Более 30 лет назад на необходимость маркетингового подхода  к управлению библиотечной деятельностью обращал внимание специалистов В.К. Клюев [1], и позднее он неоднократно возвращался к анализу данной проблемы [2]. Аналогично эти вопросы в разные годы находились в поле зрения Н.В. Лопатиной [3; 4]. Мы также поднимали этот вопрос в профессиональной печати [5; 6; 7]. В настоящее время пользователь библиотечными услугами и продуктами находится в центре внимания отечественной культурной и библиотечной политики. В «Стратегии развития библиотечного дела в Российской Федерации на период до 2030 года» в качестве одного из принципов развития отрасли заявлено «обеспечение свободы выбора способов и средств доступа к информации и получения знаний в цифровом (электронном) и бумажном виде», а цифровая трансформация заявлена в качестве одного из основных направлений развития библиотечного дела [8]. В «Стратегическом направлении в области цифровой трансформации отрасли культуры Российской Федерации до 2030 года» отмечено, что «не обеспечена полнота сбора и хранение первичных данных из учреждений культуры o посетителях и клиентах для наполнения их цифровых профилей» [9, с. 26].

 В отечественной научной литературе многие специалисты неоднократно обращались к проблеме персонализации библиотечного обслуживания [10; 11]. В последние годы специалистов интересуют возможности цифровизации в процессе библиотечного обслуживания. Одни специалисты анализировали веб-сайты библиотек [12; 13; 14], другие изучали чат-коммуникации пользователей [15] или использование вебхостинга YouTube в библиотечном обслуживании [16]. За рубежом, естественно, гораздо больше соответствующих публикаций, просто по той причине, что в крупных странах работает больше библиотековедов, чем в России. Назовем лишь некоторых авторов: Маршалл Бридинг [17; 18], Дэвид Бейкер [19], Киндо Ташики и др. [20]. Однако целостного анализа цифрового профиля пользователя библиотечными продуктами и услугами нам не удалось выявить в существующих библиотековедческих публикациях.

 Поскольку знания не хранятся на монолитных стеллажах, а рассредоточены по всей библиотеке, она становится самоорганизующейся системой, реагирующей на динамику информации и доминирующие в отрасли тенденции. Эта организационная стратегия также добавляет интерактивный социальный слой, где пользователи-единомышленники со схожими интересами могут посещать похожие разделы фонда, обращаться к подобным услугам и т.п. Концепция библиотеки будущего, отраженная в таком подходе подтверждает нашу мысль, высказанную более 30 лет назад о перекосе целей публичных библиотек в сторону фондацентричности в противовес клиентоцентричности [21]. Предоставляемые удобства будут выходить за рамки элементарных компьютерных станций с доступом в Интернет. Цель состоит в том, чтобы предоставить членам сообщества инструменты и возможности для взаимодействия с технологиями на более глубоком и персонализированном уровне, а также предоставить сочетание многофункциональных пространств для совместной работы, обучения, встреч, чтения и досуга. Наша идея состояла в необходимости насыщения досуга интеллектуальным и эстетически богатым контентом.

 Еще в прошлом веке была разработана система EUROgatherer - персонализированная система сбора и доставки информации, которая предлагала профилирование пользователей, сбор из разнородных источников информации и разные способы доставки. Менеджер профилей способствовал работе с профилями пользователей и позволял авторизованным пользователям изменять свой профиль. Компонент «доставщик» (deliverer) отвечал за доставку в соответствии с предпочтениями пользователя по доставке. В режиме извлечения другой компонент «планировщик» (scheduler) в запланированное время, в зависимости от предпочтений профиля, генерировал запросы на основе содержимого профилей и отправлял их во встроенный механизм поиска информации в цифровой библиотеке [22].

 Рекомендательная система - один из сильнейших инструментов увеличения выдачи и удержания пользователя. В литературе представлены рекомендательные системы, используемые в библиотеках и реализованные на различных алгоритмах.

 Так, в статье [23] были определены различные типы персонализации услуг в цифровых академических библиотеках, в т.ч. персонализация контента, интерактивная персонализация, персонализация для совместной работы и персонализация поиска информации.

