论文部分内容阅读
摘 要 开展学科服务已成为高校图书馆的一项工作职责，是高校图书馆服务教学的重要表现形式。然而，高校图书馆开展学科服务却長期面临投入大、绩效低等问题，导致相当一部分学校的图书馆学科服务一直没能跟上高校院系发展和需求。为此，南京晓庄学院图书馆开始实践采用智能化技术提升学科服务的新思路、新模式，在人力投入基本不变的情况下，极大的提升了学科服务能力与质量。
关键词 学科服务 高校图书馆 智慧图书馆
分类号 G258.6
DOI 10.16810/j.cnki.1672-514X.2018.11.011
传统的高校学科服务模式基本可以概括为学科馆员对口某学科服务的人工服务模式，但在服务过程中也暴露出诸多问题，如果沿用传统的学科馆员人工服务模式将很难从根本上解决学科服务中的精准化问题[1]。
其实，国内外的高校学科服务一直都在努力缓解当前学科服务模式对人工服务的高度依赖，而其中建设学科服务平台就是一种被普遍认可的办法。早在2003年明尼苏达大学就开发并应用了一种集科研、课程及学科导航于一体的学科服务平台。国外比较早期的还有哈佛大学图书馆建立的科研存储平台，伊莎卡学院开发的资料存储归档平台等。国内高校主要依托CALIS提供的专业学科导航服务，也有上海交通大学、浙江理工大学、香港大学等部分高校开发了自己的学科服务平台[2]。然而纵观国内外主流的高校学科服务平台，基本都还停留在存储和导航的基础功能上，少数平台即便有了在线咨询功能，但主要模式仍依靠学科馆员在线人工服务，对人工的依赖程度仍然很高。
1 当前高校图书馆学科服务问题
本文结合高校图书馆学科服务普遍情况和南京晓庄学院图书馆（以下简称本馆）情况，对传统学科服务模式中的问题归纳如下。
（1） 高校学科服务需要面向相关院系相关专业提供深入的跟踪服务，传统学科服务模式下对学科馆员数量和学科馆员质量的要求都很高。高校图书馆人员结构复杂、信息素质水平偏低的现状虽然不断改善，但仍然难以全面、高水平地开展覆盖各学科的学科服务。加之培养学科馆员的周期长、成本高等问题，本馆的学科服务团队建设一直没有取得突破性进展。
（2） 传统学科馆员制度下的学科服务模式中，学科馆员是服务的中心，而嵌入式高校学科服务是以每一位用户为中心的，也就是说目前在学科服务中实际存在着用户和学科馆员两个中心。未来要强化用户的中心地位，必须设法将传统的学科馆员与相关经验、数据等分离开来。
（3） 现有学科服务平台主要实现学科导航服务，存在缺乏互动性、难以定制等缺陷，师生访问量也一直不高。从学科馆员的角度来看，由于制作和维护学科导航的工作量大，专业性强且难以和其他知识发现工具整合，所以很多传统学科服务平台处于不更新状态。有些学科馆员以计算机水平低等理由，直接将工作推给图书馆技术部门的同志，更使得学科导航脱离了院系需求。
（4） 目前也有一些基于互联网的学科服务平台，但这类平台主要以导航为主，缺乏知识整理和知识发现的功能。智能化将是未来学科服务平台发展的重要趋势。
（5） 高校图书馆的专家馆员在线咨询增长率远低于其他类型的在线专家咨询系统增长率，甚至一些师生干脆选择搜索引擎和问答类网站获取学术信息。高校图书馆亟待提供更深入的知识服务，才能确立其在教学、科研服务中的重要地位。
2 智慧学科服务建设思路与功能需求
对高校图书馆而言，高校图书馆“十三五”规程中明确了“高校图书馆是为人才培养和科学研究服务的学术性机构”，使得围绕高校图书馆职能的智能学科服务模式研究更具必要性和迫切性[3]。智慧学科服务的研究与实践将是高校图书馆发展的必然趋势之一。在物联网、传感器、大数据、云计算、人工智能等高新技术联合推动下，近年来智能技术取得重大突破和越来越广泛的应用，而现有模式下学科馆员服务的种种问题以及学科服务工具的先天性缺陷，都有望在智能化条件下得以彻底解决。
高校图书馆智能学科服务相对其他智能推荐系统具有明显的特殊性，体现在学校容易实现单点登录且容易获取师生的学习研究方向。另外，高校图书馆智能学科服务面对的服务群体对内容的需求有着非常大的周期性变化，如某学生一门学科学完后开始其他学科的学习，前后关注内容将发生很大变化。针对这一特点，本馆学科服务模式的建设原则是：紧紧围绕高校教学和科研服务，系统地应用智能化技术，逐渐完善适合南京晓庄学院的高校图书馆智能学科服务模式。
根据上述原则，南京晓庄学院的智能学科服务建设思路是：首先根据本校教学、科研具体需求构建可行性建设方案，然后将可行性建设方案交相关领域专家进行筛选，最终将通过筛选的方案在可监控的数据环境下进行测试，测试过程中不断收集和评估绩效。对绩效差的方案和调整后仍然不理想的方案进行淘汰，最终通过测试将不需要再调整的模式固定下来[4]。本馆的智能学科服务模式功能需求，主要包括以下几个方面。
（1） 为高校师生提供搜索方式获取电子教育资源，支持模糊搜索。
（2） 为高校师生主动提供个性化的教育资源或知识片段推荐。
（3） 工作人员分为系统管理员及信息维护员。系统管理员负责保障整个系统的运维。信息维护员主要负责数据管理及维护工作。
（4） 记录用户网络学术行为。系统需要对所有用户的网络学术行为进行动态记录，包括IP地址、登录信息、访问时间或Session ID等信息，这些信息构成的大数据将用于分析用户的在线学术行为。
（5） 海量在线知识管理。将图书馆海量的资料转换为有用的且易于提取的知识信息，首先需要利用专门的数据处理平台对其进行摘要化处理和关系化处理。数据处理平台还将提供包括资源访问情况、资源偏好评分等多项基于大数据的分析功能。
