IMU/DGPS数据在DOM生产中的应用研究

IMU/DGPS数据在DOM生产中的应用研究（共4篇）

IMU/DGPS数据在DOM生产中的应用研究 篇1

生产经营统计数据在企业管理中的应用及作用

随着我国经济的不断发展,市场竞争不断加大,企业如果想在市场多变、竞争激烈的条件下求得生存和发展,必须充分考虑并研究各有关经营因素影响的情况,制订出切实可行的企业综合发展规划,以指导企业的各项生产经营活动。其中,利用数字信息系统作出精确的计划和预测,已经成为越来越多企业的选择。伴随着企业管理体制的不断深入和科学的飞速发展,统计分析已经不再是单纯的将一些枯燥的数据进行简单的统计、分析、总结、上报,而是更深入的进行分析和广泛应用到实际中,做到信息的共享和快速传达,同时挖掘数据背后所揭示的规律,以及所反映出的关系企业发展的关键所在等方面内容,使企业向更健康的方向发展。

目前,由于我国的炼油企业大多信息化程度较低,所以要实现经营决策信息化,就必须从基础做起,从根本上改变企业的管理机能系统,实现企业管理的信息化。从现在来看,可以从这三步入手：统计信息化、优化排产信息化和建数据仓库三步。

1 企业管理信息化的应用

1.1 统计信息化

一个健全的统计信息工程,能在网络环境下进行统计数据采集—处理—存储—传输—管理—信息服务的系统工程,侧重点在企业微观决策支持。数据采集可以掌握企业宏观经济发展状况,数据处理可以将采集到的信息进行分批、定量处理,数据存储的信息化与传统的信息储存相比,可以更方便、快捷、便于查找,信息传输可以在几秒钟之内完成,数据的管理、维护也将通过信息化方式完成,信息服务将直接服务于决策领导层。为此,充分收集企业内部的信息,包括生产等各个方面,立足于企业内部的特殊情况,找出优缺点,分析企业的外部竞争环境,企业的产品质量、服务、口碑、技术创新性,对最终客户群体准确定位。通过这一系列的信息统计,可以较好地反映出企业目前的生产经营状况,并进行数字化传导、管理、统计,真正实现数据资源的共享,建立一个共享的平台。

1.2 优化排产信息化

优化排产系统能制订企业中长期规划,可以优化原料采购计划,优化加工方案,计算炼油生产的最大加工量,测算装置利润,制订油品调和计划,分析原油的盈亏平衡点及灵敏度,制订装置开停工计划和模拟炼油生产的全过程等。优化排产系统,可以使生产在原料采集的时候就照顾到整个生产的全局,加工方案的制订可以最大限度利用现有加工设备,炼油生产加工量最大化可以使企业在市场推广、安排方面更合理,从而能提前预知利润量,分析出的原油盈亏点,将大大提高企业赢利可能,装置停开工、炼油过程模仿更是可以为企业生产提供最好的参照。通过优化计算制订出的计划,将使企业各部门之间达到最优的配合程度,最大限度地利用企业生产装置、满足市场需求、提高企业利润。

1.3 建数据仓库

建数据库是最后一步,炼油生产及管理有大量的、分散格式的数据需要进行安全有效的管理和重组,再提炼出综合数据信息,以供管理部门和决策领导使用,因此要建立数据仓库系统。目前比较高端的数据仓库系统,可以在数秒到数分钟之内(节省大量人力、物力、时间),辅助企业制订五年、十年中长期规划,并且这个规划可一次性作出或按不同时间间隔滚动作出,这就使企业的决策可以紧随经济发展变化。该软件系统可根据企业需要,分别按年、季、月等作出企业的年度经营计划,并且这个年度计划可一次作出或按滚动方式作出,这样的经营计划可以随时调整、随时更新。由于这个软件系统的一部分是以炼油生产优化模型为基础的,所以,它可以按照企业的生产需要,分别按年、季度、月等制订企业的年度最优生产计划(产品生产方案),从而有助于企业组织生产经营活动。