 Наиболее часто используются алгоритмы контентной (CBF) и коллаборативной фильтрации (CF). При подходе, основанном на контенте, система использует ключевые слова для поиска похожих книг, в то время как при коллаборативной фильтрации данные распределяются равномерно по всем одноранговым узлам. Персонализированная рекомендательная система, помогающая пользователям находить подходящие книги на основе оценок и интересов пользователей предоставляет рекомендации по книгам на основе содержания книг и личных интересов пользователей. Есть примеры рекомендаций, основанные на сочетании функций фильтрации на основе контента, коллаборативной фильтрации и анализа ассоциативных правил для получения эффективных рекомендаций. Этот метод сопоставляет каждого пользователя, который запросил документы из фонда и оценил их, с похожими документами, а затем объединяет эти документы в список рекомендаций.

 Дж. Ляо описывает принцип архитектуры, систему меток и алгоритм работы библиотечной системы профилей пользователей, где используется метод кластеризации динамической плотности и потоковые вычисления, основанные на анализе временных рядов, для придания системе меток временного измерения путем объединения характеристик больших данных пользователей. [24]

 Другое решение, представляет собой интегрированную систему рекомендаций книг, которая сопоставляет книги пользователя с высоким рейтингом с книгами аналогичного жанра, отображает взаимодействия указанного пользователя в социальных сетях, чтобы оценить, какие книги его интересуют, и учитывает коллаборативную фильтрацию или сопоставление ассоциаций между элементами. В этой модели авторы использовали наборы данных для одной и той же коллекции книг Goodreads, обзоры Amazon и истории транзакций и данные Twitter. Предлагаемое решение должно использовать взвешенный показатель, кластеризацию k-средних и анализ настроений. Коллаборативная фильтрация выполнена с использованием алгоритма Apriori для создания интегрированного списка рекомендаций по книгам. Алгоритм Apriori ищет ассоциативные правила и применяется по отношению к базам данных, содержащим огромное количество транзакций. Ассоциативные правила — это одна из техник интеллектуального анализа данных, применяемая для изучения соотношений и отношений между переменными базы данных. Например, у нас есть база данных транзакций пользователей с сайтом библиотеки. С помощью алгоритма Apriori мы можем определить книги, запрошенные вместе, — то есть установить ассоциативные правила. Результатом является список из 10 книг, рекомендованных конкретному пользователю. Таким образом, предлагаемая интегрированная рекомендательная система более точна в своих рекомендациях, чем простая система совместной работы. Эта модель помогает библиотекам рекомендовать пользователям наилучшую из возможных книг. Она также помогает любителям книг находить лучший контент в соответствии со своими интересами [25].

 Еще одним фактором при определении того, какие книги являются наиболее успешными, является наличие похвалы. Цель конкретного исследования специалистов из Шри Ланки [26]- спрогнозировать, как будут идентифицированы наиболее успешные книги, удостоенные похвалы, на основе 10 различных атрибутов, включая дату публикации, средние оценки, автора, жанр, язык, издателя, количество страниц, рейтинги, название и рецензии. Для этой цели был собран датасет с помощью онлайн-платформы сообщества Kaggle. Данный набор данных содержит информацию о книгах, собранных с веб-сайта Goodread за период с 2000 по 2021 год. Во-первых, датасет был предварительно обработан. Для ранжирования предварительно обработанных данных был использован инструмент интеллектуального анализа данных Waikato Environment for Knowledge Analysis (WEKA), а результаты улучшены за счет настройки гиперпараметров. Прогностическая модель генерируется с использованием шести подходов машинного обучения на уровне классификации: случайного леса, машины опорных векторов (SVM), деревьев решений, многослойного персептрона (MLP), логистической регрессии и наивного вероятностного классификатора Байеса, основанного на применении теоремы Байеса со строгими (наивными) предположениями о независимости. Основываясь на результатах, делается надежный прогноз о том, как найти наиболее успешные книги, используя вышеуказанные функции.

