大数据环境中信息素养论文

大数据环境中信息素养论文（精选6篇）

大数据环境中信息素养论文 篇1

1 大数据及其重要作用

大数据, 又被称之为巨量数据、海量数据、大资料, 指的是所涉及的数据量规模巨大到无法通过人工, 在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息[1]。著名的未来学家托夫勒曾经预言大数据将是“第三次浪潮的华彩乐章”[2]。在IBM、亚马逊、谷歌、脸书等IT产业巨头的推动下, 人们逐渐意识到“数据就像一个神奇的钻石矿, 当它的首要价值被挖掘后, 仍能不断给予。”[3]因此, 将那些貌似杂乱无章的数据经过特定方式方法加工处理成为极具价值的信息, 就成为并国家间的主要竞争的核心领域。

基于此, 2012年奥巴马政府宣布推出“大数据的研究和发展计划”, 将“大数据”作为美国的全球性发展战略计划, 大力推动及改善与大数据相关的采集、组织、分析、决策工具及技术;今年3月, 国务院总理李克强在《政府工作报告》中提出, “设立新兴产业创业创新平台, 在……大数据……等方面赶超先进, 引领未来产业发展。”[4]

2 大数据时代对学生进行信息素养教育的必要性

在大数据时代, 在运用先进的信息处理工具的基础上, 充分发挥人的想象力对海量的信息进行深度加工, 从而最大限度地利用信息则成为当代大学生所必须具备的基本素养。

为了有的放矢地实施信息素养教育, 在2013年4月份, “河西学院在校生信息素养现状调查暨信息素养教育方案设计小组”发放4000份信息素养调查问卷, 对在校生的信息素质状况进行了全面调查*。调查涉及全校15个二级学院2009-2012级的276个班。就班级构成来说, 既有普通本科, 又有专升本, 还有民族预科班。究其具体调查范围来说, 保证最少向每个学生宿舍发放两份调查问卷, 共收回有效问卷3879份。其调查结果见图1、图2。

通过对这次调查所获得的数据进行分析, 不能得出这样的结论——整体来说, 目前中西部地方院校在校生的信息素养不高, 我们认为学校, 尤其是承担信息素养教育教学任务的高校图书馆应认真研究在以往的信息素质教育过程中所存在的问题并根据本校学生的实际情况, 认真研究信息素养教育的教学规律、调整信息素养教育的教学策略, 采取切实有效的教学模式, 真正提高在校生的信息素养。

3 如何开展信息素养教育

针对这次调查的结论以及认真总结我们的信息素养教育的经验与做法, 我们认为要切实提高在校生的信息素养, 可以从以下几个方面着手

3.1 制定信息素养评价体系, 为信息素养教育提供行为指南

着眼于学生的长期发展, 站在国际竞争的战略高度制定信息素养标准。在国家尚未出台统一的信息素养评价体系的情况下, 参照美国的“高等教育信息素养能力标准”、“澳大利亚与新西兰信息素养框架:原则、标准与实务”以及“北京地区高校信息素养能力指标体系”制定本校的“信息素养教育评价手册”。将信息收集能力、信息甄别能力、信息加工能力和信息伦理等信息素养教育的基本内容进行量化, 使学生对信息素养教育的内容了然于胸, 使教师在实施信息素养教育有章可循。

3.2 改变信息教育的教学方式, 使学生主动提高自身信息素养

信息素养, 作为人借助信息解决所面临问题的一种能力来说, 具有潜在性和隐蔽性。针对大部分在校生不能深刻认识到信息素养的重要性这一基本事实, 开展信息素养教育的老师要摈弃向学生“灌输”信息素养有多么重要、学生应该如何如何提高信息素养这种空洞的说教, 而从学生最关心的就业、考试以及如何解决生活中所遇到的各种问题出发, 以学生亟待解决的问题为突破口, 使学生能够直接感受到通过上信息素养教育课, 确实能够提高他们分析问题和解决问题的能力;以“润物细无声”的教育方式使在学生轻松愉快的环境当中认识到信息素养是他们适应社会所必须具备的基本素养并从内心深处意识到在大数据时代的信息素养低将是自己“阿基琉斯之踵”。

3.3 实行学科馆员导师制度, 将信息素养教育嵌入专业课程中

根据我们在河西学院农学和西方政治制度等专业课的实验, 我们发现将信息素养教育嵌入到专业课程的学习当中。不但很受学生的欢迎, 而且信息素养教育的教学效果也非常好。同时, 我们发现在嵌入式信息素养教育模式当中尤为受到学生欢迎的是学科馆员导师负责制———学科馆员负责为学生提供相关学习资料、负责指导学生对其研究领域的相关文献资料进行分析处理、负责指导学生甄别其获取的该研究领域相关资料的真伪优劣、负责指导学生学习与其研究领域密切相关的计算机软件的适用。因此在开展信息素养教育的时候, 应该加强与专业课教师的沟通, 尽可能将信息素养教育嵌入专业课程中。

3.4 将如何使用信息处理软件作为信息素养教育的主要内容

博客、微博、互动百科等新兴互动交流工具的出现, 不但改变了人们的信息交流方式, 更为重要的是它们使原来的纯信息消费者摇身一变也成信息创造者[5]。这意味着每时每刻都会产生海量的数据。如果不能娴熟地使用信息加工处理软件, 要想真正在海量的数据当中挖掘出自己真正所需要的有价值的信息那简直是不可能的。因此高校应将“利用新工具转化信息的能力”囊括到信息素养教育的范畴中去[6]。因此, 在信息素养教育的过程当中, 应向学生传授专业性统计分析软件、项目管理系统专业软件以及文献管理软件包的使用技巧, 不断提升学生利用新工具转化信息的能力。

3.5 强化信息伦理教育

随着在线信息获取与互动交流技术飞速的发展, 信息伦理遭遇“滑铁卢”, 信息犯罪、信息侵权、信息污染等行为层出不穷[7]。因此, 在实施信息素养教育时, 最好能够以讲述那些因为信息犯罪、信息侵权而导致身败名裂的真实案例, 让学生产生对信息犯罪和剽窃他人的科研成果产生畏惧, 积极引导学生养成良好的信息安全意识和合法获取信息、利用信息的法律意识和良好的信息伦理观。

大时代环境下的信息素养教育, 虽然内容庞杂、头绪繁多, 但是如果我们在实施信息素养的过程当中做到纲举目张的话, 必将能够迅速提升他们的信息素养, 为他们的后续发展和终身学习打下坚实的基础。

摘要：信息素养教育是高校图书馆的一项非常重要的工作, 为了做好信息素养教育工作, 图书馆应制定信息素养评价体系, 为信息素养教育提供行为指南;改变信息教育的教学方式, 使学生主动提高自身信息素养;实行学科馆员导师制度, 将信息素养教育嵌入专业课程中;将如何使用信息处理软件作为信息素养教育的主要内容;强化信息伦理教育以便迅速提升学生的信息素养, 为他们的后续发展和终身学习打下坚实的基础。

关键词：大数据,信息素养,信息素养教育,信息素养评价体系,信息伦理

参考文献

[1]Daniel Kusnetzky.What is“Big Data?”[EB/OL].2014-05-01http://www.zdnet.com/blog/virtualization/what-is-big-data/1708

[2]杨敏.大数据向人类认知方式提出新挑战[EB/OL].中国社会科学报, 2013-6-28.http://epub.cnki.net/kns/detail/detail.aspx?FileName=CSHK20130628A031&DbName=CCND2013.