2 数据统计对企业管理的重要作用

统计与企业经营,目前已经成为一个密不可分的整体。本文主要集中在对企业生产、节能降耗和人力资源安排上提出自己的一些看法。

2.1 数据统计对企业生产的重要作用

以炼油企业为代表,通过统计炼油企业的固定资产数量,对固定资产进行原有价值、净值与完全价值的统计,并进行比对分析,可以在保持企业资产总量的基础上实现企业固定资产的全面增值。炼油企业生产设备的效率是炼油企业利润的一个直接构成因素,通过统计生产设备的生产效率,在统计数据的基础上采取一系列的措施,来降低生产成本、增加企业利润。生产设备的统计,主要包括设备的使用情况、即将投产的设备的利用率,在此基础上的总产量以及利润率也就统计出来了。在统计过程中对设备的数量、使用时间、生产能力、保养状况和综合利用等方面分析其价值。另外就是对企业生产产品的统计,炼油厂原油、半成品与成品的产量、销售量,是炼油企业的.重要数据。在进行产品的产量和销售量统计的时候,要充分考虑到影响设备产品生产能力的因素,比如设备的数量、工作时间和生产效率等。产品的生产能力包括已经具备的生产能力、计划新增的生产能力、某些因素影响减少的生产能力。产品的销售量,要根据往年产品销售的数据作为参照,同时做出新一年产品销售的预计。经过产品产量与销量的比对分析,自然在销售过程中有一个全局的把握。

2.2 数据统计对节能降耗的支持作用

当涉及炼油企业的节能降耗等方面,更离不开统计数据的支持。同样的产量与市场份额,如果得到更有效、更节能的安排,利润提高的同时也对环境保护作出了企业的贡献。全面的安排与使用炼油生产装置,将装置能耗状况与装置节能状况科学的反映出来,采用对比分析数据的方法,提高有效能的利用率水平,并将节约的能耗在第一时间反映在数据上,使得利润率的计算迅速、准确。

目前炼油企业污染情况相对其他行业比较严重,资源的浪费引起了很大的关注,如何利用信息系统进行有效地监控,合理安排资源的循环利用,将废弃物以批量的形式安全处理,是目前炼油企业急需解决的问题。

2.3 数据统计对企业人力资源安排的重要作用

数据统计在企业管理中的另外一个重要应用就是在人力资源安排上。人力资源是企业活的灵魂,做好人力资源统计可以使企业运转的更高效。传统的统计方法已经与现代经济的高速发展脱节,实现信息化的人力资源统计对实现企业的信息化、现代化有着至关重要的作用。信息化的统计平台极大地提高了统计工作的质量和效率,管理作用十分明显。

 

IMU/DGPS数据在DOM生产中的应用研究 篇2

尾矿代粘土在干法回转窑水泥生产中的应用研究

摘要：为获取尾矿在干法回转窑水泥生产应用的技术参数,在对尾矿和粘土特性进行分析的基础上,在2500t・d-1的新型干法回转窑生产线上进行了浙江诸暨铜尾矿替代粘土配料的应用试验研究.试验采用循序渐进的.方法,诸暨铜尾矿按质量分数为1%、2%、3%、5%依次在生产原料中掺配,对试验熟料样品进行了化学成分分析和矿物组成X射线衍射(XRD)分析.试验结果表明,掺铜尾矿生产得到的熟料化学组成和游离氧化钙(f-CaO)含量正常,熟料烧成情况良好;与掺粘土熟料相比,掺铜尾矿熟料矿物组成结构有所调整,早强和高强矿物含量有所增加.熟料物性检测表明,掺铜尾矿生产得到的熟料的各项性能指标均满足技术要求,熟料各龄期强度指标与掺粘土熟料相比略有提高.掺铜尾矿配料与粘土配料主要生产运行指标统计分析表明,试验过程在干法回转窑生产运行稳定的情况下,掺铜尾矿配料较粘土配料,其熟料平均日产量提高10.07%,熟料标煤耗降低8.29%.作 者：施正伦    施正展    骆仲泱    焦有宙    周劲松    俞燕平   傅圣勇    岑可法    SHI Zhenglun    SHI Zhengzhan    LUO Zhongyang    JIAO Youzhou    ZHOU Jinsong    YU Yanping    FU Shengyong    CEN Kefa  作者单位：施正伦,施正展,骆仲泱,焦有宙,周劲松,岑可法,SHI Zhenglun,SHI Zhengzhan,LUO Zhongyang,JIAO Youzhou,ZHOU Jinsong,CEN Kefa(浙江大学热能工程研究所,能源清洁利用国家重点实验室,杭州,310027)

俞燕平,傅圣勇,YU Yanping,FU Shengyong(浙江省诸暨市福利水泥有限公司,诸暨,311817)