 Другая модель генерирует списки рекомендаций по книгам для целевых пользователей, используя их записи о выборе и существующие данные о запросах известных пользователей. Например, в статье [27] сравниваются эффекты настройки различных параметров в алгоритме.

Другие авторы определяют популярность книг по собранным твитам, чтобы указать текущие тенденции чтения. Популярность книг представлена оценкой Lucene[1] каждой книги на основе собранных твитов. Предлагаемая система рекомендаций книг сочетает в себе основанные на моделях чередующихся наименьших квадратов (ALS) алгоритмы оценки популярности книг. Разработана масштабируемая архитектура с использованием платформы больших данных для приема, хранения, обработки и анализа как пакетных, так и потоковых данных. Инструменты больших данных с открытым исходным кодом, такие как Apache Solr[2], Apache Kafka[3] и Apache Spark MLlib[4], используются для реализации предлагаемой гибридной системы рекомендаций книг. PySpark[5] используется для реализации предварительной обработки данных и анализа больших объемов данных. Алгоритм рекомендаций ALS реализован с использованием Apache Spark MLlib. Результаты исследования индийских специалистов Ф. Ли, С. Асаитамби и Р. Венкатраман показывают, что точность предлагаемой гибридной системы рекомендаций книг высока [28].

 Большинство существующих систем рекомендаций книг основаны на алгоритмах контент-ориентированной или коллаборативной фильтрации. Авторами другой статьи [29] предлагается гибридная персонализированная система рекомендаций книг, которая сочетает в себе популярность книг и персонализированные интересы, чтобы рекомендовать книги пользователям.

 Думаю, для крупных библиотек было бы полезно перенимать передовой зарубежный опыт, адаптируя его под местные условия. А библиотекам с небольшими бюджетами важно увеличивать финансирование и расширять их возможности по внедрению новых технологий.

 Х. Нигард также подчеркивает преимущества, которые могут иметь такие технологии благодаря новым способам изучения поведения пользователей. Она выделяет цифровые прецеденты, когда пространство и технологии сливаются воедино, создавая новые способы взаимодействия пользователя с материалом (будь то цифровой или материальный). Благодаря повсеместному использованию компьютерных технологий библиотечные пространства могут стать более интерактивными, а посетители смогут получать прямой доступ к информации через свои собственные мобильные устройства [30].

 Таким образом, мы видим, что рекомендательные системы активно применяются ведущими библиотеками по всему миру для персонализации обслуживания читателей. В качестве  основных достоинств использования рекомендательных систем назовем:

• - повышение точности и релевантности рекомендаций на основе анализа предыдущей активности и предпочтений читателей;
• - возможность для читателей получать персональные рекомендации в режиме онлайн через сайты и мобильные приложения библиотек;
• - продвижение менее известных материалов из фондов библиотек.

 В последнее время в библиотеках набирает популярность практика использования личных кабинетов пользователей. Так, например, в «ЛК РГБ пользователи могут осуществить загрузку документов по выделенному каналу, приобрести электронные копии книг издательства РГБ «Пашков дом», воспользоваться системой «Антиплагиат» для физических лиц, оформить заказ документов из фондов РГБ, продлить сроки пользования ими в читальных залах и др. Кроме того, пользователям ЛК предоставлен удаленный доступ к сетевым ресурсам» [31, с.217].

 При правильном применении рекомендательные сервисы могут существенно обогатить библиотечное обслуживание, но требуют тщательного контроля за беспристрастностью алгоритмов и безопасностью личных данных. При формировании цифрового профиля пользователя библиотеку должно интересовать поведение пользователей:

• - интересы, хобби, ценности, установки и образ жизни. Что привлекает ваших читателей, их убеждения и поведение? Пример: Если ваши целевые читатели - молодые люди, они могут ценить социальные связи, интересоваться технологиями и тенденциями и вести активную общественную жизнь.
• - любимые жанры, темы, авторы и книги. Знание того, что уже нравится вашей аудитории, может помочь в рекомендациях,
• - частота чтения, предпочитаемые форматы (например, электронные книги, аудиокниги, печатные издания) и устройства для чтения,
• - реакции на текущие события (понимание того, как текущие события влияют на выбор чтения (например, осведомленность о местных и глобальных проблемах, которые могут иметь отношение к жизни и интересам пользователя),
• - предпочитаемый объем запрашиваемой информации (предпочтение длинных романов, коротких рассказов, драм, поэзии),
• - предпочитаемые стили повествования (от первого лица, несколько точек зрения, нелинейное повествование и т.д.),
• - вовлеченность в тему (как давно пользователь знаком с тематикой или жанром),
• - особенности восприятия (есть ли у пользователя какие-либо особые требования, например, к крупному шрифту, аудиоформатам или упрощенному языку),
• - предпочтения в обучении (предпочитает ли пользователь учиться с помощью историй, данных, визуальных эффектов и т.д.? ),
• - социокультурный контекст (уровень общей культуры пользователя),
• - чувствительность к контенту (темы, которые могут огорчить или оскорбить пользователя?),
• - удобство использования (уровень владения технологиями может повлиять на то, как пользователь получает доступ к контенту и взаимодействует с ним, готов потреблять информацию в цифровом или мультимедийном форматах. Например, технически подкованная аудитория молодых людей больше склоняется к интерактивным электронным книгам и мультимедийному контенту.
• - медиамодальность (помимо книг, какие фильмы, телешоу, подкасты или журналы нравятся пользователю?),
• - наличие времени у пользователя (наличие свободного времени для чтения),
• - вовлеченность (как пользователь взаимодействует с контентом (например, комментариями, ссылками, приложениями),
• - информационно-сетевая компетентность (предпочтения в веб-серфинге) [32],
• - активность в социальных сетях,
• - предпочитаемые социальные ценности (участие в волонтерском и других движениях, общественных работах или местных мероприятиях),
• - сезонная зависимость информационного поведения,
• - досуговые предпочтения (хобби, которые могут дать представление об личности пользователя, в т.ч. участие в кружках, школьных клубах и т.д.),
• - принадлежность к сообществу фолловеров (взаимодействие с контентом посредством лайков, репостов и комментариев в социальных сетях),
• - данные о подписках пользователя, сведения о подписчиках, список опубликованных постов,
• - уровень дохода в семье (зависимость от родителей или опекунов).

 Разработка целостного подхода к формированию и использованию ЦП пользователя библиотек, который одновременно является приоритетным для конкретной библиотеки, но при этом позволяет обобщать собираемые данные по единым критериям и получать более общую картину, доступную для анализа, выявления общих тенденций и разработки корректирующих мероприятий является очень сложной задачей. Ее решение требует участия всех заинтересованных сторон: работников отделов обслуживания, справочных служб, каталогизаторов, методистов и руководителей библиотек всех ведомств. Такого рода партнерство создаст новый набор показателей эффективности обслуживания, которые можно обсудить в будущих исследованиях, что поможет разработать более оптимальные теоретические подходы для использования ЦП пользователей в библиотеках разных типов. Методика, разработанная в результате таких исследований должна предложить единообразный учет перечисленных в наших статьях показателей, в т.ч.:

• - обращений в библиотеки через веб-сайт, чаты, мессенджеры и интеллектуальные цифровые ассистенты (к разработке которых уже приступили некоторые библиотеки);
• - результатов поиска в электронных каталогах   и использования удаленных ресурсов  в  библиотеках различных типов, работающих с разными автоматизированными библиотечно-информационными системами (АБИС);
• - переходов пользователя (как зарегистрированных, так и случайных) по перекрестным ссылкам по разным доменам внутри одной библиотеки;
• - статистики использования сетевых информационных ресурсов для различных  категорий контента и выданных рекомендаций на этой основе (контентная фильтрация), а также рекомендаций на основе коллаборативной (референтно-зависимой) фильтрации;
• - истории пользовательских запросов (лог-файлов), отражающих динамику информационных потребностей пользователей;
• - использования открытого API (Application Programming Interface), предоставляющего собой программный интерфейс, который позволяет взаимодействовать с функционалом социальных сетей.

