劉桂琴 許新華

摘 要 論文針對(duì)圖書館用戶流失問題，基于圖書館用戶數(shù)據(jù)，構(gòu)建用戶特征矩陣，利用深度神經(jīng)網(wǎng)絡(luò)預(yù)測用戶流失風(fēng)險(xiǎn);將存在流失風(fēng)險(xiǎn)的用戶作為重點(diǎn)研究對(duì)象，根據(jù)用戶特征，結(jié)合S-O-R理論設(shè)計(jì)圖書館用戶流失影響因素模型。采用扎根理論方法設(shè)計(jì)問卷，提取影響圖書館用戶流失的指標(biāo)因素，并構(gòu)建結(jié)構(gòu)方程模型進(jìn)行分析，將技術(shù)研究與質(zhì)性研究相結(jié)合，挖掘影響用戶流失的核心因素，并在此基礎(chǔ)上，構(gòu)建了圖書館智慧型服務(wù)空間設(shè)計(jì)模型，為圖書館創(chuàng)新服務(wù)提供決策支持。

關(guān)鍵詞 用戶流失 影響因素 機(jī)器學(xué)習(xí) 用戶服務(wù) 智慧圖書館

分類號(hào) G250

0 引言

隨著新媒體時(shí)代的到來，圖書館用戶流失一直是學(xué)者所重點(diǎn)關(guān)注的問題，如何最大限度地減少用戶流失，采取措施留住老用戶并吸引新用戶成為圖書館亟需解決的問題。針對(duì)用戶流失問題，學(xué)者們從不同角度進(jìn)行了探討，如徐孝娟等人基于S-O-R理論構(gòu)建了社交網(wǎng)站用戶流失行為整合模型 [1]。鄒衛(wèi)韶等人針對(duì)經(jīng)濟(jì)不發(fā)達(dá)地區(qū)公共圖書館用戶流失問題，在調(diào)研的基礎(chǔ)上，分析了用戶流失的原因[2]。賴院根等人對(duì)信息用戶流失分析中的相關(guān)問題展開了研究，提出基于客戶價(jià)值的流失預(yù)測模型[3]。郭順利等人構(gòu)建高校圖書館微信公眾平臺(tái)用戶流失行為模型，為高校圖書館微信公眾平臺(tái)運(yùn)營推廣提供理論依據(jù)和參考建議[4]。王繼華基于S-O-R理論，構(gòu)建了公共圖書館微信公眾平臺(tái)用戶流失行為模型[5]。分析發(fā)現(xiàn)有些已有研究主要集中在圖書館微信公眾平臺(tái)用戶流失行為的探討，而沒有著眼于從預(yù)測流失可能性到探尋影響因素的完整過程。因此，本文從技術(shù)研究和質(zhì)性研究兩個(gè)角度出發(fā)，以黃石市圖書館為例，基于用戶的借閱數(shù)據(jù)、到館數(shù)據(jù)以及資源數(shù)據(jù)，通過深度學(xué)習(xí)技術(shù)，構(gòu)建圖書館用戶流失預(yù)測模型，并在流失預(yù)測的基礎(chǔ)上，以存在流失風(fēng)險(xiǎn)的用戶作為重點(diǎn)研究對(duì)象，根據(jù)用戶特征及S-O-R理論設(shè)計(jì)調(diào)查問卷，采用扎根理論方法抽取影響因素，然后借助解釋結(jié)構(gòu)方程模型分析影響因素，探尋影響用戶流失的根本原因。最后根據(jù)分析結(jié)果，為黃石市圖書館智慧型服務(wù)構(gòu)建空間設(shè)計(jì)模型，以此提高其智能化技術(shù)的應(yīng)用能力，創(chuàng)新用戶服務(wù)提供理論參考與決策支持。

