大数据下信息资源管理创新分析

序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了1篇的大数据下信息资源管理创新分析样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。

在大数据时代，信息资源管理在思维上要关注研究对象的完备性、接受数据信息的混杂、注重相关关系；在流程上则应革新信息采集模式、构建分布式信息存储平台、变革信息分析流程、提高信息提供质量，从而实现信息资源管理的整体优化。

引言

信息资源管理是在上个世纪７０年代末８０年代初为解决企业和政府信息资源管理和利用问题而兴起的一个新兴领域。它将信息作为一种资源进行管理，并随着社会和技术的发展，形成了一系列理论和方法，成为当今最引人注目的研究领域之一。２０世纪９０年代后期，为了应对传统计算机技术难以处理的海量数据问题，科学研究领域率先提出了大数据的概念。２００８年，Ｙａｈｏｏ、Ｇｏｏｇｌｅ、阿里巴巴等大型互联网和电子商务公司在运营过程中，出现了很多问题，如处理的数据量大、种类多，数据的流动速度快，而且数据经常是不完备甚至是不可理解的［１］。为了有效地解决这些问题，大数据的理念和技术被应用，且不断更新大数据的技术和架构。除了在科研和经济领域引起热潮，政府也将大数据问题提升到了战略层次。２０１５年，国务院颁布了《促进大数据发展行动纲要》［２］，指出大数据已成为国家基础性战略资源，这也是中国正式启动和实施国家大数据战略的标志。大数据与信息资源管理紧密相关，大数据的思维影响着信息资源管理的思想，指导处理大数据环境下信息资源管理中涌现的问题，并为信息资源管理发展出全新的方法论。就方法论而言，大数据带来的新思维，即整体性、容错性以及相关性思维，给传统的科学方法论带来了巨大冲击。大数据技术则为信息资源管理的发展奠定基础，为其实现指明道路，并提供动力。就非结构化数据处理而言，大数据提出了多源信息融合理论［３］，并在技术实现上给予支持，保障信息采集的完备性、信息分析的科学性，以及信息成果或产品的高价值。简而言之，大数据与信息资源管理紧密相关，其思维指导着信息资源管理思想在大数据环境下的变革，其技术在信息资源管理流程方面具有良好的可移植性，促使信息资源管理流程适应大数据时代的发展。

１大数据思维与技术

“大数据”（ＢｉｇＤａｔａ）是一个较为抽象的概念，现在还没有统一的定义。大数据最早由美国著名未来学家Ｔｏｆｆｅｒ在《ＴｈｅＴｈｉｒｄＷａｖｅ》一书中提出，其将大数据赞颂为“第三次浪潮的华彩乐章”［４］；２０００年Ｄｉｅｂｏｌｄ［５］所撰写的论文《“ＢｉｇＤａｔａ”ＤｙｎａｍｉｃＦａｃｔｏｒＭｏｄｅｌｓｆｏｒＭａｃｒｏｅｃｏｎｏｍｉｃＭｅａｓｕｒｅｍｅｎｔａｎｄＦｏｒｅｃａｓｔｉｎｇ》是大数据第一次出现在学术期刊中。维基百科将大数据定义为无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合［６］。这并不是个严谨的定义，但却是各种学术和应用领域最广泛引用的一个定义。２０１２年初，麦肯锡公司用“大数据”来指那些数据量特别巨大，并包含结构性、半结构性和非结构性的数据［７］，促进了大数据的广泛传播，并引起了学界对大数据的研究热潮。有研究以大数据的五个特征作为补充，得出一个较为清晰的概念，即大数据是以容量大、存取速度快、类型多、真实性、价值回报高为主要特征的数据集合［１］。虽然关于大数据的研究持续的时间不长，但关于大数据的研究与应用却已深入到社会的方方面面，深刻地影响着人们的生产与生活。

