摘 要 開展學科服務(wù)已成為高校圖書館的一項工作職責，是高校圖書館服務(wù)教學的重要表現(xiàn)形式。然而，高校圖書館開展學科服務(wù)卻長期面臨投入大、績效低等問題，導致相當一部分學校的圖書館學科服務(wù)一直沒能跟上高校院系發(fā)展和需求。為此，南京曉莊學院圖書館開始實踐采用智能化技術(shù)提升學科服務(wù)的新思路、新模式，在人力投入基本不變的情況下，極大的提升了學科服務(wù)能力與質(zhì)量。

關(guān)鍵詞 學科服務(wù) 高校圖書館 智慧圖書館

分類號 G258.6

DOI 10.16810/j.cnki.1672-514X.2018.11.011

傳統(tǒng)的高校學科服務(wù)模式基本可以概括為學科館員對口某學科服務(wù)的人工服務(wù)模式，但在服務(wù)過程中也暴露出諸多問題，如果沿用傳統(tǒng)的學科館員人工服務(wù)模式將很難從根本上解決學科服務(wù)中的精準化問題[1]。

其實，國內(nèi)外的高校學科服務(wù)一直都在努力緩解當前學科服務(wù)模式對人工服務(wù)的高度依賴，而其中建設(shè)學科服務(wù)平臺就是一種被普遍認可的辦法。早在2003年明尼蘇達大學就開發(fā)并應(yīng)用了一種集科研、課程及學科導航于一體的學科服務(wù)平臺。國外比較早期的還有哈佛大學圖書館建立的科研存儲平臺，伊莎卡學院開發(fā)的資料存儲歸檔平臺等。國內(nèi)高校主要依托CALIS提供的專業(yè)學科導航服務(wù)，也有上海交通大學、浙江理工大學、香港大學等部分高校開發(fā)了自己的學科服務(wù)平臺[2]。然而縱觀國內(nèi)外主流的高校學科服務(wù)平臺，基本都還停留在存儲和導航的基礎(chǔ)功能上，少數(shù)平臺即便有了在線咨詢功能，但主要模式仍依靠學科館員在線人工服務(wù)，對人工的依賴程度仍然很高。

1 當前高校圖書館學科服務(wù)問題

本文結(jié)合高校圖書館學科服務(wù)普遍情況和南京曉莊學院圖書館（以下簡稱本館）情況，對傳統(tǒng)學科服務(wù)模式中的問題歸納如下。

（1） 高校學科服務(wù)需要面向相關(guān)院系相關(guān)專業(yè)提供深入的跟蹤服務(wù)，傳統(tǒng)學科服務(wù)模式下對學科館員數(shù)量和學科館員質(zhì)量的要求都很高。高校圖書館人員結(jié)構(gòu)復雜、信息素質(zhì)水平偏低的現(xiàn)狀雖然不斷改善，但仍然難以全面、高水平地開展覆蓋各學科的學科服務(wù)。加之培養(yǎng)學科館員的周期長、成本高等問題，本館的學科服務(wù)團隊建設(shè)一直沒有取得突破性進展。

（2） 傳統(tǒng)學科館員制度下的學科服務(wù)模式中，學科館員是服務(wù)的中心，而嵌入式高校學科服務(wù)是以每一位用戶為中心的，也就是說目前在學科服務(wù)中實際存在著用戶和學科館員兩個中心。未來要強化用戶的中心地位，必須設(shè)法將傳統(tǒng)的學科館員與相關(guān)經(jīng)驗、數(shù)據(jù)等分離開來。

（3） 現(xiàn)有學科服務(wù)平臺主要實現(xiàn)學科導航服務(wù)，存在缺乏互動性、難以定制等缺陷，師生訪問量也一直不高。從學科館員的角度來看，由于制作和維護學科導航的工作量大，專業(yè)性強且難以和其他知識發(fā)現(xiàn)工具整合，所以很多傳統(tǒng)學科服務(wù)平臺處于不更新狀態(tài)。有些學科館員以計算機水平低等理由，直接將工作推給圖書館技術(shù)部門的同志，更使得學科導航脫離了院系需求。

（4） 目前也有一些基于互聯(lián)網(wǎng)的學科服務(wù)平臺，但這類平臺主要以導航為主，缺乏知識整理和知識發(fā)現(xiàn)的功能。智能化將是未來學科服務(wù)平臺發(fā)展的重要趨勢。

