大数据时代情报服务模型探索研究

赵蓉英+魏绪秋

〔摘 要〕 数据时代，数据即资源，数据即服务。大数据时代，情报分析人员做好情报服务工作尤为重要。本研究首先论述了大数据相关概念、特征及发展趋势；其次，探讨了大数据环境给情报服务所带来的机遇与挑战；最后，结合大数据的数据特征，构建了大数据时代的情报服务模型。该模型充分考虑了大数据的数据特征、情报用户对情报内容与目的等特殊要求以及情报分析人员情报服务工作的流程，实现了情报服务的定制化和个性化。模型在数据处理过程中体现了数据-信息-知识-智慧的转化过程：实现了从实时数据、动态数据转化为信息，随后抽象、凝炼为知识，再深度升华为智慧，最终形成智慧产品并提供给情报用户，从而达到情报分析与情报服务的目的。

〔关键词〕大数据；情报服务；服务模型；智慧产品

DOI：10.3969/j.issn.1008-0821.2017.08.002

〔中图分类号〕G250.2 〔文献标识码〕A 〔文章编号〕1008-0821（2017）08-0012-06

〔Abstract〕In the era of data，data is source and data is service. It is the mostly important for intelligence analysts to do intelligence service in the era of big data. This research firstly discussed the concept，the characteristics and the development of big data. Then it explored the opportunities or challenges of intelligence services，which were brought by big data. And finally，combined with the characteristics of big data，it established intelligence service model in the era of big data. This model took the data characteristics of big data，the intelligence demands of intelligence users and the process of intelligence service work into account to implement customized service or personalized service. The transformation processing of data-information-knowledge-wisdom was reflected in the mode，i.e. it conversed real-time data and dynamic data into information，then abstracted and condensed above information into knowledge，then sublimates knowledge deeply and forms wisdom，and finally it got wisdom products that were provided to intelligence users in order to achieve intelligence analysis and the purpose of the service.

〔Key words〕big data；intelligence service；service model；wisdom product

隨着互联网、通信技术的飞速发展，信息技术与人类社会的交互融合，促使数据迅猛增长，人类社会步入了大数据时代。数据时代，数据的价值无处不在，价值数据正日益影响着国家经济的运行机制、社会生产生活方式以及国家机构等的日常管理与经营。大数据时代，数据即资源。数据已经成为个人、企业组织甚至是国家机构重要的基础资源，并引起了学术界、企业界、国家政府的高度关注和重视。大数据时代，如何及时、快速、有效、低成本地从海量数据、结构化数据和非结构化数据中挖掘出有潜在应用价值的数据并及时开展相应的情报服务工作，以此来促进社会经济增长、优化社会生活方式，是情报机构的研究和工作重点。

随着信息革命浪潮、信息技术的快速发展以及知识经济时代的到来，情报服务由文献传递走向信息服务，再由信息服务逐步向知识服务的转变；随着大数据、互联网+等新专有名词的提出、应用和普及，情报服务正驶向智能服务[1]。大数据时代，情报服务演变为智能服务。那么，在大数据环境中，情报分析人员如何开展情报服务工作将是本研究的重点所在。笔者基于大数据的特点，结合情报用户的情报需求特点以及情报分析人员的情报服务工作流程，充分考虑数据的实时性与动态性，构建大数据时代的情报服务模型，以期为情报分析人员为情报用户开展智能服务提供一定的借鉴。

1 大数据

1.1 大数据概念及特点

什么是大数据？目前，学术界还没有明确的定义。Wikipedia认为大数据是广义数据集术语，由于其数据量巨大、复杂程度已远远超出了传统数据处理工具的范围[2]；Stephen Kaisler等对大数据的定义与维基百科类似，认为：大数据由于数据量巨大已超越了目前技术的存储、管理和处理的能力[3]；Sam Madden 在谈及大数据时，认为大数据意味着数据量巨大、存储速度太快，现有的数据处理工具很难处理[4]。上述大数据的定义表述都直接或间接体现了大数据数据量大的特点。