1 用戶流失預(yù)測分析步驟與模型構(gòu)建

1.1 用戶流失預(yù)測模型構(gòu)建

在數(shù)據(jù)預(yù)處理方面，本研究首先獲取用戶的借閱數(shù)據(jù)、到館數(shù)據(jù)以及資源數(shù)據(jù)，對(duì)用戶指標(biāo)進(jìn)行判別，經(jīng)過特征工程算法處理得到訓(xùn)練數(shù)據(jù)，選定用戶特征生成特征矩陣，并確定目標(biāo)數(shù)據(jù)。其次，將特征矩陣中的類別信息進(jìn)行數(shù)值轉(zhuǎn)化，通過多個(gè)變量組合進(jìn)行類別表示，并對(duì)變量組合進(jìn)行處理，避免陷入“虛擬變量陷阱”。第三，對(duì)特征矩陣進(jìn)行標(biāo)準(zhǔn)化處理，消除不同類別數(shù)據(jù)之間的差異。最后，分割特征矩陣，以20%的數(shù)據(jù)作為測試集，80%的數(shù)據(jù)作為訓(xùn)練集。

在搭建神經(jīng)網(wǎng)絡(luò)層方面，依據(jù)神經(jīng)網(wǎng)絡(luò)理論，首先搭建輸入層，根據(jù)特征矩陣的維數(shù)確定輸入層神經(jīng)元數(shù)量;其次搭建隱藏層，根據(jù)輸入層和輸出層的神經(jīng)元數(shù)量推測隱藏層中每層的神經(jīng)元數(shù)量，并嘗試搭建不同的隱藏層數(shù)（>=3層），為了加快模型訓(xùn)練收斂速度，在隱藏層采用relu 函數(shù)作為激活函數(shù);最后搭建輸出層，為實(shí)現(xiàn)二元分類功能，選用softmax作為激活函數(shù)，獲取分類結(jié)果。

為了更好地保證研究數(shù)據(jù)具有準(zhǔn)確性，先對(duì)用戶流失進(jìn)行預(yù)測。首先將作為訓(xùn)練集的用戶特征矩陣作為原始輸入，輸入到深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行模型訓(xùn)練;再根據(jù)精準(zhǔn)度和損失度來調(diào)整隱含層的層數(shù)，確定最優(yōu)預(yù)測模型;最后將測試集輸入到已訓(xùn)練好的模型中，經(jīng)過Sigmoid 激活函數(shù)進(jìn)行二元分類輸出之后，得到每位用戶流失可能性的判別結(jié)果，對(duì)其精準(zhǔn)度進(jìn)行統(tǒng)計(jì)。具體實(shí)踐過程見圖1。

1.2 圖書館用戶流失影響因素分析模型

基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，將流失概率超過50%，但沒有退卡的用戶作為重點(diǎn)研究對(duì)象。針對(duì)這些用戶構(gòu)建用戶特征矩陣，并基于S-O-R理論設(shè)計(jì)圖書館用戶流失影響因素模型，見圖2。其中，圖書館的刺激主要包含信息資源、館員服務(wù)、圖書館環(huán)境、基礎(chǔ)管理與服務(wù)、外部環(huán)境五方面;有機(jī)體的變化主要包括情感、認(rèn)知和物理等三個(gè)方面;反應(yīng)是指用戶受到刺激后作出的反應(yīng)和決策，主要為用戶申請(qǐng)退借閱卡，不再到館享受服務(wù)?；趫D書館用戶流失影響因素模型，通過專家咨詢，結(jié)合扎根理論方法設(shè)計(jì)調(diào)查問卷，對(duì)存在流失風(fēng)險(xiǎn)的用戶進(jìn)行調(diào)查，根據(jù)調(diào)查結(jié)果，繼續(xù)通過專家咨詢的方式，提取影響因素的指標(biāo)，通過構(gòu)建結(jié)構(gòu)方程模型分析圖書館用戶流失行為的影響因素。