[3]维克托?迈尔-舍恩伯格, 肯尼斯·库克耶.大数据时代[M].杭州:浙江人民出版社, 2013:127

[4]李克强.政府工作报告[R].2014-05-01 http://gd.people.com.cn/n/2014/0305/c123932-20708505-5.html

[5]尹雪, 赵林.信息通晓:一个新生概念的源起与发展[J].图书馆杂志, 2013 (1) :18-21, 43.

[6]Homer STAVELY.Working in a Wired World[EB/OL].Queensland, Australia, .1993-6-18[2014-1-4].http://eric.ed.gov/?id=ED368332.

[7]李志河.大学生信息素养教育[M].北京:清华大学出版社, 2010:299.

大数据环境中信息素养论文 篇2

关键词：大数据档案信息资源SWOT分析

Abstract： This article will use the SWOT analysis method to analysis the advantages ，disadvantages op？ portunities and challenges of archives information re？ sources integration in the time of big data， which ex？ pect to use the data mining technology to promote the progress of archives information resources inte？ gration.

Keywords：Big data； Archives information resourc？ es； SWOT analysis method

一、引言

大数据时代的到来给档案事业带来了深远的影响。大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。[1]但是事物都有两面性，一方面，大数据能够给人们带来便捷，比如帮助人们获取海量的信息资源；另一方面，也为人们的检索带来难题，比如如何快捷、高效地在海量信息资源中挖掘出满足自己需求的信息。从这个角度而言，档案部门应立足于档案信息资源整合的现状，结合大数据的时代背景，充分应用大数据时代的信息挖掘技术，采取有效的措施应对大数据时代带来的挑战，最终实现档案信息资源的整合。基于此，我们采用SWOT分析法对大数据环境下档案部门开展档案信息资源整合自身的优势、劣势、面临的外部机遇和挑战进行分析，以便档案部门在进行档案信息资源整合时认清形势，扬长避短，抓住机遇，制定符合大数据时代的档案信息资源整合措施。具体如图1所示。

二、优势分析

首先，我们从技术优势、保管条件优势、档案馆数字化现代管理系统三个方面来分析大数据时代现有档案信息资源整合的优势。

（一）档案馆的技术优势

1.目前现有的信息交换技术在档案信息资源整合中的应用。部分档案信息资源的内容是不公开的，涉密性较高。因此，在整合档案信息资源时，既要满足其共享性的要求，又要保障档案信息资源的安全性。第一，传统以纸质档案为主的档案信息资源可以通过用户到档案馆借阅浏览实现信息交换。而数字化的档案资源则可以通过档案网站、档案数据库等“一站式跨库检索”实现共享。第二，为了保障信息交换的安全，引入“用户身份认证技术”。不同的用户具有不同的访问权限，通过这种方式在一定程度上约束用户行为，保障档案信息资源的安全性。

2.大数据时代档案信息资源的利用技术优势。传统档案载体信息资源的利用主要是通过档案馆阅览室借阅、档案复制本、馆内现场人员咨询服务等方式实现的。在大数据时代，还出现了电子档案阅览室、档案云平台网络在线咨询等自主利用方式。例如，辽宁省档案馆网站就有新闻发布室、文化大观园、走进展厅、档案云平台、业务系统专区等模块。在“档案云平台”模块，用户可以通过键入档号、题名等信息，自主查阅政府信息公开文件、档案信息资源、综合档案馆馆藏等。

（二）档案馆的保管条件优势

2014年8月，中共中央办公厅、国务院办公厅联合印发的《关于加强和改进新形势下档案工作的意见》中明确要求：“档案机构要建立健全人防、物防、技防三位一体的档案安全防范体系，确保档案安全。”在此意见的推动下，部分省市档案馆（室）已经基本建成智慧馆库，即以物联网、云计算、大数据等技术为支撑，对档案馆库房进行智能一体化设计，从而实现对档案的集中统一保管，达到档案安全保管工作的网络化、智能化、人性化、科学化。[2]

（三）档案馆数字化现代管理系统的发展

在大数据时代，档案馆建立了数字化现代管理系统。数字化现代管理系统一般分为日常业务管理系统、档案数字化采集系统和数字化档案查阅系统三大板块。除此以外，该系统还包括系统维护、Web浏览查询等功能。各个模块相互协调配合，不仅能够满足档案馆工作人员日常办公的需求，而且能够缩短用户的检索时间，提升检索效率和服务效能，最终促使档案信息资源数字化的顺利开展。以苏州数字化现代档案管理系统的建设为例，苏州市数字档案馆项目已经完成，能够通过网络处理档案馆所有业务，而各机关事业单位信息化建设也已见成效。[3]

三、劣势分析

（一）理念与实践进度不匹配

为了推进档案信息资源的整合，档案工作者提出了“大档案”的理念。“大档案”理念由来已久，但是档案部门只是把“大档案”理念落实到档案馆的建设中，并没有较好地应用在档案信息资源的建设中。因此，我们不仅要提出与时代发展相匹配的管理理念，而且要使理念落实到档案信息资源整合的实践中去。在大数据时代，档案信息资源整合需要各个环节的配合和各个部门协调一致的工作才能完成，各部门、各环节的协调都需要强大的信息系统来组织、协调和实现信息资源共享，使其得到最优化的利用。简言之，档案部门要充分发挥意识的能动作用，让大数据时代的“大档案”理念更好地指导档案信息资源整合的实践工作。

（二）缺乏统一的技术整合规范标准

当前在档案信息资源整合中，档案部门缺乏一套统一的技术整合标准体系，制约了档案信息资源整合更好的发展，因此应该高度重视。“标准化是对档案信息资源各方面建设具有总揽性的前提与基础，也是最亟待解决的实际问题，否则档案信息资源共建共享就无法实现。”[4]可见，只有建立一套档案信息资源整合的标准体系，各地区档案馆在开展档案信息资源整合时才能有据可依。

（三）档案信息资源质量的难把关

一方面，纸质档案信息资源质量鉴定困难。档案馆为了丰富馆藏，改变原本单一的馆藏结构，会不断地在整合工作中更加广泛地收集档案，由于档案种类繁多，类目繁杂，短时间内仅仅依靠档案馆工作人员很难选取大量优质的档案信息资源。此外，档案部门不仅要关注档案信息资源内容的优质性，还要关注其档案载体质量的好坏，二者兼顾才能更好地为档案信息资源质量进行把关。另一方面，数字档案信息资源质量的控制与鉴定也比较复杂。既要控制好数字档案信息资源采集环节的质量，又要控制好录入、组织与开发环节的质量。因此，在进行档案信息资源整合时，如何收集质量优、价值高的档案资源也将是我们面临的问题之一。