对于大数据的数据特点，不同学者也有着不同的认识或论述：Arkady Zaslavsky 等[5]比较认同大数据有3V特点： Volume（大量）、Velocity（高速）和Variety（多样）；IAT Hashem等[6]认为大数据具有4V特点：Volume（大量）、Variety（多样）、Velocity（高速）和Value（价值）；Ranjit Biswas[7] 认为大数据具有Volume（大量）、 Varity（多样）、Velocity（高速）和Veracity（真实性） 4V特点；Stephen Kaisler等[3]认为大数据具有4V+1C特点： Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）和Complexity（复杂性）。而笔者较为认同大数据的4V特点，即Volume（大量）、Variety（多样）、Velocity（高速）和Value（价值）。

1）数据量大。数据无处不在，数据随时产生。大数据时代，数据量已经高达TB级（1 TB = 1024 GB）、PB级（1 PB = 1024 TB）甚至是EB级（1 EB = 1024 PB）、ZB级（1 ZB = 1024 EB）。IDC最新的数字宇宙（Digital Universe）研究：预计到2020年，世界上的数据存储总额将达到35 ZB[8]。可见，大数据时代，数据量之庞大已远远超出了人们的预期。

2）数据多样。笔者认为大数据的数据多样性包括两类：一是，数据来源的多样性，包括个人、企业、政府、网络等所产生的数据；二是，数据类型的多样性，包括数字、文本、视频、音频等结构化、半结构化和非结构化数据。

3）数据高速。由于数据信息无处不在，数据随时产生，数据正在进行着高速增长，“火箭”式增长。Gartner认为，信息量每年正以至少59%速度在递增[8]。可见，大数据时代，数据量不仅庞大，而且其增长速度之快也在人们的预料之外。

4）数据价值。大数据并不在于其数据的海量、类型众多、增长速度快，大数据最为重要的是其所蕴含的数据价值。对海量、多类型、复杂数据进行采集、存储和关联分析，从中发现新知识、创造新价值正是大数据研究和应用的关键所在。如沃尔玛对超市的销售量分析，发现啤酒与尿不湿的销量之间的关系，从而对超市中啤酒与尿不湿的摆放位置进行了相应的调整，进而获得巨大的经济收益。由此可知，大数据所蕴含的数据价值不言而喻。

1.2 大数据的发展前景

大数据具有良好的应用价值和发展前景，本研究从大数据研究相关文献量增长趋势、国家政策导向以及大数据的应用范围三个方面来阐述大数据的应用价值和发展前景。

1）研究文献量呈增长态势。科学文献数量的增长可以反映一个国家某项技术發展的过程和所达到的水平，从而掌握某一技术领域的产生、发展的全过程和未来的趋势[9] 。笔者通过CNKI数据库和Web of Science核心合集检索与“大数据”相关的研究文献，并对其文献累积量进行统计以此来反映大数据的发展状况，如图1所示。检索条件：CNKI数据库以“大数据”为主题，选择SCI来源期、EI来源期刊、核心期刊和CSSCI，发表时间截止到2016年；Web of Science核心合集检索以“big data”为主题，选择SCI-EXPANDED、SSCI、A&HCI、CPCI-S、CPCI-SSH、ESCI、CCR-EXPANDED和IC索引，发表时间截止到2016；检索时间为2017年2月1日。由图1中的Web of science和CNKI的文献累积量分布可知，国外有关大数据研究文献可以追溯至1970年，而国内的最早可以追溯至1992年，可见国外有关大数据的研究比国内相关研究较早。对国内外有关大数据研究的文献积累性进行曲线估计，发现WOS和CNKI中数据均呈现指数函数：WOS的模拟趋势线为y=2.0027e0.2863x，R2=0.9417；而CNKI的模拟趋势线为y=0.3009e0.2603x，R2=0.9827。可见，国内外有关大数据研究的文献累积量近几年内都呈现快速增长态势，大数据相关研究工作受到学术界的高度关注和重视。笔者认为，在今后的一段时间内，大数据相关问题的研究依旧是学术界关注的重点，值得研究人员继续开展相应的研究工作。

2）国家政策导向。数据是国家的重要战略资源，越来越多的国家已经意识到数据的重要性，并将其纳入国家计划或上升为国家竞争战略。2012年3月，美国奥巴马政府宣布《大数据研究和发展计划》（Big Data Research and Development Initiative），旨在提高美国从庞大复杂的数字数据中提取知识和见解的能力，从而加速科学、工程探索的步伐，增强国家安全，转变教学、学习[10]；2015年9月，我国政府印发了促进大数据发展行动纲要，以全面推动我国大数据的发展和应用，实现数据强国建设目标[11]。笔者认为上述计划或行动纲要有助于高等院校、研究单位、企业中的众多研究人员了解大数据研究的价值所在，明确大数据研究的主要任务、研究方向，从而开展大数据及其相关研究。