 Как неоднократно отмечал известный российский специалист по библиометрии А.И.Земсков, «Альтметрики – наблюдения заметности се- тевого документа. Компоненты альтметрик: просмотры; просмотренные документы в формате HTML; выгрузки документов; обсуждения – ком- ментарии      в      журналах,      в      научных      блогах...» [32, c. 76].

 «Классификация  альтметрик,  предложенная  в  2012  г.  ImpactStory, и схожая классификация, используемая Public Library of Science, включают [33]:

• - просмотры – просмотренные документы в формате HTML и выгрузки документов в формате PDF;
• - обсуждения – комментарии в блогах и соцсетях; сохранение (в системах Mendeley, CiteULike и др.);
• - цитирования в научных изданиях, которые входят в коллекции и от- слеживаются системами Web of Science, Scopus, CrossRef и др.;
• - рекомендации» [32, с.77].

 Для  получения   релевантных  отчетных показателей необходимо разработать рекомендации,   позволяющие получать сопоставимые данные для библиотек, использующих разное программное обеспечение. Эта проблема была осознана библиотекарями довольно давно. Так, например, 10 лет назад канадский специалист Эральд Кокалари заметил:  «Что действительно необходимо изменить, так это мировоззрение и отношение к продолжающейся эволюции форматов, источников носителей информации, возможностей, услуг и физических представлений. Если этот менталитет сможет позволить себе не оставаться в застое в течение какого-либо периода и двигаться синхронно с цифровой эпохой, то библиотека сохранится как ядро знаний и важное место для получения нового интеллектуального и социокультурного опыта». [34, р.65].