（6） 个性学科知识推荐服务。系统不但具备对登录用户进行个性化学科知识推荐服务能力，而且对没有登录系统的用户也能根据实时页面操作捕获到用户可能感兴趣的知识并进行推荐。登录与非登录用户的个性学科服务推荐原理不同，登录用户的个性学科知识推荐服务更专业，更符合学科服务的特殊要求，而非登录用户获得的推荐类似于商品兴趣推荐。 （7） 按学科分类树进行知识分类的功能。系统将建立一个类似高校学科目录设置的树形学科分类树，有助于极大提升推荐的精确度。学科分类树一般分为五层，其中学科层次较少的分三层，学科层次较多的可以分七层。学科分类树的根节点按照一级学科分类进行设置，相应的第二层也直接对应二级学科分类设置。学科分类树的第三层和第四层，一般对应着专业课程名称和课程的细分知识点，第四层也可以按照相关课程的目录来设置。如果学科分类树有必要设置到第五层，那么可以用章节中涉及知识点的关键字描述。当然，范围很广的关键词是不能用于该层知识点描述的。除了节点本身名称、说明外，每个节点还要附加一个关键字集合A，用于反向定位至该节点。学科分类树中上层节点中，相邻或是相近的两个节点既要有共同部分，更要体现差异部分。学科分类树中每个节点建立一个推荐知识片段集合B，推荐知识片段尽量全面体现本节点内容，同时要避免范围过大影响定位。学科分类树中每一个节点都对应一个推荐知识片段地址集合C，推荐知识片段的地址集合必须是本节点相关的URL（Uniform Resoure Locator）。
3 智慧学科服务模型
本馆通过前期对读者行为大数据的跟踪研究，提出了两种发掘用户兴趣的办法。第一种办法是通过抽取用户检索词和图书的TF-IDF信息，并形成常用检索词顺序列表，得到用户特征向量和知识特征向量，再对用户和知识的相似点计算对比，就能找到用户感兴趣的知识片段[5]。第二种办法是分片聚类，首先根据检索词、时间、空间等属性抽取出用户即时行为分片，然后将所有分片一起聚类分析，得到相似分片分组，分别运用相关算法找到目标用户可能需要的图书或知识片段。
如图1所示，一站式学术搜索引擎作为高校图书馆智能学科服务个性化推荐的基础支撑，与用户交互、记录用户行为，并用爬虫（网络机器人） 采集网上各类教学科研的资料信息。数据采集模块采集以上信息，标准化后存入智能学科服务个性化推荐系统数据库以及HDFS中，同时数据预处理模块对数据进行预处理。采用潜在语义分析模型和基于分片聚类的分析模型分析用户数据，分别产生兴趣集和相似分片集。最后采用不同的推荐算法分别执行推荐并综合推荐算法Rank后为用户推荐资料[6]。
4 智能学科服务业务架构
图书馆学科服务目标作为业务系统的核心，围绕该核心系统应从业务上划分为六个部分，分别是学科分类树、知识聚类、智能推荐算法、资源建设、用户行为及评价体系。各个部分的功能如下。
（1） 学科分类树。该模块提供最基础的学科分类信息，建议参考国家《学位授予和人才培养学科目录》 并结合本校专业设置情况、课程情况进行设置。该模块也为资源建设、用户行为、智能推荐算法选择提供重要依据。
（2） 知识聚类。这一模块主要是针对海量的图书馆资源的知识聚类，通过知识聚类，减少系统即时运算时间并提高知识推荐准确度。通过调整学科分类树和知识聚类来达到最佳的预分类海量知识的效果。
（3） 智能推荐。该部分能协调其他五个部分数据，最终形成针对每一个用户定制的推荐结果。系统即便在无法获取用户偏好的情况下，仍然可以根据用户标签来推荐，有效地避免了冷启动问题。
（4） 资源建设。除常规的资源建设外，系统可循环收集反馈数据，建立动态的资源库。用户二次加工的资源将实时转化为新的资源，以此提升资源建设的效率和针对性。
（5） 用户行为。通过用户在线操作的动态日志跟踪和记录，实现对用户网上学术行为的记录。这些海量记录将用于智能推荐模块分析用户学习趋势，并结合其专业与课程学习情况，对用户行为进行教学引导。
（6） 评价体系。对教学资源进行评分，并反馈推荐结果的有效性，为智能推荐的优化提供数据支持。
5 高校图书馆智能学科系统部署架构
本系统采用大数据分析技术，并综合采用Google公司推出的MapReduce及开源Hadoop云计算技术，通过挖掘海量数据所蕴含的信息，建立特定模型进行预测。
为满足总体需求，系统引入大数据处理、存储设计部署。本馆智能学科系统架构部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四个数据集群及相关存储，另外还部署了学科分类树集群、个性化推荐Web集群两个应用集群，用于提供相应的应用请求和分类树建构需求[7]。
（1）Hadoop Cluster。此部署集群又分为两个功能部分。第一个功能是对大量URL进行处理并对爬取内容进行分析与使用，从而对学科分类树构成辅助。另一个功能是在分布式计算的个性化推荐中辅助Mahout使用。在操作中为常将Second Name Node单独部署在一台服务器上，这样可以防止Name Node单点故障，让日志文件能写入共享存储，提升Name Node的可靠性。
（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和復制集技术来搭建存储分类树文档库及推荐信息库，不但提升了可用性、稳定性，和安全性而且易于集群的扩展部署。
（3）Zookeeper Cluster。搭建具有一个决策节点和两个数据节点的Zookeeper集群，用于在分布式任务协调中分配相关数据存储，为分类树应用管理、存储和配置信息库使用。
（4）Spark Cluster。该集群负责个性化推荐中基于Web应用的实时推荐算法的计算任务，由于实时性强、并行性强，需要配置大容量内存和高性能服务器进行支持。该集群通过重用Hadoop集群中yarn部署。
（5） 学科分类树集群。该集群负责用户上网日志提取及相关内容抓取。由于信息量大，关键字提取及时性要求高，为满足性能要求需要部署多台爬虫服务器。 （6） 个性化推荐Web集群。部署该部分主要是为缓解系统使用高峰中在线支持及实时推荐的计算压力。通过单独部署个性化推荐Web服务集群和前端部署负载均衡软件的办法相结合，提升个性推荐服务保障能力。
6 结语
图书馆智能学科服务对高校图书馆提升自我服务能力，优化高校教育教学资源配置都有着重要的意义。本文结合高校学科服务需求，通过对大数据技术及推荐技术等的调研，最终形成针对高校特征的智能学科辅助服务模式。该模式在解决信息过载、冷启动以及减少技术复杂性上都做了一些尝试，为部署高校图书馆智能学科服务平台迈出了试探性的步伐，相信随着高校图书馆的不断升级和学科服务深入，以及教学相关数据的不断积累，智能学科服务模式将成为高校图书馆普遍重视的研究领域。
传统的高校学科服务模式基本可以概括为学科馆员对口某学科服务的人工服务模式，但在服务过程中也暴露出诸多问题，如果沿用传统的学科馆员人工服务模式将很难从根本上解决学科服务中的精准化问题[1]。