１.１大数据思维

得大数据者得天下，要想充分发挥大数据的价值，首先要建立大数据思维。简单来说，大数据时代，人们必须用数据的眼光重新看待这个世界，将一切数据化，并且依托数据做出更为有效的决策。大数据主要给人们带来了三个全新的思维，即整体性思维、容错性思维以及相关性思维，这三个思维将帮助人们更好地理解大数据。1.1.１整体性思维。大数据思维对整体性的追求，实质上是一种“样本＝总体”的思维转变［８］，即要分析与某事物相关的尽可能多的数据，甚至所有数据，而不再只依赖通过随机分析法（抽样调查）得到的少量数据样本，通过这种方式可以抓住随机抽样方法中抓不到的细节。这里使用“尽可能多”来阐述大数据，是由于在现实中会受到人体自身与技术发展水平的限制，所能获取和处理的数据终归是有限的。不过随着信息技术的进步，人们可以处理的数据量会不断增加［８］。1.1.２容错性思维。大数据思维的容错性是指其不再追求数据的精确性，即接受数据的混杂性，不同于以往科学研究中对高质量数据收集处理和精确性结果获得的诉求，大数据从大量混杂的数据中挖掘知识和价值，宏观上失去了精确性，但微观上却能获得准确性。大数据的混杂性主要体现在两个方面，一是数据容量巨大，质量参差不齐；二是数据结构多样，结构化、半结构化、准结构化和非结构化数据共存。大数据体现着“样本＝总体”的思想追求，由于人体本身与技术发展水平的限制，所能获取与处理的数据是并且永远是有限的，因此无需也无法追求精确度［８］。此外，适用于传统数据库的结构化数据只有５％，只有接受混乱，才能利用剩下的９５％的数据资源［９］。1.1.３相关性思维。大数据思维的相关性是指不再探求难以捉摸的因果关系，转而关注事物的相关关系。与因果关系不同，相关关系不需要揭示事物内部的运行机制，类似于将数据封装成一个个的黑箱，用户只需要关注外在的宏观行为，忽略内部的各种复杂关系转化，然后通过比对来找到宏观行为中的数据之间的相关关系。这种对数据之间相关关系的挖掘，在面对非线性关系分析时，显示出了极大的优越性。相关性思维使人们关注“是什么”而不是“为什么”，帮助人们更好地了解这个世界［９］。

1.２大数据技术

根据大数据的应用实践过程，可将大数据技术划分为大数据采集技术、存储与管理技术、分析技术以及安全与隐私保护技术等。1.2.１大数据采集技术。常用的大数据采集技术有射频识别技术（ＲＦＩＤ）、形码技术、视频监控技术、网络爬虫采集技术、情感识别技术与智能录播技术、移动ＡＰＰ技术与点阵数码笔技术等［１０］。主要集中于云环境下大数据的采集、分布式大数据的采集技术以及各领域大数据采集三个方面。如，方晖［１１］研究出了基于相干功率谱密度估计的云信息采集方法。杨懿等［１２］研究的用电信息采集系统架构优化主要是利用了大数据的分布式采集技术。赵红艳［１３］设计的基于大数据的小微企业信息自动采集系统，实现了网页信息抓取、处理、集成、存储和查询等。1.２.２大数据存储与管理技术。大数据存储与管理技术主要涉及ＮｏＳＱＬ存储方案设计、分布式文件系统构建、分布式并行数据集群技术的研究、面向大数据处理的ＭａｐＲｅｄｕｃｅ模型实现以及基于Ｈａｄｏｏｐ开源体系的系统平台建设等方面［１０］。非关系型分布式数据库（ＮｏＳＱＬ）是分布式存储的主要技术，具有不需要预定义模式、无共享架构、弹性可扩展、数据分区、异步复制以及追求最终一致性和软事务等特征［１］。如Ｈａｄｏｏｐ分布式文件系统ＨＤＦＳ具有高度容错性，可以应用在那些低配置的硬件上，并保持高吞吐量的数据访问。1.2.３大数据分析技术。目前，大数据分析技术的研究主要涉及云计算、分布式数据库、ＭａｐＲｅｄｕｃｅ、基于机器学习的大数据分析技术、大数据挖掘技术、大数据分析系统的构建、可视化技术等多个方面［１０］。云计算是一种可扩展的基于互联网的资源配置方式，对软件的开发与测试有着深刻的影响［１４］。分布式数据库主要是用计算机网络对分散的数据节点建立逻辑上的统一，具有降低数据传送代价、提供系统可靠性以及便于系统扩充等优点［１］。ＨａｄｏｏｐＭａｐＲｅｄｕｃｅ是一种编程模型，适合大数据规模集（大于１ＴＢ）的并行运算。1.2.４大数据安全与隐私保护技术目前，大数据安全与隐私保护技术的研究有数据加密算法、位置大数据的隐私保护、隐私保护的技术架构研究以及隐私保护的立法等［１０］。Ｒｉｖｅｓｔ在１９９１年开发出技术上更为趋近成熟的ＭＤ５算法，并在一致性验证、数字签名、安全访问认证等领域有着很好的效果。聂燕敏、陈刚和何志强［１５］设计的分布式位置隐私保护模型，实现了精确位置分割和多层次粗糙位置融合的新算法，并采用信息熵的理论进行实证，显示新算法对位置大数据隐私保护效果显著。杨鑫［１６］将入侵检测技术、容忍技术以及通用框架模型相结合，在入侵检测框架中添加入侵容忍单元，从而提出了改进入侵容忍系统模型的设计方案。

