大数据时代军队图书馆资源共建共享与知识服务创新

2013-12-26杨伟超尤江东

创新科技 2013年10期

耿卫杨伟超尤江东

（信息工程大学，河南郑州 450001）

1 大数据产生的背景及对图书馆的挑战与机遇

随着科技环境的巨变，信息网络迅猛发展。首先是电脑的全球普及，移动智能终端的盛行，随之而来的是社交网络的爆炸式发展，还有存储技术的发展等，这些都让数据的生产和收集能力得到提升。其次是非结构化和半结构化数据的有效分析模型的构建，相关软硬件的支撑，让数据的分析能力得到提升。面对数据形式日益复杂，数据的获取越来越细致，数据的传送、分享和访问能力也得到彻底变革。

国际数据公司（IDC）的研究结果表明，2008年全球产生的数据量为0.49ZB，2009年的数据量为0.8ZB，2010年增长为1.2ZB，2011年的数量更是高达1.82ZB，相当于全球每人产生200GB以上的数据。而到2012年为止，人类生产的所有印刷材料的数据量是200PB。无所不在的移动设备、RFID、无线传感器每分每秒都在产生数据，数以亿计用户的互联网服务时时刻刻在产生巨量的交互，信息量每年正以最少59%的速度在递增，到2020年世界上的数据存储总额将达到35ZB。而更关键的是，这些信息不再是单纯的数字和文字，还有更复杂的图片、音频和视频。

通俗地讲大数据指的是海量数据加处理方法。有4 个典型的特征：一是variety（多样性），多样性是指海量数据中包含结构化和非结构化的数据，相对于以文本为主的结构化数据，非结构化数据越来越多，包含视频、图片、位置等多种信息；二是volume（体量），体量是指包含的数据量规模庞大，具有一定的分析规模；三是velocity（速度），速度则是指数据处理的速度非常快，这是大数据区分于传统数据挖掘的最显著特征；四是value（价值），价值密度的高低与数据总量的大小成反比，通过强大的机器算法更迅速地完成数据的价值挖掘。大数据时代，院校的教学、读者的学习方式都会随之发生改变，数据将成为图书馆的核心资产，并将影响图书馆的业务模式，甚至重构其服务方式。如何挖掘分析数据资产，使其为大学决策乃至全军服务，是我们研究大数据的核心议题。全军图书馆在大数据时代，面临文化、信息化、人才培养等各方面的挑战，同时也迎来转型机遇和契机。

图书馆作为服务和信息资源保障部门，是大数据存储和服务的提供地。图书馆专业技术人才要及时掌握大数据技术给图书馆带来的影响，制定大数据时代图书馆发展策略。未来图书馆的竞争将是对大数据的综合掌握。随着人们对大数据的认识程度的提高，对大数据分析技术的日臻完善，大数据变得愈加有价值。例如，读者的借阅习惯、服务消费记载、服务质量提升等，能为图书馆未来发展、服务模式进行趋势分析、发展预测提供支持的大数据，都有可能成为图书馆的核心资产，也是未来图书馆发展的选择。

2 军队院校图书馆资源共建共享保障机制建设

军队院校图书馆资源共建共享保障机制建设，围绕“全军院校一个馆”的建设目标，坚持“统筹规划、信息推动、联建共享、集约高效”的原则，以信息系统研发和信息化条件建设为抓手，以信息资源建设为重点，以提高图书馆人员信息服务素质为突破口，在军队院校图书馆统一的信息管理系统支撑下，努力构建基于网络共享，服务基于网络互联的“大平台、大数据、大服务”的运行保障模式。

文献资源联建共享，通用资源联合保障，有效提升全军院校图书馆文献资源整体保障能力，也有效地节省了信息资源建设经费。随着大数据时代技术的发展，为联建共享提供了有力的技术支撑。

2.1 不断拓展联建共享的途径

近十年来，军校图书馆在信息资源联建共享方面已经迈开了步子。在数字图书馆建设中，总部机关批准了多个信息资源共享重点建设项目，取得了丰硕的成果，发挥了很好的作用。例如，我校的作战信息与战场环境专业图书馆建设，从全军信息资源共建共享的建设需求出发，完成了数字资源创建、元数据加工、组织管理、信息挖掘、加工整合和提交管理等多个环节，最终建成17个专题数据库，有效提高作战信息与战场环境专业图书馆信息服务联合保障能力，完善了军事特色信息资源建设保障体系。另外，为更好的提高资源使用效益，共建共享，提供联合保障，我校与地方高校签订战略合作协议，优质资源共享、军民融合发展。

2.2 加强资源统一订购和联合采购

军队院校图书馆在联席会组织领导下，完成通用文献数字资源统一订购和联合采购，配发全军院校共享。组织有关院校集中与资源数据商进行谈判，联合采购各院校所需的信息资源，降低了采购成本，提高了经费使用效益。到2012年底，纳入联合保障计划的通用数字资源库已达62个，其中统一采购配发全军院校使用的各类资源数据库26个，联合采购的资源数据库33个，较好地保障了军队院校信息资源所需。

2.3 启动MALIS项目建设

军队院校图书馆开展信息化建设已有多年，图书馆已形成了加强信息化服务的共识，锻炼出了一支信息化建设与管理的人才队伍，积累了建设的经验；先后开发了图书馆业务管理系统（Milins、NM2000、Milnets）和数字图书馆管理系统（MADL），部分实现了信息资源的共建共享，在数字图书馆建设和图书馆信息化建设中发挥了重要的作用。