期 刊：环境科学学报  ISTICPKU  Journal：ACTA SCIENTIAE CIRCUMSTANTIAE 年，卷(期)：2007, 27(2) 分类号：X753 关键词：金属尾矿    粘土    干法回转窑    水泥生产   

IMU/DGPS数据在DOM生产中的应用研究 篇3

摘 要：支持向量机(Support Vector Machine, SVM)是数据挖掘和机器学习中的一个很有效的工具。结合支持向量机在数据挖掘和机器学习中的应用, 介绍了支持向量机的基本原理, 发展方向及其研究热点。

关键词：支持向量机; 数据挖掘; 机器学习オ

1 SVM的提出和基本思想

支持向量机是Vapnik等人提出的，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,已应用于手写体识别、三维目标识别、人脸识别、文本图像分类等实际问题中，性能优于已有的学习方法，表现出良好的学习能力。它是从线性可分情况下的线性分类面发展而来的，接着利用核函数很好的解决了非线性可分情况。

2 支持向量机的几个发展

(1)模糊支持向量机，引入样本对类别的隶属度函数，这样每个样本对于类别的影响是不同的，这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特性的情况下。

(2)最小二乘支持向量机。这种方法是在1999年提出，经过这几年的发展，已经应用要很多相关的领域。研究的问题已经推广到：对于大规模数据集的处理;处理数据的鲁棒性;参数调节和选择问题;训练和仿真。

(3)加权支持向量机(有偏样本的加权，有偏风险加权)。

(4)主动学习的支持向量机。主动学习在学习过程中可以根据学习进程，选择最有利于分类器性能的样本来进一步训练分类器，特能有效地减少评价样本的数量。

(5)粗糙集与支持向量机的结合。首先利用粗糙集理论对数据的属性进行约简，能在某种程度上减少支持向量机求解计算量。

(6)基于决策树的支持向量机。对于多类问题，采用二岔树将药分类的样本集构造出一系列的两类问题，每个两类构造一个SVM。

(7)分级聚类的支持向量机。基于分级聚类和决策树思想构建多类svm，使用分级聚类的方法，可以先把n-1个距离较近的类别结合起来，暂时看作一类，把剩下的一类作为单独的一类，用svm分类，分类后的下一步不再考虑这单独的一类，而只研究所合并的n-1类，再依次下去。

(8)算法上的提高。Vapnik在1995年提出了一种称为“chunking”的块算法，即如果删除矩阵中对应Lagrange乘数为0的行和列，将不会影响最终结果。Osuna提出了一种分解算法，应用于人脸识别领域。Joachims在1998年将Osuna提出的分解策略推广到解决大型SVM学习的算法。Platt于1998年提出了序贯最小优化每次的工作集中只有2个样本。

(9)核函数的构造和参数的选择理论研究。基于各个不同的应用领域，可以构造不同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼近、贝叶斯分类器、径向机函数、多层感知器。参数的选择现在利用交叉验证的`方法来确认。

(10)支持向量机从两类问题向多类问题的推广。Weston在1998年提出的多类算法为代表。在经典svm理论的基础上，直接在目标函数上进行改进，重新构造多值分类模型，建立k分类支持向量机。通过sv方法对新模型的目标函数进行优化，实现多值分类。

一对多(one-against-rest)――Vapnik提出的,k类――k个分类器，第m个分类器将第m类与其余的类分开，也就是说将第m类重新标号为1，其他类标号为-1。完成这个过程需要计算k个二次规划，根据标号将每个样本分开，最后输出的是两类分类器输出为最大的那一类。不足：容易产生属于多类别的点(多个1)和没有被分类的点(标号均为-1)――不对，训练样本数据大，训练困难，推广误差无界。

层(数分类方法)，是对一对一方法的改进，将k个分类合并为两个大类，每个大类里面再分成两个子类，如此下去，直到最基本的k个分类，这样形成不同的层次，每个层次都用svm来进行分类――1对r-1法，构建k-1个分类器，不存在拒绝分类区。

3 主要研究热点

从上面的发展中，我们可以总结出，目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择;支持向量机从两类问题向多类问题的推广;更多的应用领域的推广;与目前其它机器学习方法的融合;与数据预处理(样本的重要度、属性的重要度、特征选择等)方法的结合。

参考文献

[1]@张学工.统计学习理论的本质[M].北京：清华大学出版社，2000.

