图书信息资源管理论文

[摘要]随着我国信息技术不断发展，我国图书馆信息资源管理也得到较快发展。本文通过对元数据含义进行分析，阐述图书馆信息资源管理特征，提出基于元数据仓储的图书馆信息资源管理系统。以下是小编精心整理的《图书信息资源管理论文(精选3篇)》，仅供参考，希望能够帮助到大家。

图书信息资源管理论文 篇1：

大数据环境下高校图书馆信息资源管理的优化路径思考

【摘要】大数据分析是实现高校图书馆信息资源管理的高效性与便捷性的有效措施，是高校图书馆信息资源管理工作有序开展的保障。本文笔者将基于大数据环境下，探究高校图书馆信息资源管理的优化路径，以供相关人士参考。

【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.

[3]王显燕.大数据环境下高校图书馆信息资源建设与服务[J].农业图书情报学刊，2015，10：26-28.

图书信息资源管理论文 篇2：

基于元数据仓储的图书馆信息资源管理研究

[摘 要]随着我国信息技术不断发展，我国图书馆信息资源管理也得到较快发展。本文通过对元数据含义进行分析，阐述图书馆信息资源管理特征，提出基于元数据仓储的图书馆信息资源管理系统。

[关键词]元数据仓储；图书馆；信息资源管理

doi：10.3969/j.issn.1673 - 0194.2015.16.139

随着经济文化发展不断深化，图书馆在其自身管理中也进行了不断研究。在图书馆日常运作中，有效管理图书馆信息资源，是时代发展的需要。基于这种需要，元数据仓储的图书馆信息资源管理系统不断发展，在一定程度上推动了图书馆信息采集系统的不断开放化和集成化，在一定程度上也解决了图书馆信息采集系统在存储方面的问题，较好地推动了图书馆信息资源管理的有序高效运行。

1 元数据的概念及作用

元数据在一定意义上表示为数据的数据。但是，由于社会各个地方的观念不同，其具体的意思也千差万别。从元数据的具体结构上看，元数据实质是结构化了的数据，其在一定程度上实现对有关数据内容的分析、了解及对数据范围的掌控。元数据在与具体对象的关系上保持着相对应的关系，元数据在一定意义是指数据的元素集合。

从元数据的结构可以看出，元数据在一定意义上实现了信息管理系统的规范化，从而能更好地描述数据的内在特征。元数据还可以通过自身的层次结构特征，加强数据间的联系，在一定程度上实现信息数据的储存，从而实现用户对信息资源的高效利用。元数据的作用主要体现在以下几个方面：首先，元数据是数据的一种表现形式，因此，其在具体应用中具有准确描述数据信息的作用。其次，元数据在对数据进行具体描述的过程中，在一定条件下还可实现对对象的有效定位，从而掌控其位置信息，保证检索功能的有效实施。最后，元数据将数据库中的不同数据有效联系在一起，在一定条件上较好实现了信息资源的挖掘功能，保证信息在利用过程中被完整呈现出来。

2 图书馆信息资源管理特征

图书馆在不断发展过程中，其信息资源日益丰富，其信息资源管理具有多样化的类型，图书馆信息资源管理包括结构化数据、非结构化数据及多媒体类型的信息等，比如：音频信息、文字信息及邮件等。图书馆的信息管理系统在一定环境下存在不同，因此，其数据库也不同，比如：网络型数据库、层次型数据库及相互关系型的数据库系统等。图书馆信息管理系统根据其数据类型进行分类储存，由于储存过程中按照数据格式类型不同，其格式也不同，比如：WAV、MP4、MP3格式等。

3 基于元数据仓储的图书馆信息采集系统的分析

在实际应用中，根据元数据仓储的技术指标不同，图书馆信息资源管理系统在应用中可以分为以下几部分。

3.1 目录管理器

目录管理器作为图书馆信息资源管理系统中的关键部分，其主要作用是对整个系统的目录进行有效管理，其在具体功能上主要是将信息由业务管理数据向技术层转化，并根据实际需要，将其抽象后，融入在元数据。在运用中也能在一定状况下实现元数据向业务管理的方向的转化，从而在一定程度上方便业务员有效识别，从而实现对信息资源管理。