其实，国内外的高校学科服务一直都在努力缓解当前学科服务模式对人工服务的高度依赖，而其中建设学科服务平台就是一种被普遍认可的办法。早在2003年明尼苏达大学就开发并应用了一种集科研、课程及学科导航于一体的学科服务平台。国外比较早期的还有哈佛大学图书馆建立的科研存储平台，伊莎卡学院开发的资料存储归档平台等。国内高校主要依托CALIS提供的专业学科导航服务，也有上海交通大学、浙江理工大学、香港大学等部分高校开发了自己的学科服务平台[2]。然而纵观国内外主流的高校学科服务平台，基本都还停留在存储和导航的基础功能上，少数平台即便有了在线咨询功能，但主要模式仍依靠学科馆员在线人工服务，对人工的依赖程度仍然很高。
1 当前高校图书馆学科服务问题
本文结合高校图书馆学科服务普遍情况和南京晓庄学院图书馆（以下简称本馆）情况，对传统学科服务模式中的问题归纳如下。
（1） 高校学科服务需要面向相关院系相关专业提供深入的跟踪服务，传统学科服务模式下对学科馆员数量和学科馆员质量的要求都很高。高校图书馆人员结构复杂、信息素质水平偏低的现状虽然不断改善，但仍然难以全面、高水平地开展覆盖各学科的学科服务。加之培养学科馆员的周期长、成本高等问题，本馆的学科服务团队建设一直没有取得突破性进展。
（2） 传统学科馆员制度下的学科服务模式中，学科馆员是服务的中心，而嵌入式高校学科服务是以每一位用户为中心的，也就是说目前在学科服务中实际存在着用户和学科馆员两个中心。未来要强化用户的中心地位，必须设法将传统的学科馆员与相关经验、数据等分离开来。
（3） 现有学科服务平台主要实现学科导航服务，存在缺乏互动性、难以定制等缺陷，师生访问量也一直不高。从学科馆员的角度来看，由于制作和维护学科导航的工作量大，专业性强且难以和其他知识发现工具整合，所以很多传统学科服务平台处于不更新状态。有些学科馆员以计算机水平低等理由，直接将工作推给图书馆技术部门的同志，更使得学科导航脱离了院系需求。
（4） 目前也有一些基于互联网的学科服务平台，但这类平台主要以导航为主，缺乏知识整理和知识发现的功能。智能化将是未来学科服务平台发展的重要趋势。
（5） 高校图书馆的专家馆员在线咨询增长率远低于其他类型的在线专家咨询系统增长率，甚至一些师生干脆选择搜索引擎和问答类网站获取学术信息。高校图书馆亟待提供更深入的知识服务，才能确立其在教学、科研服务中的重要地位。
2 智慧学科服务建设思路与功能需求
对高校图书馆而言，高校图书馆“十三五”规程中明确了“高校图书馆是为人才培养和科学研究服务的学术性机构”，使得围绕高校图书馆职能的智能学科服务模式研究更具必要性和迫切性[3]。智慧学科服务的研究与实践将是高校图书馆发展的必然趋势之一。在物联网、传感器、大数据、云计算、人工智能等高新技术联合推动下，近年来智能技术取得重大突破和越来越广泛的应用，而现有模式下学科馆员服务的种种问题以及学科服务工具的先天性缺陷，都有望在智能化条件下得以彻底解决。
高校图书馆智能学科服务相对其他智能推荐系统具有明显的特殊性，体现在学校容易实现单点登录且容易获取师生的学习研究方向。另外，高校图书馆智能学科服务面对的服务群体对内容的需求有着非常大的周期性变化，如某学生一门学科学完后开始其他学科的学习，前后关注内容将发生很大变化。针对这一特点，本馆学科服务模式的建设原则是：紧紧围绕高校教学和科研服务，系统地应用智能化技术，逐渐完善适合南京晓庄学院的高校图书馆智能学科服务模式。
根据上述原则，南京晓庄学院的智能学科服务建设思路是：首先根据本校教学、科研具体需求构建可行性建设方案，然后将可行性建设方案交相关领域专家进行筛选，最终将通过筛选的方案在可监控的数据环境下进行测试，测试过程中不断收集和评估绩效。对绩效差的方案和调整后仍然不理想的方案进行淘汰，最终通过测试将不需要再调整的模式固定下来[4]。本馆的智能学科服务模式功能需求，主要包括以下几个方面。
（1） 為高校师生提供搜索方式获取电子教育资源，支持模糊搜索。
（2） 为高校师生主动提供个性化的教育资源或知识片段推荐。
（3） 工作人员分为系统管理员及信息维护员。系统管理员负责保障整个系统的运维。信息维护员主要负责数据管理及维护工作。
（4） 记录用户网络学术行为。系统需要对所有用户的网络学术行为进行动态记录，包括IP地址、登录信息、访问时间或Session ID等信息，这些信息构成的大数据将用于分析用户的在线学术行为。
（5） 海量在线知识管理。将图书馆海量的资料转换为有用的且易于提取的知识信息，首先需要利用专门的数据处理平台对其进行摘要化处理和关系化处理。数据处理平台还将提供包括资源访问情况、资源偏好评分等多项基于大数据的分析功能。 （6） 个性学科知识推荐服务。系统不但具备对登录用户进行个性化学科知识推荐服务能力，而且对没有登录系统的用户也能根据实时页面操作捕获到用户可能感兴趣的知识并进行推荐。登录与非登录用户的个性学科服务推荐原理不同，登录用户的个性学科知识推荐服务更专业，更符合学科服务的特殊要求，而非登录用户获得的推荐类似于商品兴趣推荐。
（7） 按学科分类树进行知识分类的功能。系统将建立一个类似高校学科目录设置的树形学科分类树，有助于极大提升推荐的精确度。学科分类树一般分为五层，其中学科层次较少的分三层，学科层次较多的可以分七层。学科分类树的根节点按照一级学科分类进行设置，相应的第二层也直接对应二级学科分类设置。学科分类树的第三层和第四层，一般对应着专业课程名称和课程的细分知识点，第四层也可以按照相关课程的目录来设置。如果学科分类树有必要设置到第五层，那么可以用章节中涉及知识点的关键字描述。当然，范围很广的关键词是不能用于该层知识点描述的。除了节点本身名称、说明外，每个节点还要附加一个关键字集合A，用于反向定位至该节点。学科分类树中上层节点中，相邻或是相近的两个节点既要有共同部分，更要体现差异部分。学科分类树中每个节点建立一个推荐知识片段集合B，推荐知识片段尽量全面体现本节点内容，同时要避免范围过大影响定位。学科分类树中每一个节点都对应一个推荐知识片段地址集合C，推荐知识片段的地址集合必须是本节点相关的URL（Uniform Resoure Locator）。