四、机遇分析

只有抓住机遇才能更好地发展自己，大数据环境下档案部门开展档案信息资源整合也面临着一些机遇，抓住这些机遇，有利于档案事业更好的发展。

（一）国家政策的支持

“十二五”规划期间，《全国档案事业发展“十二五”规划》中提到要实施公共档案信息资源共享服务工程项目，打造“一站式”档案信息资源共享和服务平台，为社会提供全方位的档案信息服务。[5]“十三五”规划期间，国家档案局印发的《全国档案事业发展“十三五”规划纲要》中也制定了相关政策支持档案信息资源整合的发展。其中，有一项发展目标就是“实现档案资源多样化。依法管理档案资源，各级国家机关、团体、企业事业单位档案实现应归尽归、应收尽收；档案资源更加齐全完整、丰富多元，覆盖人民群众的档案资源体系更加完善。”[6]

（二）大数据环境下信息挖掘技术的进步

随着互联网技术的发展，越来越多的信息以非结构化或半结构化的形式进行存储，如超级文本标记语言（HTML）文档。目前，对这类文档数据访问主要是基于浏览和信息检索技术，而已知浏览器和搜索引擎检索信息的能力是非常有限的。[7]通过Web文本挖掘技术，一方面，可以提升档案信息资源的检索效率。首先，Web2.0通过对信息的聚类处理，把碎片化的信息整合到一起，发挥其最大的利用价值。其次，Web2.0通过对用户的检索痕迹进行分析，使分析结果一目了然，然后通过对分析结果进行分组和标注，使提供的检索内容更加精确，从而优化了用户的检索效果，提升了检索效率。另一方面，极大地提升了服务效能。在搜索信息或者问题时，搜索引擎就会自动推送用户可能感兴趣的信息供用户参考。档案馆可以通过分析用户浏览不同类型信息资源的频率，从而分析关注用户的喜好，这样有利于升级完善更加人性化的推荐、定制等多样化的服务。

（三）信息化建设为档案信息资源整合提供了有利的平台

我国开展的信息化建设为档案信息资源的整合提供了有利的平台。“十二五”规划期间，我国的档案信息化建设已经取得了一些成果，如档案信息化建设初具规模。初步建成以局域网、政务网、因特网为平台，以档案信息管理系统为支撑，以档案目录中心、基础数据库、档案利用平台、档案网站信息发布为基础的档案信息化体系。[8]“十三五”规划期间，《全国档案事业发展“十三五”规划纲要》中也提到了要加快档案管理信息化进程的目标。它要求各档案部门、档案网站等主体加快提升电子档案管理水平。[9]

五、挑战分析

知己知彼，方能百战不殆。档案部门既要抓住机遇，促进档案信息资源整合的开展，也要了解外部面临的挑战和威胁，以便提出相应的解决对策。

（一）信息实时精准管控难

大数据时代，动态性与交互性并存，使得数据实时精准管控难。互联网信息是档案信息资源的重要组成部分，而互联网信息的动态性是显而易见的，具有较大的自由度和随意性。除此以外，在大数据时代，网络构筑起了档案馆和用户之间的互动桥梁，档案馆可以通过档案网站向用户输送信息，公众可以参与互动，实现信息的双向流动。从这个角度而言，档案部门对纷繁复杂、动态性强，互动性紧密的数字档案信息资源实时精准控制的难度越来越大。

（二）对数据分析带来的挑战

大数据时代是一个海量数据和信息爆炸式增长的时代。随着档案部门信息化建设工作的开展，档案信息资源的收集渠道也日趋多元化，数据类型不仅包括结构化数据，而且包括非结构化数据等。由于大数据时代信息类型的多样性发展，使得传统封闭式的档案数据挖掘与分析技术不再适应半结构化数据等的分析处理。“要获得大数据分析的价值，就应关注档案数字资源中的数据关系和语义表征，实现信息整合与知识整合。但目前档案数字资源整合还处于数据整合阶段，偏重于实现异质异构数据在物理或逻辑上的集中和互联互通，仅能为用户提供信息检索服务，这与大数据时代的要求相去甚远。”[10]

（三）安全技术存在的漏洞

大数据时代的到来为档案信息资源整合带来了较多机遇，但是大数据时代也容易出现信息泄密的现象。一方面，在大数据时代，信息种类繁多，档案部门要学会识别哪些档案信息资源能开放，哪些档案信息资源又属于加密的。另一方面，虽然档案馆有采取“用户身份认证技术”来约束用户行为的措施，但是远远不够。目前，互联网的开放性对档案信息的安全构成了一定威胁，比如黑客非法入侵、计算机病毒植入等都能对档案网站信息资源的安全构成挑战。除此以外，在云环境下，云安全也存在着一定的风险。比如云计算的隐私保护问题集中在访问控制方面，上传到云端的敏感数据能否被非授权访问，用户访问时个人身份信息会被保留多久。[11]因此，档案部门要培养掌握计算机技术和档案专业技能的综合素质人才，健全档案信息安全技术等确保档案信息资源整合的安全。

综上，在大数据时代，档案部门开展档案信息资源整合有利于推动我国档案事业的发展，有利于实现档案信息资源的共享、开发和利用。通过上述分析，档案部门在进行档案信息资源整合时要依托自身内部的优势，抓住外部机遇，努力改变内部的劣势，积极应对外部的挑战，制定出符合大数据时代的档案信息资源整合策略，使其更好地为用户服务，实现档案信息资源应有的价值。

*本文为2016年国家社科基金项目“非结构化电子文件管理研究”（项目编号：16BTQ089）的阶段性研究成果。

注释及参考文献：

[1]国务院.促进大数据发展行动纲要[M].北京：人民出版社，2015：2.

[2]吴慧芳，郭庆琳，余武南.档案馆智慧馆库建设研究[J].北京档案，2016（5）：27-28.

[3]肖芃，林忠华，卜鉴民.构建区域性大档案格局[J].中国档案，2011（3）：22.

[4]刘玉波.档案信息资源共建共享机制建设问题刍议[J].黑龙江档案，2015（1）：92.

[5]国家档案局.全国档案事业发展“十二五”规划（摘要）[J].机电兵船档案，2011（2）：4.

[6][8][9]国家档案局.全国档案事业发展“十三五”规划纲要[J].中国档案，2016（5）：14-16.

[7][11]李智勇，李蒙，周悦.大数据时代的云安全[M].北京：化学工业出版社，2016（3）：47-119.