（5） 高校圖書館的專家館員在線咨詢增長率遠低于其他類型的在線專家咨詢系統(tǒng)增長率，甚至一些師生干脆選擇搜索引擎和問答類網(wǎng)站獲取學術(shù)信息。高校圖書館亟待提供更深入的知識服務(wù)，才能確立其在教學、科研服務(wù)中的重要地位。

2 智慧學科服務(wù)建設(shè)思路與功能需求

對高校圖書館而言，高校圖書館“十三五”規(guī)程中明確了“高校圖書館是為人才培養(yǎng)和科學研究服務(wù)的學術(shù)性機構(gòu)”，使得圍繞高校圖書館職能的智能學科服務(wù)模式研究更具必要性和迫切性[3]。智慧學科服務(wù)的研究與實踐將是高校圖書館發(fā)展的必然趨勢之一。在物聯(lián)網(wǎng)、傳感器、大數(shù)據(jù)、云計算、人工智能等高新技術(shù)聯(lián)合推動下，近年來智能技術(shù)取得重大突破和越來越廣泛的應(yīng)用，而現(xiàn)有模式下學科館員服務(wù)的種種問題以及學科服務(wù)工具的先天性缺陷，都有望在智能化條件下得以徹底解決。

高校圖書館智能學科服務(wù)相對其他智能推薦系統(tǒng)具有明顯的特殊性，體現(xiàn)在學校容易實現(xiàn)單點登錄且容易獲取師生的學習研究方向。另外，高校圖書館智能學科服務(wù)面對的服務(wù)群體對內(nèi)容的需求有著非常大的周期性變化，如某學生一門學科學完后開始其他學科的學習，前后關(guān)注內(nèi)容將發(fā)生很大變化。針對這一特點，本館學科服務(wù)模式的建設(shè)原則是：緊緊圍繞高校教學和科研服務(wù)，系統(tǒng)地應(yīng)用智能化技術(shù)，逐漸完善適合南京曉莊學院的高校圖書館智能學科服務(wù)模式。

根據(jù)上述原則，南京曉莊學院的智能學科服務(wù)建設(shè)思路是：首先根據(jù)本校教學、科研具體需求構(gòu)建可行性建設(shè)方案，然后將可行性建設(shè)方案交相關(guān)領(lǐng)域?qū)＜疫M行篩選，最終將通過篩選的方案在可監(jiān)控的數(shù)據(jù)環(huán)境下進行測試，測試過程中不斷收集和評估績效。對績效差的方案和調(diào)整后仍然不理想的方案進行淘汰，最終通過測試將不需要再調(diào)整的模式固定下來[4]。本館的智能學科服務(wù)模式功能需求，主要包括以下幾個方面。

（1） 為高校師生提供搜索方式獲取電子教育資源，支持模糊搜索。

（2） 為高校師生主動提供個性化的教育資源或知識片段推薦。

（3） 工作人員分為系統(tǒng)管理員及信息維護員。系統(tǒng)管理員負責保障整個系統(tǒng)的運維。信息維護員主要負責數(shù)據(jù)管理及維護工作。

（4） 記錄用戶網(wǎng)絡(luò)學術(shù)行為。系統(tǒng)需要對所有用戶的網(wǎng)絡(luò)學術(shù)行為進行動態(tài)記錄，包括IP地址、登錄信息、訪問時間或Session ID等信息，這些信息構(gòu)成的大數(shù)據(jù)將用于分析用戶的在線學術(shù)行為。

（5） 海量在線知識管理。將圖書館海量的資料轉(zhuǎn)換為有用的且易于提取的知識信息，首先需要利用專門的數(shù)據(jù)處理平臺對其進行摘要化處理和關(guān)系化處理。數(shù)據(jù)處理平臺還將提供包括資源訪問情況、資源偏好評分等多項基于大數(shù)據(jù)的分析功能。

（6） 個性學科知識推薦服務(wù)。系統(tǒng)不但具備對登錄用戶進行個性化學科知識推薦服務(wù)能力，而且對沒有登錄系統(tǒng)的用戶也能根據(jù)實時頁面操作捕獲到用戶可能感興趣的知識并進行推薦。登錄與非登錄用戶的個性學科服務(wù)推薦原理不同，登錄用戶的個性學科知識推薦服務(wù)更專業(yè)，更符合學科服務(wù)的特殊要求，而非登錄用戶獲得的推薦類似于商品興趣推薦。