2 實(shí)驗(yàn)數(shù)據(jù)來源與處理方法

本文數(shù)據(jù)來源于黃石市圖書館的用戶，統(tǒng)計(jì)近三年辦理借書卡的用戶信息，選取其中的3000名用戶作為樣例數(shù)據(jù)，經(jīng)過特征工程算法處理，選擇具有代表性和重要性的用戶特征，包括年齡、性別、地區(qū)、到館次數(shù)、借書數(shù)，續(xù)借數(shù)，預(yù)約數(shù)、期刊閱覽次數(shù)、電子資源使用次數(shù)、是否退卡等。按照用戶流失預(yù)測模型的構(gòu)建過程，首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，利用用戶數(shù)據(jù)的前9項(xiàng)構(gòu)建特征矩陣，將是否退卡作為目標(biāo)數(shù)據(jù)，判斷用戶是否流失的依據(jù);進(jìn)而利用python 的pandas和numpy包進(jìn)行數(shù)據(jù)清洗，將性別、地區(qū)等類別數(shù)據(jù)轉(zhuǎn)化成數(shù)值;為了消除量綱，對(duì)特征矩陣進(jìn)行標(biāo)準(zhǔn)化處理;對(duì)特征矩陣進(jìn)行分割?？紤]到數(shù)據(jù)量原因，本文在實(shí)驗(yàn)過程中僅構(gòu)建訓(xùn)練集和測試集，以80%的數(shù)據(jù)用來訓(xùn)練機(jī)器學(xué)習(xí)模型，以20%的數(shù)據(jù)用作測試，不設(shè)置驗(yàn)證集，只通過測試集實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整以及性能檢測的功能。

在構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型之前，首先采用Scikit-learn中的支持向量機(jī)模型和決策樹模型作為baseline進(jìn)行預(yù)測評(píng)估。相比于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)和決策樹也是模型預(yù)測中的有效方法。支持向量機(jī)是一種有堅(jiān)實(shí)理論基礎(chǔ)的新穎的小樣本學(xué)習(xí)方法，它避開了從歸納到演繹的傳統(tǒng)過程，實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報(bào)樣本的“轉(zhuǎn)導(dǎo)推理”，大大簡化了通常的分類和回歸等問題;而決策樹的突出優(yōu)點(diǎn)是可以抽取可讀性規(guī)律，從訓(xùn)練集數(shù)據(jù)中自動(dòng)地構(gòu)造決策樹，從而可以根據(jù)這個(gè)決策樹對(duì)任意實(shí)例進(jìn)行判定[6]。在利用支持向量機(jī)和決策樹模型預(yù)測之后，采用建立在Tensorflow之上的高度抽象框架Tflearn構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，逐步搭建神經(jīng)網(wǎng)絡(luò)層，其中輸入層包含9個(gè)神經(jīng)元，輸出層包含2個(gè)神經(jīng)元，依據(jù)工程學(xué)的通用做法，輸入層和輸出層的神經(jīng)元數(shù)量相加除以2取整，就作為隱含層的神經(jīng)元數(shù)量，因此在搭建隱藏層的過程中，每層神經(jīng)元數(shù)量確定為5，而層數(shù)分別取3至9，以獲得最高的預(yù)測準(zhǔn)確率。

3 實(shí)驗(yàn)用戶流失預(yù)測分析

神經(jīng)網(wǎng)絡(luò)的深度與用戶流失預(yù)測準(zhǔn)確率之間的關(guān)系如圖3所示，當(dāng)隱藏層層數(shù)達(dá)到4層時(shí)，對(duì)應(yīng)模型的預(yù)測準(zhǔn)確率最高，因此在搭建神經(jīng)網(wǎng)絡(luò)層的過程中，嘗試增加隱藏層提高預(yù)測的準(zhǔn)確率。

本文的實(shí)驗(yàn)樣例中的3000名用戶，其中2400名用戶用作模型訓(xùn)練，而另外600名用戶作為測試集數(shù)據(jù)輸入到預(yù)測模型中，進(jìn)行模型評(píng)估，通過參數(shù)調(diào)整，確定最優(yōu)預(yù)測模型，獲取每位用戶流失的概率。在評(píng)估深度神經(jīng)網(wǎng)絡(luò)的預(yù)測效果時(shí)，使用Tflearn框架內(nèi)的evaluate函數(shù)評(píng)價(jià)模型，獲取模型測試準(zhǔn)確性。根據(jù)測試結(jié)果，通過多次模型調(diào)整比較，統(tǒng)計(jì)模型的預(yù)測準(zhǔn)確率達(dá)到89%。