大数据环境中信息素养论文 篇3

电子书包、教育云、学习分析、网络调查等这些新技术的应用给教育带来了翻天覆地的变化,在线学习学校、慕课、开放课程、游戏式学习、自组织学习等新的教育形态不断涌现。同时,新技术的应用也改变了学校传统的课堂教学模式,翻转课堂等线上线下混合学习模式、一对一教学、创客课堂等新型教学模式应运而生。这意味着,教师的教学任务不再只是教授知识,更要引领学生学习和创造;教学内容及课程也不再停留于教材,而是更加注重在教育资源云上的积累;教学时空不再局限于学校与课堂,而要充分利用网络等先进的信息化手段开展包括家、校、社区共同体的社会协同教育。这就要求在大数据环境中的教师要不断提升自己的信息化专业素养,以便从容应对信息化教育教学的挑战。

●大数据环境中教师应具备的专业素养

在传统教学中教师具备的专业核心素养是学科教学知识,而在信息化时代,教师只具备学科教学知识是远远不够的。由于学生具有个性化特点,这就需要教师高效利用信息技术及教育信息资源,有针对性地指导学生的成长进步。由于传授知识不再是教师最重要的职能,而培养适应信息化时代的创新人才、对学生进行个性化辅导的职能越来越突出。所以,在大数据环境中,熟练掌握信息技术和以网络技术为核心的现代教育技术,以及具备对大数据分析的能力,成为了教师必备的专业素养。因此,全面提升中小学教师信息技术应用能力,促进信息技术与教育教学的深度融合是当务之急。

教师的信息技术应用能力分为应用信息技术优化课堂教学的能力和应用信息技术转变学生学习方式的能力。这些能力要求教师从教育教学理念、知识体系、教学方法与技能等方面提升专业素养,要求教师能根据教学目标与对象,灵活地选择合适的媒体、平台与资源,创设合适的情境,设计教学过程与教学活动,开发丰富新鲜的教学内容,采用多样化的教学手段引导学生自主学习、协作学习和探究学习,创造性地开展教育教学工作。

●大数据环境中教师实现信息化专业成长的策略与途径

教师信息化专业发展的策略和途径有许多,最重要的是树立终身学习的理念,在教学实践中不断学习、不断研究、不断实践。在大数据环境中,教师要充分利用数字资源以及各种信息化手段,拓宽自己成长的路径,实现开放、便捷、自主等个性化的专业成长。具体途径如下。

1. 加强培训,提高教师的信息素养

实践证明,有效的培训是实现大数据环境中教师专业成长最有效的途径。教师要珍惜各教育主管部门组织的各种教师信息技术能力提升培训机会,积极参与其中并将所学的信息技术运用到自己的教学中,还可以通过远程网络培训、校本培训等途径快速提升自己的信息素养。

2. 树立终身学习的理念,不断提高自身素养

教师要树立终身学习的理念,制定学习计划,在业余时间利用便捷的网络资源如观看网上慕课、微课、优秀教师的公开课,各种教育教学平台等进行自学,不断学习现代教育技术理论和先进的信息化教学方法,积极参加各类集体教研、校本教研及利用网络的合作备课等活动,在活动中不断学习、交流、反思、分享、协作,从而达到提高信息素养的目的。

3. 在课题研究中,提高教师的技术应用能力和信息素养

为了更好地让教师掌握大数据环境中新教育技术的应用、探索新的教学模式、解决教学中出现的各类问题,学校可以让教师参加信息化时代较前沿的课题研究,或将工作中遇到的问题作为课题进行研究,加强对课题实验教师的业务培训,更新他们的观念,使他们逐步掌握先进的现代教育技术,并能按新教学模式的要求去设计和实施教学,让教师学会在教学中研究和在研究中教学。实践证明,教师通过课题研究,能提高驾驭现代信息技术的能力,能熟练掌握各种教育技术及教学平台的使用方法,并掌握设计博客、制作应用课件、进行网络沟通、大数据分析等技术,实现由教书匠到专家型教师的转变。

4. 在教学实践活动中,提升教师的信息素养

在大数据环境中,教师只有在日常的教学实践活动中,将各种信息化技术手段与自己的教学进行深度融合,才能使信息技术发挥其应有的作用。学校及上级教育主管部门要给教师构建各种应用信息技术的活动平台,如一师一优课、微课大赛、教育科研个人平台等,使其积极参加各种信息化教学的展示活动,相互取长补短,将好的做法应用于课堂教学中,从而不断提升信息技术应用能力、教学水平及信息素养。

5. 同伴协作,共同提高

在大数据环境中,教师可以借助学校的集体教研时间,采取课堂观察的办法,近距离、精密细致地对课堂进行研究,通过“一人授课,多人观察”的形式进行同伴协作,充分发挥教学团队的作用。教师可采用“课前会议—集体备课—课堂观察—课后研讨反思”的方式进行教学研究,共同研讨如何借助信息技术开展适合新课标的新的课堂教学模式,并通过说课、讲课、评课等比赛活动进一步提高信息技术应用能力。

参考文献

[1]天雨.“互联网+”带来哪些机遇与挑战[N].人民邮电报,2015-3-23.

[2]陈琳.2013中国教育信息化发展透视[J].教育研究,2014(06).

[3]何克抗.关于信息技术与课程整合的理论思考[J].中小学电教,2001(1).

大数据环境中信息素养论文 篇4

【关键词】大数据;高校图书馆;信息资源;优化路径

前言

随着科学技术的发展，计算机网络技术不断进步，致使诸多新技术得到研发，例如，大数据技术、云计算技术等。大数据技术与云计算技术是数据处理的有效手段，具有可靠性高的优势。高校图书馆所面对的信息资源具有复杂多样的特点，且蕴含庞大的阅读数据，大大增加了高校图书馆信息资源管理难度。因此，高校应以大数据环境为基础，优化图书馆信息资源管理模式，提高高校图书馆信息资源管理效率。

一、大数据基本概述

大数据，亦被称之为巨量数据或海量数据，即在庞大数量、复杂结构以及类型多样的数据基础上，所构建的数据集合，是在云计算数据处理和应用模式前提下，以数据的集成共享为目标，在交叉复用过程中形成的智力资源与知识服务能力。针对大数据，研究学者将其进行如下定义：大数据，指在新处理模式基础上，具有较强的决策能力、洞察发现能力以及流程优化能力的海量、高增长率以及多样化的信息资产。从某种意义上说，大数据表示的是数据分析的前沿技术。换言之，大数据技术即在各种各样类型数据处理过程中，具有快速获取具有价值的信息的能力。针对大数据而言，其具有4个基本特征。具体而言：第一，数据量大，大数据的起始计量单位至少为P（1000个T）、E（100万个T）或Z（10亿个T）。第二，数据类型繁多。诸多大数据源并非结构化，而是半结构化或者为多结构化。此类数据均可具有可被理解的逻辑流程，可将有效数据进行提取用于信息分析。第三，价值密度低。例如，目前物联网得到广泛应用，信息感知无处不在，庞大的信息量，导致价值密度偏低。第四，速度快时效高。该特征是大数据区别于传统数据挖掘的显著特征。

二、高校图書馆数据管理与文献知识模块中应用大数据分析

庞大的阅读数据是大数据分析的首要对象，若以数据分析的表象为视觉角度，海量数据的分析，即归纳整理读者感兴趣的文献信息资料。对于大数据技术，时间性与空间性是其基本属性，适用于高校图书馆信息资源管理。对锁定的目标进行分析整理是海量数据分析和管理的一大功能，进而保证数字图书资源存在的价值。与此同时，海量数据中的阅览数据是判定文献重要程度的有效依据，是文献利用率的彰显。文献知识既是概念的诠释，也是概念的表达，阅读数据则是知识存在模式与关系的揭示。数据的单一记录，难以正确体现知识的价值、认知程度以及可靠性等，只有将不同记录的数据进行有序组织，在大数据技术指导下，正确掌握读者阅读信息，对比分析文献知识的共性与个性，解读数据信息的有效性，达到整理、归纳数据中隐藏的知识结构与线索的目的，充分显示知识的价值与可靠性。