3.2 元数据仓储

元数据仓储实质上是对元数据进行有效储存和管理，而其具体功能就是在一定条件下，实现对元数据的收集，并形成元数据仓库，同时，还要保证元数据和图书馆数据的一致性。元数据通过其自身标准化的储存功能，实现数据间的交换、共享，而其构成包括信息的标示、信息类型及信息管理和其他相关业务。

3.3 相关数据交流平台和著录工具

数据交流平台实现数据间的共享和交流，根据用户输入的元数据，通过系统中的适配器，就能在相应分类数据中找到自身需要的数据。图书馆信息资源管理的著录系统是在运行中自动完成的，其主要功能是使结构化的数据在一定程度上实现元数据的转化，从而使其更加规范化。在运行中，将自动形成的标示显现给客户，用户根据自身需要可以进行实时修改，从而完成搜索目的和数据的具体呈现。

4 结 语

基于元数据仓储的图书馆信息资源管理是时代的必然选择，其将使管理更加规范、有效，其能较好地实现内在数据的有效整合，提高管理人员对图书馆管理系统的了解和认识，进而保证信息资源的高效利用。本文通过对元数据含义进行分析，阐述图书馆信息资源管理特征，提出基于元数据仓储的图书馆信息资源管理系统。随着我国信息技术不断完善和发展，元数据在以后的具体应用中一定会得到较好的效果，从而更好地推动图书馆信息管理系统不断发展和完善。

作者：吴柏林

图书信息资源管理论文 篇3：

大数据时代高校图书馆信息资源管理的创新与发展

作者简介：张颖（1968-），女，湖北省武汉市人，华中师范大学图书馆馆员，主要从事情报网络数据研究。

摘要：大数据分析实现了当代高校图书馆在图书情报信息资源管理中的高效性和便捷性。在高校图书馆文献管理中，运用大数据理论进行数据挖掘、海量数据分析、高维数据阅览等，体现了大数据技术的优势所在，通过科学统计与分析网络阅读等结构复杂的大数据，能够极大促进高校的科研与教学工作，提高工作效率。大数据技术使得高校图书馆在网络时代能够与其他学术研究机构进行成功合作，大数据技术在当代高校图书馆中的运用已经成为信息资源管理创新性发展战略的标志性成果。

关键词：大数据;高校图书馆 ;信息资源;数据管理;创新性

DOI：10.3963/j.issn.16716477.2015.03.018

一、大数据分析在高校图书馆数据管理及文献与知识模块中的运用

大数据（big data）分析在高校图书馆管理中的第一个明确分析对象是海量阅读数据。从数据分析的表象来看，分析海量数据可以理解为对读者所感兴趣的文献信息资料等阅读对象的记录进行归类管理，大数据技术适用于高校图书馆数据管理，同时具有时间和空间属性。海量数据分析与管理的一项重要功能是对所确定的数据目标进行分析整理，以提供数字图书资源存在的价值与依据。其中，海量数据中的阅览数据既能体现文献的重要与否，又能体现文献的被利用率。文献知识是概念的诠释与表达，阅读的数据则是揭示知识存在的模式与关系的重要素材。单一的数据记录并不能说明知识的价值、可靠性和认知程度，只有将不同记录的数据进行有序的组织与关联，通过大数据分析，把握读者阅览的信息等，同时把与该知识文献相关的共性与差异阅读信息的关键线索进行对比分析，对数据中的有效信息进行有序解读，实现对隐藏于数据中的知识结构与线索的归纳与推理，才能证明该知识的可靠性和价值。

