探析基于數(shù)據(jù)挖掘的數(shù)字檔案信息管理
在信息化發(fā)展的今天,圖書館,特別是大學(xué)圖書館不僅要對信息進(jìn)行簡單的數(shù)字轉(zhuǎn)換和管理,更要對新興事物網(wǎng)絡(luò)進(jìn)行檔案化管理和歸檔,包括文檔、文字翻譯轉(zhuǎn)換、圖片資料、聲像資料、多媒體遠(yuǎn)程會議等。所以網(wǎng)絡(luò)檔案化管理,成為當(dāng)今圖書管理的必然趨勢,這就必須對檔案化管理的技術(shù)和法律相關(guān)問題進(jìn)行深入闡述和探討。
所謂數(shù)據(jù)挖掘(Data Mining),就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識的過程。這些數(shù)據(jù)可以是結(jié)構(gòu)化的,如關(guān)系數(shù)據(jù)庫中的數(shù)據(jù),也可以是半結(jié)構(gòu)化的,如文本,圖形,圖像數(shù)據(jù),甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型數(shù)據(jù)。發(fā)現(xiàn)知識的方法可以是數(shù)學(xué)的,也可以是非數(shù)學(xué)的;可以是演繹的,也可以是歸納的。發(fā)現(xiàn)了的知識可以被用于信息管理、查詢優(yōu)化、決策支持、過程控制等,還可以進(jìn)行數(shù)據(jù)自身的維護(hù)。數(shù)據(jù)挖掘借助了多年來數(shù)理統(tǒng)計技術(shù)和人工智能以及知識工程等領(lǐng)域的研究成果構(gòu)建自己的理論體系,是涉及數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、機械學(xué)、人工神經(jīng)網(wǎng)絡(luò)、可視化、并行計算等的交叉學(xué)科,是目前國際上數(shù)據(jù)庫和決策支持領(lǐng)域的最前沿的研究方向之一。
一、數(shù)據(jù)挖掘的功能
數(shù)據(jù)挖掘通過預(yù)測未來趨勢及行為,做出預(yù)測性的、基于知識的決策。數(shù)據(jù)挖掘的目標(biāo)是從數(shù)據(jù)庫中發(fā)現(xiàn)隱含的、有意義的知識,按其功能可分為以下幾類。
1、自動預(yù)測趨勢和行為
數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中進(jìn)行分類和預(yù)測,尋找預(yù)測性信息,自動地提出描述重要數(shù)據(jù)類的模型或預(yù)測未來的數(shù)據(jù)趨勢,這樣以往需要進(jìn)行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。
2、概念描述
對于數(shù)據(jù)庫中龐雜的數(shù)據(jù),人們期望以簡潔的描述形式來描述匯集的數(shù)據(jù)集。概念描述就是對某類對象的內(nèi)涵進(jìn)行描述并概括出這類對象的有關(guān)特征。概念描述分為特征性描述和區(qū)別性描述,前者描述某類對象的共同特征,后者描述不同類對象之間的區(qū)別。生成一個類的特征性只涉及該類對象中所有對象的共性。生成區(qū)別性描述的方法很多,如決策樹方法、遺傳算法等。
3、關(guān)聯(lián)分析
關(guān)聯(lián)分析能尋找到數(shù)據(jù)庫中大量數(shù)據(jù)的相關(guān)聯(lián)系,常用的一種技術(shù)為關(guān)聯(lián)規(guī)則和序列模式。關(guān)聯(lián)規(guī)則是發(fā)現(xiàn)一個事物與其他事物間的相互關(guān)聯(lián)性或相互依賴性。
