智慧环境下公共图书馆阅读推荐服务优化策略研究

田金良

(日照市图书馆，山东 日照 276800)

随着智能技术的深入发展，用户阅读行为特征朝着分众化、个性化方向发展。受综合阅读素养水平的限制，读者很难在海量文献中精准搜索到所需文献，在这种情况下，优质的阅读推荐服务凸显出极为重要的作用。大数据时代，价值共创成为主流趋势，智能技术驱动各种积极要素为信息的汇聚与整合服务，为公共图书馆阅读推荐服务丰富内涵、创新形式提供了强有力的理念和技术支撑。在当前公共图书馆提供的各项服务中，阅读推荐是读者最需要、最基础、最普遍的服务方式之一，其拥有特定的平台功能、要素组合与运行原理。从数据驱动角度分析，阅读推荐服务研究有助于快速了解资源服务的运行状态，寻求更精准、更高效的推荐方式方法，探索知识服务新途径，最终形成具有成长性的公共图书馆阅读推荐服务生态系统。智慧环境中的阅读推荐服务的核心是以元数据为中心的索引技术对馆藏资源中的海量异构数据进行高效处理与整合，根据读者需求精准推送相关资源，提升馆藏资源利用价值。

1 大数据背景下图书馆阅读推荐服务特征分析

1.1 数据情景化

随着现代信息技术的飞速发展与智能设备的普及应用，信息服务形式逐渐朝着多元化方向发展，用户也更希望获得个性化、便捷化的信息服务。基于此，深入分析读者需求变化，结合当前技术迭代成果，构建情景化的数据服务成为当前信息服务领域的重要发展趋势之一，这也是图书馆推荐服务创新的重要思路。对数据价值进行有效挖掘能够根据读者浏览痕迹和行为偏好量身设计对应的资源情境、服务情境、技术情境、环境情境和移动情境等，将读者感知数据与情境数据进行互动整合，动态满足读者潜在阅读需求，不断丰富和嵌入新的服务形式，拓展创新维度，为读者提供多种优质的体验方式。

1.2 数据索引性

大数据时代，社会各行业的数据总量呈指数级增长，读者要想在海量数据中精准找到自身所需数据愈加困难，因此，信息服务行业需要创新索引技术，注重数据的高效获取和精准传输。在图书馆的数据检索中，需要对其中的关键性数据、摘要、目录等相关数据进行全面分析，记录读者需求的多维数据，形成所需阅读数据表单，使数据具备索引性。具体而言，基于数据驱动的图书推荐服务需要对自身的馆藏阅读资源进行精细化梳理和系统化分类，读者在检索时通过对应的链接、功能型按钮等方式构建不同主体之间的直接联系，将精准检索作为高效获取资源的枢纽。数据驱动背景下，图书馆阅读推荐服务所体现出的索引性能够有效提升资源获取的精度，拓展知识获取的广度。

1.3 数据目录化

从数据驱动视角分析，图书馆一般通过构建目录化的数据索引系统为读者提供基础性检索服务，实现数据查询和访问功能。当前，多数信息服务机构所提供的的搜索引擎都采用这种方式。从经济层面分析，该方式较成熟、高效且检索成本较低，商业性搜索引擎多采用这种方式；从技术层面分析，该方式获取的资源缺乏公正性与客观性，与用户所需的目标存在一定差异。图书馆推荐服务可以借鉴目录化的高效数据检索模式，但需要在此基础上搭建精准性更高的搜索引擎，在较复杂的信息环境下保证读者仍能快速获取目标资源，形成直观性、高效性和客观性的检索方式，而读者仅需通过简单的操作就可实现精准检索。

1.4 数据集成性

现代图书馆阅读推荐服务的本质是基于数据高效整合的综合性信息服务平台，主要通过技术迭代与融合应用优化传统数据资源结构，实现数据类别、内容与获取方式的拆解与重构，充分发挥数据技术的优势。数据驱动背景下，图书馆阅读推荐服务致力于搭建读者、图书馆、馆藏资源之间的无障碍数据交流渠道，实现广泛交互和充分共享，通过理念和技术创新优化平台的推荐服务功能，提升阅读服务的层次感。

2 智慧环境下公共图书馆阅读推荐服务创新途径

2.1 利用数据流优化阅读推荐服务过程

从数据流层面分析，数据智慧应用有助于阅读推荐服务模式的更新，推动图书馆服务朝着开放性、个性化方向发展，并能够创设相对安全的资源交流和共享网络环境，提升数据传输的可靠性、安全性，最终形成高效利用、精准服务的可持续性阅读知识生态系统，不断优化读者体验。推荐服务的优化创新应该是过程性创新，需要在优化推荐方式方法的过程中充分发挥自身数据处理的优势，对当前资源进行拆解与整合，实现对数据流的系统化、科学化管理，提升推荐服务的智慧化水平，让数据资源实现由低利用率的原始资源向高利用率的知识资源转化，形成正向有益流动，推动阅读推荐服务的创新发展。具体而言，基于数据流的公共图书馆阅读推荐服务的创新过程包含分析对象、分类模型、分析手段和表达模型四个组成部分，其中表达模型构建是工作重点和难点。由于该模式下的阅读推荐服务的数据具有情景化、索引性、目录化和集成性特征，公共图书馆应选取单指标作为驱动力分析模型，并基于此进行数据资源分析和可视化建模，将数据整理的指标以读者为单位分为数据总量、推动力、增速和类目百分比四类。单指标数据分析结构下的表达模型实质是定量梳理，是海量资源形成满足阅读服务的必要数据结构，能够为价值挖掘和可视化服务开展高效整理工作。