Список источников 

1. 1. Клюев, В. К. Маркетинговый подход к библиотечной микроэкономике / В. К. Клюев // Научные и технические библиотеки. – 1993. – № 9. – С. 10-22. – EDN AMMLWA.
2. 2. Клюев, В. К. Маркетинговая парадигма современных публичных библиотек / В. К. Клюев // Библиотечное дело. – 2015. – № 3(237). – С. 14-19. – EDN TNUJRB.
3. 3. Лопатина, Н. В. Маркетинговые технологии: проблемы и перспективы / Н. В. Лопатина // Маркетинг. – 2005. – № 1(80). – С. 30-37. – EDN OODOUJ.
4. 4. Лопатина, Н. В. Социология маркетинга : Учебное пособие / Н. В. Лопатина. – Москва : Академический проект, 2016. – 304 с. – ISBN 5-8291-2518-9. – EDN YSKGLF.
5. 5. Каптерев, А. И. Займет ли библиотекарь место на информационном рынке? / А. И. Каптерев // Библиотековедение. – 1993. – № 1. – С. 66-71. – EDN YZTTXV.
6. 6. Каптерев, А. И. Рынок консультационных услуг и библиотека / А. И. Каптерев // Научные и технические библиотеки. – 1993. – № 9. – С. 22-32. – EDN YZVUVF.
7. 7. Каптерев, А. И. Библиотечная профессиология / А. И. Каптерев ; Российская государственная библиотека. – Москва : Российская государственная библиотека, 1994. – 374 с. – EDN XWVOVX.
8. 8. Стратегия развития библиотечного дела в Российской Федерации на период до 2030 года : Распоряжение Правительства Российской Федерации от 13 марта 2021 г. № 608-р // Собрание законодательства Российской Федерации. 2021. № 12. Ст. 2072.
9. 9. Стратегическое направление в области цифровой трансформации отрасли культуры Российской Федерации до 2030 года.- Утв. распоряжением Правительства Российской Федерации от 11 декабря 2023 г. № 3550-р.
10. 10. Редькина, Н. С. Технологии интернет-маркетинга для персонализации библиотечного обслуживания / Н. С. Редькина // Информационный Бюллетень РБА. – 2015. – № 75. – С. 21-23. – EDN UXKJVD.
11. 11. Шевченко, Л. Б. Технология рекомендаций как средство персонализации библиотечных сайтов / Л. Б. Шевченко // Информационные ресурсы России. – 2019. – № 2(168). – С. 14-16. – EDN HDRJRF.
12. 12. Тикунова, И. П. Документное обслуживание пользователей в контексте библиотечной цифровизации / И. П. Тикунова // Документ в социокультурном пространстве: теории и цифровые трансформации : Материалы V Международной научно-практической конференции , Казань, 27 мая 2022 года / Науч. редакторы: Л.Е. Савич, А.Р. Мансурова, сост. Г.В. Матвеева, Ю.Н. Галковская. – Казань: Казанский государственный университет культуры и искусств, 2022. – С. 231-238. – EDN UURXIO.
13. 13. Нещерет, М. Ю. Цифровизация процессов обслуживания в библиотеках - это уже реальность / М. Ю. Нещерет // Библиосфера. – 2019. – № 2. – С. 19-25. – DOI 10.20913/1815-3186-2019-2-19-25. – EDN GNLYNI.
14. 14. Хусаинова, Р. З. Возможности цифровых технологий в библиотечном обслуживании / Р. З. Хусаинова // Муниципальное образование: инновации и эксперимент. – 2022. – № 3(84). – С. 27-31. – DOI 10.51904/2306-8329_2022_84_3_27. – EDN OQRJHQ.
15. 15. Смирнов, Ю. В. Чат-коммуникация в процессе библиотечного обслуживания читателей / Ю. В. Смирнов, Ю. В. Соколова // Научные и технические библиотеки. – 2021. – № 2. – С. 81-90. – DOI 10.33186/1027-3689-2021-2-81-90. – EDN AUMRRF.
16. 16. Лымарь, П. В. Дистанционное библиотечное обслуживание на основе видеохостинга Youtube / П. В. Лымарь // Вестник Дальневосточной государственной научной библиотеки. – 2022. – № 1(94). – С. 4-8. – EDN WMBZHN.
17. 17. Breeding, M. Library systems report: The advance of open systems // American Libraries.- 2023. Vol.54.- №5.- P. 20-32.
18. 18. Breeding, M. Future-Proofing Your Library's Technology Infrastructure // Computers in Libraries.- 2022.- Vol.42.- Issue 10.- P. 9-12.
19. 19. Baker, David. (2017). The End of Wisdom? The Future of Libraries in the Digital Age. 10.1016/B978-0-08-100142-4.00001-4.
20. 20. Kindo Toshiki, Yoshida Hideyuki, Morimoto Tetsuro, and Watanabe Taisuke. Adaptive personal information filtering system that organizes personal profiles automatically. In Proc. of the 15th Int. Joint Conf. on Artificial Intelligence (IJCAI-97), pages 716–721, Nagoya, Japan, 1997.
21. 21. Каптерев, А. И. Документы в библиотеке: ресурс и продукт / А. И. Каптерев // Научные и технические библиотеки. – 1992. – № 7. – С. 4-15. – EDN DAIILN.
22. 22. Thanos С. EUROgatherer - Personalised Information Gathering System // ERCIM News No.37 - April 1999.- URL: https://www.ercim.eu/publication/Ercim_News/enw37/thanos.html
23. 23. Khavidaki, S., Rezaei Sharifabadi, S. and Ghaebi, A. (2023), "Services personalization in digital academic libraries: a Delphi study", Digital Library Perspectives, Vol. 39 No. 1, pp. 39-61. https://doi.org/10.1108/DLP-03-2022-0019
24. 24. Liao, J., Design of Library User Profile System Based on Dynamic Density Clustering Algorithm and Stream Computing,- 2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2021, pp. 212-219, doi: 10.1109/IAEAC50856.2021.9391113.]
25. 25. Kumar Singh, Krishna and Ishani Banerjee. “Integrated Personalized Book Recommendation using Social Media Analysis.” Parikalpana: KIIT Journal of Management (2023): -DOI:10.23862/kiit-parikalpana/2023/v19/i1/220834
26. 26. Wijekoon, S. M. S. T. and Rupasingha, R. A. H. M. Machine Learning Approach for Discovering Successful Books Based on the Achievement of Award-Winning," 2023 3rd International Conference on Advanced Research in Computing (ICARC), Belihuloya, Sri Lanka, 2023, pp. 24-29, doi: 10.1109/ICARC57651.2023.10145695.]
27. 27. Qi, Ji, Shi Liu, Yannan Song and Xiang Liu. “Research on Personalized Book Recommendation Model for New Readers.” 2018 3rd International Conference on Information Systems Engineering (ICISE) (2018): 78-81.
28. 28. Liu, S. P. R. Asaithambi and R. Venkatraman, "Hybrid Personalized Book Recommender System Based on Big Data Framework," 2023 25th International Conference on Advanced Communication Technology (ICACT), Pyeongchang, Korea, Republic of, 2023, pp. 333-340, doi: 10.23919/ICACT56868.2023.10079457.
29. 29. Wani, Yash, Darsh Bakshi, Vinesh Desai, Sheetal Ignatius Pereira and U. G. Student. “Hybrid Book Recommendation System.” (2017).
30. 30. Niegaard, H. (2011). Library Space and Digital Challenges. Library Trends, 60(1), 174-189.
31. 31. Нещерет М.Ю. Библиотечно-информационные услуги в личном кабинете пользователя библиотеки // Библиотековедение. 2023. Т. 72, № 3. С. 213—223. DOI: 10.25281/0869- 608X-2023-72-3-213-223.
32. 32. Каптерев, А. И. Формирование информационно-сетевой компетентности школьников: системно-деятельностный подход / А. И. Каптерев. – Москва : Общество с ограниченной ответственностью "ОнтоПринт", 2018. – 194 с. – EDN VMARMW.
33. 33. Гончаров М. В., Колосов К. А. Вопросы расчёта альтметрик на основе данных, формируемых при обращении пользователей к электронным каталогам библиотек // Научные и технические библиотеки, 2020, № 11.- С.73-88
34. 34. Земсков А. И. Библиометрия, вебметрики, библиотечная статистика : учеб. пособие / А. И. Земсков ; науч. ред. д-р техн. наук Я. Л. Шрайберг ; Гос. публ. науч.-техн. б-ка России. – 2-е изд., испр. и доп. – Москва : ГПНТБ России, 2017. – 136 с.
35. 35. Kokalari Erald. THE FUTURE LIBRARY IN THE DIGITAL AGE.- Toronto, Ontario, Canada, 2014.- 82 р.

