基于用戶畫像的數字圖書館智能閱讀推薦模式

李曉旭

（濱州市圖書館，山東 濱州 256600）

互聯網技術的廣泛應用，在給用戶獲取信息帶來便利的同時，也使得用戶的信息行為軌跡更容易被獲取。借助大數據、數據挖掘等技術，對用戶數據進行采集分析，是深入分析用戶需求、跟蹤掌握用戶動態變化的有效方法。對于轉型發展中的數字圖書館而言，借助用戶數據與資源分析，利用智能化技術創新閱讀推廣方式，強化對用戶需求的感知度，將更好地提升圖書館服務價值。但隨著數字圖書館存儲資源的迅速增多，尤其是數字化信息的迅速增長，不僅對圖書館數據處理能力提出考驗，也增加了用戶獲取感興趣資源的難度。圖書館要提高海量資源的處理效率，將適宜的閱讀內容推送給用戶，實現資源推薦與用戶需求的匹配，還需要探索建立閱讀推薦模型，進而保障數據處理與推送的可靠性。而用戶畫像作為當今研究的熱點之一，是將抽象的用戶數據轉化為具象實體的技術，為圖書館預測用戶需求，實現精準信息推薦提供了新思路。筆者認為，將用戶畫像與智能推薦技術引入數字圖書館服務中，可有效掌握用戶多樣化的需求，建立智能閱讀推薦模式，以便更好地提升閱讀推薦服務效益。

1 數字圖書館閱讀推薦服務與用戶畫像分析

1.1 閱讀推薦服務

數字圖書館與傳統圖書館的區別，就在于其能夠突破時空限制，拓展資源存儲空間，讓用戶足不出戶就可以輕松獲得即時信息。數字圖書館通過各種方式將閱讀資源推薦給用戶，并引導他們合理利用，就是閱讀推薦[1]。在移動互聯網環境下，數字化資源不斷豐富，數字圖書館存儲的資源更加多樣，能夠提供的服務內容也逐漸增多，如基于客戶端、官網、微信等，向特定用戶推薦閱讀資源。數字圖書館閱讀推薦屬于主動服務，不需要用戶自行檢索，系統就可以直接將閱讀資源推送至用戶終端，通過智能代理方式減少信息冗余，提高服務水平，是當下流行的圖書館服務新模式。

1.2 用戶需求特點

圖書館用戶來自各行各業，專業背景、工作經歷與閱讀需求均有很多的差別，這就需要對用戶進行合理分類，將具有相同愛好的用戶聚集起來，方便閱讀資源的推送。網絡環境下信息來源增多，圖書館用戶更加希望獲得個性化內容，希望接收到的推薦內容具有真實性、權威性、可靠性。同時相較于傳統的短信服務方式，基于移動APP的信息推送更受用戶青睞，也成為圖書館開展移動閱讀服務的新方式[2]。此外，并非所有用戶都希望經常接收圖書館的推薦內容，過多的信息推送反而會招致反感，這也提醒數字圖書館要考慮推送頻率問題。

1.3 用戶畫像的作用

用戶畫像是以大量用戶真實數據設計的目標用戶模型，是以多種方式獲得用戶特征信息，將抽象的用戶數據具象化的方法。互聯網環境下每時每刻都在產生用戶數據，采用數據挖掘、關聯分析等技術，對用戶標簽進行描述與抽取，從行為習慣、社會屬性等角度勾勒用戶畫像，本身也是給用戶“貼標簽”的過程。用戶畫像技術的應用，可以將用戶的行為、特征與需求關聯起來，讓服務者將焦點放在目標用戶的動機上，進而設計更有針對性的服務產品。用戶畫像在數字圖書館中的應用，將幫助館員挖掘潛在用戶，掌握用戶偏好，結合不同群體的特點定制合理的資源，實現精準化信息推送。

2 數字圖書館閱讀推薦服務的常用推薦算法

推薦算法是建立推薦模型的基礎，是數字圖書館保障閱讀推薦可靠性、決定用戶體驗的重要方法。隨著科學技術的進步，推薦算法的種類增多，成為實現個性化信息推送的關鍵，目前圖書館常用的推薦算法包括基于知識的推薦、基于內容的推薦、協同過濾推薦等。

2.1 基于知識的推薦

數字圖書館引入基于知識的推薦算法，實質上是通過分析特定應用場景，對目標群體的特征進行提取，建立能夠描述整個推薦場景，涵蓋目標對象、關聯規則與對應關系的知識領域。基于知識的推薦強調深入分析服務項目的特點，并非依賴用戶行為數據捕獲與計算分析，而是一種信息過濾機制，是引導用戶主動發現候選項中潛在的感興趣內容，然后將這些內容主動推送至用戶終端的個性化方法。該算法包括基于約束規則和基于實體推薦兩類，均需要引導目標群體發現需求，然后根據需求設計推送方案[3]。若系統在一定時間內不能給出解決方案，則用戶可以修改或提出新請求，并由系統再次進行計算處理。