3）应用领域范围广泛。Travis B. Murdoch认为大数据在天文学、零售销售、搜索引擎和政治选举中得到成功地应用，并论述了大数据在医疗卫生领域中的应用[12]；C.L. Philip Chen认为大数据改变了人们企业经营、管理、研究的模式，并简要介绍了大数据在商业贸易、社会管理、科学研究中的应用[13]；维基百科认为，大数据在政府、经济发、卫生医疗、科学研究等方面有着重要的应用。可见，大数据应用范围广泛，值得学术研究人员、企业研究人员及政府机构研究人员开展相应的研究工作，以此来促进大数据在各个领域的发展和实际应用。

2 大数据时代的情报服务

2.1 大数据对情报服务的影响

大数据时代，做好情报服务尤为重要。然而，大数据的4V特征既给情报服务工作带来了一定的机遇，又带来新的挑战。

2.1.1 面临的机遇

笔者认为大数据给情报服务工作带来的机遇主要体现在三个方面：一是，组织机构情报观的深入；二是，组织机构竞争能力的提升；三是，情报服务成本的降低。

1）组织机构情报观的深入。大数据环境下，组织机构所赖以生存的数据环境发生巨大变化：数据无处不在，数据随时产生。随着计算机、智能终端、互联网等的普及与发展，人类社会步入数字时代。这使得情报服务人员能够挖掘组织内部及组织外部的数据信息，并经过挖掘分析，及时准确地掌握企业目前的自身及竞争对手的经营状况，发现消费群体的行为特征，制定相应的竞争策略，指导企业的经营与产品的竞争，发挥知识资本优势，获取巨大经济收益。在这一过程中，无疑不体现着企业机构对数据、知识、情报观念认识的深入——通过知识获取经济效益。

2）组织机构竞争能力的提升。数据竞争、知识竞争、智慧决策是企业机构提升核心竞争力的关键。大数据环境，企业将企业内部数据和企业外部数据融合在一起，通过数据的挖掘与分析，洞察自身经营、竞争对手以及竞争环境的数据的实时转变，从而快速响应并制定有效的竞争策略。以数据知识作为竞争决策的依据，用智慧制定相应的竞争战略，不断提升企业的核心竞争力、持续竞争力，从而采取或保持组织机构的产品领先战略或差异化战略，帮助企业获得竞争先机，获取巨大的经济效益。

3）情报服务成本的降低。大数据时代数据信息的网络化，让情报工作人员极易获取相关数据信息，从而避免设计调查问卷、填写调查问卷、统计分析调查问卷等繁琐步骤。这不仅降低了获取一手原始数据的资金成本，还降低了获取一手原始数据的时间成本。为了应对大数据时代数据手机、处理、分析的新诉求，研究人员开发的众多应用工具和技术（如Hadoop[14]、HBase[15]、Cassandra[16]、MongoDB[17]等）。情报分析人员运用上述工具或技术，从而获取个人、组织机构、国家、互联网等数据信息，并对上述信息进行挖掘与分析，最终形成智慧产品，从而被情报需求用户所应用。

2.1.2 存在的挑战

笔者认为，大数据对情报服务工作存在的影响主要体现在三个方面：一是，数据源来源；二是，数据处理与分析；三是，数据安全。

1）数据源问题。由大数据的特点可知，大数据不仅数据量大而且类型众多、复杂程度高。情报数据的来源关系着情报质量的高低。因此，情报分析人员在情报数据收集阶段中，要充分保证数据的来源，不仅要考虑组织的内部数据还要考虑组织外部数据（如国家政策、竞争对手、服务对象的满意度等众多环境因素）。只有这样，情报分析人员才能从大数据环境中挖掘出有价值的数据情报，从而较好的支持组织机构决策与指导生产经营。