4、聚類
輸入的數(shù)據(jù)并無任何類型標(biāo)記,聚類就是按一定的規(guī)則將數(shù)據(jù)劃分為合理的集合,即將對象分組為多個類或簇,使得在同一個簇中的對象之間具有較高的相似度,而在不同簇中的對象差別很大。聚類增強了人們對客觀現(xiàn)實的認(rèn)識,是概念描述和偏差分析的先決條件。聚類技術(shù)主要包括傳統(tǒng)的模式識別方法和數(shù)學(xué)分類學(xué)。
5、偏差檢測
數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄,從數(shù)據(jù)庫中檢測這些偏差很有意義。偏差包括很多潛在的知識,如分類中的反常實例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差、量值隨時間的變化等。偏差檢測的基本方法是尋找觀測結(jié)果與參照值之間有意義的差別。這常用于金融銀行業(yè)中檢測欺詐行為,或市場分析中分析特殊消費者的消費習(xí)慣。
二、數(shù)據(jù)挖掘在建設(shè)現(xiàn)代化高校檔案館中的應(yīng)用
1、資源類數(shù)據(jù)包括館藏檔案經(jīng)過數(shù)字化加工而產(chǎn)生的各類電子檔案、電子文件中心中存儲的各類電子檔案、檔案軟件收集的信息、檔案信息網(wǎng)建設(shè)和維護(hù)信息。我們從研究大學(xué)檔案用戶的信息需求出發(fā),數(shù)據(jù)挖掘為大學(xué)檔案館全面掌握和準(zhǔn)確理解檔案用戶的信息需求提供了方法。
(1) 利用Web訪問信息挖掘技術(shù)發(fā)現(xiàn)其中的關(guān)聯(lián)模式、序列模式和Web訪問趨勢等,構(gòu)建多維視圖的用戶興趣模型。從而可以確定檔案信息或服務(wù)受歡迎的程度,發(fā)現(xiàn)用戶訪問模式和用戶需求的趨勢,從不同側(cè)面來研究用戶的信息需求,為優(yōu)化檔案館的檔案信息資源建設(shè)提供了科學(xué)依據(jù)。
(2) 收集大學(xué)檔案網(wǎng)web服務(wù)器保留的用戶注冊信息、訪問記錄,以及有關(guān)用戶與系統(tǒng)交互的信息等原始數(shù)據(jù),經(jīng)過清洗、濃縮和轉(zhuǎn)換形成便于統(tǒng)計分析的用戶查閱數(shù)據(jù)庫、日志數(shù)據(jù)庫、用戶定制信息庫、用戶反饋信息等各種數(shù)據(jù)集合。
2、從建設(shè)大學(xué)檔案館館藏信息資源出發(fā),數(shù)據(jù)挖掘為大學(xué)檔案館提供了選擇一條科學(xué)發(fā)展道路的重要依據(jù)。
(1) 利用檔案網(wǎng)和檔案管理軟件訪問信息的挖掘分析出檔案資源的利用率,將利用率高、需求量大的傳統(tǒng)載體檔案優(yōu)先數(shù)字化。例如:通過對檔案信息的訪問記錄、檢索請求中用戶請求失敗的數(shù)據(jù)進(jìn)行分析,按類統(tǒng)計檔案拒用集和頻繁利用集,結(jié)合聚集算法發(fā)現(xiàn)館藏資源的缺漏,有針對性地補充和豐富檔案信息資源。
(2) 在大學(xué)檔案館藏管理過程中利用文本挖掘,運用關(guān)聯(lián)、分類、聚類等方法,從海量檔案信息中按照相關(guān)專題進(jìn)行挖掘、分類、加工、整理和有序化重組,構(gòu)建特色檔案信息庫及各類專題檔案信息庫等。
3、從做好大學(xué)檔案館信息管理工作的角度出發(fā),數(shù)據(jù)挖掘為優(yōu)化館藏信息和對未來工作的預(yù)測發(fā)揮重要作用。