基于大数据技术作用下，图书馆文献知识管理分析过程具有一定复杂性。显性知识获取与隐性知识获取是知识获取的两种方式，显性知识阅读量数据获取对应的则是显现数据，针对显性知识阅读量数据分析，即在一定规律与理论的指导下，在测量归类方式基础上，获得的有效数据，从而实现对文献阅览总量的描述，达到获取知识概念的目的。例如，理论文献查阅、文科学科分类阅览以及新闻动态阅读等。

评估高校图书馆信息资源整理利用率是数据分析的主要作用，但由于诸多知识点具有不可量化的特点，针对此部分知识点，则可利用模型辅助对其进行推理判断。隐性数据，即基于建模作用下的概念推理数据，揭示显性知识信息与资源的可靠依据是隐性数据的主要作用。例如，利用PBL教学模式，进行数据分析。PBL，基于解决问题基础上，将教学目标设置为大学生自主学习能力，进而构建的知识体系。PBL教学模式有利于激发学生学习积极性，调动学生学习兴趣，达到提高学生解决问题能力的目的，培养学生养成自主学习的习惯。高校图书馆，以大学生知识查阅的点击量为显性数据，判定大学生若没有教师的指导其学习能力的高低。与此同时，高维隐性数据是促使数据分析得到理想数据的有效保障。换言之，即对于参与实验的大学生而言，其在图书馆查阅实验相关的知识点的过程中，对相关知识点的点击量，则为隐性数据的综合。总之，基于大数据技术作用下，高校图书馆信息资源管理逐步实现数字化管理方式，为高校图书馆信息资源管理模式的创新与发展提供依据。

三、基于大数据视野下，云计算与图书馆数据信息挖掘

目前，谷歌、清华大学以及华盛顿大学联合开展云计算学术合作研究计划，其中，大数据时代下高校图书馆信息数据管理的新模式是其探究的重点之一。云计算，指在虚拟计算环境基础上，基于数据中心下的超级计算方式，其中，动态性与可扩展性是其基本特点。以计算机云计算为基础，高校图书馆信息资源管理将社会大规模电子文献出版系统、个体终端读者以及学术团体等多个主体紧密联系起来，为读者提供更为优质、全面的服务，拓宽高校图书馆信息资源获取渠道，达到资源共享的目的。

基于云计算的动态性与可伸缩性，为实现高校图书馆信息资源高效管理奠定基础。在云计算作用下，出版社以及图书公司等以读者书籍的点击量为依据，为其提供动态数据参考，为图书馆馆藏与信息资源结构的优化提供保障

云计算和图书馆数据信息挖掘技术是高校图书馆利用率的保障，文献阅读数据是高校学术研究的依据。在信息网络技术不断发展的时代下，高校图书馆信息资源管理逐渐走向现代化发展道路，为高校图书馆信息资源管理效率带去保障。

四、基于大数据环境下，优化图书馆信息资源个性化推动服务

传统高校图书馆信息资源的推送服务包括两种基本模式，一是针对定制个性化服务的用户推送;二是面向全体用户进行推送。若高校图书馆采用面对全体用户推送信息资源方式，致使信息资源推送缺乏针对性与目的性，存在诸多大学生不感兴趣的内容，进而放弃推动服务信息的阅读，导致图书馆信息资源推送服务失败。基于大数据作用下，读者信息得到有效整合，大学生可采用多种形式达到与图书馆互动的目的，例如，移动、微博、QQ以及微信等形式，为图书馆信息资源推送提供依据。与此同时，利用大数据的关系分析法，辅助图书馆管理者准确预测大学生读者的阅读需求，开展具有针对性、目的性的信息资源推送活动，充分发挥大数据的作用，提升图书馆信息推送效率。

五、小结

总而言之，科技是第一生产力，是推动各行各业向前发展的动力，高校图书馆信息资源管理亦是如此。因此，为保证高校图书馆信息资源的有效性，提高图书馆信息资源利用率，高校图书馆应以科学技术为指导，优化图书馆信息资源管理模式，提高图书馆信息资源管理效率，实现图书馆信息资源管理的智能化发展。

参考文献：

[1]李南.基于大数据环境下高校图书馆的信息推送服务[J].激光杂志，2015，02：39-40.

[2]张颖.大数据时代高校图书馆信息资源管理的创新与发展[J].武汉理工大学学报（社会科学版），2015，03：449-452.

大数据环境中信息素养论文 篇5

1 不良数据研究现状分析

在电力信息系统中, 所涉及到的数据来自于多个方面, 除了相对比较常规的办公数据以外, 还包括营销和输配状态两个重要的数据来源。在这样的环境之下, 有效提升各类数据准确水平, 对于稳定电力供给有着毋庸置疑的积极价值。

在电力信息系统中, 对于供配网络各个方面的实时测量结果, 会因为测量系统本身安排的不合理以及冗余度不足, 或者通信网本身可靠性不够等因素, 而在系统环境中呈现出某些数据无法进行有效的辨识, 从而形成不良数据。对于这一类的数据, 必须展开检查和清理, 否则会影响调度系统决策失误, 无法形成有效的决策支持信息。同样的问题会出现在任何一个相对大型的信息系统环境中, 包括电力销售数据环境等, 而当前以二次系统以及电力通信系统所组成的信息反馈体系, 则成为不良数据辨识工作的重点领域。不良数据检测与辨识是电力系统状态估计的重要功能之一, 其功能是在获得状态估计值的基础上, 依靠系统本身的冗余信息, 通过数据挖掘和识别等自动化技术, 发现采样数据中偶然出现的不良数据进行剔除, 借以实现对于状态估计的可靠性提升。

不良数据的检测与识别, 对于状态估计结果的正确性有着至关重要的作用, 也因此一直都得到相关领域的关注。近年来数据挖据技术成为该领域中广泛研究的重点, 并且在不良数据的检测和识别过程中表现良好。其能够有效面对海量数据, 并且从不完全和模糊、随机的实际应用数据中分理处正确和可理解的信息, 并且在一定程度上对于保护数据的及时性和有效性有着积极价值。当前国内外在基于数据挖据技术的基础上, 已经提出了多种不良数据检测与辨识的方法。其中首先包括相对传统的, 以目标函数极值检测法、加权残差检测法、标准化残差检测法以及测量量突变检测法作为突出代表。同时随着相关技术的发展, 更多新的理论和对于不良数据的检测方法开始得到应用, 其中包括模糊数学法、神经网络法、聚类分析法、间隙统计法等, 且大部分都以数据挖掘作为重要的技术基础之一。

2 电力环境中不良数据检测工作分析

在电力信息系统环境中, 对于不良数据的检测呈现出其独有特征。通常而言, 可以将电力系统量测数据看作为有效的量测数据和量测噪声的线性组合, 并且通常以白噪声作为突出表现。通过一定的技术手段, 能够对白噪声产生的不良影响进行消除, 但是如果在量测数据中包含有不良数据, 则通常会通过如下两类方法展开辨识和剔除, 其差异在于状态估计与不良数据辨识展开的先后顺序。