3 智慧学科服务模型
本馆通过前期对读者行为大数据的跟踪研究，提出了两种发掘用户兴趣的办法。第一种办法是通过抽取用户检索词和图书的TF-IDF信息，并形成常用检索词顺序列表，得到用户特征向量和知识特征向量，再对用户和知识的相似点计算对比，就能找到用户感兴趣的知识片段[5]。第二种办法是分片聚类，首先根据检索词、时间、空间等属性抽取出用户即时行为分片，然后将所有分片一起聚类分析，得到相似分片分组，分别运用相关算法找到目标用户可能需要的图书或知识片段。
如图1所示，一站式学术搜索引擎作为高校图书馆智能学科服务个性化推荐的基础支撑，与用户交互、记录用户行为，并用爬虫（网络机器人） 采集网上各类教学科研的资料信息。数据采集模块采集以上信息，标准化后存入智能学科服务个性化推荐系统数据库以及HDFS中，同时数据预处理模块对数据进行预处理。采用潜在语义分析模型和基于分片聚类的分析模型分析用户数据，分别产生兴趣集和相似分片集。最后采用不同的推荐算法分别执行推荐并综合推荐算法Rank后为用户推荐资料[6]。
图1 本校图书馆智能学科服务个性化推荐模型
4 智能学科服务业务架构
图书馆学科服务目标作为业务系统的核心，围绕该核心系统应从业务上划分为六个部分，分别是学科分类树、知识聚类、智能推荐算法、资源建设、用户行为及评价体系。各个部分的功能如下。
（1） 学科分类树。该模块提供最基础的学科分类信息，建议参考国家《学位授予和人才培养学科目录》 并结合本校专业设置情况、课程情况进行设置。该模块也为资源建设、用户行为、智能推荐算法选择提供重要依据。
（2） 知识聚类。这一模块主要是针对海量的图书馆资源的知识聚类，通过知识聚类，减少系统即时运算时间并提高知识推荐准确度。通过调整学科分类树和知识聚类来达到最佳的预分类海量知识的效果。
（3） 智能推荐。该部分能协调其他五个部分数据，最终形成针对每一个用户定制的推荐结果。系统即便在无法获取用户偏好的情况下，仍然可以根据用户标签来推荐，有效地避免了冷启动问题。
（4） 资源建设。除常规的资源建设外，系统可循环收集反馈数据，建立动态的资源库。用户二次加工的资源将实时转化为新的资源，以此提升资源建设的效率和针对性。
（5） 用户行为。通过用户在线操作的动态日志跟踪和记录，实现对用户网上学术行为的记录。这些海量记录将用于智能推荐模块分析用户学习趋势，并结合其专业与课程学习情况，对用户行为进行教学引导。
（6） 评价体系。对教学资源进行评分，并反馈推荐结果的有效性，为智能推荐的优化提供数据支持。
5 高校图书馆智能学科系统部署架构
本系统采用大数据分析技术，并综合采用Google公司推出的MapReduce及开源Hadoop云计算技术，通过挖掘海量数据所蕴含的信息，建立特定模型进行预测。
为满足总体需求，系统引入大数据处理、存储设计部署。本馆智能学科系统架构部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四个数据集群及相关存储，另外还部署了学科分类树集群、个性化推荐Web集群两个应用集群，用于提供相应的应用请求和分类树建构需求[7]。
（1）Hadoop Cluster。此部署集群又分为两个功能部分。第一个功能是对大量URL进行处理并对爬取內容进行分析与使用，从而对学科分类树构成辅助。另一个功能是在分布式计算的个性化推荐中辅助Mahout使用。在操作中为常将Second Name Node单独部署在一台服务器上，这样可以防止Name Node单点故障，让日志文件能写入共享存储，提升Name Node的可靠性。
（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和复制集技术来搭建存储分类树文档库及推荐信息库，不但提升了可用性、稳定性，和安全性而且易于集群的扩展部署。
（3）Zookeeper Cluster。搭建具有一个决策节点和两个数据节点的Zookeeper集群，用于在分布式任务协调中分配相关数据存储，为分类树应用管理、存储和配置信息库使用。 （4）Spark Cluster。该集群负责个性化推荐中基于Web应用的实时推荐算法的计算任务，由于实时性强、并行性强，需要配置大容量内存和高性能服务器进行支持。该集群通过重用Hadoop集群中yarn部署。
（5） 学科分类树集群。该集群负责用户上网日志提取及相关内容抓取。由于信息量大，关键字提取及时性要求高，为满足性能要求需要部署多台爬虫服务器。
（6） 个性化推荐Web集群。部署该部分主要是为缓解系統使用高峰中在线支持及实时推荐的计算压力。通过单独部署个性化推荐Web服务集群和前端部署负载均衡软件的办法相结合，提升个性推荐服务保障能力。
6 结语
图书馆智能学科服务对高校图书馆提升自我服务能力，优化高校教育教学资源配置都有着重要的意义。本文结合高校学科服务需求，通过对大数据技术及推荐技术等的调研，最终形成针对高校特征的智能学科辅助服务模式。该模式在解决信息过载、冷启动以及减少技术复杂性上都做了一些尝试，为部署高校图书馆智能学科服务平台迈出了试探性的步伐，相信随着高校图书馆的不断升级和学科服务深入，以及教学相关数据的不断积累，智能学科服务模式将成为高校图书馆普遍重视的研究领域。
参考文献：
[ 1 ]蔚海燕，卫军朝.研究型图书馆学科服务的转变：从学科馆员到学科服务平台[J].大学图书馆学报，2013（6）：74-81.
[ 2 ]刘静春.大数据时代高校数字图书馆学科资源聚合“云”服务平台构建研究[J].图书馆学刊，2016（6）：105-107.
[ 3 ]汤妙吉.图书馆智能化专业学科服务平台建设[J].现代情报，2016（6）：100-102，107.
[ 4 ]曹畋.大数据环境下的图书馆异构数据统一访问与转化系统[J]. 图书馆理论与实践，2016（2）：80-84.
[ 5 ]曹畋. 试论“互联网+”下的智能阅读推广[J].图书馆理论与实践，2016（8）：94-96.
[ 6 ]曹畋.基于多Agent的高校智慧学习辅助平台建设实践[J].图书馆学研究，2017（24）：37-41.
