徐傲雪

摘? ?要： 新冠肺炎疫情防控期間，基于用戶畫像的圖書精準推薦服務(wù)，有利于提高服務(wù)質(zhì)量，優(yōu)化運營管理，進一步培養(yǎng)用戶閱讀興趣，具有極高的社會效益和經(jīng)濟效益。本文分析了圖書用戶畫像的構(gòu)建方法，以及如何應(yīng)用于圖書精準推薦服務(wù)，以為相關(guān)工作的開展帶來一些啟示意義。

關(guān)鍵詞： 用戶畫像? ?圖書推薦? ?大數(shù)據(jù)

一、引言

互聯(lián)網(wǎng)時代，信息不再是稀缺資源，人們利用搜索引擎，可以在短時間內(nèi)獲取海量信息。但伴隨著網(wǎng)民數(shù)量的增多，互聯(lián)網(wǎng)在日常生活中不斷深入，互聯(lián)網(wǎng)上各類廣告信息、垃圾信息逐漸泛濫，人們通過搜索引擎雖然可以輕松獲取大量信息，但其中夾雜著大量無效信息，真正對用戶有價值的信息寥寥無幾，也就是說傳統(tǒng)搜索引擎技術(shù)效率低下，遇到瓶頸。面對這樣的困境，基于大數(shù)據(jù)的精準推薦服務(wù)應(yīng)運而生。精準推薦服務(wù)將對用戶過往使用搜索引擎的行為、習慣、興趣愛好進行挖掘、整理和分析，從中總結(jié)用戶特點，形成用戶畫像，基于用戶畫像對用戶進行相關(guān)信息的推薦，提高用戶信息搜索的匹配度，提高用戶搜索的效率和準確性。

基于用戶畫像的精準推薦服務(wù)在互聯(lián)網(wǎng)行業(yè)應(yīng)用廣泛，最早使用精準推薦服務(wù)的是各類電商網(wǎng)站，通過收集用戶的商品瀏覽信息、購買信息、收藏信息等數(shù)據(jù)，總結(jié)出用戶喜好，對用戶進行商品推薦，以進一步提高用戶對電商網(wǎng)站的使用率和購買率。隨后，精準推薦服務(wù)被運用于新聞網(wǎng)站、娛樂網(wǎng)站、社交網(wǎng)站，今日頭條、抖音等新興社交App是精準推薦服務(wù)應(yīng)用的典型代表，通過分析用戶以往的瀏覽數(shù)據(jù)、點贊數(shù)據(jù)、留言數(shù)據(jù)等信息，為用戶源源不斷地推送合乎用戶畫像的新內(nèi)容，從而實現(xiàn)用戶積累?？梢哉f，當今時代，用戶數(shù)據(jù)、用戶畫像的價值已經(jīng)被發(fā)掘得淋漓盡致，基于用戶畫像的精準推薦服務(wù)涵蓋生活的方方面面，基于用戶畫像的精準推薦服務(wù)成為當今互聯(lián)網(wǎng)行業(yè)最核心的技術(shù)之一。

然而，在圖書信息系統(tǒng)領(lǐng)域，基于用戶畫像的精準推薦服務(wù)的應(yīng)用并不是十分廣泛。一方面，圖書館等機構(gòu)每年耗費大量資金、資源購買新書、維護圖書，但傳統(tǒng)宣傳渠道效率低下、精準度差，圖書資源的利用率仍有待提高。另一方面，目前傳統(tǒng)的圖書檢索系統(tǒng)只能通過關(guān)鍵詞搜索圖書，用戶在使用過程中往往需要花費較長時間篩選，才能準確找到相關(guān)書籍，面臨用戶體驗差、效率低下的問題。在以往經(jīng)營過程中，圖書館已經(jīng)積累了大量的讀者和圖書借閱、瀏覽記錄，這部分數(shù)據(jù)可以幫助圖書館構(gòu)建用戶畫像、分析用戶行為，具有極高的利用價值。目前這部分數(shù)據(jù)的開發(fā)、利用程度并不高。如果能夠充分利用用戶數(shù)據(jù)，基于用戶畫像開展圖書精準推薦服務(wù)，那么一方面可以幫助圖書館提高服務(wù)質(zhì)量，進一步激發(fā)和培養(yǎng)用戶對于閱讀的興趣，另一方面可以提高圖書資源的利用率，實現(xiàn)降本增效。因此，基于用戶畫像的圖書精準推薦服務(wù)具有極高的社會效益和經(jīng)濟效益。新冠疫情防控時期，作為大量師生讀者聚集的場所，高校圖書館的疫情防控任務(wù)刻不容緩，既要減少人與人之間的接觸，又要推廣圖書資源提高服務(wù)質(zhì)量。如何直接通過用戶數(shù)據(jù)的處理達到圖書精準推薦尤為重要。

