基于改進(jìn)RFM聚類(lèi)的高校圖書(shū)館用戶(hù)畫(huà)像研究

樂(lè)承毅，王 曦（華東交通大學(xué)經(jīng)濟(jì)管理學(xué)院）

近年來(lái)，用戶(hù)畫(huà)像方法不斷被應(yīng)用于營(yíng)銷(xiāo)服務(wù)研究領(lǐng)域，成為精準(zhǔn)描述用戶(hù)行為特征的有利工具之一，［1］通過(guò)構(gòu)建高校圖書(shū)館用戶(hù)畫(huà)像，可以準(zhǔn)確描述用戶(hù)的興趣和行為偏好，為讀者個(gè)性化地推送信息，幫助高校圖書(shū)館優(yōu)化用戶(hù)體驗(yàn)，提供更深層次的服務(wù)。

本文以某一高校圖書(shū)館的真實(shí)行為數(shù)據(jù)為例，首先嘗試引入客戶(hù)細(xì)分領(lǐng)域的RFM模型和思想，并對(duì)其進(jìn)行改進(jìn)，設(shè)計(jì)高校圖書(shū)館讀者用戶(hù)的細(xì)分指標(biāo)；其次采用兩步聚類(lèi)方法，確定高校圖書(shū)館的不同細(xì)分群體。在此基礎(chǔ)上，繪制不同讀者群體的用戶(hù)畫(huà)像。

1 相關(guān)研究

用戶(hù)畫(huà)像（Persona）由美國(guó)交互設(shè)計(jì)之父Cooper A提出，他將用戶(hù)畫(huà)像描述為“在用戶(hù)真實(shí)數(shù)據(jù)基礎(chǔ)上集成的虛擬象征”，是對(duì)用戶(hù)的定性勾畫(huà)，通過(guò)對(duì)用戶(hù)數(shù)據(jù)的挖掘和提煉，將用戶(hù)信息全貌最大程度地展現(xiàn)出來(lái)。［2］還有學(xué)者將用戶(hù)畫(huà)像描述為從海量數(shù)據(jù)中獲取的、由用戶(hù)信息組成的圖像聚合，這個(gè)聚集體能夠闡述用戶(hù)的需求、興趣、性格偏好等。［3-4］目前，針對(duì)用戶(hù)畫(huà)像的構(gòu)建方法主要有傳統(tǒng)統(tǒng)計(jì)方法、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、聚類(lèi)分析、主題模型等。

也有很多學(xué)者對(duì)用戶(hù)畫(huà)像在圖書(shū)館領(lǐng)域的應(yīng)用進(jìn)行了研究。劉海鷗等梳理了國(guó)內(nèi)外關(guān)于用戶(hù)畫(huà)像建模方法的最新研究成果，對(duì)其在圖書(shū)館領(lǐng)域中的具體應(yīng)用進(jìn)行了闡述，提出用戶(hù)畫(huà)像方法可以在個(gè)性化推薦、提高滿意度、規(guī)范失信行為方面起到作用。［5］胡媛等對(duì)數(shù)字圖書(shū)館用戶(hù)畫(huà)像進(jìn)行建模分析，并構(gòu)建綜合服務(wù)能力評(píng)價(jià)指標(biāo)體系，為數(shù)字圖書(shū)館社區(qū)用戶(hù)描述提供參考。［6］潘宇光建立了高校圖書(shū)館個(gè)體用戶(hù)畫(huà)像的指標(biāo)體系，構(gòu)建了讀者關(guān)系圖譜，但其建立的指標(biāo)體系較為粗糙，還有待進(jìn)一步地完善。［7］趙巖提出了大數(shù)據(jù)環(huán)境下圖書(shū)館用戶(hù)畫(huà)像構(gòu)建方法，并研究了閱讀資源推薦流程，但沒(méi)有進(jìn)行實(shí)例分析。［8］劉速以天津圖書(shū)館為例，使用交叉分析及知識(shí)圖譜等方法建立了公共圖書(shū)館的用戶(hù)畫(huà)像及基于畫(huà)像的用戶(hù)關(guān)系圖譜。［9］楊帆以國(guó)家圖書(shū)館大數(shù)據(jù)項(xiàng)目為例，提出了一種基于讀者畫(huà)像及資源畫(huà)像為基礎(chǔ)的構(gòu)建圖書(shū)館大數(shù)據(jù)分析平臺(tái)的方法。［10］