如果先展开状态估计, 而后进行检测和辨识, 则在检测之前可以通过状态估计获取到量测量残差, 对其进行加权和标准化处理之后, 设定阈值, 进一步展开假设检验, 确定是否存在残差, 并且进一步利用残差搜索展开对于不良数据的辨识工作。此种工作方式在辨识的有效性方面表现良好, 但是问题在于计算量会相对较大, 随着电力环境中更多数据的涌入, 整体工作效率会略有下降。除此以外, 残差淹没也是会降低此种检测灵敏度的一个重要问题。另一种方法, 即首先对量测数据展开预测而后展开状态估计。预测之后先偶去量测残差, 而后依据量测残差之间的相关关系展开检测, 并且对不良数据进行辨识。此种方法在动态系统中可能会出现检测困难, 并且对量测过程中产生的冗余信息无法展开有效利用。

两种面向电力信息系统展开不良数据检测的技术, 各有优劣, 在实际工作环境中也均呈现出不同的适用特征。其中前者, 即先展开状态估计而后进行不良检测的工作方式相对而言比较成熟, 而后者则起步较晚尚待进一步的成熟。

从常规工作展开的层面看, 想要落实针对不良数据的检测工作, 首先需要选取一定长度的窗口样本作为量测数据的范本, 并且针对其展开该时间段内的量测数据方差的计算, 如果方差没有超过规范阈值, 则可视为不存在不良数据。在方差超过规定阈值的情况下, 需要进一步将超标数据置入可疑数据集中, 并计算可疑量测量与其它量测量之间的相关系数, 随后确定该系数是否超过预定阈值, 如果超过, 则认定该量测量最近一个数据为不良数据, 并且加以处理并展开进一步的检测, 如果未超过阈值则认为不存在不良数据。

3 结论

信息系统中, 尤其是自动化信息系统之中, 必然会存在不良数据。而想要通过人工智能等相关技术从海量数据中获取到有用的信息用于支持决策, 对不良数据展开识别和剔除就成了信息系统面对的首要问题。实际工作中需要密切关注技术发展方向和趋势, 切实深入地了解电力系统内数据环境与特征, 谨慎选择和引入才能取得良好效果。

摘要：文章首先针对当前在信息系统环境中的不良数据所产生的危害进行说明, 而后进一步结合该领域技术发展的主要特征和应用情况, 对于电力信息系统中的两类检测实现技术展开分析并且加以对比, 为依据环境需求合理选择技术提供了必要依据。

关键词：大数据,信息系统,不良数据,检测

参考文献

[1]张海波, 李林川.电力系统状态估计的混合不良数据检测方法[J].电网技术, 2001, 25 (10) .

大数据环境中信息素养论文 篇6

关键词：大数据 大数据知识服务 信息移动推荐 云图书馆 移动情境感知

中图分类号： G250.73 文献标识码： A 文章编号： 1003-6938（2013）04-0074-06

目前，大数据已经渗透到所有行业和领域。自2008年以来，麦肯锡、IDC、Gartner等战略咨询公司，《The New York Times》、《The Wall Street Journal》、《Forbes》等商业报刊，《Nature》、《Science》等科研杂志，《软件学报》、《中国计算机学会通讯》、《计算机学报》等国内学术期刊，都安排了大量版面对大数据进行介绍。大数据基础理论、学术环境和应用研究的火热给信息移动推荐领域的研究带来的新的思路、原则和方法，进一步将我们带入到了大数据信息化时代，从而会产生两个突出矛盾，一是可获取的信息量的爆炸性增长与用户选择信息能力的局限性之间的矛盾，二是同时共现的信息量的极度丰富和用户感兴趣信息局限性之间的矛盾[1]。这两个矛盾的核心科学问题，就是如何从大数据中挖掘出用户感兴趣的信息，并按照用户所喜欢的方式推荐给相应用户。基于此思想发展起来的信息移动推荐是融合当前各种先进技术的信息服务新模式，利用移动网络环境（移动互联网、无线传感网等）在信息推荐方面的优势并克服其带来的不利条件。孟祥武[2]、刘建国[3]、许海玲[4]、王立才[5]等已对移动推荐系统、个性化推荐系统、互联网推荐系统、上下文感知推荐系统的概念及研究进展做出了充分论述，指出信息移动推荐服务正成为大数据时代的重要研究课题，面向大数据的信息移动推荐服务模式是一种面向主动服务、提高信息利用率、解决“移动信息过剩”问题等的新模式和和新技术手段。

1 面向大数据的信息移动推荐服务的典型特征

面向大数据的信息移动推荐服务模型作为大数据知识服务体系的一个子集，除了拥有大数据知识服务的共性特征之外，在数字化、网络化、物联化、虚拟化、绿色化、智慧化及个性化（共性特征）的基础上，其更为突出的典型特征可以概括为：

（1）面向移动情境感知的推荐。用户行为模式和知识服务需求正随着智能手机、PDA、平板电脑等移动智能终端及移动信息环境的完善与普及发生着革命性的变革，为个性化推荐提供了丰富的情境信息。与传统的情境感知技术相比，面向大数据的移动情境感知更为强调RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等几个大数据主要来源的综合描述，而移动情境感知范围不仅包括大数据环境中的时间、地点、用户行为等基本信息，还包括各种类型的传感信息及物联信息等，通过综合分析移动情境感知的内涵、特征及运行機理，可以尽可能的还原大数据环境下用户行为模式和大数据网络环境的实时情境，借此分析、预测其知识服务需求，从而更好为信息移动推荐提供更全面、更可靠的情境模拟。

（2）面向大数据移动用户的物理世界真实反应的推荐。大数据环境下移动用户所拥有的一些自然属性与传统网络环境下的信息用户颇为不同：一是大数据移动环境下所有用户信息都是真实的（如移动用户都是采用实名制）；二是大数据移动环境中的各种复杂结构化、半结构化和非结构化的大数据，直接反映的用户之间的移动社交网络关系，用户特征的共性关系、用户行为的相互关系、知识服务的因果关系等的整体特征隐藏在数据网络中；三是大数据移动环境中的用户的所有行为（如位置信息、行为信息、身份信息及行为过程等）都是用户在物理世界的社交活动中的真实反应。

（3）面向大数据移动用户行为预测的推荐。有研究表明，用户在移动网络中的行为会被许多微妙因素所影响[6]，而通过用户在大数据移动环境中的行为轨迹及其在网络中社交关系的动态变化，可以对用户行为、用户情感、用户知识服务需求等进行分析、建模、预测。从而通过对用户在大数据移动环境的足迹、点击历史、浏览历史、信息反馈，直接真实的展示用户的性格、偏好、意愿等相关数据进行分析之后，帮助信息服务机构感知知识服务市场、感知用户需求和能力、感知未来发展形势等，以便信息服务机构对价值评估、服务能力和服务水平等做出更科学的决策，进而推荐更为合适的信息。

（4）面向多维大数据交叉利用的推荐。在大数据移动环境中，数据与数据之间的关系大体可分为三类：一是依赖关系，如用户的个人属性信息（如心情、位置、身份、电话、社交等数据）与用户个体之间，如果用户的个人属性信息与用户脱离，那么这些数据也就失去了真实意义；二是协作关系，如用户信息与交通信息（如航空数据、铁路数据、公路数据等）之间的关系，一旦用户准备出行，就必然会与交通信息之间产生交互，从而生成新的协作数据；三是交叉关系，如主要是针对社交网络（包括真实社交与虚拟社交），用户在大数据移动环境中，不可能只单独的使用某一种服务（如商业服务、信息服务等），他可能既上人人网、新浪微博与朋友们交流，上互联网看新闻，又在淘宝、京东、国美在线上购物，同时还与朋友们打电话、发短信，或者在网上搜索学术论文等等，而用户在这些过程中都会产生不同类型的数据，数据因为用户、用户行为或用户所处环境而产生交集，形成了多维数据交叉的复杂社交网络。