（7） 按學科分類樹進行知識分類的功能。系統(tǒng)將建立一個類似高校學科目錄設(shè)置的樹形學科分類樹，有助于極大提升推薦的精確度。學科分類樹一般分為五層，其中學科層次較少的分三層，學科層次較多的可以分七層。學科分類樹的根節(jié)點按照一級學科分類進行設(shè)置，相應(yīng)的第二層也直接對應(yīng)二級學科分類設(shè)置。學科分類樹的第三層和第四層，一般對應(yīng)著專業(yè)課程名稱和課程的細分知識點，第四層也可以按照相關(guān)課程的目錄來設(shè)置。如果學科分類樹有必要設(shè)置到第五層，那么可以用章節(jié)中涉及知識點的關(guān)鍵字描述。當然，范圍很廣的關(guān)鍵詞是不能用于該層知識點描述的。除了節(jié)點本身名稱、說明外，每個節(jié)點還要附加一個關(guān)鍵字集合A，用于反向定位至該節(jié)點。學科分類樹中上層節(jié)點中，相鄰或是相近的兩個節(jié)點既要有共同部分，更要體現(xiàn)差異部分。學科分類樹中每個節(jié)點建立一個推薦知識片段集合B，推薦知識片段盡量全面體現(xiàn)本節(jié)點內(nèi)容，同時要避免范圍過大影響定位。學科分類樹中每一個節(jié)點都對應(yīng)一個推薦知識片段地址集合C，推薦知識片段的地址集合必須是本節(jié)點相關(guān)的URL（Uniform Resoure Locator）。

3 智慧學科服務(wù)模型

本館通過前期對讀者行為大數(shù)據(jù)的跟蹤研究，提出了兩種發(fā)掘用戶興趣的辦法。第一種辦法是通過抽取用戶檢索詞和圖書的TF-IDF信息，并形成常用檢索詞順序列表，得到用戶特征向量和知識特征向量，再對用戶和知識的相似點計算對比，就能找到用戶感興趣的知識片段[5]。第二種辦法是分片聚類，首先根據(jù)檢索詞、時間、空間等屬性抽取出用戶即時行為分片，然后將所有分片一起聚類分析，得到相似分片分組，分別運用相關(guān)算法找到目標用戶可能需要的圖書或知識片段。

如圖1所示，一站式學術(shù)搜索引擎作為高校圖書館智能學科服務(wù)個性化推薦的基礎(chǔ)支撐，與用戶交互、記錄用戶行為，并用爬蟲（網(wǎng)絡(luò)機器人） 采集網(wǎng)上各類教學科研的資料信息。數(shù)據(jù)采集模塊采集以上信息，標準化后存入智能學科服務(wù)個性化推薦系統(tǒng)數(shù)據(jù)庫以及HDFS中，同時數(shù)據(jù)預處理模塊對數(shù)據(jù)進行預處理。采用潛在語義分析模型和基于分片聚類的分析模型分析用戶數(shù)據(jù)，分別產(chǎn)生興趣集和相似分片集。最后采用不同的推薦算法分別執(zhí)行推薦并綜合推薦算法Rank后為用戶推薦資料[6]。

4 智能學科服務(wù)業(yè)務(wù)架構(gòu)

圖書館學科服務(wù)目標作為業(yè)務(wù)系統(tǒng)的核心，圍繞該核心系統(tǒng)應(yīng)從業(yè)務(wù)上劃分為六個部分，分別是學科分類樹、知識聚類、智能推薦算法、資源建設(shè)、用戶行為及評價體系。各個部分的功能如下。

（1） 學科分類樹。該模塊提供最基礎(chǔ)的學科分類信息，建議參考國家《學位授予和人才培養(yǎng)學科目錄》 并結(jié)合本校專業(yè)設(shè)置情況、課程情況進行設(shè)置。該模塊也為資源建設(shè)、用戶行為、智能推薦算法選擇提供重要依據(jù)。

（2） 知識聚類。這一模塊主要是針對海量的圖書館資源的知識聚類，通過知識聚類，減少系統(tǒng)即時運算時間并提高知識推薦準確度。通過調(diào)整學科分類樹和知識聚類來達到最佳的預分類海量知識的效果。

（3） 智能推薦。該部分能協(xié)調(diào)其他五個部分數(shù)據(jù)，最終形成針對每一個用戶定制的推薦結(jié)果。系統(tǒng)即便在無法獲取用戶偏好的情況下，仍然可以根據(jù)用戶標簽來推薦，有效地避免了冷啟動問題。