IMU/DGPS数据在DOM生产中的应用研究 篇4

周 倩

(中科院文献情报中心中科院研究生院,北京,100080)中42%的图书馆采用了数据挖掘技术,而剩余的 58%的还没有采用数据挖掘技术的图书馆中有 98%的表示它们将在不久的未来采用数据挖掘技 术。此外,调查还显示,目前图书馆采用数据挖掘技 术的主要模式是基于用户数据与基于用户行为的数 据挖掘,各种数据挖掘软件或工具的发展与成熟为 图书馆利用数据挖掘技术提供了便利的条件[8]。与国外图书馆相比,数据挖掘技术目前在我国 图书馆中并没有大规模地使用,只有为数不多的图 书馆采用了此项技术。但国内图书馆界已普遍认识 到,数据挖掘技术是图书馆现代化发展的关键技术, 将对图书馆信息资源建设和个性化、知识化服务的 发展起到至关重要的作用。基于数据挖掘的图书馆用户资源管理

从以上分析可看出,用户资源管理是图书馆应用 数据挖掘技术的主要领域之一,基于数据挖掘的图书 馆用户资源管理主要体现两层含义:一是图书馆利用 数据挖掘技术提高自身用户资源管理的水平,实现分 析型用户资源管理模式;二是图书馆以数据挖掘的需 求为牵引,组织好用户资源管理的各项工作,从最初 用户数据获取开始就要以后期顺利地实现数据挖掘 为目标,分析、设置好工作标准与内容意义。3.1 用户数据搜集与存储

用户资源管理的第一步工作是搜集用户数据。要实现对用户数据的有效挖掘的基本条件是要将搜 集到的数据以一致的模式存储,建立用户数据仓库。因此,可以说用户数据仓库建设是图书馆用户资源 管理的基础。

(1)搜集用户数据。用户数据按数据类型可大

致分为用户描述类数据、用户需求类数据、用户行为 类数据和用户反馈类数据四个类。目前,随着数字 图书馆的深入发展,图书馆获取用户数据的技术与 渠道不断拓宽,既可以通过传统方式获取,也可以在 数字图书馆服务过程中获取。

(2)构建用户数据仓库。数据挖掘在集成、一

致、经过清理的数据上才能更好地实现,因此必须对 搜集到的图书馆用户数据,进行数据清理、数据变 换、数据集成和数据装入等必要的数据处理过程,建 立一个整合的、结构化的用户数据仓库,并及时更 新。图书馆通过多个渠道获取的用户数据中既有结 构化的、也有非结构化的。结构化数据如用户借阅 资料的数量、Web访问日志等数据,非结构化数据 如用户反馈信息、用户需求信息等。目前数据挖掘 的对象主要是结构化数据,因此,应尽可能采用多种 方法对非结构化的数据进行处理,将其转化为结构 化数据。

3.2 用户多维特征分析和群体分类

(1)用户多维特征分析。针对数据仓库中的图

书馆用户数据,采用简单关联、时序关联、因果关联 等关联分析与序列规则等数据分析与挖掘方法,对 图书馆用户特征进行分析,挖掘用户的隐性信息需 求,获得对管理用户与图书馆交互活动所必需的关 键性特征,并预测用户未来的信息行为。图书馆用 户特征主要由用户的知识结构特征、用户的信息需 求特征和用户的信息行为特征组成。知识结构特征 说明了用户目前对其专业领域或感兴趣的专业领域 的知识掌握情况;用户的信息需求特征表明了用户 信息需求的专业范围、载体、类型、语种以及用户需 求的现有满足程度等;用户的信息行为特征反映了 用户使用信息的习惯和模式,以及访问信息的规律、特点和趋势等。