（5）面向社会化关系迁移的推荐。Sinha等曾于2001年提出，用户喜欢来自于周围朋友的推荐多过于信息推荐系统推荐的信息[7]，而Salganik等也在2006年间接地验证了这一观点，他们认为在信息推荐体系中，通过对用户历史行为进行计算得出的信息服务需求不如社会影响力的重要性[8]。而面向大数据的信息移动推荐服务体系则是两者的有效结合，其信息移动推荐的结果可能是来自于类似于口碑相传的社会影响力、或通过对用户在大数据移动环境中的历史行为轨迹的分析，得出的信息移动推荐结果。这一点在传统的信息推荐体系是难以做到的。

3 面向大数据的信息移动推荐服务平台体系架构

3.1 信息移动推荐服务模型

本文给出了一个面向多用户、 基于主动服务、能商业、半商业或非商业运行的，面向大数据的信息移动推荐服务模型（见图1）。与传统的基于Web的信息推荐服务相比，面向大数据的信息移动推荐服务模型具有多个技术特征：①信息移动感知、获取、传输、存储、分析及决策的实时连续性；②数据的真实性、时空性、不同类型数据间的关联性；③信息移动推荐服务的即时性、即地性。

面向大数据的信息移动推荐模型在整个服务平台体系架构中显得颇为重要，它主要用以解决以下三个关键问题：

（1）信息移动推荐多维交互数据的感知、获取、传输、存储、分析及预测等服务的语义获取。通过大数据环境中部署的大规模、多类型、智慧型的传感网络实时感知物理世界中用户、信息、及其關系网络的原始活动、半活动及非活动数据，提取信息移动推荐服务过程中，多维交互数据的感知、获取、传输、存储、分析及预测等服务模型，建立相关的语义表示和关联模型，生成具有时空特征的抽象用户群体信息移动推荐一体化网络[9]。

（2）信息移动推荐多维交互数据的感知、获取、传输、存储、分析及预测等服务模式发现、模型构建及部署。通过信息移动推荐多维交互数据的时空特征，对用户、信息、及其关系网络的原始活动、半活动及非活动数据进行深度挖掘、分析，发现大数据的交互规律、模式及时空特性、时空规律，从而有效构建科学、合理地信息移动推荐服务模型，并进行针对性部署。

（3）信息移动推荐多维交互数据的感知、获取、传输、存储、分析及预测等服务在特定移动情境下的演化。在满足用户信息移动推荐的抽象模型和用户服务需求的基本假设等前提下，动态演绎信息移动推荐多维交互数据的螺旋式进化[10]过程，旨在感知、获取、传输、存储、分析及预测大数据环境中的用户、信息、及其关系网络在特定移动情境下的演化趋势[11]，使信息移动推荐主体、客体及主客体间多维交互网络能够以预期模式进行应用及推广。

3.2 面向大数据的信息移动推荐服务平台体系架构

面向大数据的信息移动推荐服务平台为层次化体系架构（见图2），包括大数据资源层、中间件层、移动推荐核心服务层、推荐可视化交互层和移动推荐应用层。面向大数据的信息移动推荐服务平台则由中间件层、移动推荐核心服务层和推荐可视化交互层组成。其中：

（1）大数据资源层涵盖了数据资源（结构化、非结构化及半结构化数据等）、管理资源、移动推荐服务设计资源、仿真资源、集成资源、试验资源、计算资源、存储资源、网络资源及其他服务资源等，主要提供的是大数据知识服务全生命周期管理过程中所涉及到的各种类型的大数据，在经过处理后，成为面向大数据的信息移动推荐服务资源。

（2）中间件层支持面向各类大数据的信息移动推荐服务资源的虚拟化、服务化、协作化等，从而对信息移动推荐多维交互大数据的感知、获取、传输、存储、分析及预测等服务过程提供有效支持。

（3）移动推荐核心服务层基于中间件层所提供的接口，提供信息移动推荐服务体系最为重要的各种类型的大数据知识服务功能，包括移动推荐服务部署、注册、搜索、匹配、组合、优化、调度、运行、服务过程的负载均衡机制、容错处理、监控、评估、交易及协作等。

（4）推荐可视化交互层为信息移动推荐服务使用者、运营者、开发者、及提供者等提供一种支持异构协同大数据来源的高效能、可视化支撑门户平台，以支持这三类用户的协同交互及使用。通过（移动或非移动）Web可视化入口，均可为用户提供一系列信息移动推荐服务资源和能力。

（5）移动推荐应用层提供支持单主体完成单领域信息移动推荐、多主体协同完成单领域信息移动推荐、单主体完成跨领域信息移动推荐、多主体协同完成跨领域信息移动推荐、多主体协同完成跨领域跨终端信息移动推荐等五种服务模式。参与交互的移动推荐应用层除了支持传统的移动终端、PC终端、专业终端及门户等之外，物联感知终端、生物体验终端及其他隐形终端也是未来大数据处理需求的新兴技术体系。

4 面向大数据的信息移动推荐服务的关键技术

面向大数据的信息移动推荐服务模型所涉及的关键技术大致可以分为：

（1）模式、体系架构、各类标准及规范。主要是从系统开发的角度出发，研究面向大数据的信息移动推荐系统的结构、内涵、运行机理、组织、运行及服务模式等方面的技术，同时研究支持实施面向大数据的信息移动推荐服务的相关标准和规范。包括：①支持多主体的、跨领域的、面向大数据的信息移动推荐体系结构；②大数据环境下信息移动推荐服务的交易、协作、监测、评估、互操作模式；③面向大数据的信息移动推荐服务的相关标准、规范、协议、方法等，如大数据采集、分类、组织、分析、处理规范、移动推荐核心服务层交互及互操作接口标准规范、感知与接入规范、描述规范、信息移动推荐服务许可、授权标准规范及计费标准等；④面向大数据的信息移动推荐服务组合建模、描述、一致性检查及可执行模式转化等；⑤面向大数据的信息移动推荐服务全生命周期管理模式。

（2）大数据互感、多源信息主动感知、增值及虚拟接入技术。大数据互感、多源信息主动感知等是实现面向大数据的信息移动推荐服务执行过程实时、离线信息主动推荐的前提和基础，其目标是针对信息移动推荐过程涉及到的多源信息的采集，在移动推荐过程中引入多传感技术，为实现不同信息移动推荐服务资源、能力的多源信息的智能互感提供技术支持，从而实现RFID射频数据、传感器数据、社交网络交互数据、移动互联数据等主要大数据来源的数据信息的动态有效获取、分析与预处理。包括：①大数据动态获取、组织、分析、预处理、处理等技术；②面向大数据的信息移动推荐服务资源、能力的虚拟化接入技术；③面向大数据的信息移动推荐服务过程中的多源信息的主动感知与增值技术，其中主动感知技术主要包括多层次服务事件数据模型与描述、服务过程主动感知模式、建模过程、多源移动推荐信息增值技术等部分，而多源实时、离线信息的增值主要基于规则库、组合运算、数据挖掘等方法实现，且面向多主体、跨领域的用户，提供基于实时、离线信息处理后的增值推荐信息；④支持参与面向大数据的信息移动推荐服务的底层移动、非移动终端物理设备虚拟化接入、软硬件互接入技术等；⑤信息移动服务定义封装、发布、虚拟化技术及相关根据研发等技术；⑥信息移动推荐服务请求接入和访问服务平台技术等。