（4） 資源建設(shè)。除常規(guī)的資源建設(shè)外，系統(tǒng)可循環(huán)收集反饋數(shù)據(jù)，建立動態(tài)的資源庫。用戶二次加工的資源將實時轉(zhuǎn)化為新的資源，以此提升資源建設(shè)的效率和針對性。

（5） 用戶行為。通過用戶在線操作的動態(tài)日志跟蹤和記錄，實現(xiàn)對用戶網(wǎng)上學術(shù)行為的記錄。這些海量記錄將用于智能推薦模塊分析用戶學習趨勢，并結(jié)合其專業(yè)與課程學習情況，對用戶行為進行教學引導。

（6） 評價體系。對教學資源進行評分，并反饋推薦結(jié)果的有效性，為智能推薦的優(yōu)化提供數(shù)據(jù)支持。

5 高校圖書館智能學科系統(tǒng)部署架構(gòu)

本系統(tǒng)采用大數(shù)據(jù)分析技術(shù)，并綜合采用Google公司推出的MapReduce及開源Hadoop云計算技術(shù)，通過挖掘海量數(shù)據(jù)所蘊含的信息，建立特定模型進行預測。

為滿足總體需求，系統(tǒng)引入大數(shù)據(jù)處理、存儲設(shè)計部署。本館智能學科系統(tǒng)架構(gòu)部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四個數(shù)據(jù)集群及相關(guān)存儲，另外還部署了學科分類樹集群、個性化推薦Web集群兩個應(yīng)用集群，用于提供相應(yīng)的應(yīng)用請求和分類樹建構(gòu)需求[7]。

（1）Hadoop Cluster。此部署集群又分為兩個功能部分。第一個功能是對大量URL進行處理并對爬取內(nèi)容進行分析與使用，從而對學科分類樹構(gòu)成輔助。另一個功能是在分布式計算的個性化推薦中輔助Mahout使用。在操作中為常將Second Name Node單獨部署在一臺服務(wù)器上，這樣可以防止Name Node單點故障，讓日志文件能寫入共享存儲，提升Name Node的可靠性。

（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和復制集技術(shù)來搭建存儲分類樹文檔庫及推薦信息庫，不但提升了可用性、穩(wěn)定性，和安全性而且易于集群的擴展部署。

（3）Zookeeper Cluster。搭建具有一個決策節(jié)點和兩個數(shù)據(jù)節(jié)點的Zookeeper集群，用于在分布式任務(wù)協(xié)調(diào)中分配相關(guān)數(shù)據(jù)存儲，為分類樹應(yīng)用管理、存儲和配置信息庫使用。

（4）Spark Cluster。該集群負責個性化推薦中基于Web應(yīng)用的實時推薦算法的計算任務(wù)，由于實時性強、并行性強，需要配置大容量內(nèi)存和高性能服務(wù)器進行支持。該集群通過重用Hadoop集群中yarn部署。

（5） 學科分類樹集群。該集群負責用戶上網(wǎng)日志提取及相關(guān)內(nèi)容抓取。由于信息量大，關(guān)鍵字提取及時性要求高，為滿足性能要求需要部署多臺爬蟲服務(wù)器。

（6） 個性化推薦Web集群。部署該部分主要是為緩解系統(tǒng)使用高峰中在線支持及實時推薦的計算壓力。通過單獨部署個性化推薦Web服務(wù)集群和前端部署負載均衡軟件的辦法相結(jié)合，提升個性推薦服務(wù)保障能力。

6 結(jié)語

圖書館智能學科服務(wù)對高校圖書館提升自我服務(wù)能力，優(yōu)化高校教育教學資源配置都有著重要的意義。本文結(jié)合高校學科服務(wù)需求，通過對大數(shù)據(jù)技術(shù)及推薦技術(shù)等的調(diào)研，最終形成針對高校特征的智能學科輔助服務(wù)模式。該模式在解決信息過載、冷啟動以及減少技術(shù)復雜性上都做了一些嘗試，為部署高校圖書館智能學科服務(wù)平臺邁出了試探性的步伐，相信隨著高校圖書館的不斷升級和學科服務(wù)深入，以及教學相關(guān)數(shù)據(jù)的不斷積累，智能學科服務(wù)模式將成為高校圖書館普遍重視的研究領(lǐng)域。

傳統(tǒng)的高校學科服務(wù)模式基本可以概括為學科館員對口某學科服務(wù)的人工服務(wù)模式，但在服務(wù)過程中也暴露出諸多問題，如果沿用傳統(tǒng)的學科館員人工服務(wù)模式將很難從根本上解決學科服務(wù)中的精準化問題[1]。