用大数据技术分析图书馆文献知识的过程具有一定的复杂性。知识的获取可分为显性知识获取和隐性知识获取。与获取显性知识阅读量数据相对应的是显现数据，显性数据的海量数据分析是按照某种规律或理论通过测量归类而得到的数据，用以描述观察到的文献阅览总量和对知识概念的获取，比如文科学科分类阅览、理论文献查阅、新闻事件的点击阅读、网上参与公众知识媒体平台的程度，等等。数据分析的作用是客观真实地评估高校图书馆信息资源的整体利用的程度与强度。然而，许多知识与信息是不可直接靠量化而获得的，这部分无法直接测量的知识与信息就需要通过模型辅助来推断。而用于未知概念推理建模的数据称为隐性数据，隐性数据分析的重要作用是揭示显性知识信息与资源成立的可靠依据。以PBL（problembasedlearning） 教学模式的数据分析研究为例。PBL是以问题解决为导向、以大学生自主学习的能力为教学目标的学习方法和相关知识体系，PBL教学模式能调动大学生学习的积极性与主动性，形成解决问题的技能和自主学习的能力。高校图书馆通过分析大学生查阅相关知识的点击量作为显性数据统计，研究分析表明学生在没有教师指导的情况下也能通过自己的阅读而独立解决问题。支持这个数据分析结论的理想数据还得益于一组高维隐性数据，即：参加实验的大学生在图书馆摄入的该知识的显性数据加上与该知识相关的学科知识的点击阅览数据作为隐性数据相加的总和。这个实验较为复杂，其成功的关键是如何实现双盲（double blind）数据设计与分析，通过尝试有效的隐性知识结构管理数据可能获得支持该研究质量不错的全面观察数据。图书信息采购、电子信息资源的阅览总量与相关隐性消费数据可以为该研究提供后续支持，如PBL问题意识较弱的学生关注本学科的研究成果，PBL问题意识较强的学生则关注与本学科领域相关的跨学科知识范围的信息获取。因此，我们研究PBL教学模式不能脱离高校图书馆信息技术的海量数据采集与分析，在充分采集显性数据的基础上还要利用大数据技术分析隐性的数据才能为科研项目提供客观科学的数据参考。

简而言之，利用大数据技术建立高校图书馆文献资源与信息综合平台，为高校学术研究提供数据采集、创建、检测、合成、编码、存储、发布、检索、提取、判断、问题解决和服务等形式多样的大数据分析服务，不仅大大扩展了数字化时代高校图书馆的功能，极大地提升了图书情报文献的利用率，而且很好地推动了从大数据中发现新知识和跨学科学习的知识创新模块，推动了当代高校图书馆信息资源管理模式的发展与创新。

二、大数据视域下的云计算与高校图书馆数据挖掘

谷歌、华盛顿大学、清华大学联合开展的云计算（cloud computing）学术合作计划正积极探索着大数据时代高校图书馆数据管理的新模式。“云计算是在虛拟计算环境下以数据为中心的一种超级计算方式，具有动态性和可扩展性特点”＼[1＼]。基于高校图书馆的云计算技术包括四个层次的数据架构，分别是基础架构即服务（简称Lass），平台即服务（Platform as a service，Paas）和软件即服务（Software as a service，Saas）以及数据即服务（Data as a service，Daas），即网络计算机和面向读者服务的群集计算技术。互联网平台为高校图书馆服务软件（汇文数据库）等软件行业的发展带来了新的机遇，如快速反馈、在线阅读、借还智能化、阅读软件在线升级等。“云计算使高校图书馆信息平台从以往对单机的软件开发和演化系统的研究转向了与社会知识网络以及公共知识平台之间的融合”＼[2＼]。高校图书馆信息资源以计算机云计算技术将社会分散式大规模的电子文献出版系统紧密地与个体终端读者、研究机构、学术团体之间构架起一座技术纽带，将高校图书馆信息资源与服务读者的最大化需求上升到紧密关联的模式上来，同时也拓展了高校图书馆的文献知识总量和获取知识的方式方法。如，不同高校图书馆馆藏文献的资源共享、高校图书资料软件工程的利用与开发、图书阅读软件升级的自适应演化以及珍贵文献存储池、阅览终端桌面池、云计算容灾系统安全池等。