随着大数据时代信息技术发展并结合当前军队院校图书馆现状，参考借鉴中国高等教育文献保障系统（CALIS）、国家科学数字图书馆系统等建设项目情况，军队院校图书馆启动新的信息管理系统建设-MALIS 项目建设。MALIS 项目建设整合现有资源和应用系统，推进资源和技术平台的联合开发建设，构建军事特色鲜明、信息资源丰富、标准规范统一、服务功能强大、使用方便快捷、管理安全可靠、国内一流的军队院校图书馆信息管理系统，实现统一平台、统一标准，统一检索、统一认证，通过协同建设、联合保障，使系统成为图书馆整体服务能力提升的倍增器，为院校教学科研、部队教育训练、机关决策咨询提供高效率、全方位的文献保障和信息服务，成为军队信息化建设的重要基础设施，使军队院校图书馆建设从分散走向联合，从以资源建设为重点转变为以信息服务为中心，借助大数据时代信息技术，通过资源共享、联合保障，真正实现“全军院校一个馆”的资源建设与信息服务目标。

3 图书馆大数据的价值挖掘

数字资源的积累就是数字图书馆财富的沉淀。一方面我们通过引进购买数据库和自主数字化加工的方式，不断积累期刊、图书、会议、论文、报纸等渠道发表的，经过权威审核把关的学术资源，这类资源相对严紧可靠，具有较高的学术价值；另一方面通过互联网智能抓取技术，不断积累相关的网络资讯内容，这类资源时效性好，是鲜活的研究参考资料。严谨学术资料和鲜活的网络资讯互相取长补短，相得益彰，形成数字图书馆的基础财富。

大数据时代，图书馆应加大对知识资源库的价值挖掘，更好地为读者服务。下面分析我校图书馆大量的用户信息行为产生的数据。

我校用户查询书目产生的milnets日志—存在于milnets系统。用户借还书产生的流通日志—存在于milnets系统。用户检索浏览下载电子资源产生的日志—存在于不同数据库系统。

用户访问产生的流量数据。主要有两类：

其一是交换机的出入口流量、上下行组包数、CPU、内存占用率等。缓存在不同交换机。

其二是服务器的占用内存、进程数、CPU负载、当前用户数、硬盘卷占用情况—缓存在不同服务器。

利用这些信息，进行价值挖掘，我们可以为学科服务，利用各种日志数据，研究探索从网络底层获取数据。以我校九大学科为例，将不同学院读者检索浏览下载的信息行为数据进行分类，分析用户检索浏览下载的文献（全文、摘要、关键词）特征，加入时间纬度，归纳出读者感兴趣的主题，利用关联分析、聚类分析、社会网络分析等进行学科热点预测和交叉学科分析研究。建立基于读者信息行为分析的学科服务支持研究报告。最后得出读者的需求，建立九大学科服务群。

在大数据面前，搜索是基础，首先要给读者提供简捷、精准的搜索服务。其次是及时融入专题服务，为各专业学科、社会热点快速地创建虚拟专题库，聚类相关的背景资料，为读者提供针对性的服务。另外提供按需推送的服务，根据用户的学科专业、研究领域、自定义过滤条件，及时将最新更新的资源通知、推送给用户。让读者广泛参与，为专业学科、干教提供建站云端，使更多的人或组织可以参与到资源建设和使用中来。最后，提供安全、可控的服务，对用户的知识服务严格审核，鼓励使用但杜绝恶意下载。根据这些需求，我们开发建设仓储智能管理平台系统。

我校的仓储智能管理平台系统，可以有效地将网页式服务（资源导航、统一检索、信息发布等）、桌面端服务、信息采集、专题数字信息等功能有效集成于一个平台之上，实现所有信息全平台无障碍流通。在用户服务以及大数据建设两个方面获得提升。探索从网络底层获取用户访问数据库资源的信息行为数据的方法。解决图书馆界数据异构和应用异构难题。整合的数字资源包括馆藏书目、馆藏数字化资源、镜像资源、非镜像数据资源、开放获取资源以及网络公开资源等。

4 图书馆知识服务创新

服务创新，就是要克服循守旧的思想，锐意进取，勇于实践，创造性地解决各种难题，不断探索适应读者的需要、符合本单位实际情况的服务模式。大数据时代，必须依靠改革创新探索新对策，寻求新办法。树立创新意识，及时把服务中好的经验和做法上升到理论高度，促进图书馆知识服务迈上新台阶。图书馆服务创新是其价值体现的核心，也是其存在的价值与意义所在。

4.1 积极探索大数据分析技术

大数据时代，多类数据的拥有、挖掘、融合、利用水平是图书馆创新的关键因素。一方面图书馆知识服务只有对大量的用户数据挖掘、分析，才能得出图书馆所需要的决策参考。另一方面读者需要大数据分析及内容，例如图书馆为读者做的信息参考、情报分析等。积极探索和分析大数据，要求我们在三个方面彻底改变对大数据的态度。第一是收集和使用大量数据，而不是像统计学家们在过去100多年里所做的那样，只满足于少量的数据或样本；第二是抛弃我们对有条理和纯净的数据的偏爱，转而接受杂乱无章的数据；第三是收集和分析大量信息及一切相关素材，找出可能有助于预测未来事件发生的规律。