其實，國內(nèi)外的高校學科服務(wù)一直都在努力緩解當前學科服務(wù)模式對人工服務(wù)的高度依賴，而其中建設(shè)學科服務(wù)平臺就是一種被普遍認可的辦法。早在2003年明尼蘇達大學就開發(fā)并應(yīng)用了一種集科研、課程及學科導航于一體的學科服務(wù)平臺。國外比較早期的還有哈佛大學圖書館建立的科研存儲平臺，伊莎卡學院開發(fā)的資料存儲歸檔平臺等。國內(nèi)高校主要依托CALIS提供的專業(yè)學科導航服務(wù)，也有上海交通大學、浙江理工大學、香港大學等部分高校開發(fā)了自己的學科服務(wù)平臺[2]。然而縱觀國內(nèi)外主流的高校學科服務(wù)平臺，基本都還停留在存儲和導航的基礎(chǔ)功能上，少數(shù)平臺即便有了在線咨詢功能，但主要模式仍依靠學科館員在線人工服務(wù)，對人工的依賴程度仍然很高。

1 當前高校圖書館學科服務(wù)問題

本文結(jié)合高校圖書館學科服務(wù)普遍情況和南京曉莊學院圖書館（以下簡稱本館）情況，對傳統(tǒng)學科服務(wù)模式中的問題歸納如下。

（1） 高校學科服務(wù)需要面向相關(guān)院系相關(guān)專業(yè)提供深入的跟蹤服務(wù)，傳統(tǒng)學科服務(wù)模式下對學科館員數(shù)量和學科館員質(zhì)量的要求都很高。高校圖書館人員結(jié)構(gòu)復雜、信息素質(zhì)水平偏低的現(xiàn)狀雖然不斷改善，但仍然難以全面、高水平地開展覆蓋各學科的學科服務(wù)。加之培養(yǎng)學科館員的周期長、成本高等問題，本館的學科服務(wù)團隊建設(shè)一直沒有取得突破性進展。

（2） 傳統(tǒng)學科館員制度下的學科服務(wù)模式中，學科館員是服務(wù)的中心，而嵌入式高校學科服務(wù)是以每一位用戶為中心的，也就是說目前在學科服務(wù)中實際存在著用戶和學科館員兩個中心。未來要強化用戶的中心地位，必須設(shè)法將傳統(tǒng)的學科館員與相關(guān)經(jīng)驗、數(shù)據(jù)等分離開來。

（3） 現(xiàn)有學科服務(wù)平臺主要實現(xiàn)學科導航服務(wù)，存在缺乏互動性、難以定制等缺陷，師生訪問量也一直不高。從學科館員的角度來看，由于制作和維護學科導航的工作量大，專業(yè)性強且難以和其他知識發(fā)現(xiàn)工具整合，所以很多傳統(tǒng)學科服務(wù)平臺處于不更新狀態(tài)。有些學科館員以計算機水平低等理由，直接將工作推給圖書館技術(shù)部門的同志，更使得學科導航脫離了院系需求。

（4） 目前也有一些基于互聯(lián)網(wǎng)的學科服務(wù)平臺，但這類平臺主要以導航為主，缺乏知識整理和知識發(fā)現(xiàn)的功能。智能化將是未來學科服務(wù)平臺發(fā)展的重要趨勢。

（5） 高校圖書館的專家館員在線咨詢增長率遠低于其他類型的在線專家咨詢系統(tǒng)增長率，甚至一些師生干脆選擇搜索引擎和問答類網(wǎng)站獲取學術(shù)信息。高校圖書館亟待提供更深入的知識服務(wù)，才能確立其在教學、科研服務(wù)中的重要地位。

2 智慧學科服務(wù)建設(shè)思路與功能需求

對高校圖書館而言，高校圖書館“十三五”規(guī)程中明確了“高校圖書館是為人才培養(yǎng)和科學研究服務(wù)的學術(shù)性機構(gòu)”，使得圍繞高校圖書館職能的智能學科服務(wù)模式研究更具必要性和迫切性[3]。智慧學科服務(wù)的研究與實踐將是高校圖書館發(fā)展的必然趨勢之一。在物聯(lián)網(wǎng)、傳感器、大數(shù)據(jù)、云計算、人工智能等高新技術(shù)聯(lián)合推動下，近年來智能技術(shù)取得重大突破和越來越廣泛的應(yīng)用，而現(xiàn)有模式下學科館員服務(wù)的種種問題以及學科服務(wù)工具的先天性缺陷，都有望在智能化條件下得以徹底解決。