為了驗(yàn)證本文所提出的深度神經(jīng)網(wǎng)絡(luò)模型在圖書館用戶流失預(yù)測中的有效性，通過Python中Scikit-learn提供的決策樹和支持向量機(jī)模型分別進(jìn)行用戶流失預(yù)測。利用訓(xùn)練集訓(xùn)練模型，將數(shù)據(jù)輸入測試集，通過調(diào)用Scikit-learn的classification_report模塊評(píng)估預(yù)測效果，生成分析報(bào)告，獲取查全率、查準(zhǔn)率及F值，見表1。通過對(duì)比，基于決策樹和支持向量機(jī)進(jìn)行的預(yù)測，F(xiàn)值分別為81%和71%，低于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率，驗(yàn)證了基于深度神經(jīng)網(wǎng)絡(luò)的圖書館用戶流失預(yù)測模型具備較高的預(yù)測準(zhǔn)確率?？梢哉f通過深度神經(jīng)網(wǎng)絡(luò)得到的預(yù)測結(jié)果可用于用戶流失影響因素的分析中。

4 實(shí)驗(yàn)用戶流失影響因素分析

根據(jù)深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，查看測試集中600名用戶的預(yù)測結(jié)果，其中流失概率達(dá)到50%以上，但仍沒有退卡的用戶，共337位。將這部分用戶作為重點(diǎn)調(diào)查對(duì)象，用于挖掘影響圖書館用戶流失的因素。

研究問卷設(shè)計(jì)采取開放式編碼定義原則，首先從館內(nèi)選擇兩位專家，通過上述圖書館用戶流失行為模型，對(duì)每個(gè)因素進(jìn)行分散式問題采集，每個(gè)因素下提供 6～10 個(gè)參考問項(xiàng)。收集專家的提問項(xiàng)后，對(duì)兩名專家共同采集的問題予以采納，對(duì)單個(gè)專家提出的問項(xiàng)，再次由兩位專家共同商議后，再?zèng)Q定應(yīng)用或放棄。經(jīng)過 30分鐘時(shí)間的專家編碼后，最終得到 6 個(gè)維度 2個(gè)問題的問卷項(xiàng)。問題項(xiàng)確定后，根據(jù)研究情境，經(jīng)過專家小組討論，對(duì)相關(guān)量表的測量項(xiàng)進(jìn)行調(diào)整和完善。最后對(duì)存在流失風(fēng)險(xiǎn)可能性的用戶進(jìn)行電話訪談，問卷采用李克特5分量表編制，其中，1 表示 “非常不同意”，3表示“中立”，5表示 “非常同意”。問卷針對(duì)模型中的 6 個(gè)潛變量[7]，共設(shè)立21個(gè)題項(xiàng)。調(diào)查結(jié)束后，經(jīng)篩選，有效訪談?dòng)涗?05份，訪談的有效率為90.5%。兩位專家分別根據(jù)問卷中設(shè)置的問題，對(duì)他們認(rèn)為重要的要素進(jìn)行抽取解碼，用最簡短的詞語或詞組表示抽取的要素。由于采用開放式編碼抽取方式，兩位專家所表示的要素存在重復(fù)項(xiàng)、個(gè)別詞組較長、同一概念采用不同的表達(dá)方式、抽取要素不夠精煉等問題。

本研究利用小組討論方式對(duì)兩位專家抽取的表達(dá)圖書館用戶流失的影響因素進(jìn)行歸納和精煉，并將要素返回原訪談材料驗(yàn)證和比較，驗(yàn)證抽取要素的可靠性，最終合并兩位專家抽取到的要素和關(guān)系，總計(jì)得到 21個(gè)影響要素。依據(jù)解釋結(jié)構(gòu)方程模型方法的步驟，首先根據(jù)要素之間關(guān)系構(gòu)建鄰接矩陣，并根據(jù)鄰接矩陣的矩陣運(yùn)算，求出可達(dá)矩陣;進(jìn)而對(duì)可達(dá)矩陣進(jìn)行分解，分別進(jìn)行抽取層級(jí)，建立層級(jí)結(jié)構(gòu)模型;然后根據(jù)層級(jí)結(jié)構(gòu)模型建立系統(tǒng)問題的解釋結(jié)構(gòu)模型;最后計(jì)算各影響因素對(duì)用戶流失行為的影響比重，計(jì)算結(jié)果見表2。

根據(jù)解釋結(jié)構(gòu)方程模型理論，層級(jí)結(jié)構(gòu)模型可以分為表象層、中間層和根本原因?qū)尤龑?，而分析?發(fā)現(xiàn)，21項(xiàng)用戶流失影響因素根據(jù)其對(duì)用戶流失行為產(chǎn)生影響的比重也明顯分為三個(gè)層級(jí)。其中根本原因?qū)影ˋ3、B1、C1、D1;中間層包括A1、C2、C3、D3、E2、E4、F2;表象層主要包括E1、F1。