綜上，近年來(lái)用戶(hù)畫(huà)像領(lǐng)域的研究快速增長(zhǎng)，但總體而言，圖書(shū)館領(lǐng)域?qū)τ脩?hù)畫(huà)像的研究仍滯后于其他行業(yè)。［11］在建立用戶(hù)畫(huà)像時(shí)，綜合用戶(hù)的注冊(cè)信息、偏愛(ài)數(shù)據(jù)等特征，同時(shí)考慮時(shí)間和外部情景影響的較為全面的用戶(hù)畫(huà)像體系還未健全，尤其在高校圖書(shū)館領(lǐng)域的研究甚少。除此之外，關(guān)于用戶(hù)畫(huà)像的研究大多集中在對(duì)個(gè)體間差異進(jìn)行勾勒，鮮少在用戶(hù)群體劃分基礎(chǔ)上對(duì)不同群體用戶(hù)形象進(jìn)行描摹。本文結(jié)合相關(guān)研究，以某高校圖書(shū)館用戶(hù)為例，基于改進(jìn)的RFM模型對(duì)用戶(hù)進(jìn)行細(xì)分，分析該高校圖書(shū)館讀者的行為特征和需求特征，建立用戶(hù)畫(huà)像指標(biāo)體系與模型，最終形成不同群集的用戶(hù)畫(huà)像。

2 基于改進(jìn)RFM模型的高校圖書(shū)館用戶(hù)細(xì)分

2.1 高校圖書(shū)館RFM模型改進(jìn)及指標(biāo)選取

在客戶(hù)關(guān)系管理和市場(chǎng)營(yíng)銷(xiāo)領(lǐng)域，RFM模型［12］已被廣泛應(yīng)用于客戶(hù)評(píng)級(jí)、細(xì)分、提供客戶(hù)維護(hù)策略等方面，該模型通過(guò)R（Recency，最近一次消費(fèi)時(shí)間）、F（Frequency，消費(fèi)頻率）、M（Monetary，消費(fèi)金額）三個(gè)指標(biāo)來(lái)描述某一位客戶(hù)的價(jià)值狀況并對(duì)客戶(hù)進(jìn)行細(xì)分。高校圖書(shū)館的讀者細(xì)分需要考慮讀者行為與客戶(hù)行為的一致性。綜合圖書(shū)館用戶(hù)行為的特性，建立適用于高校圖書(shū)館讀者細(xì)分的RFM模型體系，以提升讀者對(duì)圖書(shū)館的滿意度。［13］

用戶(hù)在高校圖書(shū)館借閱圖書(shū)時(shí)會(huì)產(chǎn)生借書(shū)、還書(shū)、續(xù)借三種行為。借書(shū)的用戶(hù)不一定是優(yōu)質(zhì)用戶(hù)，有部分用戶(hù)是借完圖書(shū)馬上就還，其知識(shí)獲取的情況并不好。而低借書(shū)頻率的用戶(hù)也不一定是劣質(zhì)用戶(hù)，有部分用戶(hù)經(jīng)常續(xù)借，其知識(shí)利用率較高，因此將讀者續(xù)借行為也考慮在RFM模型之內(nèi)。同時(shí)，讀者在某一學(xué)期內(nèi)借閱圖書(shū)的數(shù)量能在一定程度上代表讀者借閱書(shū)籍的情況，故建立改進(jìn)的RFM模型（見(jiàn)圖1）。R代表最近一次借閱的時(shí)間，R越小說(shuō)明讀者越活躍，對(duì)圖書(shū)館的價(jià)值越大；RF代表一段時(shí)間內(nèi)還書(shū)次數(shù)， RF越小說(shuō)明讀者在本學(xué)年內(nèi)較少產(chǎn)生還書(shū)行為，持有書(shū)籍的時(shí)間較長(zhǎng)，對(duì)知識(shí)的掌握情況較好；IF代表一段時(shí)間內(nèi)的續(xù)借次數(shù)，IF越大說(shuō)明讀者對(duì)圖書(shū)的興趣值較大，讀者較活躍；BF代表一段時(shí)間內(nèi)借書(shū)次數(shù)，BF越大說(shuō)明讀者對(duì)圖書(shū)的粘性較高，對(duì)知識(shí)的需求較為旺盛，讀者較活躍；B代表一段時(shí)間內(nèi)該讀者的平均借閱冊(cè)數(shù)，由讀者借閱的總冊(cè)數(shù)除以讀者借閱的總次數(shù)，則B越大代表讀者閱讀的書(shū)籍越多。