[ 7 ]曹畋.构建基于Agent的高校图书馆智能教学辅助平台[J].新世纪图书馆，2017（7）：47-51.
关键词 学科服务 高校图书馆 智慧图书馆
分类号 G258.6
DOI 10.16810/j.cnki.1672-514X.2018.11.011
传统的高校学科服务模式基本可以概括为学科馆员对口某学科服务的人工服务模式，但在服务过程中也暴露出诸多问题，如果沿用传统的学科馆员人工服务模式将很难从根本上解决学科服务中的精准化问题[1]。
其实，国内外的高校学科服务一直都在努力缓解当前学科服务模式对人工服务的高度依赖，而其中建设学科服务平台就是一种被普遍认可的办法。早在2003年明尼苏达大学就开发并应用了一种集科研、课程及学科导航于一体的学科服务平台。国外比较早期的还有哈佛大学图书馆建立的科研存储平台，伊莎卡学院开发的资料存储归档平台等。国内高校主要依托CALIS提供的专业学科导航服务，也有上海交通大学、浙江理工大学、香港大学等部分高校开发了自己的学科服务平台[2]。然而纵观国内外主流的高校学科服务平台，基本都还停留在存储和导航的基础功能上，少数平台即便有了在线咨询功能，但主要模式仍依靠学科馆员在线人工服务，对人工的依赖程度仍然很高。
1 当前高校图书馆学科服务问题
本文结合高校图书馆学科服务普遍情况和南京晓庄学院图书馆（以下简称本馆）情况，对传统学科服务模式中的问题归纳如下。
（1） 高校学科服务需要面向相关院系相关专业提供深入的跟踪服务，传统学科服务模式下对学科馆员数量和学科馆员质量的要求都很高。高校图书馆人员结构复杂、信息素质水平偏低的现状虽然不断改善，但仍然难以全面、高水平地开展覆盖各学科的学科服务。加之培养学科馆员的周期长、成本高等问题，本馆的学科服务团队建设一直没有取得突破性进展。
（2） 传统学科馆员制度下的学科服务模式中，学科馆员是服务的中心，而嵌入式高校学科服务是以每一位用户为中心的，也就是说目前在学科服务中实际存在着用户和学科馆员两个中心。未来要强化用户的中心地位，必须设法将传统的学科馆员与相关经验、数据等分离开来。
（3） 现有学科服务平台主要实现学科导航服务，存在缺乏互动性、难以定制等缺陷，师生访问量也一直不高。从学科馆员的角度来看，由于制作和维护学科导航的工作量大，专业性强且难以和其他知识发现工具整合，所以很多传统学科服务平台处于不更新状态。有些学科馆员以计算机水平低等理由，直接将工作推给图书馆技术部门的同志，更使得学科导航脱离了院系需求。
（4） 目前也有一些基于互联网的学科服务平台，但这类平台主要以导航为主，缺乏知识整理和知识发现的功能。智能化将是未来学科服务平台发展的重要趋势。
（5） 高校图书馆的专家馆员在线咨询增长率远低于其他类型的在线专家咨询系统增长率，甚至一些师生干脆选择搜索引擎和问答类网站获取学术信息。高校图书馆亟待提供更深入的知识服务，才能确立其在教学、科研服务中的重要地位。
2 智慧学科服务建设思路与功能需求
对高校图书馆而言，高校图书馆“十三五”规程中明确了“高校图书馆是为人才培养和科学研究服务的学术性机构”，使得围绕高校图书馆职能的智能学科服务模式研究更具必要性和迫切性[3]。智慧学科服务的研究与实践将是高校图书馆发展的必然趋势之一。在物联网、传感器、大数据、云计算、人工智能等高新技术联合推动下，近年来智能技术取得重大突破和越来越广泛的应用，而现有模式下学科馆员服务的种种问题以及学科服务工具的先天性缺陷，都有望在智能化条件下得以彻底解决。
高校图书馆智能学科服务相对其他智能推荐系统具有明显的特殊性，体现在学校容易实现单点登录且容易获取师生的学习研究方向。另外，高校图书馆智能学科服务面对的服务群体对内容的需求有着非常大的周期性变化，如某学生一门学科学完后开始其他学科的学习，前后关注内容将发生很大变化。针对这一特点，本馆学科服务模式的建设原则是：紧紧围绕高校教学和科研服务，系统地应用智能化技术，逐渐完善适合南京晓庄学院的高校图书馆智能学科服务模式。
根据上述原则，南京晓庄学院的智能学科服务建设思路是：首先根据本校教学、科研具体需求构建可行性建设方案，然后将可行性建设方案交相关领域专家进行筛选，最终将通过筛选的方案在可监控的数据环境下进行测试，测试过程中不断收集和评估绩效。对绩效差的方案和调整后仍然不理想的方案进行淘汰，最终通过测试将不需要再调整的模式固定下来[4]。本馆的智能学科服务模式功能需求，主要包括以下几个方面。
（1） 为高校师生提供搜索方式获取电子教育资源，支持模糊搜索。
（2） 为高校师生主动提供个性化的教育资源或知识片段推荐。
（3） 工作人员分为系统管理员及信息维护员。系统管理员负责保障整个系统的运维。信息维护员主要负责数据管理及维护工作。
（4） 记录用户网络学术行为。系统需要对所有用户的网络学术行为进行动态记录，包括IP地址、登录信息、访问时间或Session ID等信息，这些信息构成的大数据将用于分析用户的在线学术行为。
（5） 海量在线知识管理。将图书馆海量的资料转换为有用的且易于提取的知识信息，首先需要利用专门的数据处理平台对其进行摘要化处理和关系化处理。数据处理平台还将提供包括资源访问情况、资源偏好评分等多项基于大数据的分析功能。
（6） 个性学科知识推荐服务。系统不但具备对登录用户进行个性化学科知识推荐服务能力，而且对没有登录系统的用户也能根据实时页面操作捕获到用户可能感兴趣的知识并进行推荐。登录与非登录用户的个性学科服务推荐原理不同，登录用户的个性学科知识推荐服务更专业，更符合学科服务的特殊要求，而非登录用户获得的推荐类似于商品兴趣推荐。 （7） 按学科分类树进行知识分类的功能。系统将建立一个类似高校学科目录设置的树形学科分类树，有助于极大提升推荐的精确度。学科分类树一般分为五层，其中学科层次较少的分三层，学科层次较多的可以分七层。学科分类树的根节点按照一级学科分类进行设置，相应的第二层也直接对应二级学科分类设置。学科分类树的第三层和第四层，一般对应着专业课程名称和课程的细分知识点，第四层也可以按照相关课程的目录来设置。如果学科分类树有必要设置到第五层，那么可以用章节中涉及知识点的关键字描述。当然，范围很广的关键词是不能用于该层知识点描述的。除了节点本身名称、说明外，每个节点还要附加一个关键字集合A，用于反向定位至该节点。学科分类树中上层节点中，相邻或是相近的两个节点既要有共同部分，更要体现差异部分。学科分类树中每个节点建立一个推荐知识片段集合B，推荐知识片段尽量全面体现本节点内容，同时要避免范围过大影响定位。学科分类树中每一个节点都对应一个推荐知识片段地址集合C，推荐知识片段的地址集合必须是本节点相关的URL（Uniform Resoure Locator）。