 

Примечания

[1] Lucene - это простая, но мощная поисковая библиотека на базе Java. Ее можно использовать в любом приложении, чтобы добавить в него возможности поиска. Lucene - проект с открытым исходным кодом. Это масштабируемая библиотека. Эта высокопроизводительная библиотека используется для индексирования и поиска практически в любом виде текста.

[2] Apache Solr - платформа полнотекстового поиска с открытым исходным кодом, основанная на проекте Apache Lucene. Её основные возможности: полнотекстовый поиск, подсветка результатов, фасетный поиск, динамическая кластеризация, интеграция с базами данных, обработка документов со сложным форматом (например, Word, PDF).

[3] Apache Kafka  - модуль организации потока данных из одной точки в другую и их опциональной обработки. Он может работать с разными видами событий — метрики, логи, данные систем мониторинга и другое.

[4] Spark MLlib - это библиотека машинного обучения с открытым исходным кодом, работающая поверх Spark. Она включена в стандартный дистрибутив Spark и предоставляет структуры данных и распределенные реализации многих алгоритмов машинного обучения.

[5] PySpark-это Python API для Apache Spark, который был выпущен для поддержки совместной работы Apache Spark с Python. Кроме того, PySpark позволяет взаимодействовать с устойчивыми распределенными наборами данных (RDDS) в Apache Spark и Python.

Сведения об авторе

Каптерев Андрей Игоревич - главный научный сотрудник ЦИПР РГБ (Российская государственная библиотека, Управление научной и методической деятельности, Центр по исследованию проблем развития библиотек в информационном обществе), профессор ИЦО МГПУ (Институт цифрового образования Московского городского педагогического университета), доктор социологических наук, доктор педагогических наук, заслуженный работник ВШ РФ, профессор.

К оглавлению выпуска