圖1 改進(jìn)后的RFM模型

2.2 高校圖書(shū)館用戶(hù)的聚類(lèi)分析

（1）某高校圖書(shū)館的數(shù)據(jù)描述。本文選取了2017-2018學(xué)年的讀者行為數(shù)據(jù)，包括借書(shū)卡號(hào)、姓名、學(xué)院、讀者級(jí)別、題名、出版社、出版日期、館藏地址、索書(shū)號(hào)、借閱時(shí)間、還書(shū)數(shù)據(jù)、借閱類(lèi)型等。由于數(shù)據(jù)量較大，因此在采集數(shù)據(jù)時(shí)對(duì)集成的數(shù)據(jù)進(jìn)行了清理，清理后共有13,072人。其中，男性5,699人（43.6%），女性7,373人（56.4%）；本科生10,601人（81.1%），研究生1,556人（11.9%），教師681人（4.5%），其他人員327人（2.5%）。從圖書(shū)借閱情況來(lái)看，所有用戶(hù)借閱次數(shù)分布在1-114次之間，平均值為8次，借閱次數(shù)在5次以下的有6,869人（53.5%），在10次以下的有9,807人（75%）。

（2）兩步聚類(lèi)分析。由于高校圖書(shū)館的讀者數(shù)據(jù)量大、對(duì)聚類(lèi)個(gè)數(shù)要求不高，且兩步聚類(lèi)算法在算法效率、準(zhǔn)確率和噪聲敏感性三個(gè)方面都比常見(jiàn)的k-means聚類(lèi)和基于層次劃分的算法情況要好。因此，本文選取兩步聚類(lèi)算法對(duì)13,072個(gè)樣本進(jìn)行聚類(lèi)分析。聚類(lèi)變量選取一段時(shí)間內(nèi)續(xù)借頻次（IF）、一段時(shí)間內(nèi)還書(shū)頻次（RF）、一段時(shí)間內(nèi)借書(shū)頻次（BF）、平均借閱冊(cè)數(shù)（B）和最近一次借書(shū)時(shí)間（R，取數(shù)據(jù)采集日期減去用戶(hù)最近的一次借書(shū)日期的差值）五個(gè)維度指標(biāo)，使用對(duì)數(shù)似然估計(jì)方法和施瓦茨貝葉斯（BIC）準(zhǔn)則，通過(guò)SPSS Modeler軟件對(duì)指標(biāo)進(jìn)行處理，得到兩步聚類(lèi)的聚類(lèi)結(jié)果（見(jiàn)圖2）。

圖2 兩步聚類(lèi)的分類(lèi)結(jié)果

通過(guò)兩步聚類(lèi)分析得出三類(lèi)讀者群體五個(gè)變量的對(duì)比情況（見(jiàn)圖3）。結(jié)合對(duì)聚類(lèi)變量特征的描述及RFM理論，將聚類(lèi)1、聚類(lèi)2、聚類(lèi)3分別描述為流失用戶(hù)、回流用戶(hù)和活躍用戶(hù)。