5 實(shí)驗(yàn)結(jié)果與討論

通過以上分析發(fā)現(xiàn)，為用戶開放網(wǎng)絡(luò)資源、館員有效為用戶提供服務(wù)、圖書館為用戶提供干凈優(yōu)美的環(huán)境以及開展多樣的活動(dòng)是影響黃石市圖書館用戶是否流失的關(guān)鍵性因素，而根本原因?qū)又械钠渌齻€(gè)因素，也為黃石市圖書館提升服務(wù)水平提供了借鑒。需要說明的是，本文在構(gòu)建模型時(shí)，數(shù)據(jù)量較小，構(gòu)建的用戶特征矩陣并不完善;而訪談的對(duì)象重點(diǎn)僅限于存在流失可能性的用戶，樣本較少;并且模型并沒有推廣實(shí)施，其適用性還有待進(jìn)一步確認(rèn)。以上這些都會(huì)對(duì)本文結(jié)論產(chǎn)生一定影響，下一步我們將擴(kuò)大數(shù)據(jù)樣本，改進(jìn)當(dāng)前存在不足，將技術(shù)和質(zhì)性研究更好的結(jié)合。

綜合考慮以上因素，黃石市圖書館在構(gòu)建智慧型服務(wù)空間時(shí)，還應(yīng)從數(shù)據(jù)分析、特色服務(wù)、創(chuàng)客空間、空間再造四個(gè)方面入手設(shè)計(jì)空間模型，具體見圖4。

圖4 智慧型服務(wù)空間設(shè)計(jì)模型

5.1 通過數(shù)據(jù)互聯(lián)服務(wù)提高圖書館服務(wù)效率

技術(shù)是圖書館發(fā)展的驅(qū)動(dòng)性因素，也是圖書館智慧服務(wù)的基礎(chǔ)。圖書館在尋求技術(shù)突破時(shí)，要充分考慮人與人之間、人與物之間、物與物之間的智慧互聯(lián)互通，基于人工智能、情景感知、深度學(xué)習(xí)等方法，實(shí)現(xiàn)圖書館內(nèi)外部數(shù)據(jù)資源對(duì)用戶的智慧化服務(wù)模式[8]。首先可借助Hadoop、Spark等大數(shù)據(jù)分析平臺(tái)，對(duì)門禁系統(tǒng)的進(jìn)館數(shù)據(jù)進(jìn)行采集、加工、分析，生成可視化報(bào)表，為圖書館工作人員提供準(zhǔn)確時(shí)段數(shù)據(jù)和用戶畫像，有利于圖書館根據(jù)讀者類型制定服務(wù)策略，根據(jù)到館人流量的變化趨勢進(jìn)行工作人員的調(diào)配和管理，合理安排人員工作，避免人員閑置，提高圖書館的服務(wù)質(zhì)量。其次開發(fā)功能全面的移動(dòng)端APP，用戶通過在個(gè)人移動(dòng)終端安裝圖書館網(wǎng)站提供的相應(yīng)軟件，即可實(shí)現(xiàn)書目檢索、讀者服務(wù)、你問我答、圖書借閱等服務(wù)功能;在此基礎(chǔ)上，基于圖像識(shí)別技術(shù)，使用戶拍攝書籍條形碼即可查詢書目是否借出及書評(píng)信息。最后重視對(duì)人工智能技術(shù)的應(yīng)用，將圖書館海量資源與前沿技術(shù)結(jié)合，大力打造人工智能引擎，進(jìn)一步升級(jí)學(xué)習(xí)語料庫與行業(yè)知識(shí)智能，開展“智慧虛擬館員”服務(wù)，為用戶提供智能咨詢、聊天、檢索等服務(wù)，提升用戶體驗(yàn)與服務(wù)效率。