（3）移动用户特征提取、相关信息检索及推荐信息排序技术。移动用户特征提取、相关信息检索及推荐信息排序技术是面向大数据的信息移动推荐服务模型的三个核心模块。移动用户特征提取模块通过获取移动用户的历史行为以及其他相关信息（年龄、性别、兴趣爱好、浏览过的信息、其他行为等）生成用户特征，以便推荐符合该用户兴趣的信息；相关信息检索模块在接受移动用户特征的基础上，快速找到该移动用户可能感兴趣的候选信息，从而生成推荐信息集合；推荐信息排序模块则采用机器学习算法，通过优化某一移动推荐指标（比如信息点击率、评分等），生成信息移动推荐服务模型，计算得出该移动用户对该推荐信息集合的认可度，并分别计算推荐信息集合中所有信息的认可度，然后按照某种移动推荐指标进行排序。包括：①移动情境感知中的用户行为轨迹、行为模式挖掘、用户行为、移动情境、用户情感、社交关系预测技术；②面向大数据的信息移动检索、预处理及索引构建技术；③移动用户与信息的相关度计算、信息移动推荐服务分类技术及移动用户信息服务需求智能化挖掘、分析及匹配等技术；④面向大数据的信息移动推荐服务的融合、管理、运行、优化及反馈等技术；⑤移动情境感知环境下多维交互大数据的时空交互语义获取、模式发现及在特定情境下的服务转化技术。

（4）信息移动推荐过程服务质量信息传感、监控、可信与安全推荐技术。主要研究和支持面向大数据的信息移动推荐服务的提供者、运营者、使用者、开发者等对信息移动推荐服务进行接入、发布、维护、组织与聚合、管理与调度、监测与评估等操作，包括：①信息移动推荐服务提供端软硬件资源和服务的传感、接入管理，如统一接口定义、注册与管理、认证管理、授权机制、访问控制等技术；②信息移动推荐的发布、维护、组织与聚合、管理与调度技术；③信息移动推荐服务的构建与部署、分解等技术；④移动情境感知终端的嵌入式可信硬件制造、移动推荐智能终端的可信接入、发布技术、可信移动网络构建、运营等技术；⑤信息移动推荐系统和服务的可靠性技术等。

（5）信息移动给推荐服务的效用评价技术。效用评价机制对于检验面向大数据的信息移动推荐服务模型的性能和发现其存在的问题来说十分重要，也是信息移动推荐服务体系不可或缺的技术之一。其主要研究信息移动推荐服务结果、服务模式综合评价及大数据感知、获取、组织、分析及预测等综合评价技术，而数据集和效用评价指标是两个重要的研究要素。获取与面向大数据的信息移动推荐服务相关的数据集，要比获取传统信息推荐系统相关的数据集更为困难，目前，公开可用的面向大数据的信息移动推荐服务的数据集很少，因此，如何获取真实、可靠、可用的数据集也是亟待解决的关键技术之一。而在确立数据集之后，使用数据集对信息移动推荐服务体系的性能进行评价时，评价指标则是首先需要解决的关键问题，如何制定科学、合理的评价指标同样应当成为待解决的关键技术之一。

（6）信息移动推荐服务的业务管理模式与技术。主要研究面向大数据的信息移动推荐服务模式下的业务与服务流程管理的相关技术，包括：①信息移动推荐服务漏乘的动态构造、运营、管理及执行技术；②信息移动推荐服务的成本构成、核算、计价、交易策略以及相应的支付模式等技术；③信息移动推荐服务体系中各方的信用管理机制及实现技术；④物理世界与虚拟世界的普适化人机交互技术。

图3所描述的技术体系，给出了每个技术小类的含义与主要内容，以及该服务模型所涉及到的部分关键技术。

5 结语

面向大数据的信息移动推荐服务体系将成为我国信息服务领域充分挖掘大数据资源、提升大数据知识服务核心竞争力的重要支撑手段，也是我国当前发展大数据知识服务领域需要探索的一个重要发展方向。由于面向大数据的信息移动推荐服务体系还是一个崭新的概念，其相关理论与技术在国内才刚刚起步，在国际上也属于前沿研究课题，如Netflix推出的基于大数据分析的个性化推荐系统架构[11]、阿里云推出的基于内容和行为的智能云推荐体系[12]。为促进我国面向大数据的信息移动推荐服务体系的研究、开发、实施、应用与推广，本文提出了一个面向多用户、 基于主动服务的面向大数据的信息移动推荐服务模型，建立了一种面向大数据的信息移动推荐服务的体系架构。

当前，面向大数据的信息移动推荐服务体系是一个具有前瞻性和现实性的前沿课题，它的实施与发展应该遵循“以需求为导向、以技术融合为重点、以协同创新为手段、以应用推广为目标”的指导思想。该服务体系的实现还需在应用需求牵引及相关技术的推动下，开展大量的理论与实践的研究工作。

参考文献：

[1]周涛，陈恩红.推荐技术与互联网广告[J].中国计算机学会通讯，2013，9（3）：6-7.

[2]孟祥武，胡勋，王立才等.移动推荐系统及其应用研究[J].软件学报，2012，（8）：1-18.

[3]刘建国，周涛，汪秉宏.个性化推荐系统的研究进展[J].自然科学进展，2009，19（1）：1-15.

[4]许海玲，吴潇，李晓东等.互联网推荐系统比较研究[J].软件学报，2009，20（2）：350-362.

[5]王立才，孟祥武，张玉洁.上下文感知推荐系统[J].软件学报，2012，23（1）：1-20.

[6]M. Granovetter. The strength of weak ties[J]. American Journal of Sociology，1973，78（6）：1360-1380.

[7]R. Sinha， K. Swearingen. Comparing recommendations made by online systems and friends[A]. Proceedings of the DELOS-NSF workshop on personalizationand recommender systems in digital libraries[C].2001.

[8]M. J. Salganilk， P. S. Dodds， D. J. Watts. Experimental study of inequality and unpredictability in an artificial culturalmarket[J].Science，2006，（311）：854-856.

[9]於志文，周兴社，郭斌.移动社交网络中的感知计算模型、平台与实践[J].中国计算机学会通讯，2012，8（5）：15-20.

[10]唐杰，杨洋.移动社交网络中的用户行为预测模型[J].中国计算机学会通讯，2012，8（5）：21-25.

[11]Xavier Amatrain，Justin Basilico. Netflix公布个性化和推荐系统架构[EB/OL].[2013-04-03]. http：//www.csdn.net/article/2013-04-04/2814767-netflix-ml-architecture.

[12]云推薦[EB/OL].[2013-04-03].http：//tui.cnzz.com/.