圖3 三類(lèi)讀者群體五個(gè)變量對(duì)比

（3）圖書(shū)館用戶(hù)細(xì)分類(lèi)別。① 活躍用戶(hù)（聚類(lèi)3）：聚類(lèi)3的續(xù)借次數(shù)（IF）、還書(shū)次數(shù)（RF）、借書(shū)次數(shù)（BF）、平均借閱冊(cè)數(shù)（B）較總體平均值大，最近一次借書(shū)時(shí)間（R）較總體平均值小。說(shuō)明聚類(lèi)3的用戶(hù)發(fā)生借閱行為的次數(shù)較多，借書(shū)冊(cè)數(shù)較大，且近期發(fā)生過(guò)借閱行為，總體來(lái)看較為活躍，故將其定義為活躍用戶(hù)。② 回流用戶(hù)（聚類(lèi)2）：聚類(lèi)2的續(xù)借次數(shù)（IF）、還書(shū)次數(shù)（RF）、借書(shū)次數(shù)（BF）、平均借閱冊(cè)數(shù)（B）、最近一次借書(shū)時(shí)間（R）較總體平均值小。說(shuō)明聚類(lèi)2的用戶(hù)從整段時(shí)間上來(lái)看發(fā)生借閱行為次數(shù)較少，借書(shū)冊(cè)數(shù)較少，但在近期開(kāi)始有借閱行為發(fā)生，故將其定義為回流用戶(hù)。③ 流失用戶(hù)（聚類(lèi)1）：聚類(lèi)1的續(xù)借次數(shù)（IF）、還書(shū)次數(shù)（RF）、借書(shū)次數(shù)（BF）、平均借閱冊(cè)數(shù)（B）較總體平均值小，最近一次借書(shū)時(shí)間（R）較總體平均值大。說(shuō)明聚類(lèi)1的用戶(hù)發(fā)生借閱行為次數(shù)較少，借閱冊(cè)數(shù)較少，最近一次借閱時(shí)間距今久遠(yuǎn)，故將其定義為流失用戶(hù)。

3 用戶(hù)畫(huà)像的建立

3.1 用戶(hù)畫(huà)像指標(biāo)體系建立

根據(jù)高校圖書(shū)館的用戶(hù)行為特征，圍繞用戶(hù)的基本信息標(biāo)簽、行為偏好標(biāo)簽、互動(dòng)標(biāo)簽、情景標(biāo)簽、活躍度標(biāo)簽5個(gè)維度的信息對(duì)高校圖書(shū)館用戶(hù)構(gòu)建用戶(hù)畫(huà)像指標(biāo)體系，并將用戶(hù)畫(huà)像按照UC={User,Behavior,Interact,Scene,Activity}的方式進(jìn)行描述，以此構(gòu)建高校圖書(shū)館用戶(hù)畫(huà)像。

3.1.1 用戶(hù)基本信息標(biāo)簽

用戶(hù)基本信息標(biāo)簽主要對(duì)用戶(hù)的基本情況進(jìn)行勾勒，如用戶(hù)的卡號(hào)（Id）、姓名（Name）、性別（Sex）、年齡 （Age）、年級(jí) （Grade）、專(zhuān)業(yè) （Major）、學(xué)院（College）、身份級(jí)別 （Id_Grade）、籍貫 （Native_Place）、聯(lián)系方式 （Tel）、住址 （Address） 等。用戶(hù)基本信息標(biāo)簽表示為：

User={Id,Name,Sex,Age,Grade,Major,College,Id_Grade,Native_Place,Tel,Address}。

其中，Id為數(shù)據(jù)的唯一標(biāo)識(shí)符，用于用戶(hù)身份的識(shí)別及檢索，Id_Grade包含大學(xué)生、研究生、教職工和其他四種。

3.1.2 用戶(hù)行為偏好標(biāo)簽

用戶(hù)行為偏好標(biāo)簽主要描述用戶(hù)的行為偏好，體現(xiàn)高校圖書(shū)館用戶(hù)的檢索、瀏覽、閱讀、預(yù)約、收藏、關(guān)注等行為。用戶(hù)行為偏好標(biāo)簽表示為：