2.2 基于內容的推薦

數字圖書館根據服務系統中既有的用戶數據，找到與目標用戶行為偏好對應的閱讀資源，并主動推送給用戶的方式，就是基于內容的推薦。這項技術是對信息過濾技術的拓展，涉及信息提取、過濾、文本處理等過程，以對服務項目的針對性分析制定推薦方案，不需要用戶參與服務項目評價。基于內容的推薦融入了信息檢索技術，在具體的服務場景中，數字圖書館選擇的推薦項目，一般具有可以描述的屬性，方便進行特征提取、相似度計算與關聯分析。然后根據既往用戶對項目的興趣偏好，將感興趣的用戶提取出來，建立目標用戶的興趣模型，再通過該模型開展用戶興趣學習，以為不同的目標群體推送個性化的內容[4]。

2.3 協同過濾推薦

協同過濾算法的應用較為廣泛，是利用集體智慧處理問題的方法[5]。協同過濾算法的應用分為離線過濾與在線協同兩部分，其中離線過濾是去除與目標用戶無關的信息，在線協同是結合用戶興趣模型實現主動推薦。數字圖書館利用協同過濾算法，可以找出興趣愛好、價值觀知識水平相近的用戶，即根據不同用戶的相似性與差異性，將偏好相似的用戶分為一類，以用戶聚類的方式實現主動推送服務。在大數據密集型系統中，僅依靠既往用戶數據進行分析，很難保障最終的推薦效果。為此可以采用基于模型的信息推薦方法，在用戶數據挖掘和機器學習基礎上，借助混合搜索算法、貝葉斯分類算法等實現用戶聚類，然后推送該群體感興趣的內容。

3 基于用戶畫像的數字圖書館智能閱讀推薦模式設計

數字圖書館要保障閱讀推薦效果，筆者認為首先要建立用戶畫像，深入分析具有相似需求的群體，由系統調取合適的信息，借助智能推薦算法、智能代理等技術，提供有針對性的服務內容，由此設計的智能閱讀推薦模式如圖1所示。

圖1 數字圖書館基于用戶畫像的智能閱讀推薦模式

3.1 用戶畫像層

數字圖書館用戶需求是動態變化的，智能閱讀推薦模型的設計，需要結合每個用戶的特征，建立對應的用戶畫像。用戶畫像層包括用戶基本信息、行為數據、標簽體系等。建立用戶畫像是動態采集信息，逐步分析數據與完善模型的過程，目的在于精確掌握用戶特點，為每個用戶貼上特有的標簽[6]。圖書館員首先要采集系統中的用戶基本信息，包括姓名、年齡、職業、學科背景等，然后對用戶的瀏覽歷史、閱讀資源類型等數據進行采集，通過數據分類、關聯等處理，了解用戶的資源檢索利用偏好，以及不同用戶之間的交互關系，勾勒出用戶畫像。此外，該層要設計靜態與動態相結合的信息采集方式，實現對用戶信息的全程跟蹤，并將所有信息納入用戶數據庫。

3.2 技術層

數字圖書館結合用戶畫像模型，深入分析用戶的個性化需求，要利用數據挖掘、機器學習等技術，然后從館藏資源庫、專業數據庫與網絡平臺中調取資源，篩選、匹配符合用戶需求的閱讀資源。在這個過程中智能代理發揮著重要作用，這是一種能夠自動感知、學習與推理，基于知識庫訓練主動表現出目標驅動行為，自行選擇合適的時機提供服務的技術。智能代理是閱讀推薦系統體現智能化的關鍵，能夠實現動態的信息推送[7]。數字圖書館借助智能代理技術，可以主動跟蹤用戶數據，分析不同群體的潛在需求，建立用戶需求的動態模型，并從館藏資源與網絡資源中通過迅速篩選、過濾、分析、匹配，將個性化閱讀內容推送至用戶終端。智能代理采用與其他實體交互信息的方式，以學習經驗與知識為依據，保障閱讀推薦的連續性與準確性，讓每個用戶擁有定制服務內容，基本模式如圖2所示。