云计算与高校图书馆数据挖掘（data mining）既有联系又有区别：云计算的动态性和可伸缩性的计算能力为高校图书馆高效海量阅读数据管理带来了可能性。云计算环境下读者参与的电子书籍的点击次数为出版社、图书公司等知识出版单位和著作人提供了学术动态及相关知识传播运行的数据，引导图书馆馆藏、知识消费、信息资源与图书馆文献结构的更新与发展。“云计算的服务化特征使高校图书馆面向高校科研的馆藏文献服务数据挖掘成为可能”＼[3＼]。同时云计算技术发展也离不开高校图书馆数据挖掘的支持，以文献搜索为例，基于云计算的搜索包括网页储存、搜索处理和前端交互三大组成部分。随着宽带技术的发展，高校图书馆文献还包括多媒体数据的文献，已开发出可查询图像、声音、图片和影视的搜索引擎，图像、视频是当代高校图书馆文本信息的补充。高校图书馆数据挖掘在这几部分中都有广泛的运用，例如网页储存中网页去重、搜索处理中网页排序和图书馆前端交互中的查询分类等，其中每部分都需要数据挖掘技术的支持。因此，云计算技术为图书馆海量阅读和复杂的电子文献数据挖掘提供了技术基础，为网络环境下面向大众的高校图书馆资源服务带来了突破性的创新。

云计算和图书馆数据挖掘技术提升了高校图书馆的利用效率，文献海量阅读数据又为高校教学与学术研究提供进一步研究的依据，同时也为著作者、图书出版发行单位提供电子书和图书文献的供求与出版方面的信息。云计算和数据挖掘技术支撑的信息网络技术已经将高校图书馆打造成为一个巨大的数字世界，在高校图书馆这种集中人类智慧结晶的知识智库中，大数据、云计算技术便捷地收集着任何时段所保留下来的反映知识世界与主体客观认识过程中的数据，以前所未有的速度将信息资源拼接在一个时空下供读者阅览，“大数据、云计算、图书馆数据挖掘丰富了当代高校图书馆情报与管理学的内容，引发了学界对如何用好数字化时代图书馆资源平台共享的探索与相关思考”＼[4＼]。

三、学术机构研究合作的大数据案例分析

大数据技术的运用开始体现在学术机构与高校图书馆的密切合作上，该研究已有成功案例——该案例旨在研究学术成果的跨机构合作规律以及其在高校图书馆信息资源管理、学术文献和知识函数中的广泛应用前景。高校图书馆大数据是建立在以学者研究成果为基础的学术共同体和相关学术机构信息交流及相关学术文献交流的备份信息上。大数据分析不仅为各学科的跨界交流研究提供了个体化的研究成果总汇，而且数据的汇总案例在揭示学者个体在研究机构中所从事学术活动的基本单元、在学术机构中的地位以及机构之间合作提供了重要参考;同时，对跨组织机构的不同学者间的学术合作进行差异化研究，为科学人员的学术交流和学科评价服务的最终用户提供更为全面的数据分析和信息检索服务。

本文案例数据来源于中国知网的文献记录，这些数据包括文献的作者和作者单位等信息。作为大数据案例分析，首先要根据这些统计数据信息分析高校图书馆在构建跨学科科研机构之间合作的网络平台，其中以网络节点表示科研机构（即文献作者所在单位，高校图书馆信息采编部门将科研机构限定在中国普通高等院校与中国科学院、中国社会科学院以及与中国科研机构有合作关系的国外高校之间），网络中的边表示相应的两个节点所代表的研究机构共同发表过的文献，边的权重由对应的两个研究机构共同发表的文献数量所决定。不同的科学研究机构在合作网络上呈现一个无向图，共179个节点，779条边，即共有179个不同的研究机构，这些机构之间存在779个两两合作的关系。假设用 G=（V，E）表示研究机构合作网络。其中V表示小节点集合，E表示边的集合，其中，WVW表示图中顶点V和W之间的边数，计算边的权重，m是总边数。网络边的权重定义如下：

Wvw=∑kδkvδkw2

nk

其中：Wvw为机构，v和w之间为边的权重;nk表示论文K的不同研究机构和不同作者的单位数，当机构V在论文K中出现时，δkv等于1，否则为零。案例公式计算边的权重意义在于一篇论文对整个科研机构合作网络只贡献一个单位的边权重。这一边的权重分析合理地避免了某篇文献因为由多个科研机构合作共同发表而过高评估了该篇论文对整个机构合作网络的影响。网络数据分析见表1。