Behavior={Search,Browse,Read,Order,Collect,Point}。

Search為用戶(hù)使用圖書(shū)館系統(tǒng)進(jìn)行檢索時(shí)輸入的關(guān)鍵字，該關(guān)鍵字體現(xiàn)了用戶(hù)的興趣所在；Browse為用戶(hù)在瀏覽圖書(shū)館頁(yè)面時(shí)的時(shí)間節(jié)點(diǎn)和頁(yè)面停留長(zhǎng)度；Read為用戶(hù)閱讀的內(nèi)容，體現(xiàn)用戶(hù)興趣及其所屬的類(lèi)別范疇；Order為用戶(hù)的預(yù)約內(nèi)容，體現(xiàn)用戶(hù)的需求，也從側(cè)面反映館藏資料的不足；Collect為用戶(hù)的收藏內(nèi)容，體現(xiàn)用戶(hù)的興趣點(diǎn)；Point為用戶(hù)的關(guān)注點(diǎn)分為喜歡借閱的圖書(shū)類(lèi)別和經(jīng)常閱讀的出版社。

3.1.3 用戶(hù)互動(dòng)標(biāo)簽

用戶(hù)互動(dòng)標(biāo)簽是對(duì)用戶(hù)進(jìn)行內(nèi)容分享、評(píng)論及回復(fù)、情感態(tài)度等互動(dòng)行為時(shí)的特征進(jìn)行刻畫(huà)。圖書(shū)館用戶(hù)互動(dòng)屬性標(biāo)簽表示為：

Interact={Share,Comment,Attitude}。

Share為用戶(hù)分享的內(nèi)容，該標(biāo)簽體現(xiàn)了用戶(hù)主動(dòng)與其他用戶(hù)的互動(dòng)情況；Comment為用戶(hù)評(píng)論，即用戶(hù)在社交平臺(tái)及相關(guān)網(wǎng)站進(jìn)行評(píng)論、回復(fù)的內(nèi)容；Attitude為用戶(hù)態(tài)度，即用戶(hù)在社交平臺(tái)及相關(guān)網(wǎng)站進(jìn)行評(píng)論、回復(fù)時(shí)的情感特點(diǎn)。用戶(hù)評(píng)論和用戶(hù)態(tài)度體現(xiàn)了用戶(hù)在瀏覽了他人發(fā)布的內(nèi)容后所產(chǎn)生的情感傾向或行為態(tài)度。

3.1.4 情景標(biāo)簽

用戶(hù)情境屬性標(biāo)簽主要包括可以反映用戶(hù)所在位置、事發(fā)時(shí)間以及周邊環(huán)境的信息，其表示為：

Scene={Time,Position,Weather_Con}。

Time是用戶(hù)時(shí)間信息標(biāo)簽，主要通過(guò)時(shí)間屬性記錄用戶(hù)訪問(wèn)圖書(shū)館或發(fā)生借閱行為時(shí)的時(shí)間情況；Position是用戶(hù)位置信息標(biāo)簽，用于描摹讀者所處位置的相關(guān)情況，如讀者所在的地理位置、讀者的位置類(lèi)型、周?chē)巳呵闆r、社會(huì)關(guān)系等；Weather_Con是外界環(huán)境信息標(biāo)簽，主要指氣候、光照、噪音等外界環(huán)境因素變化對(duì)讀者操作行為帶來(lái)的影響。

（1）用戶(hù)時(shí)間標(biāo)簽表示為：

Time={TID,Datetime,Month,Part_time}。

TID為時(shí)間的唯一標(biāo)識(shí)；Datetime為當(dāng)前用戶(hù)瀏覽的絕對(duì)時(shí)間；Month為用戶(hù)發(fā)現(xiàn)操作行為時(shí)的月份；Part_time為時(shí)間段，如中午、晚上等。

（2）用戶(hù)位置標(biāo)簽表示為：

Position={City，PosType，Colleague}。

City為用戶(hù)在進(jìn)行操作時(shí)所處的地理位置，如城市、學(xué)校等信息；PosType為用戶(hù)發(fā)送操作行為時(shí)所在位置，如圖書(shū)館閱覽室、宿舍、機(jī)房等；Colleague為用戶(hù)發(fā)生操作時(shí)旁邊存在的人際關(guān)系，如單獨(dú)一個(gè)人、與同學(xué)一起等。