高校圖書館智能學科服務(wù)相對其他智能推薦系統(tǒng)具有明顯的特殊性，體現(xiàn)在學校容易實現(xiàn)單點登錄且容易獲取師生的學習研究方向。另外，高校圖書館智能學科服務(wù)面對的服務(wù)群體對內(nèi)容的需求有著非常大的周期性變化，如某學生一門學科學完后開始其他學科的學習，前后關(guān)注內(nèi)容將發(fā)生很大變化。針對這一特點，本館學科服務(wù)模式的建設(shè)原則是：緊緊圍繞高校教學和科研服務(wù)，系統(tǒng)地應(yīng)用智能化技術(shù)，逐漸完善適合南京曉莊學院的高校圖書館智能學科服務(wù)模式。

根據(jù)上述原則，南京曉莊學院的智能學科服務(wù)建設(shè)思路是：首先根據(jù)本校教學、科研具體需求構(gòu)建可行性建設(shè)方案，然后將可行性建設(shè)方案交相關(guān)領(lǐng)域?qū)＜疫M行篩選，最終將通過篩選的方案在可監(jiān)控的數(shù)據(jù)環(huán)境下進行測試，測試過程中不斷收集和評估績效。對績效差的方案和調(diào)整后仍然不理想的方案進行淘汰，最終通過測試將不需要再調(diào)整的模式固定下來[4]。本館的智能學科服務(wù)模式功能需求，主要包括以下幾個方面。

（1） 為高校師生提供搜索方式獲取電子教育資源，支持模糊搜索。

（2） 為高校師生主動提供個性化的教育資源或知識片段推薦。

（3） 工作人員分為系統(tǒng)管理員及信息維護員。系統(tǒng)管理員負責保障整個系統(tǒng)的運維。信息維護員主要負責數(shù)據(jù)管理及維護工作。

（4） 記錄用戶網(wǎng)絡(luò)學術(shù)行為。系統(tǒng)需要對所有用戶的網(wǎng)絡(luò)學術(shù)行為進行動態(tài)記錄，包括IP地址、登錄信息、訪問時間或Session ID等信息，這些信息構(gòu)成的大數(shù)據(jù)將用于分析用戶的在線學術(shù)行為。

（5） 海量在線知識管理。將圖書館海量的資料轉(zhuǎn)換為有用的且易于提取的知識信息，首先需要利用專門的數(shù)據(jù)處理平臺對其進行摘要化處理和關(guān)系化處理。數(shù)據(jù)處理平臺還將提供包括資源訪問情況、資源偏好評分等多項基于大數(shù)據(jù)的分析功能。

（6） 個性學科知識推薦服務(wù)。系統(tǒng)不但具備對登錄用戶進行個性化學科知識推薦服務(wù)能力，而且對沒有登錄系統(tǒng)的用戶也能根據(jù)實時頁面操作捕獲到用戶可能感興趣的知識并進行推薦。登錄與非登錄用戶的個性學科服務(wù)推薦原理不同，登錄用戶的個性學科知識推薦服務(wù)更專業(yè)，更符合學科服務(wù)的特殊要求，而非登錄用戶獲得的推薦類似于商品興趣推薦。

（7） 按學科分類樹進行知識分類的功能。系統(tǒng)將建立一個類似高校學科目錄設(shè)置的樹形學科分類樹，有助于極大提升推薦的精確度。學科分類樹一般分為五層，其中學科層次較少的分三層，學科層次較多的可以分七層。學科分類樹的根節(jié)點按照一級學科分類進行設(shè)置，相應(yīng)的第二層也直接對應(yīng)二級學科分類設(shè)置。學科分類樹的第三層和第四層，一般對應(yīng)著專業(yè)課程名稱和課程的細分知識點，第四層也可以按照相關(guān)課程的目錄來設(shè)置。如果學科分類樹有必要設(shè)置到第五層，那么可以用章節(jié)中涉及知識點的關(guān)鍵字描述。當然，范圍很廣的關(guān)鍵詞是不能用于該層知識點描述的。除了節(jié)點本身名稱、說明外，每個節(jié)點還要附加一個關(guān)鍵字集合A，用于反向定位至該節(jié)點。學科分類樹中上層節(jié)點中，相鄰或是相近的兩個節(jié)點既要有共同部分，更要體現(xiàn)差異部分。學科分類樹中每個節(jié)點建立一個推薦知識片段集合B，推薦知識片段盡量全面體現(xiàn)本節(jié)點內(nèi)容，同時要避免范圍過大影響定位。學科分類樹中每一個節(jié)點都對應(yīng)一個推薦知識片段地址集合C，推薦知識片段的地址集合必須是本節(jié)點相關(guān)的URL（Uniform Resoure Locator）。