3 智慧学科服务模型
本馆通过前期对读者行为大数据的跟踪研究，提出了两种发掘用户兴趣的办法。第一种办法是通过抽取用户检索词和图书的TF-IDF信息，并形成常用检索词顺序列表，得到用户特征向量和知识特征向量，再对用户和知识的相似点计算对比，就能找到用户感兴趣的知识片段[5]。第二种办法是分片聚类，首先根据检索词、时间、空间等属性抽取出用户即时行为分片，然后将所有分片一起聚类分析，得到相似分片分组，分别运用相关算法找到目标用户可能需要的图书或知识片段。
如图1所示，一站式学术搜索引擎作为高校图书馆智能学科服务个性化推荐的基础支撑，与用户交互、记录用户行为，并用爬虫（网络机器人） 采集网上各类教学科研的资料信息。数据采集模块采集以上信息，标准化后存入智能学科服务个性化推荐系统数据库以及HDFS中，同时数据预处理模块对数据进行预处理。采用潜在语义分析模型和基于分片聚类的分析模型分析用户数据，分别产生兴趣集和相似分片集。最后采用不同的推荐算法分别执行推荐并综合推荐算法Rank后为用户推荐资料[6]。
4 智能学科服务业务架构
图书馆学科服务目标作为业务系统的核心，围绕该核心系统应从业务上划分为六个部分，分别是学科分类树、知识聚类、智能推荐算法、资源建设、用户行为及评价体系。各个部分的功能如下。
（1） 学科分类树。该模块提供最基础的学科分类信息，建议参考国家《学位授予和人才培养学科目录》 并结合本校专业设置情况、课程情况进行设置。该模块也为资源建设、用户行为、智能推荐算法选择提供重要依据。
（2） 知识聚类。这一模块主要是针对海量的图书馆资源的知识聚类，通过知识聚类，减少系统即时运算时间并提高知识推荐准确度。通过调整学科分类树和知识聚类来达到最佳的预分类海量知识的效果。
（3） 智能推荐。该部分能协调其他五个部分数据，最终形成针对每一个用户定制的推荐结果。系统即便在无法获取用户偏好的情况下，仍然可以根据用户标签来推荐，有效地避免了冷启动问题。
（4） 资源建设。除常规的资源建设外，系统可循环收集反馈数据，建立动态的资源库。用户二次加工的资源将实时转化为新的资源，以此提升资源建设的效率和针对性。
（5） 用户行为。通过用户在线操作的动态日志跟踪和记录，实现对用户网上学术行为的记录。这些海量记录将用于智能推荐模块分析用户学习趋势，并结合其专业与课程学习情况，对用户行为进行教学引导。
（6） 评价体系。对教学资源进行评分，并反馈推荐结果的有效性，为智能推荐的优化提供数据支持。
5 高校图书馆智能学科系统部署架构
本系统采用大数据分析技术，并综合采用Google公司推出的MapReduce及开源Hadoop云计算技术，通过挖掘海量数据所蕴含的信息，建立特定模型进行预测。
为满足总体需求，系统引入大数据处理、存储设计部署。本馆智能学科系统架构部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四个数据集群及相关存储，另外还部署了学科分类树集群、个性化推荐Web集群两个应用集群，用于提供相应的应用请求和分类树建构需求[7]。
（1）Hadoop Cluster。此部署集群又分为两个功能部分。第一个功能是对大量URL进行处理并对爬取内容进行分析与使用，从而对学科分类树构成辅助。另一个功能是在分布式计算的个性化推荐中辅助Mahout使用。在操作中为常将Second Name Node单独部署在一台服务器上，这样可以防止Name Node单点故障，让日志文件能写入共享存储，提升Name Node的可靠性。
（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和復制集技术来搭建存储分类树文档库及推荐信息库，不但提升了可用性、稳定性，和安全性而且易于集群的扩展部署。
（3）Zookeeper Cluster。搭建具有一个决策节点和两个数据节点的Zookeeper集群，用于在分布式任务协调中分配相关数据存储，为分类树应用管理、存储和配置信息库使用。
（4）Spark Cluster。该集群负责个性化推荐中基于Web应用的实时推荐算法的计算任务，由于实时性强、并行性强，需要配置大容量内存和高性能服务器进行支持。该集群通过重用Hadoop集群中yarn部署。
（5） 学科分类树集群。该集群负责用户上网日志提取及相关内容抓取。由于信息量大，关键字提取及时性要求高，为满足性能要求需要部署多台爬虫服务器。 （6） 个性化推荐Web集群。部署该部分主要是为缓解系统使用高峰中在线支持及实时推荐的计算压力。通过单独部署个性化推荐Web服务集群和前端部署负载均衡软件的办法相结合，提升个性推荐服务保障能力。
6 结语
图书馆智能学科服务对高校图书馆提升自我服务能力，优化高校教育教学资源配置都有着重要的意义。本文结合高校学科服务需求，通过对大数据技术及推荐技术等的调研，最终形成针对高校特征的智能学科辅助服务模式。该模式在解决信息过载、冷启动以及减少技术复杂性上都做了一些尝试，为部署高校图书馆智能学科服务平台迈出了试探性的步伐，相信随着高校图书馆的不断升级和学科服务深入，以及教学相关数据的不断积累，智能学科服务模式将成为高校图书馆普遍重视的研究领域。
传统的高校学科服务模式基本可以概括为学科馆员对口某学科服务的人工服务模式，但在服务过程中也暴露出诸多问题，如果沿用传统的学科馆员人工服务模式将很难从根本上解决学科服务中的精准化问题[1]。