（3）用戶(hù)外界環(huán)境標(biāo)簽表示為：

Weather_Con＝{Weather，Humidity，Noise}。

Weather為用戶(hù)發(fā)生操作行為時(shí)的天氣情況，如晴朗、雨、霜；Humidity表示用戶(hù)發(fā)生操作行為時(shí)的溫度，將其劃分為 0℃以下、0-10℃、10-20℃、20-30℃、30℃以上；Noise為用戶(hù)發(fā)生操作行為時(shí)的附近的噪聲狀況。

3.1.5 用戶(hù)活躍度標(biāo)簽

用戶(hù)活躍度標(biāo)簽主要描述用戶(hù)訪問(wèn)圖書(shū)館的活躍度，用于反映讀者對(duì)書(shū)籍的借閱情況，該維度在一定程度上反映出讀者的知識(shí)需求和學(xué)習(xí)情況。用戶(hù)活躍度標(biāo)簽表示為：

Activity= {Visit_Num,Borrowing_Num,Renew_Num,Return_Num,LastTime_Visit,Visit_Time}。

Visit_Num為用戶(hù)累計(jì)登陸高校圖書(shū)館或進(jìn)館訪問(wèn)的次數(shù)，可進(jìn)一步將其細(xì)化為電子訪問(wèn)次數(shù)和實(shí)體訪問(wèn)次數(shù)；Borrowing_Num為用戶(hù)的借書(shū)次數(shù)，統(tǒng)計(jì)每位讀者當(dāng)前學(xué)期借書(shū)總次數(shù)；Renew_Num為用戶(hù)的續(xù)借次數(shù)；Return_Num為用戶(hù)的還書(shū)次數(shù)；Last-Time_Visit為用戶(hù)的最近一次到訪時(shí)間；Visit_Time為讀者借閱時(shí)長(zhǎng)，統(tǒng)計(jì)出還書(shū)日期與借書(shū)日期間的差值，求和后計(jì)算出當(dāng)前學(xué)期的總借閱時(shí)長(zhǎng)，形成讀者借閱時(shí)長(zhǎng)的維度指標(biāo)。

3.2 用戶(hù)畫(huà)像模型建立

筆者利用本體建模法構(gòu)建了高校圖書(shū)館用戶(hù)畫(huà)像的概念模型，將用戶(hù)特征直觀展現(xiàn)出來(lái)（見(jiàn)圖4）。

圖4 用戶(hù)畫(huà)像概念模型的構(gòu)建

以某一用戶(hù)為例，用戶(hù)畫(huà)像指標(biāo)體系和模型建立的用戶(hù)個(gè)體畫(huà)像見(jiàn)圖5。在構(gòu)建過(guò)程中從用戶(hù)數(shù)據(jù)入手，將用戶(hù)的特征標(biāo)簽化，直觀展示實(shí)現(xiàn)用戶(hù)畫(huà)像，使圖書(shū)管理員可以清晰掌握用戶(hù)特征及需求，從而使圖書(shū)館的各項(xiàng)服務(wù)活動(dòng)更有針對(duì)性和目的性。

圖5 高校圖書(shū)館個(gè)體畫(huà)像展示

3.3 不同群體的用戶(hù)畫(huà)像特征及建議

3.3.1 活躍用戶(hù)的用戶(hù)畫(huà)像

活躍用戶(hù)對(duì)知識(shí)的渴望程度高，主動(dòng)學(xué)習(xí)能力強(qiáng)。以卡號(hào)為201607*****7000的讀者為例，建立用戶(hù)畫(huà)像（見(jiàn)圖6），由用戶(hù)畫(huà)像可知，該讀者學(xué)年內(nèi)借書(shū)、還書(shū)、續(xù)借次數(shù)較多，活動(dòng)較為頻繁。為了更好地服務(wù)于這部分用戶(hù)，圖書(shū)館可以對(duì)其到館訪問(wèn)時(shí)間、訪問(wèn)方式、借閱圖書(shū)的類(lèi)別等進(jìn)行分析，把握活躍用戶(hù)的興趣愛(ài)好，了解其需求，有針對(duì)性地進(jìn)行圖書(shū)推薦。此外，由于活躍用戶(hù)借閱書(shū)籍較多，為節(jié)約用戶(hù)時(shí)間，可開(kāi)通手機(jī)App服務(wù)，提供預(yù)約到館、即到即取等服務(wù)。