2）数据处理与分析问题。如何从海量数据、复杂数据中及时准确地挖掘出有价值的数据，是大数据时代的难点和重点，也是大数据时代数据服务工作所面临的重点和难点。大数据时代，信息数据无处不在，信息数据实时产生。因此，对实时数据收集、处理与分析，离不开先进的数据获取、处理、分析技术和工具的支持和帮助。随着大数据时代的来临，研究人员、组织机构甚至是政府都已经意识到大数据的重要性，并着手对大数据获取、处理、分析技术和工具进行相应的研究。如2011年，EMC推出了支持大数据分析的下一代EMC Greenplum统一分析平台；2011年，IBM收购了数据分析公司Netezza，开始拓展商业价值方面的市场；2011年，甲骨文发布了NoSQL数据库企业版，这是运行于Hadoop之上的大数据软件之一[18]；等等。

3）数据安全问题。大数据时代，数据信息的网络化给我们带了生产生活的便利的同时，也给我们带了一些不必要的麻烦，如在银行办理一张信用卡，極大方便了我们的购物消费，然而，由于信息的泄漏，信用卡极易被他人盗刷；企业数据的泄漏，可能失去竞争优势，甚至是倒闭；国家基础建设数据的泄漏，能够直接威胁着国家安全与稳定，等等。因此，大数据时代，无论是个人、企业、组织机构甚至是国家政府都要树立数据信息安全观念，保护好隐私数据，避免重要数据的遗失或泄密。此外，国家政府可以指定相关的法律法规保护隐私数据；企业行业达成协议，规范自身的行为；等等。

2.2 大数据环境下的情报服务模型

数据、信息、知识和智慧是情报学的主要研究对象[19]，情报（智慧）是由数据-信息-知识-智慧链而来。由此可见，数据是情报（智慧）的起点。大数据时代，数据并不在于数据量大、复杂性高，而在于有价值数据的实际应用。大数据时代，情报服务工作由数据服务转变为智能服务。在此过程中，从众多数据源中提取出有价值的数据，转化为知识，再凝练升华为智慧，最终为情报用户提供智慧产品。笔者依据从原始数据到智慧产品的产出与应用的过程，构建了大数据环境下的情报服务模型框架，如图2所示。

2.2.1 大数据环境下的情报服务模型构建原则

模型的构建需遵循一定的原则。根据大数据的4V特征以及所提供的情报服务，大数据环境下的情报服务模型的构建应遵循以下几个原则：

1）系统性原则。大数据时代，由最基础的数据到最终的情报服务这一过程中的各个阶段并不是孤立存在的，而是一个有机的整体和系统。数据来源到情报服务是有顺序性和层次性的。

2）适用性原则。数据无处不在，数据实时产生决定了情报服务的原始数据是实时动态数据。因此，在构建大数据环境下的情报服务模型时，要考虑模型的实时动态性，才能保证情报服务的准确、及时。适用性是大数据环境下的情报服务模型存在的前提。

3）用户参与原则。大数据环境下的情报服务需要情报用户的参与。情报分析人员在开展情报服务时要充分了解情报用户所需的要求，才能准确、及时的为情报用户开展情报服务。此外，情报用户对所开展的情报服务质量进行反馈，从而有助于情报分析人员开展高质量的情报服务。

4）经济性原则。运行质量好，运营成本低是系统模型构建的要求之一。因此，经济性原则也是大数据环境下情报服务模型构建原则之一。

2.2.2 大数据环境下情报服务模型的组成要素及服务流程

根据数据-信息-知识-智慧链，大数据环境下的情报服务流程主要由4部分组成：一是，数据来源层；二是，数据交互层；三是，智慧产品产出层；四是，智能服务层。

1）数据来源层

数据来源层重在强调大数据环境下开展情报服务所需数据的全面性。数据来源层在一定程度上体现了大数据的量大、多样和价值密度低的特性。因此，数据来源层是大数据环境下情报服务开展的数据前提。大数据时代，在情报数据获取过程中，情报分析人员应充分考虑大数据的特点（数据量大、类型多），将个人产生的数据、企业机构所产生的数据、国家政府所产生的数据及指定的相应的法律法规、网络上的数据等纳入情报数据的来源，从而实现结构化数据、半结构化数据以及非结构化数据的隐性知识和显性知识的识别与发现，进而更好的实现情报服务工作。此外，大数据时代，数据量巨大，其所含有的价值密度相对较低，这也在另一个层面说明了情报数据来源的重要性：情报数据来源广泛，极易获得有价值的数据，情报分析人员将会做出正确的判断、分析、预测，进而为情报用户制定合理、有效的竞争策略；数据来源片面且数据质量低下，情报分析人员极易挖掘出片面甚至是错误的信息，从而做出片面或错误的判断及预测，最终给情报用户造成难以估量的损失。因此，个人数据、企业机构数据、国家数据、网络数据等组成了大数据环境下的情报服务模型的数据来源层。