5.2 通過空間環(huán)境再造提供多元化學(xué)習(xí)場所

以用戶需求為導(dǎo)向，對(duì)圖書館傳統(tǒng)空間格局進(jìn)行改造，精心打造新型的圖書館互動(dòng)體驗(yàn)學(xué)習(xí)區(qū)，提升用戶粘性。整個(gè)學(xué)習(xí)區(qū)可分為四個(gè)主題，每個(gè)主題展區(qū)各有特點(diǎn)，具有不同的功能，其中共享空間體驗(yàn)區(qū)用于讀者自我展現(xiàn)與交流，內(nèi)設(shè)若干功能舒適的個(gè)性化定制桌椅，提供使用方便的互聯(lián)網(wǎng)絡(luò)和電腦;閱讀體驗(yàn)區(qū)可展示圖書館多媒體數(shù)字資源，包括數(shù)字化形式的圖書、期刊、報(bào)紙、論文等，并通過屏幕展示和試聽體驗(yàn)的方式向讀者演示各類數(shù)字資源的獲取和使用，使廣大讀者能夠了解館藏各種數(shù)字資源;信息共享空間展示區(qū)可提供屏幕、投影儀等設(shè)備，定期播放教育資料和電視節(jié)目，內(nèi)容可為新聞、財(cái)經(jīng)、地理、重大事件和重要賽事;學(xué)科服務(wù)體驗(yàn)區(qū)通過引進(jìn)數(shù)字學(xué)科服務(wù)平臺(tái)來實(shí)現(xiàn)其功能，用戶可在此進(jìn)行自主學(xué)習(xí)，自我成長。

5.3 通過推廣特色服務(wù)滿足用戶個(gè)性化需求

在智慧環(huán)境下，公共圖書館要在傳統(tǒng)個(gè)性化服務(wù)的基礎(chǔ)上，借助大數(shù)據(jù)、云計(jì)算、移動(dòng)互聯(lián)等方法技術(shù)采集更多的讀者特征和行為數(shù)據(jù)，關(guān)注用戶焦點(diǎn)訴求，不斷更新形式、豐富內(nèi)容，提高服務(wù)水平，增強(qiáng)用戶與圖書館的互動(dòng)性。通過用戶數(shù)據(jù)采集，了解用戶關(guān)注的圖書資源和數(shù)據(jù)庫，并根據(jù)反饋結(jié)果制定個(gè)性化的服務(wù)方案。在向智慧圖書館發(fā)展的過程中，黃石市圖書館首先可考慮在凸顯 “用戶至上”原則下，深度推動(dòng)信用借閱、在線借閱，逐步構(gòu)建“互聯(lián)網(wǎng)+O2O+圖書館”在線借閱服務(wù)圈;其次與政府市民信息數(shù)據(jù)庫對(duì)接，進(jìn)一步完善讀者基本信息，以通過用戶分類、畫像來實(shí)現(xiàn)個(gè)性化推薦服務(wù);最后，構(gòu)建館內(nèi)智慧感知系統(tǒng)，根據(jù)用戶在館內(nèi)的活動(dòng)軌跡，進(jìn)行數(shù)據(jù)分析，開展有針對(duì)性的服務(wù)推薦，以打造全方位的圖書館“智慧服務(wù)”。

5.4 通過構(gòu)建創(chuàng)客空間實(shí)現(xiàn)圖書館向上生長

隨著智慧時(shí)代的來臨，公共圖書館智慧服務(wù)對(duì)空間價(jià)值的要求更高，公共圖書館在傳統(tǒng)空間服務(wù)的基礎(chǔ)上，需進(jìn)一步將線下的物理空間與線上的虛擬空間進(jìn)行融合，以體現(xiàn)圖書館作為信息共享與創(chuàng)新空間的重要地位。因此，黃石市圖書館可考慮為讀者用戶提供動(dòng)手實(shí)踐、實(shí)現(xiàn)創(chuàng)意想法的創(chuàng)客空間，增強(qiáng)圖書館與社區(qū)的互動(dòng)性，提升圖書館的社會(huì)價(jià)值。為滿足創(chuàng)客群體的需求，在空間服務(wù)上應(yīng)具備實(shí)時(shí)感知、資源分析、個(gè)性化定制、及時(shí)反饋等一站式功能。在空間設(shè)置上，合理布局，提供信息技術(shù)區(qū)域、學(xué)習(xí)討論區(qū)域、學(xué)習(xí)討論區(qū)域和產(chǎn)品設(shè)計(jì)區(qū)域，以此吸引更多用戶回歸圖書館。