圖6 活躍用戶(hù)的用戶(hù)畫(huà)像

3.3.2 回流用戶(hù)的用戶(hù)畫(huà)像

總體來(lái)看，回流用戶(hù)的借閱量不大、借閱頻次較低，但在近段時(shí)間有回流的趨勢(shì)。該類(lèi)型用戶(hù)主動(dòng)性較弱，需要加強(qiáng)引導(dǎo)和挖掘興趣，將其轉(zhuǎn)變?yōu)榛钴S用戶(hù)。以卡號(hào)為201509******0200的讀者為例，建立用戶(hù)畫(huà)像（見(jiàn)圖7），由用戶(hù)畫(huà)像可知，該讀者學(xué)年內(nèi)借書(shū)、還書(shū)、續(xù)借次數(shù)較少，但最近一次到館日期較近，說(shuō)明其活動(dòng)有回流趨勢(shì)。為了留住這部分用戶(hù)，可以分析其需求量增加的原因，針對(duì)其近期的興趣、關(guān)注點(diǎn)主動(dòng)推送圖書(shū)及服務(wù)。同時(shí)，對(duì)這部分用戶(hù)進(jìn)行追蹤調(diào)查，探索其回流背后的潛在原因，如近期科研任務(wù)的加重、興趣愛(ài)好的改變、圖書(shū)館的某項(xiàng)服務(wù)或活動(dòng)吸引了其回流。

圖7 回流用戶(hù)的用戶(hù)畫(huà)像

3.3.3 流失用戶(hù)的用戶(hù)畫(huà)像

流失用戶(hù)一般長(zhǎng)時(shí)間沒(méi)有到訪記錄及借閱記錄，圖書(shū)館在逐漸失去對(duì)該類(lèi)用戶(hù)的吸引力。圖書(shū)館可針對(duì)這部分用戶(hù)開(kāi)通綠色通道，如流失用戶(hù)可優(yōu)先借閱新書(shū)，以期喚醒該部分用戶(hù)，使其轉(zhuǎn)化為回流用戶(hù)。以卡號(hào)為201313******0325的讀者為例，建立用戶(hù)畫(huà)像（見(jiàn)圖8），由用戶(hù)畫(huà)像可知，其學(xué)年內(nèi)借書(shū)、還書(shū)、續(xù)借次數(shù)較少，已長(zhǎng)期沉寂。由于其長(zhǎng)時(shí)間沒(méi)有到訪記錄及借閱記錄，圖書(shū)館可根據(jù)其以往的借閱情況及興趣愛(ài)好點(diǎn)主動(dòng)開(kāi)展推薦服務(wù)。同時(shí)，分析其長(zhǎng)期未進(jìn)行借閱的原因，如因?yàn)閳D書(shū)館館藏?zé)o法滿足其需求，則圖書(shū)館可以有針對(duì)性地進(jìn)行圖書(shū)采購(gòu)，并在采購(gòu)后及時(shí)推薦給這部分用戶(hù)。

圖8 流失用戶(hù)的用戶(hù)畫(huà)像

4 結(jié)語(yǔ)

本文圍繞高校圖書(shū)館的用戶(hù)畫(huà)像構(gòu)建進(jìn)行研究，提出了基于改進(jìn)RFM聚類(lèi)的高校圖書(shū)館用戶(hù)細(xì)分方法。希望本文能為高校圖書(shū)館開(kāi)展精準(zhǔn)服務(wù)和個(gè)性化推薦等服務(wù)提供借鑒，未來(lái)將會(huì)繼續(xù)收集更廣泛的高校用戶(hù)數(shù)據(jù)，采用數(shù)據(jù)挖掘等方法深入了解用戶(hù)需求，不斷豐富和完善高校圖書(shū)館用戶(hù)畫(huà)像實(shí)踐研究。