基于用户行为偏好的高校图书馆“微荐读”服务

文 / 赵青娥

在移动社交场景下，每个用户的行为和偏好在细节上是存在差异的，如何根据用户行为数据建立用户画像，为微平台用户推荐更具个性化的需求信息，是移动互联时代高校图书馆信息服务的一项重点工作[1]。自2007年开始，高校数字图书馆个性化服务问题就一直受业界重视。尤其是2014年以来，基于微信订阅号的个性化信息服务更是受到了学者们的广泛关注。但从研究现状来看，对利用微信订阅号开展个性化信息推荐服务的探索较少。通过用户行为数据建库，全面把握用户行为偏好，进而探究基于用户行为偏好的“微平台荐读”（下文简称“微荐读”）服务思路与措施，可以为微时代高校图书馆个性化服务提供一种具体方案。

一、通过用户行为建档，全面把握用户行为偏好

为了向微平台用户提供个性化、精准化的资源推荐，高校图书馆需要建立用户行为档案，通过信息获取、行为归档、数据更新，全面把握用户偏好，明确用户行为特征。

（一）获取信息

这主要应获取两个方面的信息。一是基本信息。用户基本信息大都存储在图书馆服务平台后台，由师生注册账号时填写，如姓名、学号（工号）、专业、研究领域、学历、论文、著作等内容。这些信息是用户行为数据库中用户属性的基本内容，也是“微荐读”服务的基础。二是用户的行为信息。它包括用户在图书馆及网络平台的借阅信息、访问信息、评论信息、留言信息等。通常，从用户处直接获得用户偏好数据有一定的难度，但通过用户浏览、评论、留言和文献查阅方面的数据获取用户行为信息，则较为简便。若用户在某一领域进行较为频繁的操作，如书籍借阅、评论和信息检索上偏向某一类资源，则能够基本认定该用户对相关资源有较强的兴趣偏好[2]。

（二）信息归档

行为信息归档，即按照一定规则建立微用户个人行为数据库，并将获取的信息在后台予以提取、分析，进而归档。高校图书馆用户的个人行为信息类型主要有认证信息、浏览与检索记录、推荐记录、评价记录等。认证信息是用户在图书馆系统上的注册信息，目前绝大多数高校图书馆建立了用户姓名、班级、专业、学历等个人基本认证信息库，但仍应积极引导用户完善他们在研究领域、兴趣爱好、研究成果、课题项目等方面的信息，并进行科学归类。浏览、检索记录是重要的用户行为信息。我们应当利用现代信息技术、大数据存储技术对每一个微用户进行独立建档，对他们的活动信息进行相应的归类和标签化建构，从而充盈用户行为数据库，促进阅读推荐模式价值的发挥。推荐记录与评价记录是高校图书馆微服务过程的轨迹与反馈信息，应当一并归入到用户的个人档案之中，并将用户检索记录和资源推荐、评价记录对接，推断用户检索、阅读的动机，为资源推荐做好基础性工作。

（三）数据更新

用户行为偏好可能不是一成不变的，尤其是在海量信息充斥的微传播时代，用户的关注点也可能是多方面的，每个时间点的侧重也可能不同。因而，我们在完成建档、归档后，还需要对用户行为信息进行持续跟踪记录，并在用户偏好变化和兴趣变更的过程中完成数据更新；及时更新用户行为偏好、关系到用户的即时体验。高校图书馆不能忽视此项工作[3]。

高校图书馆通过全面获取用户信息，建立用户行为档案数据库，将用户的一切行为记录归档，并持续更新，可以建立完整的“用户画像”，为精准“微荐读”服务的开展提供系统性的数据支持。

二、基于用户的行为偏好信息，开展微荐读服务

运用机器语言完成分析和输出，是高校图书馆开展微荐读服务的核心技术要求。高校图书馆通过机器系统，运用行为识别算法、资源读取算法、资源推荐算法作用于用户和资源库两端，可搭建资源对接和双向互动的语言“桥梁”。行为识别算法是对微平台用户行为建档的关键技术。该技术旨在根据用户基本信息的获取，为用户进行基本的属性认定[4]，即依托用户行为数据库及相关运算规则，对用户在数据浏览和资源获取等方面的行为进行分析，以判定用户偏好。资源读取算法是将用户行为在资源库中映射，从而读取有用信息的技术。该技术是为了识别用户可能需要的资源，并通过资源提取工具暂存资源，以方便资源推荐。资源推荐算法是通过相关机制将资源推荐给用户的技术。该技术能够通过机器语言向用户输出可能需要的资源，是“微荐读”服务输出的保障[5]。在移动社交时代，高校图书馆运用用户行为识别算法、资源读取算法、资源推荐算法，可开展基于用户行为偏好的微平台个性化荐读服务。

（一）基于用户行为匹配的相似性内容荐读服务

基于用户行为匹配的相似性内容荐读，即运用用户相关行为数据匹配相似性内容，并展开相似性资源挖掘和推荐。微时代，高校图书馆开展相似性内容荐读服务的主要途径有三个。一是基于相似元数据的阅读推荐。“元”是数据小单位，通过对微平台用户行为信息进行元数据分析，在资源库中进行相似的元数据查找，挖掘出元数据对应的资源内容，对用户进行基于相似元数据的阅读推荐。基于相似元数据的阅读推荐的优势在于，能够通过元数据精准查找，具有较高的识别度。二是基于相似词的阅读推荐。“词”是数据的表意维度，通过对微平台用户行为的定义，按照已有标签，进行相似词意的关联推荐，供用户筛选、浏览。三是基于相似结果的阅读推荐。运用用户检索记录和用户检索结果，可以为微平台用户自动推荐相关的资源内容，以丰富荐读内容。