(1) 在提供利用環(huán)節(jié)中,對用戶每次借閱的信息進(jìn)行關(guān)聯(lián)分析,發(fā)現(xiàn)各類檔案信息之間的關(guān)聯(lián)規(guī)則或比例關(guān)系,這樣可以進(jìn)一步優(yōu)化館藏信息。
(2) 開展大學(xué)檔案館館藏信息文本特征的建立、特征提取、特征匹配、特征集縮減和模型評價工作,實現(xiàn)對大量文檔集合的內(nèi)容進(jìn)行總結(jié)、分類、聚類、關(guān)聯(lián)分析、分布分析,通過歸納與總結(jié),發(fā)現(xiàn)的知識可以為未來檔案工作的趨勢進(jìn)行預(yù)測。
三、數(shù)據(jù)挖掘在管理類數(shù)據(jù)中的應(yīng)用
大學(xué)檔案館的管理類數(shù)據(jù)包括:智能監(jiān)控系統(tǒng)、消防系統(tǒng)、溫濕度控制系統(tǒng)、智能密集架、數(shù)據(jù)管理系統(tǒng)、數(shù)據(jù)利用系統(tǒng)等在日常工作產(chǎn)生大量的管理類數(shù)據(jù)。我們得用數(shù)據(jù)挖掘工具在這類看似無用的數(shù)據(jù)中提取有價值的知識并運用到大學(xué)檔案館工作中,并在大學(xué)檔案館的現(xiàn)代化建設(shè)中發(fā)揮作用。
大學(xué)檔案館檔案工作的重點是為師生服務(wù),以服務(wù)為中心開展各項工作,如何使用先進(jìn)的工具,提高服務(wù)的質(zhì)量是一直困擾我們的難題。數(shù)據(jù)挖掘為大學(xué)檔案館檔案工作的智能化、個性化、精品化提供了行之有效的方法。在智能檢索系統(tǒng)可調(diào)用用戶興趣模型,自動修正檢索策略并可依用戶興趣將檢索結(jié)果迅速聚類和分類,并條理化地排序出來;對于設(shè)計院、社科院等科研型檔案用戶,可借助數(shù)據(jù)挖掘開展針對性的檔案信息挖掘,并將研究成果以概述、成果報告等形式提供給用戶。這樣不光實現(xiàn)了大學(xué)檔案的二次開發(fā),也會給用戶帶來意外的驚喜。
網(wǎng)絡(luò)最初只是科學(xué)家與研究人員之間交換文件的軟件,把因特網(wǎng)用于教育和研究可以得到政府的補貼。在中國,大學(xué)有撥款,圖書館有大學(xué)支持,數(shù)字圖書館的網(wǎng)絡(luò)檔案館是不贏利的,產(chǎn)出是教學(xué)和科研的長期社會效益。今天,因特網(wǎng)已經(jīng)越來越商業(yè)化了,網(wǎng)絡(luò)在數(shù)字經(jīng)濟中已成為極具潛力的技術(shù)投資對象。大學(xué)數(shù)字圖書館也可以考慮建立以贏利為目的的網(wǎng)絡(luò)檔案庫,采用網(wǎng)絡(luò)商務(wù)中的一些商務(wù)模式,例如網(wǎng)絡(luò)廣告、旗幟廣告、贊助廣告、訂閱、B2C等。收入可用于大學(xué)數(shù)字圖書館網(wǎng)絡(luò)檔案館建設(shè)的滾動發(fā)展。目前人們對這些處于萌芽中的經(jīng)濟模式認(rèn)識甚少。管理網(wǎng)絡(luò)的公共政策制定主體是政府部門,推行電子政務(wù),開發(fā)網(wǎng)絡(luò)資源,促進(jìn)從文字印刷向網(wǎng)絡(luò)出版的轉(zhuǎn)移是當(dāng)前相關(guān)政府部門的重要任務(wù)。大學(xué)的政策、態(tài)度和措施對數(shù)字圖書館的發(fā)展至關(guān)重要。市場手段和政策平衡是網(wǎng)絡(luò)檔案館建設(shè),網(wǎng)絡(luò)檔案庫運行,網(wǎng)上內(nèi)容傳遞和保存應(yīng)該和必須考慮的。
探析基于數(shù)據(jù)挖掘的數(shù)字檔案信息管理
上一篇:論電子檔案信息公開與安全