表1不同科研机构的科研合作成果权重统计表

nodelnodelweight

1首都经贸大学中国财经大学3.33333

2首都经贸大学中国人民大学3

3航空航天大学吉林大学3

4航空航天大学哈尔滨工业大学2.33333

5武汉工程大学中国地质大学4

6武汉工程大学清华大学2

7华中科技大学北京大学3.33333

8华中科技大学武汉大学5.33333

本案例的数据存放在高校图书馆的“affiliations、txt”数据硬盘内。本案例的原始数据名为dt.txt，根据以上节选部分之内容，其中每一行表示一条边，第一、二列表示网络中的节点，第三列表示网络中边的权重。下面借助软件包igraph基于dt数据构建无向图，并给出有关科研机构之间的合作在网络上呈现的基本信息。通过使用require（igraph）加载R包igraph软件以调用数据。

FN算法为： plotcg， layout=L， vertex，color=color vertex，lable=NA）

FN算法关于高校机构研究合作在网络上数据挖掘的结果见表2。

表2合作高校网络数据挖掘结果表

合作区域合作高校及科研机构名称机构数量

1.北京清华大学 北京大学 中国人民大学 北京师范大学 中国社会科学院 …20

2.东北中国科学院 哈尔滨工业大学 吉林大学 大连理工大学 吉林财经大学…26

3.華东复旦大学 南京师范大学 南京财经大学 南京农业大学 浙江大学…18

4.華南中山大学 暨南大学 华南理工大学 华南师范大学 华南农业大学…10

5.华中武汉大学 华中科技大学 华中师范大学 中南财经政法大学 中南大学…28

6.西北西北大学 西安交通大学 陕西师范大学 西安理工大学 重庆大学…17

根据网络信息数据挖掘结果继续进行数据分析，其目前最优化、最流行的方法是非负矩阵分解。非负矩阵分解有着运算速度快、可解释性强等优点而受到越来越多的高校图书馆研究部门的关注，同时非负矩阵分析技术也适用于高校图书馆馆藏电子图像存储，文本数据及文献文档归类整理等多个领域。其具体公式创建如下：

首先创建一个可以进行非负矩阵分解的函数NMF，利用该函数对合作高校及科研机构进行数据挖掘。先安装R包RColorBrewer，然后，安装每个节点的机构类别require下面的调色板， pal<-brewer.pal

crf<-color Ramp Paletter（pal，bias=1）

cols<-crf（lenght（unique（mem_nmf）））

color<-cols＼[mem_nmf＼]

plot（g，layout=L，vertxt.size=4，vertxt.

Color=color，vertxt，Lable=NA）

如第一个合作区域的北京主要集中在清华大学、北京大学、中国人民大学、中国社会科学院等合作高校及科研机构。第二个合作区域主要高校及科研机构分布在中国的东北三省，第三个合作区域至第五个合作区域主要是位于中国华东、华中、华南等地的高等院校，第六个合作区域是中国西北地区的大学。高校图书馆通过对合作高校及科研机构在网络上的数据挖掘结果与分析，对相应的R包“entropy”编程方式进行了说明＼[5＼]。大数据技术克服了不同地域的学者们和各地机构之间在物理上的距离感，高校图书馆运用大数据技术在网络上对各高校及科研机构的学术成果进行数据的深度归纳、整理、统计与计算，可以分析得出中国高校与主流科研机构之间的研究成果在互联网资源平台上资源共享与深度学术合作的大致情况，这其间，高校图书馆信息资源平台成为合作高校和科研机构合作之间的数据枢纽，为中国科研学术资源的跨地域合作提供了充分的信息技术支持。

＼[参考文献＼]

＼[1＼]姚宏宇，田溯宁.云计算大数据时代的系统工具＼[M＼].北京：电子工业出版社，2012：8.

＼[2＼]封薇.云计算环境下的数字图书馆的发展前景＼[J＼].图书情报工作，2012（S1）：120.

＼[3＼]刘鹏，黄宜华，陈卫卫.实战Hadoop：开启通向云计算的捷径＼[M＼].北京：电子工业出版社，2011：57.

＼[4＼]涂子沛.大数据＼[M＼].桂林：广西师范大学出版社，2012：230.

＼[5＼]Newman M E J.Communities，module’s and largescale structure in networks＼[J＼].Nature Physics，2011（8）：2730.

作者：张颖