3 智慧學科服務(wù)模型

本館通過前期對讀者行為大數(shù)據(jù)的跟蹤研究，提出了兩種發(fā)掘用戶興趣的辦法。第一種辦法是通過抽取用戶檢索詞和圖書的TF-IDF信息，并形成常用檢索詞順序列表，得到用戶特征向量和知識特征向量，再對用戶和知識的相似點計算對比，就能找到用戶感興趣的知識片段[5]。第二種辦法是分片聚類，首先根據(jù)檢索詞、時間、空間等屬性抽取出用戶即時行為分片，然后將所有分片一起聚類分析，得到相似分片分組，分別運用相關(guān)算法找到目標用戶可能需要的圖書或知識片段。

如圖1所示，一站式學術(shù)搜索引擎作為高校圖書館智能學科服務(wù)個性化推薦的基礎(chǔ)支撐，與用戶交互、記錄用戶行為，并用爬蟲（網(wǎng)絡(luò)機器人） 采集網(wǎng)上各類教學科研的資料信息。數(shù)據(jù)采集模塊采集以上信息，標準化后存入智能學科服務(wù)個性化推薦系統(tǒng)數(shù)據(jù)庫以及HDFS中，同時數(shù)據(jù)預處理模塊對數(shù)據(jù)進行預處理。采用潛在語義分析模型和基于分片聚類的分析模型分析用戶數(shù)據(jù)，分別產(chǎn)生興趣集和相似分片集。最后采用不同的推薦算法分別執(zhí)行推薦并綜合推薦算法Rank后為用戶推薦資料[6]。

圖1 本校圖書館智能學科服務(wù)個性化推薦模型

4 智能學科服務(wù)業(yè)務(wù)架構(gòu)

圖書館學科服務(wù)目標作為業(yè)務(wù)系統(tǒng)的核心，圍繞該核心系統(tǒng)應(yīng)從業(yè)務(wù)上劃分為六個部分，分別是學科分類樹、知識聚類、智能推薦算法、資源建設(shè)、用戶行為及評價體系。各個部分的功能如下。

（1） 學科分類樹。該模塊提供最基礎(chǔ)的學科分類信息，建議參考國家《學位授予和人才培養(yǎng)學科目錄》 并結(jié)合本校專業(yè)設(shè)置情況、課程情況進行設(shè)置。該模塊也為資源建設(shè)、用戶行為、智能推薦算法選擇提供重要依據(jù)。

（2） 知識聚類。這一模塊主要是針對海量的圖書館資源的知識聚類，通過知識聚類，減少系統(tǒng)即時運算時間并提高知識推薦準確度。通過調(diào)整學科分類樹和知識聚類來達到最佳的預分類海量知識的效果。

（3） 智能推薦。該部分能協(xié)調(diào)其他五個部分數(shù)據(jù)，最終形成針對每一個用戶定制的推薦結(jié)果。系統(tǒng)即便在無法獲取用戶偏好的情況下，仍然可以根據(jù)用戶標簽來推薦，有效地避免了冷啟動問題。

（4） 資源建設(shè)。除常規(guī)的資源建設(shè)外，系統(tǒng)可循環(huán)收集反饋數(shù)據(jù)，建立動態(tài)的資源庫。用戶二次加工的資源將實時轉(zhuǎn)化為新的資源，以此提升資源建設(shè)的效率和針對性。

（5） 用戶行為。通過用戶在線操作的動態(tài)日志跟蹤和記錄，實現(xiàn)對用戶網(wǎng)上學術(shù)行為的記錄。這些海量記錄將用于智能推薦模塊分析用戶學習趨勢，并結(jié)合其專業(yè)與課程學習情況，對用戶行為進行教學引導。

（6） 評價體系。對教學資源進行評分，并反饋推薦結(jié)果的有效性，為智能推薦的優(yōu)化提供數(shù)據(jù)支持。

5 高校圖書館智能學科系統(tǒng)部署架構(gòu)

本系統(tǒng)采用大數(shù)據(jù)分析技術(shù)，并綜合采用Google公司推出的MapReduce及開源Hadoop云計算技術(shù)，通過挖掘海量數(shù)據(jù)所蘊含的信息，建立特定模型進行預測。