其实，国内外的高校学科服务一直都在努力缓解当前学科服务模式对人工服务的高度依赖，而其中建设学科服务平台就是一种被普遍认可的办法。早在2003年明尼苏达大学就开发并应用了一种集科研、课程及学科导航于一体的学科服务平台。国外比较早期的还有哈佛大学图书馆建立的科研存储平台，伊莎卡学院开发的资料存储归档平台等。国内高校主要依托CALIS提供的专业学科导航服务，也有上海交通大学、浙江理工大学、香港大学等部分高校开发了自己的学科服务平台[2]。然而纵观国内外主流的高校学科服务平台，基本都还停留在存储和导航的基础功能上，少数平台即便有了在线咨询功能，但主要模式仍依靠学科馆员在线人工服务，对人工的依赖程度仍然很高。
1 当前高校图书馆学科服务问题
本文结合高校图书馆学科服务普遍情况和南京晓庄学院图书馆（以下简称本馆）情况，对传统学科服务模式中的问题归纳如下。
（1） 高校学科服务需要面向相关院系相关专业提供深入的跟踪服务，传统学科服务模式下对学科馆员数量和学科馆员质量的要求都很高。高校图书馆人员结构复杂、信息素质水平偏低的现状虽然不断改善，但仍然难以全面、高水平地开展覆盖各学科的学科服务。加之培养学科馆员的周期长、成本高等问题，本馆的学科服务团队建设一直没有取得突破性进展。
（2） 传统学科馆员制度下的学科服务模式中，学科馆员是服务的中心，而嵌入式高校学科服务是以每一位用户为中心的，也就是说目前在学科服务中实际存在着用户和学科馆员两个中心。未来要强化用户的中心地位，必须设法将传统的学科馆员与相关经验、数据等分离开来。
（3） 现有学科服务平台主要实现学科导航服务，存在缺乏互动性、难以定制等缺陷，师生访问量也一直不高。从学科馆员的角度来看，由于制作和维护学科导航的工作量大，专业性强且难以和其他知识发现工具整合，所以很多传统学科服务平台处于不更新状态。有些学科馆员以计算机水平低等理由，直接将工作推给图书馆技术部门的同志，更使得学科导航脱离了院系需求。
（4） 目前也有一些基于互联网的学科服务平台，但这类平台主要以导航为主，缺乏知识整理和知识发现的功能。智能化将是未来学科服务平台发展的重要趋势。
（5） 高校图书馆的专家馆员在线咨询增长率远低于其他类型的在线专家咨询系统增长率，甚至一些师生干脆选择搜索引擎和问答类网站获取学术信息。高校图书馆亟待提供更深入的知识服务，才能确立其在教学、科研服务中的重要地位。
2 智慧学科服务建设思路与功能需求
对高校图书馆而言，高校图书馆“十三五”规程中明确了“高校图书馆是为人才培养和科学研究服务的学术性机构”，使得围绕高校图书馆职能的智能学科服务模式研究更具必要性和迫切性[3]。智慧学科服务的研究与实践将是高校图书馆发展的必然趋势之一。在物联网、传感器、大数据、云计算、人工智能等高新技术联合推动下，近年来智能技术取得重大突破和越来越广泛的应用，而现有模式下学科馆员服务的种种问题以及学科服务工具的先天性缺陷，都有望在智能化条件下得以彻底解决。
高校图书馆智能学科服务相对其他智能推荐系统具有明显的特殊性，体现在学校容易实现单点登录且容易获取师生的学习研究方向。另外，高校图书馆智能学科服务面对的服务群体对内容的需求有着非常大的周期性变化，如某学生一门学科学完后开始其他学科的学习，前后关注内容将发生很大变化。针对这一特点，本馆学科服务模式的建设原则是：紧紧围绕高校教学和科研服务，系统地应用智能化技术，逐渐完善适合南京晓庄学院的高校图书馆智能学科服务模式。
根据上述原则，南京晓庄学院的智能学科服务建设思路是：首先根据本校教学、科研具体需求构建可行性建设方案，然后将可行性建设方案交相关领域专家进行筛选，最终将通过筛选的方案在可监控的数据环境下进行测试，测试过程中不断收集和评估绩效。对绩效差的方案和调整后仍然不理想的方案进行淘汰，最终通过测试将不需要再调整的模式固定下来[4]。本馆的智能学科服务模式功能需求，主要包括以下几个方面。
（1） 為高校师生提供搜索方式获取电子教育资源，支持模糊搜索。
（2） 为高校师生主动提供个性化的教育资源或知识片段推荐。
（3） 工作人员分为系统管理员及信息维护员。系统管理员负责保障整个系统的运维。信息维护员主要负责数据管理及维护工作。
（4） 记录用户网络学术行为。系统需要对所有用户的网络学术行为进行动态记录，包括IP地址、登录信息、访问时间或Session ID等信息，这些信息构成的大数据将用于分析用户的在线学术行为。
（5） 海量在线知识管理。将图书馆海量的资料转换为有用的且易于提取的知识信息，首先需要利用专门的数据处理平台对其进行摘要化处理和关系化处理。数据处理平台还将提供包括资源访问情况、资源偏好评分等多项基于大数据的分析功能。 （6） 个性学科知识推荐服务。系统不但具备对登录用户进行个性化学科知识推荐服务能力，而且对没有登录系统的用户也能根据实时页面操作捕获到用户可能感兴趣的知识并进行推荐。登录与非登录用户的个性学科服务推荐原理不同，登录用户的个性学科知识推荐服务更专业，更符合学科服务的特殊要求，而非登录用户获得的推荐类似于商品兴趣推荐。
（7） 按学科分类树进行知识分类的功能。系统将建立一个类似高校学科目录设置的树形学科分类树，有助于极大提升推荐的精确度。学科分类树一般分为五层，其中学科层次较少的分三层，学科层次较多的可以分七层。学科分类树的根节点按照一级学科分类进行设置，相应的第二层也直接对应二级学科分类设置。学科分类树的第三层和第四层，一般对应着专业课程名称和课程的细分知识点，第四层也可以按照相关课程的目录来设置。如果学科分类树有必要设置到第五层，那么可以用章节中涉及知识点的关键字描述。当然，范围很广的关键词是不能用于该层知识点描述的。除了节点本身名称、说明外，每个节点还要附加一个关键字集合A，用于反向定位至该节点。学科分类树中上层节点中，相邻或是相近的两个节点既要有共同部分，更要体现差异部分。学科分类树中每个节点建立一个推荐知识片段集合B，推荐知识片段尽量全面体现本节点内容，同时要避免范围过大影响定位。学科分类树中每一个节点都对应一个推荐知识片段地址集合C，推荐知识片段的地址集合必须是本节点相关的URL（Uniform Resoure Locator）。
3 智慧学科服务模型
