把用户所需信息推送给用户的一种综合服务机制。在网络环境下，Web数据挖掘技术是实现个性化信息服务的关键技术，它将开创个性化协同服务的新局面。因此，我们认为，基于Web数据挖掘的科研协同服务是指为了提高学科化服务的质量和效率，学科馆员与科研教师协同工作，以