(2)用户群体聚类分类。对于图书馆用户特征

进行多维分析的主要目标,并不是仅对单个用户在 图书馆内的信息行为进行分析,而是希望对具有相 似特征的用户建立模型,进行图书馆用户的有效分 类与聚类,发现各种虚拟用户社区,为针对不同类型 的用户群提供不同的个性化服务方案[9]。对数据集 合的分类是数据挖掘技术的主要功能之一。图书馆 用户分类是找出一组能够描述用户群体典型特征的 模型(或函数),以便能够分类识别未知图书馆用户 的归属或类别或预测未知图书馆用户实例的归属类 别。分类挖掘所获得的模型可以采用多种挖掘方式 获得,按照难易程度分为分类规则(IF-THEN)、数 学公式(Mathematical formulae)、决策树(Deci-siontrees)和神经网络等方法。图书馆用户聚类分 析是把一组图书馆用户按照相似性和差异性分为几 个类别,其目的是使得属于同一类别的用户间的相 似性尽可能大,不同类别中的数据间的相似性尽可 能小。每一个聚类分析所获得的图书馆用户组可以 看成是一个同类别归属的用户对象集合,然后对这 些同类别数据集通过分类,获得相应的分类预测模 型(规则)。由此,通过反复不断地对所获得的聚类 组进行聚类分析,可获得初始图书馆用户数据集合 的一个层次结构模型。

3.3 面向用户生命周期的数据挖掘

图书馆用户生命周期主要由三个阶段组成:用

户的获取、用户的保持和用户的流失。图书馆用户 资源管理的主要目标是要最大限度地延长用户的生 89 周 倩:数据挖掘在图书馆用户资源管理中的应用研究

Zhou Qian:A Study on the Application of Data Mining in the User Resources Management of Libraries 能真正以用户使用的效益方式体现出来[2]。(2)用户资源管理是图书馆个性化服务的重要基 础。图书馆个性化信息服务的实质就是一种以用户 需求为中心的服务方式。一个图书馆的个性化服务 的通常步骤为:一是收集用户的各种信息;二是分析 用户数据,创建符合用户特性的访问模式;三是结合 用户特性,向用户提供符合其特殊需求的个性化服 务[3]。图书馆用户资源管理的本质与目标是对用户 信息及信息行为经过深入的研究与分析,在满足用户 直接信息需求的基础上,发掘用户的潜在需求,使用 户得到延伸的服务收益,以此给予用户强烈的个性化 服务感受和“无缝式体验”,提高满意度,在实现用户 价值最大化前提下实现用户和图书馆双赢。(3)用户资源管理是图书馆知识管理的主要途

径。图书馆实施知识管理的主要目的就是把最恰当 的知识在最恰当的时候传递给最恰当的用户,这正 是与用户资源管理的最终目标相一致的。图书馆用 户资源管理中含有大量可供共享的信息,包括用户 基本信息、需求信息、服务活动信息、服务效果信息 以及在整个用户生命周期中同图书馆交互活动的信 息。用户的信息就像原材料一样,被进行系统整理、分析后可以在图书馆内部形成共享,从用户信息变 为用户知识。“用户”、“知识”和“管理”处在一个封 闭的循环系统中,图书馆运用这个循环体系中的用 户知识,从与用户的交互活动中实现其社会价值。1.3 图书馆用户资源管理现状分析

用户资源管理在实际运作中可以大致分为两个 层次。一是描述型用户资源管理。它更多关注用户 信息的组织和管理的简单化,包括用户与图书馆交 流渠道的集成,用户信息的归档与简单化的定量统 计。二是分析型用户资源管理。这种管理方式强调 对用户数据进行规范化存储、提取、处理、解释,产生 相关用户知识报告。可以说,分析型的用户资源管 理通过对用户数据的分析,真实反映用户的行为特 征和属性,并据此进行各种推理和分析,为图书馆决 策和服务行为提供客观依据。就目前而言,国内大 多数图书馆用户资源管理仍属于描述型用户资源管 理,还不能大范围地实现对用户属性特征和信息行 为特征的整理和分析,不能广泛地从用户信息中发 现能够反映其信息与服务需求特质的模式或模型并 进行相关用户的规模化分类与聚类。而数据挖掘技 术的发展与在图书馆的应用则为图书馆解决上述问 题,突破描述型用户资源管理的局限性,开展分析型 用户资源管理提供了有力的支持和保障。2 图书馆研究与应用数据挖掘技术概况

数据挖掘(Data Mining)是从大量、不完全、有噪

声、模糊、随机的数据中,抽取出隐含在其中的、人们 事先不知道但又是潜在的、有价值的知识、模型或规 则的过程,是一类深层次的数据分析方法。它根据数 据的微观特征,发现其表征的、带有普遍性的、较高层 次概念的知识,是信息优势成为知识优势的基础工 程。数据挖掘是一门交叉学科,包括机器学习、数理