二、現(xiàn)有的圖書推薦模式

圖書推薦并不是一個新鮮名詞，具有較長的發(fā)展歷史。目前圖書推薦模式主要分為兩種：一種是“無差異圖書推薦”，常見形式包括“新書推薦”“借閱排行”“熱門推薦”“每周推薦”等。這類推薦模式對所有用戶的推薦內(nèi)容都是一致的、無差異的，與用戶行為無直接關(guān)聯(lián)。這種圖書推薦模式的優(yōu)點是簡單易行，運營人員只需要編輯一個網(wǎng)頁或者一條信息，推送給用戶即可，而且具有一定的普適性，推薦圖書大多經(jīng)典或者熱門，足以滿足用戶的一般性需求。

“無差異圖書推薦”的弊端顯而易見，就是為所有用戶推薦的內(nèi)容是相同的，無法滿足用戶的個性化需求。伴隨著大數(shù)據(jù)和用戶畫像技術(shù)的不斷發(fā)展和成熟，“差異化圖書推薦”逐漸興起，通過挖掘和分析用戶行為，描繪用戶畫像，預測用戶喜好，對用戶進行個性化的圖書推薦?！安町惢瘓D書推薦”可以分為“個性化用戶推薦”和“群體化用戶推薦”。其中，“個性化用戶推薦”以某一個體用戶為單位，通過挖掘、分析該用戶的行為進行圖書資源的匹配和推薦?！叭后w化用戶推薦”以某一群體為單位，挖掘、分析該用戶群體的行為習慣，進行圖書資源的匹配和推薦。“差異化圖書推薦”的常見形式包括“猜你喜歡”“根據(jù)瀏覽記錄推薦”“根據(jù)收藏記錄推薦”等。與傳統(tǒng)“無差異圖書推薦”模式相比，“差異化圖書推薦”的優(yōu)勢是進一步提升圖書資源與用戶需求的匹配度和匹配效率，提升用戶體驗，但“差異化圖書推薦”需要進行用戶畫像的構(gòu)建和圖書推薦系統(tǒng)的開發(fā)，無疑需要更高的技術(shù)要求和成本投入。

數(shù)據(jù)化時代，用戶在使用圖書資源的各個環(huán)節(jié)都會產(chǎn)生數(shù)據(jù)，因此用戶不再是過去單純的資源使用者，更是資源創(chuàng)造者。如何在用戶產(chǎn)生的海量數(shù)據(jù)資源中發(fā)掘價值、創(chuàng)造價值，更好地為用戶服務(wù)，是當下需要解決的問題。通過挖掘用戶在利用圖書資源過程中的各種行為，構(gòu)建用戶畫像，對用戶的潛在需求進行預測，形成圖書精準推薦服務(wù)，正是利用數(shù)據(jù)驅(qū)動服務(wù)變革的典型應(yīng)用。