為滿足總體需求，系統(tǒng)引入大數(shù)據(jù)處理、存儲設(shè)計部署。本館智能學科系統(tǒng)架構(gòu)部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四個數(shù)據(jù)集群及相關(guān)存儲，另外還部署了學科分類樹集群、個性化推薦Web集群兩個應(yīng)用集群，用于提供相應(yīng)的應(yīng)用請求和分類樹建構(gòu)需求[7]。

（1）Hadoop Cluster。此部署集群又分為兩個功能部分。第一個功能是對大量URL進行處理并對爬取內(nèi)容進行分析與使用，從而對學科分類樹構(gòu)成輔助。另一個功能是在分布式計算的個性化推薦中輔助Mahout使用。在操作中為常將Second Name Node單獨部署在一臺服務(wù)器上，這樣可以防止Name Node單點故障，讓日志文件能寫入共享存儲，提升Name Node的可靠性。

（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和復制集技術(shù)來搭建存儲分類樹文檔庫及推薦信息庫，不但提升了可用性、穩(wěn)定性，和安全性而且易于集群的擴展部署。

（3）Zookeeper Cluster。搭建具有一個決策節(jié)點和兩個數(shù)據(jù)節(jié)點的Zookeeper集群，用于在分布式任務(wù)協(xié)調(diào)中分配相關(guān)數(shù)據(jù)存儲，為分類樹應(yīng)用管理、存儲和配置信息庫使用。

（4）Spark Cluster。該集群負責個性化推薦中基于Web應(yīng)用的實時推薦算法的計算任務(wù)，由于實時性強、并行性強，需要配置大容量內(nèi)存和高性能服務(wù)器進行支持。該集群通過重用Hadoop集群中yarn部署。

（5） 學科分類樹集群。該集群負責用戶上網(wǎng)日志提取及相關(guān)內(nèi)容抓取。由于信息量大，關(guān)鍵字提取及時性要求高，為滿足性能要求需要部署多臺爬蟲服務(wù)器。

（6） 個性化推薦Web集群。部署該部分主要是為緩解系統(tǒng)使用高峰中在線支持及實時推薦的計算壓力。通過單獨部署個性化推薦Web服務(wù)集群和前端部署負載均衡軟件的辦法相結(jié)合，提升個性推薦服務(wù)保障能力。

6 結(jié)語

圖書館智能學科服務(wù)對高校圖書館提升自我服務(wù)能力，優(yōu)化高校教育教學資源配置都有著重要的意義。本文結(jié)合高校學科服務(wù)需求，通過對大數(shù)據(jù)技術(shù)及推薦技術(shù)等的調(diào)研，最終形成針對高校特征的智能學科輔助服務(wù)模式。該模式在解決信息過載、冷啟動以及減少技術(shù)復雜性上都做了一些嘗試，為部署高校圖書館智能學科服務(wù)平臺邁出了試探性的步伐，相信隨著高校圖書館的不斷升級和學科服務(wù)深入，以及教學相關(guān)數(shù)據(jù)的不斷積累，智能學科服務(wù)模式將成為高校圖書館普遍重視的研究領(lǐng)域。

參考文獻：

[ 1 ]蔚海燕，衛(wèi)軍朝.研究型圖書館學科服務(wù)的轉(zhuǎn)變：從學科館員到學科服務(wù)平臺[J].大學圖書館學報，2013（6）：74-81.

[ 2 ]劉靜春.大數(shù)據(jù)時代高校數(shù)字圖書館學科資源聚合“云”服務(wù)平臺構(gòu)建研究[J].圖書館學刊，2016（6）：105-107.

[ 3 ]湯妙吉.圖書館智能化專業(yè)學科服務(wù)平臺建設(shè)[J].現(xiàn)代情報，2016（6）：100-102，107.

[ 4 ]曹畋.大數(shù)據(jù)環(huán)境下的圖書館異構(gòu)數(shù)據(jù)統(tǒng)一訪問與轉(zhuǎn)化系統(tǒng)[J]. 圖書館理論與實踐，2016（2）：80-84.

[ 5 ]曹畋. 試論“互聯(lián)網(wǎng)+”下的智能閱讀推廣[J].圖書館理論與實踐，2016（8）：94-96.

[ 6 ]曹畋.基于多Agent的高校智慧學習輔助平臺建設(shè)實踐[J].圖書館學研究，2017（24）：37-41.

[ 7 ]曹畋.構(gòu)建基于Agent的高校圖書館智能教學輔助平臺[J].新世紀圖書館，2017（7）：47-51.