（二）基于行为假设数据的协同过滤荐读服务

协同过滤是新兴的微信息推荐模式。它基于一种对用户偏好的假设，认为同一项目或同一群体用户对于某一资源的偏好应当相同，据此推荐与该群体相关的阅读资源。由于高校图书馆用户具有明显的群体特征，该荐读模式适用高校图书馆的微服务。协同过滤的形式可以分为基于信息传播的协同、基于项目的协同、基于模型的协同三种。基于信息传播的协同，是将微平台用户进行一定的关系划分，通常具有联系的用户之间会存在较为相似的兴趣偏好，在资源的查找和获取过程中也应当具有相应的需求。如用户A经过用户B的推荐选择了某一资源，那么，便可假设为用户和B是对该资源有相同偏好的用户，因而，两者往后均会收到相关资源的阅读推荐。基于项目的协同是根据微平台用户的历史阅读记录、资源查找与下载记录，将用户的行为进行系统性的逻辑划分，以明确用户之间的偏好差异和联系，进而向具有内部逻辑关系的用户推荐相同的资源。这种协同虽然能较为清晰地辨认用户联系，但难以明确用户的真正偏好，阅读推荐的精准度有限[6]。基于模型的协同是通过微平台用户群体的行为偏好模型推荐用户需要的资源，阅读推荐的精准度极高，也成为当下最为流行的一种协同过滤推荐形式。

（三）基于用户检索数据关联规则的荐读服务

通过用户检索数据关联规则能够充分挖掘高校图书馆用户检索数据之间的关联，开展微荐读服务。基于用户检索数据关联规则的荐读服务主要包括基于语义关联、主题关联、跨数据库关联的微荐读服务三个方面。首先，通过构建用户检索数据及资源知识元数据库，将语义内容进行有效的分类，实现同一语义下供需资源的贯通。“语义关联”与“词关联”有相似之处，但语义关联的维度更丰富，作为数据库检索、跨媒体检索、资源推荐的重要关联规则，其需要依托机器的自学习技能得以实现，技术要求更高。其次，在微荐读中，对于单一主题关联而言，用户检索数据中的某一关键主题，仅会关联与该主题相关的资源内容；而用户数据中若有多个关键主题，则会出现包含所有关键主题的资源内容，对于多维主题关联而言，能够扩大相关信息的输出量，增大输出结果筛选规模。再次，通过数据库之间的网络，建立起跨数据库之间的分类关系和算法关系，使用户检索数据快速响应至多个数据库，进而展开荐读服务，可提升荐读服务的有效性与全面性。

上述三大荐读模式都具有很好的资源服务效果，但也各有不足，如协同过滤荐读存在过度假设的倾向。在实践中，可以将三大模式组合，形成混合荐读模式。通过混合荐读模式，可以为微平台用户推荐更为满意的信息，提升用户体验。

三、优化技术，建立管理体系，提升服务质量

科学技术是关系到服务质量的关键因素。高校图书馆应持续完善基于用户行为的微平台资源推荐算法机制，通过更加高效、简便的算法技术增强微平台在资源推荐与用户知识获取过程中的可操作性，打破数据壁垒，提升数据可得性和推荐的精准性。高校图书馆要建立完善的知识元数据库，将数据进行最小单位的知识元数据拆分，以适配多种场景下的词意分析、语义分析和关联规则；做好知识元数据库动态更新，提升知识元在相关检索和推荐中的作用，增强整个过程的智能性。在数据库内容与类型不断丰富、多媒体信息不断增长的背景下，高校图书馆微平台资源推荐须建立跨媒体推荐板块，积极通过语义分析、跨媒体算法机制、跨媒体数据识别等相关技术，加大多媒体数据的挖掘，提升荐读深度与广度。缓存技术是系统内部和网络终端对文件和相关数据进行暂时性存储的技术。在海量数据环境下，高校图书馆可通过增加外置硬盘的方法来释放网络空间，保证微平台资源推荐的效率；同时，积极进行系统缓存性能测试，确保缓存效率[7]。

除优化技术要素外，高校图书馆还要建立科学的管理体系，针对基于用户行为的微荐读精准度、用户满意度和管理效度等指标，建立客观的评价系统，以激发高校图书馆微平台资源服务活力，即从管理层面和战略层面不断优化服务供给内容，增强服务的满意度，做好服务调研、服务评价、服务优化等工作。在服务调研上，高校图书馆要通过校园调查问卷、线上问卷、图书馆终端程序等方式了解微平台用户对个性化“微荐读”服务的基本认知和服务体验，将量化的问卷数据与服务评价挂钩，不断探索“微荐读”内容的优化策略。在服务评价上，微媒体检索页面应设置相应的评价打分机制，通过用户打分了解基本的服务质量；积极拓展与用户沟通的渠道，通过开设网络反馈平台、微平台反馈窗口和图书馆“吐槽墙”等方式，接收用户关于“微荐读”服务的意见和建议，为优化服务提供数据支持。在服务优化层面，高校图书馆应当积极通过算法更新、程序优化来提升针对微平台用户相关行为的跟踪精准度，增强在用户兴趣识别和资源推荐上的有效性，不断利用更为简便易行的算法机制来简化用户操作，提升服务精准度[8]；建立对接用户的专设机构，配备相关的专业人员对微平台用户的疑问予以解答，为用户提供相应的咨询服务。