三、圖書用戶畫像及其構(gòu)建

1.用戶畫像的相關(guān)概念

用戶畫像這一概念來自互聯(lián)網(wǎng)行業(yè)，最早由美國軟件設(shè)計師Alan Cooper提出。Alan Cooper認為，用戶畫像是對于用戶特征的一種虛擬描繪，方式是通過該用戶的真實數(shù)據(jù)構(gòu)建模型。早期，用戶畫像的構(gòu)建還需要借助問卷調(diào)研等形式完成，隨著互聯(lián)網(wǎng)的興起，如今越來越多的用戶畫像構(gòu)建通過互聯(lián)網(wǎng)大數(shù)據(jù)進行，并將其分為兩個層次：第一層是指用戶的靜態(tài)畫像，或者稱為用戶屬性畫像，主要包括用戶的年齡、性別、住址、家庭狀況、專長、興趣愛好、文化程度等;第二層是用戶的動態(tài)畫像，或者稱為用戶行為畫像，主要收集用戶的動態(tài)行為數(shù)據(jù)，例如用戶的點擊、瀏覽、購買、頁面停留時長等信息。

用戶畫像的一大特征是具有非常強的更新和迭代性，一方面隨著時間的變化，用戶的動態(tài)行為將發(fā)生變化，引發(fā)用戶畫像的改變，另一方面同一個用戶在某一領(lǐng)域形成的畫像，換成另一個領(lǐng)域可能無法適用，因此，用戶畫像絕非一蹴而就，需要根據(jù)用戶行為的變化實時更新和迭代，并對其相應(yīng)的服務(wù)進行調(diào)整。用戶畫像的另一大特征是具有一定的知識性，也就是說用戶產(chǎn)生的大量行為數(shù)據(jù)往往隱藏一些知識和經(jīng)驗，如果對其總結(jié)和歸納，就形成有價值的信息。

一般而言，用戶畫像的構(gòu)建需要以下幾個流程：第一步是用戶數(shù)據(jù)的收集，其中，用戶的靜態(tài)數(shù)據(jù)，可以通過用戶注冊的形式獲取，用戶的動態(tài)數(shù)據(jù)，則可以通過系統(tǒng)日志的形式獲取。第二步是數(shù)據(jù)的預處理，因為采集而來的原始數(shù)據(jù)中往往夾雜大量錯誤、異常、多余數(shù)據(jù)，無法直接使用，因此需要對數(shù)據(jù)進行清洗和處理，實現(xiàn)數(shù)據(jù)的標準化，從而用于建模。第三步是建模，根據(jù)業(yè)務(wù)需求，確定用戶畫像模型中的各個維度及權(quán)重，從而構(gòu)建符合業(yè)務(wù)需求的算法模型。第四部是用戶畫像的形成，在完成用戶數(shù)據(jù)的收集、處理、建模之后，最終輸出用戶畫像，并在后續(xù)持續(xù)輸入用戶數(shù)據(jù)，更新用戶畫像。

2.圖書用戶畫像的構(gòu)建

（1）數(shù)據(jù)收集

由于用戶畫像有兩個層次：靜態(tài)畫像和動態(tài)畫像。數(shù)據(jù)收集分為兩部分：靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)。其中，靜態(tài)數(shù)據(jù)可以分為兩部分：讀者信息和書籍信息。讀者信息包括以下內(nèi)容：姓名、性別、年齡、文化程度、專業(yè)、所在城市、興趣愛好，這部分信息往往可以在用戶注冊過程中獲取。書籍信息包括以下內(nèi)容：圖書名、作者、主題詞、出版社、叢書名、ISBN、ISSN、ISRC、索書號、MARC號等。動態(tài)數(shù)據(jù)包括用戶借閱記錄、用戶檢索記錄、用戶瀏覽記錄、用戶的操作記錄和用戶反饋信息四部分。其中，用戶借閱記錄包括用戶所借圖書信息、借閱時長、是否續(xù)借，可以根據(jù)借閱時長和是否續(xù)借判斷用戶對于這本書的喜好程度高低。用戶檢索記錄包括用戶檢索詞和用戶檢索時長，通過對檢索詞詞頻的統(tǒng)計和用戶檢索時長的統(tǒng)計，可以對用戶感興趣的檢索詞及內(nèi)容進行排行。用戶瀏覽記錄主要包括用戶的瀏覽頁面、跳轉(zhuǎn)頁面、瀏覽時長和點擊次數(shù)，可以推斷出用戶感興趣的頁面及內(nèi)容。用戶的操作記錄包括用戶的關(guān)注記錄、分享記錄、預約記錄、收藏記錄、是否感興趣記錄等信息，通過用戶的操作判斷用戶喜好。用戶反饋信息主要包括用戶好（差）評記錄、評論記錄、反饋時間和反饋內(nèi)容等，根據(jù)用戶的直接反饋判斷用戶的喜好及需求。