2）数据交互层

数据无处不在，数据实时产生，造就了大数据时代数据快速增长的特征。此外，数据具有时效性。情報服务尤其注重情报的准确性和时效性。因此，在大数据环境下的情报服务模型框架中设置数据交互层，以此来实现情报源库的动态更新。这在一定程度上既保证数据的全面性，又保证了数据的时效性与准确性。数据交互层是大数据环境下情报服务开展的数据基础和保证。这就要求情报分析人员在数据收集、存储、分析的过程中要充分考虑大数据快速增长、实时变化的特点，将实时数据、动态数据纳入到情报数据分析中，既保证数据的来源，又凸显了情报分析工作的动态性，从而更好地处理、挖掘和分析所收集的数据，从而获得有用数据来预测并指导社会生产生活、国家政府治理、企业组织良好运行或经营等，提升企业、国家的竞争能力或服务水平，实现国家的进步、经济的发展、生活的稳定、社会的繁荣。在构建大数据环境下的情报服务流程框架时，笔者充分考虑数据的上述特点，设计了数据交互层，从而实现了数据与情报源库的实时、动态交互，使数据源库中的数据及时获得补充，从而保证了情报分析的质量，达到情报分析的目的。

3）智慧产品产出层

智慧产品产出层是大数据环境下情报服务开展的智慧产品加工过程。在该过程中，智慧产品由数据-信息-知识-智慧链而来。知识时代，知识就是资本，知识就是力量；大数据时代，数据即服务，数据即情报。情报分析的最终目的是为情报用户提供情报服务产品，即智慧产品。由于情报用户对情报需求及目的性等的不同，情报分析人员需依据情报用户的需求及目的，对情报源库相应的数据进行处理、分析，从而为该情报用户提供其所需的智慧产品，做到定制化服务、个性化服务。因此，大数据环境下的情报服务流程需要将情报用户的情报需求纳入到智慧产品产出的过程，并依据情报用户的需求及目的性等的不同要求，情报分析人员从情报源库中获取相关数据信息，对其进行处理、分析，挖掘出有价值（有用）的数据，接着对这些数据进行分类汇总或聚类后，依据数据信息的种类、特点及规律等，发现并揭示数据背后所蕴含的信息。随后，情报分析人员对获取的信息进一步地抽象、升华和凝炼，从而形成知识（或知识产品）。情报分析人员继续对所形成的知识（或获取的知识产品）进行深度升华，并转知为智，最终形成智慧产品。总之，智慧产品产出层存在数据-信息-知识-智慧的转化。

4）智能服务层

智慧产品是情报分析人员劳动与智慧的结晶。仅仅实现智慧产品的产出不是情报服务的最终目的，而智慧产品服务于情报用户，被情报用户最终得以应用是大数据环境下情报服务开展的最终目的所在。因此，在大数据环境下的情报服务模型框架中设置智能服务层是十分有必要的。情报分析人员通过对情报库源中的数据进行分析获取有价值数据，转化为信息，并抽象、凝炼为知识，深度升华为智慧，最终形成智慧产品，并将智慧产品及时推送给情报用户。情报用户依据情报分析人员所提供的智慧产品，进行相应的管理、经营与决策，发挥出智慧产品所应有的价值，增加情报用户的竞争能力与创新力。

此外，在情报分析流程服务过程中，无论是情报分析人员还是情报用户，都应及时交流沟通：情报用户将情报的需求、所达到的目的清晰地表达给情报分析人员，并将情报分析人员所形成的智慧产品的实际实践或应用价值及时的反馈给情报分析人员，及时让情报分析人员了解其情报产品的价值或质量，从而更好地改进情报服务工作；情报分析人员应将自己情报分析的进度及时反馈给情报用户，让情报用户及时了解情报分析的进度，并将情报分析所产生的智慧产品及时推送给情报用户，及时跟踪智慧产品的实际实践或应用价值，从而提高情报服务的质量。