圖2 數字圖書館閱讀推薦服務的智能代理模式

3.3 應用層

應用層提供了多種形式的系統對外接口，方便用戶接受、檢索和查閱推送信息。在獲取用戶請求后，智能代理模塊將主動檢索匹配資源，并傳輸至應用層形成推薦清單。數字圖書館對應用層的功能設計，要做到簡單、易用、操作性強，保障資源分類的合理性，服務界面的清晰性，便于用戶自行選擇。除了為用戶推薦閱讀內容外，還需要記錄用戶的瀏覽、下載、檢索等數據，并反饋至智能代理系統進行深層分析[8]。數字圖書館可以借助網頁、移動APP、短信等方式傳遞信息，推送豐富的服務內容，如最新書目清單、館內活動通知等，設計用戶評論、薦讀設置等模塊，便于用戶在線發表評論，分享經驗，也便于用戶對感興趣的內容、資源類型、接受頻率進行修改，滿足他們的動態需求。

4 數字圖書館智能閱讀推薦服務的實現過程

結合上述模式，數字圖書館提供智能閱讀推薦服務，需要經歷數據采集、資源匹配、個性化推薦3個階段，每個階段都需要采用適宜的技術、方法和手段，切實滿足用戶的個性化閱讀需求。

4.1 用戶數據采集

在初始階段，數字圖書館需借助智能閱讀推薦系統，實現對用戶特征信息的采集，對用戶個體、用戶群體、社會活動進行監測，從微觀與宏觀角度獲得用戶終端的場景信息。具體采集內容包括3個方面：一是以定時遍歷的方式，在圖書館服務系統的空閑時段，對內網中的用戶注冊信息、圖書借閱情況等靜態數據進行采集，從中提取讀者的特征信息；二是借助網絡爬蟲、網頁抓取等技術，從圖書館官網、社交論壇等處，不定時采集用戶數據，發現不同群體關注的熱點內容；三是在圖書館服務系統更新時，主動對智能閱讀推薦模型進行更新，并同步更新用戶數據庫。然后對用戶數據進行梳理、分析，將多個異構數據源關聯起來，建立可用的信息結構，將零散的數據連綴成用戶場景信息，為智能推薦提供依據。

4.2 需求與資源匹配

智能閱讀推薦是以用戶畫像為基礎，確保用戶需求與閱讀資源有效匹配的過程。在這個過程中，數字圖書館首先要進行讀者群體聚類，根據用戶信息采集結果，從讀者年齡、專業背景、閱讀偏好等角度，做好用戶需求分類，并結合多方采集的用戶詳細信息，對用戶需求細節進行勾勒。然后向數據庫管理模塊提出匹配請求，自動檢索符合條件的資源，將異構數據處理結果變為推薦數據集。智能推薦模型也可以根據活躍度較高的群體需求，主動將匹配度高的閱讀資源檢索出來，或借助隱語義模型、協同過濾算法等，調取與用戶需求匹配度高的資源。當某個用戶產生閱讀需求后，系統會根據采集信息建立臨時的用戶場景視圖，主動實現數據庫信息與用戶需求的匹配，提高對用戶需求的響應效率。

4.3 個性化資源推薦

智能推薦模型在獲得用戶需求匹配數據集后，采用推薦式發布的方式，滿足特定群體的需求。當用戶登錄數字圖書館后，該模型會自動以滾動播放、信息彈窗等方式，在線為他們推送感興趣的內容。若用戶未進入圖書館系統，則采用短信、新媒體平臺、電子郵件推薦等方式。數字圖書館的閱讀推薦，可采用本體概念來描述讀者的特征，將需求相似的用戶聚合起來，為他們推薦個性化內容。物聯網、射頻識別等技術的應用，讓數字圖書館可以隨時采集、感知用戶信息，以后臺分析的方式判斷用戶閱讀偏好，為不同的群體標注對應的標簽，由推薦系統實時提供移動閱讀服務。例如，武漢大學圖書館建立“移動圖書館”，根據用戶需求在線推送新書清單、優質書評等內容，讀者只需登錄手機客戶端，就可以享受個性化推薦內容。沈陽工業大學設計基于用戶畫像的圖書推薦APP，根據用戶的閱讀習慣進行數據挖掘，為他們推薦有價值的書籍。

5 結語

隨著信息技術的進步，數字圖書館得以不斷普及與完善，存儲的閱讀資源日益豐富，為廣大用戶獲取信息提供了便利。然而要想滿足用戶的個性化需求，數字圖書館必須準確把握用戶特點，主動推送用戶感興趣的內容。數字圖書館有必要引入用戶畫像，確立科學的目標與規劃，建立智能閱讀推薦模型，結合多種推薦算法與智能技術，全方位提取用戶特征信息，掌握用戶需求動態變化，提高閱讀推薦的資源匹配精準度。