（2）數(shù)據(jù)預處理

初步收集來的用戶數(shù)據(jù)往往摻雜大量異常、重復、殘缺、多余數(shù)據(jù)，不能直接用于建模，因此需要對數(shù)據(jù)進行清洗和處理，使數(shù)據(jù)滿足后續(xù)用戶畫像建模的需求，在此以用戶借閱記錄信息為例。

圖書借閱具有一定的不確定性，用戶借閱圖書的時候，往往會出現(xiàn)以下典型情況：用戶對于自身需求并不明確，在瀏覽圖書時往往會隨機借閱一些書籍，在后續(xù)閱讀過程中發(fā)現(xiàn)對這本書并不感興趣，讀了幾頁內(nèi)容便不再閱讀。單純從數(shù)據(jù)角度來看，用戶借閱了這本書，產(chǎn)生了借閱記錄數(shù)據(jù)，就表示他對此類書籍有興趣，實際上恰恰相反。這一類借閱記錄信息對于用戶畫像的準確性造成了一定的干擾，在數(shù)據(jù)處理的時候需要將其剔除。對此，筆者建議可以對用戶的借閱時長進行設(shè)定，借閱時長小于24小時的借閱行為，很有可能是用戶隨機借閱了某本書籍之后，發(fā)現(xiàn)內(nèi)容不感興趣，立即歸還，這類借閱記錄數(shù)據(jù)可以被歸類為異常數(shù)據(jù)而刪除，不會在后續(xù)的用戶畫像構(gòu)建中采用。

（3）圖書用戶畫像模型構(gòu)建

圖書用戶畫像模型的構(gòu)建需要解決兩方面問題：一是一個完整的圖書用戶畫像應(yīng)該包含哪些維度，二是各個維度之間的權(quán)重應(yīng)該如何決定。

基于對電商、社交App等行業(yè)用戶畫像模型的研究和觀察，筆者建議，圖書用戶畫像模型的構(gòu)建應(yīng)該包括以下幾個維度：自然屬性維度、興趣屬性維度、社交屬性維度和價值屬性維度。

自然屬性對應(yīng)的是讀者的靜態(tài)數(shù)據(jù)，包括讀者的姓名、性別、年齡、文化程度、專業(yè)、所在城市、興趣愛好等信息，通過自然屬性可以勾畫出一名用戶最基本的畫像輪廓。

興趣屬性對應(yīng)的是讀者的借閱數(shù)據(jù)、檢索數(shù)據(jù)、瀏覽數(shù)據(jù)等，根據(jù)這些數(shù)據(jù)可以描繪出讀者感興趣的圖書類型，對讀者進行圖書推薦。

社交屬性對應(yīng)的是讀者的一些交互行為所產(chǎn)生的數(shù)據(jù)，例如讀者的收藏、評論、分享等數(shù)據(jù)。通過分享、評論等社交行為，可以找到圖書偏好相類似的讀者，形成興趣群體，以群體為單位挖掘圖書偏好，進行圖書推薦。

價值屬性對應(yīng)用戶的反饋信息，因為有些用戶對于圖書信息系統(tǒng)的使用不僅僅是借閱、瀏覽，可能喜歡表達對于圖書的觀點，反饋對于圖書服務(wù)的意見，這類行為是用戶主動參與圖書信息系統(tǒng)的表現(xiàn)。對于用戶價值屬性的描述，一方面有利于進一步挖掘用戶感興趣的專業(yè)和方向，另一方面可以幫助圖書館進一步提高服務(wù)質(zhì)量和運營效率。