本馆通过前期对读者行为大数据的跟踪研究，提出了两种发掘用户兴趣的办法。第一种办法是通过抽取用户检索词和图书的TF-IDF信息，并形成常用检索词顺序列表，得到用户特征向量和知识特征向量，再对用户和知识的相似点计算对比，就能找到用户感兴趣的知识片段[5]。第二种办法是分片聚类，首先根据检索词、时间、空间等属性抽取出用户即时行为分片，然后将所有分片一起聚类分析，得到相似分片分组，分别运用相关算法找到目标用户可能需要的图书或知识片段。
如图1所示，一站式学术搜索引擎作为高校图书馆智能学科服务个性化推荐的基础支撑，与用户交互、记录用户行为，并用爬虫（网络机器人） 采集网上各类教学科研的资料信息。数据采集模块采集以上信息，标准化后存入智能学科服务个性化推荐系统数据库以及HDFS中，同时数据预处理模块对数据进行预处理。采用潜在语义分析模型和基于分片聚类的分析模型分析用户数据，分别产生兴趣集和相似分片集。最后采用不同的推荐算法分别执行推荐并综合推荐算法Rank后为用户推荐资料[6]。
图1 本校图书馆智能学科服务个性化推荐模型
4 智能学科服务业务架构
图书馆学科服务目标作为业务系统的核心，围绕该核心系统应从业务上划分为六个部分，分别是学科分类树、知识聚类、智能推荐算法、资源建设、用户行为及评价体系。各个部分的功能如下。
（1） 学科分类树。该模块提供最基础的学科分类信息，建议参考国家《学位授予和人才培养学科目录》 并结合本校专业设置情况、课程情况进行设置。该模块也为资源建设、用户行为、智能推荐算法选择提供重要依据。
（2） 知识聚类。这一模块主要是针对海量的图书馆资源的知识聚类，通过知识聚类，减少系统即时运算时间并提高知识推荐准确度。通过调整学科分类树和知识聚类来达到最佳的预分类海量知识的效果。
（3） 智能推荐。该部分能协调其他五个部分数据，最终形成针对每一个用户定制的推荐结果。系统即便在无法获取用户偏好的情况下，仍然可以根据用户标签来推荐，有效地避免了冷启动问题。
（4） 资源建设。除常规的资源建设外，系统可循环收集反馈数据，建立动态的资源库。用户二次加工的资源将实时转化为新的资源，以此提升资源建设的效率和针对性。
（5） 用户行为。通过用户在线操作的动态日志跟踪和记录，实现对用户网上学术行为的记录。这些海量记录将用于智能推荐模块分析用户学习趋势，并结合其专业与课程学习情况，对用户行为进行教学引导。
（6） 评价体系。对教学资源进行评分，并反馈推荐结果的有效性，为智能推荐的优化提供数据支持。
5 高校图书馆智能学科系统部署架构
本系统采用大数据分析技术，并综合采用Google公司推出的MapReduce及开源Hadoop云计算技术，通过挖掘海量数据所蕴含的信息，建立特定模型进行预测。
为满足总体需求，系统引入大数据处理、存储设计部署。本馆智能学科系统架构部署了Hadoop Cluster、Mongo DB Sharing Cluster、Zookeeper Cluster、Spark Cluster四个数据集群及相关存储，另外还部署了学科分类树集群、个性化推荐Web集群两个应用集群，用于提供相应的应用请求和分类树建构需求[7]。
（1）Hadoop Cluster。此部署集群又分为两个功能部分。第一个功能是对大量URL进行处理并对爬取內容进行分析与使用，从而对学科分类树构成辅助。另一个功能是在分布式计算的个性化推荐中辅助Mahout使用。在操作中为常将Second Name Node单独部署在一台服务器上，这样可以防止Name Node单点故障，让日志文件能写入共享存储，提升Name Node的可靠性。
（2）Mongo DB Sharing Cluster。利用了Mongo DB的Sharding和复制集技术来搭建存储分类树文档库及推荐信息库，不但提升了可用性、稳定性，和安全性而且易于集群的扩展部署。
（3）Zookeeper Cluster。搭建具有一个决策节点和两个数据节点的Zookeeper集群，用于在分布式任务协调中分配相关数据存储，为分类树应用管理、存储和配置信息库使用。 （4）Spark Cluster。该集群负责个性化推荐中基于Web应用的实时推荐算法的计算任务，由于实时性强、并行性强，需要配置大容量内存和高性能服务器进行支持。该集群通过重用Hadoop集群中yarn部署。
（5） 学科分类树集群。该集群负责用户上网日志提取及相关内容抓取。由于信息量大，关键字提取及时性要求高，为满足性能要求需要部署多台爬虫服务器。
（6） 个性化推荐Web集群。部署该部分主要是为缓解系統使用高峰中在线支持及实时推荐的计算压力。通过单独部署个性化推荐Web服务集群和前端部署负载均衡软件的办法相结合，提升个性推荐服务保障能力。
6 结语
图书馆智能学科服务对高校图书馆提升自我服务能力，优化高校教育教学资源配置都有着重要的意义。本文结合高校学科服务需求，通过对大数据技术及推荐技术等的调研，最终形成针对高校特征的智能学科辅助服务模式。该模式在解决信息过载、冷启动以及减少技术复杂性上都做了一些尝试，为部署高校图书馆智能学科服务平台迈出了试探性的步伐，相信随着高校图书馆的不断升级和学科服务深入，以及教学相关数据的不断积累，智能学科服务模式将成为高校图书馆普遍重视的研究领域。
参考文献：
[ 1 ]蔚海燕，卫军朝.研究型图书馆学科服务的转变：从学科馆员到学科服务平台[J].大学图书馆学报，2013（6）：74-81.
[ 2 ]刘静春.大数据时代高校数字图书馆学科资源聚合“云”服务平台构建研究[J].图书馆学刊，2016（6）：105-107.
[ 3 ]汤妙吉.图书馆智能化专业学科服务平台建设[J].现代情报，2016（6）：100-102，107.
[ 4 ]曹畋.大数据环境下的图书馆异构数据统一访问与转化系统[J]. 图书馆理论与实践，2016（2）：80-84.
[ 5 ]曹畋. 试论“互联网+”下的智能阅读推广[J].图书馆理论与实践，2016（8）：94-96.
[ 6 ]曹畋.基于多Agent的高校智慧学习辅助平台建设实践[J].图书馆学研究，2017（24）：37-41.
[ 7 ]曹畋.构建基于Agent的高校图书馆智能教学辅助平台[J].新世纪图书馆，2017（7）：47-51.