[发明专利]一种高校图书馆用户画像系统的生成方法

权利要求书

1.一种高校图书馆用户画像系统的生成方法，其特征在于，所述方法包括如下步骤：

(1)构建读者行为数据仓库：读者行为数据包括读者借阅数据、进馆数据、公共资源使用数据、电子资源使用数据，除了行为数据外还有馆藏数据和读者个人数据基本信息数据；构建统一的数据仓库，并通过ETL数据清理工具将各个资源库的数据汇总为统一的格式到数据仓库中；

(2)使用多视角聚类算法进行聚类操作：从用户行为数据出发，构建多维度多视角读者特征体系，同时根据读者行为数据的特点，选取聚类算法中的经典K-means算法进行读者群体聚类，针对经典K-means算法陷入局部最优和欧式距离在多视角聚类中的局限性，使用了一种基于马氏距离的多视角二分K-means算法；

(3)基于多视角聚类实现用户画像：该步骤包含数据清洗、构建多维度多视角读者特征体系、针对某一维度或多个维度组合的读者进行多视角聚类、根据得出的用户群体的重要性通过数据库技术提取读者的用户特征、最后利用可视化技术得出用户画像；

(4)实现一个基于用户画像的图书馆推荐系统：根据上述阶段得出的用户画像，设计一个用户画像系统，能够挖掘读者的潜在需求，并能够推荐给读者其个性化的服务；

所述步骤(2)中，基于马氏距离的多视角二分K-means算法，输入为多视角数据集D，聚类簇数k；输出为簇划分C＝C1,C2,C3,…Ck，步骤如下：

2.1)将所有数据看作一个簇，计算簇中心

2.2)满足簇中心个数h＜k条件时循环以下步骤；

2.3)i分别取1,2,…,h进行以下操作；

2.4)将第i个簇使用K-means算法进行k为2的划分；

2.5)计算划分后马氏距离总和；

2.6)比较h种划分后的马氏距离总和，选择马氏距离总和最小的划分方式；

2.7)更新簇的分配方式；

2.8)添加新的簇中心；

2.9)直到簇中心个数达到k。

2.如权利要求1所述的一种高校图书馆用户画像系统的生成方法，其特征在于，所述步骤(3)中，步骤如下：

3.1)数据抽取

数据抽取是建立ETL的第一步，在此之前对源数据库类型和数据类型做了详细的分析，通过JDBC与不同的业务数据库建立连接，这里使用一个自己封装的jar包完成数据库的连接和数据的抽取；根据此jar包形成的数据抽取方式，满足：

支持数据全量抽取和增量抽取，在第一次对数据进行抽取时，由于已经存在了若干年的数据，所以第一次对数据采用全量抽取，之后在第一次的基础上做增量抽取；在jar包的配置文件中对数据抽取的SQL代码被分布在不同的job中，全量抽取和增量抽取也被封装在不同的job，多个job合成一个jobgroup，每个jobgroup负责对一个业务数据库的抽取；

增量抽取频率自由设定，对于不同的业务系统数据，增量抽取的频率是不同的，进馆数据、借阅数据行为数据一天抽取一次，而对于读者信息和图书信息一年或半年进行一次抽取，所以在使用的jar包中自由配置每个jobgroup的执行时间来设置不同任务的频率，从而满足数据抽取的需求；

3.2)数据清洗

对于抽取后的数据需要进行清洗，清洗标准是去除不符合标准的数据，包括字段缺失、数据错误、数据重复；

对于字段缺失的数据，首先通过中间表将数据补齐，如果中间表找不到缺失数据，且数据对后续分析有影响，则删除这条数据；如在实际操作中会遇到缺少学工号的数据，但是对于行为数据来说学工号是后续分析的重点，因此缺少学工号会对后续的分析产生影响，因此遇到这种情况，选择舍弃；

3.3)数据转换及加载

对于抽取和清洗后的数据，依然还是会存在和目标数据仓库字段类型不一致的问题，因此需要对数据根据目标仓库的对应表，对应字段的类型进行转换，并将转换后的字段加载进目标仓库中。

3.如权利要求2所述的一种高校图书馆用户画像系统的生成方法，其特征在于，所述步骤3.3)中，从数据中提取用户的行为轨迹，将用户信息标签化是构建用户画像的必经过程，用户特征包含显性特征和隐形特征，在图书馆用户画像中，显性特征即读者的基本信息，包括学院、专业、年级和性别，由读者的显性特征构建读者特征维度，从某个维度或多个维度结合对读者进行划分；读者的隐性特征能够更好地反映读者需求，读者的隐性特征包括读者活跃度、读者借阅率、电子资源使用率、公共资源使用率、读者借阅书籍文本特征这五个不同的视角特征，计算公式如下所示：

3.3.1)读者活跃度

读者活跃度最直观的表现了读者对图书馆的需求，但是不同年级，不同身份的读者在统计的时间区间内有效天数均不同，为了避免有效时间带来的影响，通过进馆次数除以有效天数来表示读者活跃度，有效天数由年级和身份决定，读者活跃度计算公式如下：

RA代表读者活跃度，T为在时间区间内的进馆次数，D为读者在数据集时间区间内在图书馆的有效天数；

3.3.2)读者借阅率

馆藏是图书馆最重要的资源之一，读者在图书馆的主要活动也是以书籍借阅为主，因此，根据读者的借阅次数和进馆次数得出读者借阅率的计算公式如下：

LR为读者借阅率，L为读者借阅次数，T为进馆次数；

3.3.3)电子资源使用率

电子资源是图书馆除馆藏资源外每年的主要投入之一，也是读者的主要活动之一，因此，有效的计算和利用电子资源的使用率能更好的反映读者的需求，计算公式如下：

IR为电子资源使用率，E为电子资源数据库集合，dx为在x库中的下载量，sx为在x库中的搜索量，T为进馆次数；

3.3.4)公共资源使用率

除了馆藏资源和电子资源外，图书馆越来越重视公共资源对读者的吸引程度，公共资源包括阅读空间、座位、自助文印的使用，计算公式如下：

PR为公共资源使用率，pt为自助文印使用次数，st为座位预约使用次数，rt为阅读空间使用次数，以上使用次数均为该资源预约使用次数，从预约记录和使用记录中获取，T为进馆次数；

3.3.5)读者借阅书籍文本特征

读者借阅的书籍信息最能体现读者的需求，书籍信息包括书名、中图分类、作者、出版社、出版年份，对书籍信息进行向量化表示，向量的每一维由特征项及其权重组成，权重用TF-IDF的方法来计算，计算公式如下：

其中:w(t_i,d)为特征项t_i在所有信息文本中的权重，d为所有信息文本的集合，tf(t_i,d)为特征项t_i在所有信息本文中的词频，N为信息文本的总数，n_i为文本集中出现特征项t_i的文本数，分母为归一化因子。