上述四大維度在圖書用戶畫像中的權(quán)重應(yīng)有所不同，權(quán)重越大，意味著對用戶畫像的影響程度就越高，具體的權(quán)重設(shè)置可以根據(jù)不同機構(gòu)的具體業(yè)務(wù)需求而有所不同，但在圖書用戶畫像中，興趣屬性最能體現(xiàn)用戶需求的最直觀表現(xiàn)，因此權(quán)重應(yīng)占據(jù)最核心的位置，其他屬性處于輔助位置，四者之間相互影響。

四、圖書精準推薦服務(wù)方法

構(gòu)建完成圖書用戶畫像，需要將圖書用戶畫像與圖書資源進行匹配，實現(xiàn)圖書精準推薦。目前主流的推薦方式包括協(xié)同過濾推薦、基于內(nèi)容推薦、基于知識推薦和混合推薦。

1.協(xié)同過濾推薦

現(xiàn)實中，不知道讀什么書的時候，往往更傾向于詢問一個與自己興趣愛好類似的朋友，聽聽他的推薦，正是協(xié)同過濾推薦方法的基本邏輯。因此，在獲得某用戶的用戶畫像之后，需要將他與畫像類似的讀者像匹配，然后將這部分類似讀者借閱頻率高、評價高的圖書推薦給該用戶。對于圖書信息系統(tǒng)而言，首先要將目標用戶的用戶畫像進行量化，然后根據(jù)量化結(jié)果，列出與目標用戶畫像相似度最高的5名讀者，獲取他們的借閱書單，再根據(jù)目標用戶的興趣屬性，對借閱書單進行篩選，并根據(jù)借閱次數(shù)進行排序，剔除目標用戶已經(jīng)借閱過的書籍，最終形成精準的圖書推薦書目。

對于沒有借閱記錄的新用戶、沒有被翻閱過的新書籍，協(xié)同過濾推薦方法往往無法做出推薦，這也是該方法的主要缺陷。

2.基于內(nèi)容推薦

基于內(nèi)容推薦方法，是根據(jù)用戶的歷史動態(tài)信息，為用戶推薦與過去借閱、檢索、瀏覽書籍相類似的其他書籍。例如，目標讀者喜歡讀《明朝那些事兒》《萬歷十五年》等關(guān)于明朝歷史的書籍，基于這樣的內(nèi)容判斷，系統(tǒng)就會為用戶推薦以“明朝”“中國歷史”為標簽的書籍;如果用戶喜歡讀《爆款文案》《文案創(chuàng)作完全手冊》等講述文案寫作的書籍，那么系統(tǒng)就會為用戶推薦以“文案”“廣告學”“寫作”為標簽的書籍。

基于內(nèi)容推薦方法的實現(xiàn)，一方面是通過用戶數(shù)據(jù)構(gòu)建用戶畫像，以此代表用戶的行為偏好，另一方面是通過分析提取圖書的內(nèi)容特征，建立圖書的物品畫像，然后對比用戶畫像和物品畫像的相似度，從而進行匹配。

基于內(nèi)容推薦方法可以避免協(xié)同過濾推薦存在的無法推薦新書的問題，這種推薦方法有缺點：一是需要建立物品畫像，圖書內(nèi)容往往比較復雜，物品畫像的構(gòu)建工作龐大、效率低，并且會面臨不夠準確的問題;二是基于內(nèi)容推薦方法推薦的都是用戶感興趣的內(nèi)容，無法激發(fā)用戶新的興趣方向。

3.基于知識推薦

在現(xiàn)實中，給一名用戶推薦最合適的商品，最簡單的方法是直接問用戶的需求，這便是基于知識推薦方法的邏輯所在，通過交互、會話等方式推理出用戶的需求，進行圖書資源的匹配。