统计、神经网络、数据库、模式识别、粗糙集、模糊数学 等相关技术。数据挖掘技术包括三个主要部分:算法 和技术、数据和建模能力;按照功能分为两大类:预测 型(Predictive)模式和描述型(Descriptive)模式[4]。自20世纪90年代后期,图书馆开始高度关注 并研究数据挖掘技术,并致力于将其引入到图书馆 的现代化建设中,有不少图书馆学专家提出了面向 图书馆的数据挖掘技术应用理论与方法。例如: May Chau博士提出了几种学术型图书馆与数 据挖掘的相关性理论模型,并且开发了图书馆网上 数据挖掘系统,帮助用户查找信息[5]。Kyle Baner-jee先生研究了数据挖掘技术帮助图书馆的不同方 式。在1998年,他提出,全文本、动态变化的数据库 更适于采用数据挖掘技术[5]。2002年,Nicholson 和Stanton就图书馆中的数据挖掘过程提出了一个 专业术语“Bibliomining”(书目挖掘),指出书目挖掘 是在图书馆中,将数据挖掘技术、书目计量方法、统 计学理论与报告工具有机结合在一起,从基于行为 的信息与数据中获取隐含的模式[5]。1996年,ALA 的《Library Administration and Management》期刊 出版了一期关于图书馆数据挖掘的特刊,当时在文 章中提到的数据主要来自图书馆自动化系统,后来, 随着数字图书馆的发展使得可以用于数据挖掘的数 据大幅度提高。鉴于此种情况,《Library Adminis-tration and Management》于2003年再次出版一期 以数字图书馆数据挖掘技术为主题的特刊,并列举 了一些图书馆利用数据挖掘技术的实际案例[6]。2005年6月,OCLC公布了三个新的研究计划,其 中之一就是数据挖掘研究计划,其主要目标是通过 对WorldCat及其它数据源的挖掘,找到隐含的、有 用的信息,以此帮助图书馆管理者更好地做出馆藏 建设与服务的决策[7]。

就图书馆利用数据挖掘技术的规模和应用潜 力,研究图书馆联盟(ARL)2003年曾做过一次调 查。ARL中的124个会员图书馆参加了此次调查, 其中有52%的图书馆反馈了调研表。调查显示这 88 2006年第6期

图书·情报·知识

[摘要] 用户资源管理是现代图书馆资源管理的核心内容,是图书馆实现个性化服务的重要基础。

数据挖掘作为一种深层次的数据分析方法,可以从大量的数据中挖掘出反映用户属性特征和信息

行为特征的信息和规则,从而为图书馆用户资源管理提供极大的帮助。基于数据挖掘的图书馆用

户资源管理包括用户数据搜集、用户数据仓库构建、用户多维特征分析和群体分类、面向用户生命

周期的数据挖掘等主要内容。

[关键词] 数据挖掘 图书馆 用户资源管理 应用 个性化服务 数据仓库 [中图分类号]G252 [文献标识码]A [文章编号]1003-2797(2006)06-0087-04 [Abstract] The user resources management of libraries based on data mining should include the following methods:collecting user data,constructing user data warehouse,analyzing user char-acteristics and classifying group,data mining for the whole user life cycle and so on.[Key words] Data mining Library User resources management Application Personalized services Data warehouse 1 图书馆用户资源管理

图书馆用户是指利用图书馆信息资源及信息服 务的一切个体或群体。图书馆用户资源是图书馆在 长期的信息服务过程中逐步形成的,是图书馆服务 能力在社会关系体系中的呈现。与图书其它资源相 比,用户资源有它特殊的性质,例如动态的伸缩性和 拓展性,对其它类型资源强烈的依附性。1.1 图书馆用户资源管理的内涵

在图书馆的发展历程中,其资源的内涵不断拓 展,资源管理的内容也不断丰富。早期的图书馆资 源管理主要是指对有形的资产进行管理,包括文献

资源管理、设备资源管理、人力资源管理、经费管理、服务场所管理等。其后图书馆资源概念扩展到无形 资产,包括服务品牌、图书馆文化等。但这种管理的 概念也仅仅局限于图书馆内部。在现代信息社会, 伴随着数字图书馆的发展,图书馆将“用户”这种外 部资源纳入到自身的资源管理体系中,把用户作为 图书馆的一种资源进行有效的管理,并实现与图书 馆其它资源的整合。