3 结语

大数据时代，数据即服务，数据即情报。数据的量大、多样、高速、价值4V特点既给情报服务带来了机遇，又对情报服务产生了一定的影响。因此，在大数据环境中，情报分析人员做好情报服务工作尤为重要。情报服务工作既可以帮助情报用户（个人、组织机构、国家政府等）提高自身价值或竞争能力，从而适应复杂多变的社会环境，又可以增加情报分析人员的情报收集、处理、分析和挖掘的能力，从而生产出更多高质量的智慧产品，以促进国家经济繁荣、社会进步、人民安居乐业。

本研究从大数据环境下的数据特点，并结合情报用户对所需情报内容、情报目的等特殊需求，以及情报分析工作的步骤，构建了大数据时代的情报服务模型。该模型的4个主要层次不仅体现了大数据环境中数据的特点以及情报用户的需求，还将情报用户的定制化服务、个性化服务纳入研究模型当中，从而使模型较好的体现出大数据环境下的情报服务人性化。

总之，情报服务模型实现了大数据环境数据的实时收集并存储在情报源库中，并依据情报用户的情报需求，对上述实时数据、动态数据进行处理、分析、挖掘转化为信息，随后对所获取的信息进行抽象、凝炼为知识，再对所获取的只是进行深度升华为智慧，并最终形成智慧产品，从而被情报用户所使用。

参 考 文 献

[ 1 ] 吴晨生，李辉，付宏，等. 情报服务迈向3.0时代[J]. 情报理论与实践，2015，（09）：1-7.

[ 2 ] Wikipedia. Big Data[EB/OL]. [2015-12-10]. https：//en.wikipedia.org/wiki/Big_data.

[ 3 ] Kaisler S，Armour F，Espinosa J A，et al. Big Data：Lssues and Challenges Moving Forward[C]//System Sciences （HICSS），2013 46th Hawaii International Conference on. IEEE，2013：995-1004.

[ 4 ] Madden S. From Databases to Big Data[J]. IEEE Internet Computing，2012，（3）：4-6.

[ 5 ] Zaslavsky A，Perera C，Georgakopoulos D. Sensing as a Service and Big Data[J]. arXiv Preprint arXiv：1301.0159，2013.

[ 6 ] Hashem I A T，Yaqoob I，Anuar N B，et al. The Rise of “big data” on Cloud Computing：Review and Open Research Issues[J]. Information Systems，2015，（47）：98-115.

[ 7 ] Biswas R. Theory of Solid Matrices & Solid Latrices，Introducing New Data Structures MA，MT：for Big Data[J]. International Journal of Algebra，2013，7（16）：767-789.

[ 8 ] 大数据时代：0和1的“生活大爆炸”[EB/OL]. [2016-12-10].http：//www.d1net.com/news/hyxg/88955.html.

[ 9 ] 邱均平. 信息计量学[M]. 武汉：武汉大学出版社，2007.

[ 10 ] Kalil T. Big Data is a Big Deal[EB/OL]. [2012-03-29]. https：//www.whitehouse.gov/blog/2012/03/29/big-data-big-deal.

[ 11 ] 国务院. 促进大数据发展行动纲要[EB/OL]. [2015-09-05]. http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm.

[ 12 ] Murdoch T B，Detsky A S. The Inevitable Application of Big Data to Health Care.[J]. Jama the Journal of the American Medical Association，2013，309（13）：1351-1352.

[ 13 ] Chen C P，Zhang C. Data-intensive Applications，Challenges，Techniques and Technologies：A survey on Big Data[J]. Information Sciences，2014，275（11）：314-347.

[ 14 ] Hadoop[EB/LO].[2016-12-26]. http：//hadoop.apache.org/.

[ 15 ] HBase [EB/LO].[2016-12-26]. http：//hbase.apache.org/.

[ 16 ] Cassandra[EB/LO].[2016-12-26]. http：//cassandra.apache.org/.

[ 17 ] MongoDB [EB/LO].[2016-12-26]. https：//www.mongodb.org/.

[ 18 ] 大数据时代：0和1生活里的那些事[EB/LO].[2016-12-26]. http：//www.d1net.com/news/hyxg/88953.html.

[ 19 ] 任福兵. 信息管理模式的演化與发展——从数据管理到智慧管理[J]. 图书情报工作，2017，（02）：41-49.

（本文责任编辑：马 卓）