例如，目標用戶最初以“文案寫作書籍”為需求進行搜索，圖書信息系統(tǒng)會根據(jù)這一偏好提供一組書目，目標用戶看后，將需求修改為“快消品相關(guān)的文案寫作書籍”，系統(tǒng)對此作出推薦書目的調(diào)整。通過用戶與系統(tǒng)之間的交互，用戶不斷完善自己提出的需求，最終需求可能為“近3年出版、快消品、評分8分以上、文案寫作書籍”，系統(tǒng)需要根據(jù)用戶需求的變化不斷推導出用戶需要的圖書。

基于知識推薦方法的優(yōu)勢是不依賴用戶數(shù)據(jù)和用戶畫像也可以做到圖書精準推薦，但是缺陷顯而易見?；谥R推薦方法往往涉及比較專業(yè)的知識領(lǐng)域，需要根據(jù)用戶的提問推導出相應(yīng)的推薦書目，因此知識的定義和獲取比較難。

4.混合推薦方法

所謂混合推薦方法，就是將上述推薦方法進行融合，充分利用用戶畫像、物品畫像、知識模型、群體信息等數(shù)據(jù)，吸收各種推薦方法的長處，避免各自的缺陷，達到更精準的推薦效果。

五、結(jié)語

利用數(shù)據(jù)驅(qū)動服務(wù)變革是大數(shù)據(jù)最主要的應(yīng)用價值，圖書領(lǐng)域也不例外。作為大量師生讀者聚集的高校圖書館，持續(xù)做好疫情防控工作，排除防疫漏洞，克服麻痹、厭戰(zhàn)、僥幸等心態(tài)，防范疫情“此伏彼起”是重要課題?；谟脩舢嬒竦膱D書精準推薦服務(wù)，有利于圖書館疫情防控工作，提高服務(wù)質(zhì)量，優(yōu)化運營管理，進一步激發(fā)用戶對于閱讀的興趣，具有極高的社會效益和經(jīng)濟效益。本文對圖書用戶畫像的構(gòu)建方法進行闡述，并對目前主流的圖書精準推薦方法進行分析，以對基于用戶畫像的圖書精準推薦服務(wù)的實踐有所啟發(fā)。正如文中所說，用戶畫像的最大特點是更新和迭代性，基于用戶畫像的圖書精準推送服務(wù)研究并非一蹴而就，未來需要更多的探索和研究，進一步增強圖書推薦的效果，更好地為廣大讀者服務(wù)。

參考文獻：

[1]邵方舒.基于協(xié)同過濾及關(guān)聯(lián)規(guī)則的個性化圖書推薦[D].杭州：浙江工商大學，2018.

[2]楊玲.圖書推薦服務(wù)系統(tǒng)構(gòu)建與應(yīng)用研究[D].廣州：華南理工大學，2014.

[3]白雪陽.個性化圖書推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].哈爾濱：哈爾濱工程大學，2012.

[4]劉海鷗，姚蘇梅，黃文娜，張亞明.基于用戶畫像的圖書館大數(shù)據(jù)知識服務(wù)情境化推薦[J].圖書館學研究，2018（24）：57-63+32.

[5]何娟.基于用戶個人及群體畫像相結(jié)合的圖書個性化推薦應(yīng)用研究[J].情報理論與實踐，2019，42（01）：129-133+160.

[6]賈偉，劉旭艷，徐彤陽.融合用戶智能標簽與社會化標簽的推薦服務(wù)[J].情報科學，2019，37（10）：120-125.

[7]張若蘭.基于用戶畫像的智慧圖書館情景化知識推薦服務(wù)研究[J].圖書館學刊，2019，41（11）：123-126.

[8]俞奕.基于用戶畫像的個性化圖書推薦研究[J].辦公室業(yè)務(wù)，2020（01）：158-159.

[9]張晗.基于用戶畫像的數(shù)字圖書館精準推薦服務(wù)研究[D].長春：吉林大學，2019.

湖北科技學院校內(nèi)培育項目（2018-19x012），項目名稱：信息行為導向的微信嵌入式學科服務(wù)平臺建設(shè)研究。