从资源管理的理论层面上讲,用户资源管理是 对有使用价值的用户资源,通过有效的管理与控制

[作者简介] 周倩,女,1972年生,中国科学院文献情报中 心及中科院研究生院在读博士生,中国国防科技信息中心副 研究馆员,发表论文20多篇。

程序,来实现图书馆某种服务效益的目标活动。从 实际工作层面上讲,用户资源管理主要是指对用户 和图书馆之间的交互活动进行管理,具体包括用户 信息管理、用户服务活动管理、用户后期支持管理。用户信息管理的主要任务是系统地搜集、组织与存 储用户的相关信息,通过对用户信息的统计和分析, 明确用户信息需求和服务需求,划分用户群;用户服 务活动管理则负责将对用户在图书馆内的信息行为 进行管理,针对用户个性化需求,制定出图书馆相应 的信息资源建设和服务策略,实现与用户服务活动 相关的所有信息的集成;用户后期支持管理主要是 对用户接受服务后的情况进行跟踪了解和分析,发 现问题,提出不断修正和提高的方案[1]。1.2 用户资源管理在图书馆中的重要地位(1)用户资源管理是图书馆管理的核心。图书

馆管理主要包括三个方面:一是信息资源管理,即对 信息的搜集、加工、组织、开发利用等实施全寿命管 理;二是信息环境管理,主要包括信息技术管理、信 息政策管理、组织机构管理、设施与经费管理以及人 力资源管理;三是用户资源管理。其中,用户资源管 理是核心内容,信息资源管理与信息环境管理必须 以用户资源管理的要求和目标开展工作,因为只有 这样才能将“用户”作为一种资源有效地贯穿于图书 馆管理工作的全过程中,图书馆管理的效果与价值 87 命周期,抑制用户的流失。

(1)用户的获取。图书馆要在竞争日益激烈的

服务环境中生存和壮大就需要不断获得新的用户, 维持老的用户,而当用户数量不断增长,用户的细节 因素增多时,要为用户提供更好的服务并赢得更多 的用户只能依靠数据挖掘技术才能完成。利用数据 挖掘中的一些技术(如统计回归、逻辑回归、决策树、神经网络)揭示新用户的行为习惯,生成预测模型和 建立评分模型,预测发现一些在不同情况下有相似 行为的新用户,对潜在用户进行筛选,有效增加服务 推广效应,把潜在的用户名单和这些用户感兴趣的 资源与服务系统地结合起来,为每一个用户提供主 动化、个性化服务,使潜在用户转化为正式用户,以 不断地获取新用户。

(2)用户的保持与流失。用户保持与图书馆服

务能力息息相关。图书馆用户流失的主要原因之一 就是图书馆对用户的关怀和服务不够,因此保持原 有用户的工作对于图书馆来说变得非常重要。数据 挖掘技术可以对用户数据仓库中的大量数据进行分 析和处理,以识别、分析和评价用户流失风险,分析 出用户为什么会流失?哪些因素会导致用户的流 失?用户流失风险主要来自于何处?如何保留住图 书馆的高价值用户?在用户保持中,一般涉及3个 过程:首先,建立模型用来预测和识别潜在的流失用 户;其次,通过数据挖掘识别潜在流失用户中的图书 馆重要用户;第三,利用聚类分析等方法对图书馆重 要用户中的潜在流失者进行分析挖掘,识别其行为 模式等,从而有针对性地采取相应的服务措施,保留 住用户[10]。几个相关问题的思考

首先是数据挖掘精度的问题。当前许多数据挖 掘系统或工具都是数据驱动的数据挖掘,仅仅是在 数据内容上产生规则,因此来源数据的准确性对数 据挖掘精度将会产生很大的影响。此外,数据挖掘 不是万能的,而只是一个工具,它只是帮助图书馆工 作人员更深入、更容易地分析数据,它无法告诉你某 个用户模型对你的图书馆的实际价值。而且数据挖 掘中得到的模型必须要在实践中进行验证。将本体 理论与数据挖掘技术相结合是有效解决数据挖掘精 度问题的一种途径,因为基于用户本体的数据挖掘 将利用领域知识或背景知识,可在高层次上进行数 据挖掘,产生高层次或多层次的规则,甚至是具有语 义意义的规则,同时可利用本体进行数据预处理,提 高待挖掘数据的质量[11]。

其次是用户隐私保护问题。在构建用户数据仓