2.2 利用智能可视化技术优化推荐方式

大数据环境下，图书馆阅读推荐服务的优化创新需要充分借助数据驱动力的作用，通过技术融合创新实现对自身海量异构数据进行高效加工处理，将其转化为具有特定结构特征的资源化数据，满足读者检索过程中的精准性与便捷性需求。在该过程中，数据的直观性、间接性和准确性是读者关注的重点，同时，公共图书馆还要注重推荐的个性化特征，此外，服务方式的选择对读者的接受程度影响较大。可视化的资源推荐方式能够从根本上解决资源数据庞大且结构复杂的问题，全面提升推荐服务的质量和推荐效率。当前，基于阅读资源的可视化系统设计一般分为静态和动态显示两种，其中，静态数据显示基于可视化系统模型，融合视觉编码技术并以图元的形式对资源数据的具体处理过程和处理结果进行可视化展示；动态数据显示一般选取交互式的信息处理和输出方式，更适合对大规模、复杂性数据进行准确、全面、快速分析，精准满足用户对数据资源的可靠性和时效性需求，提升读者资源获取的满意度。可视化技术能够让海量复杂数据以简单、直观的形式显示出来，大幅提升馆藏资源数据的清晰化程度，同时为后续满足读者个性化信息检索和显示需求打下坚实基础，提升推荐服务的精准性和科学性。

3 智慧环境下公共图书馆阅读推荐服务优化策略

3.1 建立基于人机交互数据的感知系统

智慧环境下，实现公共图书馆阅读推荐服务优化的重要一环是跟踪和预测读者需求，构建基于人机交互的数据感知系统，从应用端收集用户的空间位置信息、行为偏好信息，预测用户阅读行为，促进推荐系统的优化更新。数据信息获取是实现智慧推荐服务的基础，智能感知系统通过人机交互实现用户情境获取，在该过程中，智能化平台对读者信息和行为表达方式进行深入分析，无须读者主动表达诉求。基于人机交互的数据感知系统从公共图书馆阅读推荐终端获取资源情境、服务情境、社交情境、移动情境和技术情境，结合用户行为习惯、阅读偏好和浏览历史进行情境建模，为后续提供精准推荐服务提供数据支撑和服务模型推荐。人机交互能够实现80%以上阅读推荐服务的智能化处理，大幅减少馆员队伍的工作强度，使其从繁杂的体力劳动中解放出来，集中精力思考如何提升读者服务质量。

3.2 创新用户数据挖掘价值的方式方法

数据价值挖掘是实现高质量阅读推荐服务发展的关键，公共图书馆可通过收集和研究读者行为数据进行深度价值挖掘，精准预测读者需求，将其作为后续推荐工作开展的重要依据，提升用户体验满意度。用户数据价值挖掘的方式方法包含基础数据分析、数据加工、数据评价等环节，具体而言，公共图书馆需要开展三个层面的工作：一是建立用户数据查询目标与馆藏资源之间的映射关系，通过数据分析平台实现馆藏数据、待查数据和网络数据的精准匹配，采用对应分析技术实现数据资源的高效收集和处理。二是建立数据资源与其他数据库之间的纽带关系，实现跨库协同，将不同的数据相关联，实现信息的深度挖掘，提升数据应用价值。三是通过技术融合强化数据价值挖掘技术，拓宽价值挖掘维度，优化数据价值评价模式，完善价值环节。通过创新用户数据挖掘价值的方式方法，公共图书馆能从多个维度了解读者现实及潜在需求，从而拓展推荐服务的深度与广度。

3.3 利用用户画像实现多维精准智慧推荐

智能化的人机交互数据感知系统和多元化的数据价值挖掘方式能从多维角度收集用户需求数据，对该数据进行精细化归类处理可以形成用户画像，数据越详细，用户画像的“像素”越高，越有助于把握读者潜在需求，从而进行优质高效的资源推送。当前技术条件下，公共图书馆应高度重视读者画像对阅读推荐服务的指导作用，从资源显示、情境构建、时空限制和传输形式等方面优化服务，提升用户体验满意度。在数据显示方面，读者更倾向于应用直观简洁、结构清晰的可视化资源类型；在情境构建方面，读者希望能够在阅读对应资源类型时身处对应的阅读情境，实现具有高度沉浸感的阅读；多样化的资源传输形式有利于提升阅读推荐服务的便捷化程度，读者可以通过多种移动客户端获取所需资源，不再受传统服务形式的时空限制。鉴于此，公共图书馆应加强用户画像的研究，推动智能技术的深度应用，为用户提供多维度智慧服务。

4 结语

公共图书馆阅读推荐服务的创新发展离不开智能技术的融合应用，加强用户数据收集与分析有助于精准把握推荐服务方向，推动数据技术深度融合与应用能够有效提升推荐的精准性和智慧化水平。智慧化情境下，公共图书馆应革新服务理念，灵活运用多种技术手段，以读者为中心进行数据收集分析与价值挖掘，构建高度共享、多元传输的智慧服务网络平台，充分彰显时代元素在阅读推荐服务中的独特价值。