２大数据对信息资源管理的影响

大数据对信息资源管理的影响主要体现在思想与流程两个方面。信息资源管理思想是动态变化的，在大数据时代，由于数据的５Ｖ特征的影响，会表现出关注研究对象的完备性、接受数据信息的混杂和注重相关关系等特性。而在信息资源管理流程方面，由于大数据技术的推进，以及信息资源管理的新思想的作用，信息采集、信息组织、信息分析以及信息提供都会在一定程度上受到影响。

2.１对信息资源管理思想的影响

信息资源管理经历了以图书馆为象征的传统管理阶段、以电子信息系统为标志的自动化技术管理阶段、对信息活动全要素进行管理的信息资源管理阶段以及最新发展形成的知识管理阶段四个发展阶段。在信息资源管理的发展演变过程中，比较主流的信息资源管理思想有信息是一种资源、信息资源管理新模式、以人为中心三种：（１）信息是一种与物质、能源同等甚至更加重要的资源，把信息看成宝贵的资源，认同其作为资源的地位，是面对信息资源所持有的一种科学态度［１７］；（２）信息资源管理新模式是指从技术、经济、人文三个维度对信息资源进行管理，从而保证信息资源开发与利用的科学性，保持管理模式的先进性；（３）以人为中心是指将关注的重心从技术转移到人本身，如人对技术的态度、人与技术的关系、人的信息使用行为、人的信息心理等［１８］。信息资源管理思想在不同的阶段有着不同的内容，即信息资源管理思想是动态变化的，随着时代的发展而不断替换与更新。大数据思维是数据规模与复杂度发展到一定阶段的产物，符合当前发展趋势，对信息资源管理思想的发展与变革具有指导作用。2.1.１关注研究对象的完备性。在传统管理阶段，由于资金、技术等各种资源的短缺，人们对研究对象（狭义的信息资源）的整体性要求不高，在进行信息采集时，抽样是比较常用的方式。而随着经济的发展，信息技术的提高，尤其是现在大数据思想与技术的冲击，关注研究对象的完备性是保证组织先进性的根本要求。即只有收集与研究对象有关的全部信息，才能充分挖掘信息的价值，在保证真实的基础上，充分发挥信息资源的价值。2.1.２接受数据信息的混杂。随着社交网络的发展，网络用户的角色从数据的使用者，变成了数据的生产者，数据规模迅速扩展。就移动互联网而言，据统计全球每个月移动互联网使用者发送和接收的数据高达1.３ＥＢ［１］。同时，不是结构化的数据与结构化数据的占比迅速扩大，且未来不是结构化的数据将占到数据总量的８０％～９０％［９］。大数据环境下，数据信息是信息资源的重要组成部分，且随着时代的发展，其在信息资源中所占的比例将越来越大，数据信息的混杂促使信息资源管理的难度升级。因此，要优化信息资源管理，接受数据信息的混杂势在必行。2.1.３注重相关关系。因果关系是指对已经发生的事件，根据其原因来判断其结果。与因果关系不同，相关关系是指针对几个相互联系的变量，一个或几个变量的变动会引起与之相对应的另一变量的规律性变动，即正相关或负相关［１９］。随着信息技术的发展，信息资源管理的对象更为混杂，很难真正地、容易地找到因果关系，相关关系在这时凸显出来，且在信息资源管理活动中显示出极大的优越性。

2.２对信息资源管理流程的影响

按业务流程进行划分，信息资源管理包括信息采集、信息组织、信息分析和信息提供等活动。信息采集是指采集人员出于自身从事科学研究的需要，或供他人或企业作为决策、研究的参考，从而进行的利用社会调查、网络工具、图书和报刊资料等工具进行的专门性的信息采集工作［２０］，其实质是将信息资源从纷繁复杂的信息中提炼出来的过程。信息组织是指对采集到的信息按其形式特征和内容特征有序化，然后进行重新组织与控制的活动，包括信息筛选、信息分析、信息描述与揭示、信息整序与存储四方面内容［２１］。信息分析是指信息分析人员以用户的信息需求为依据，利用各种分析工具和分析技术，运用不同的分析方法，对已有信息进行分析、对比、提炼、浓缩和综合，从而得到分析研究结果的过程［２２］。信息提供是指针对用户的特定需求，将信息机构收藏的信息或信息获取与查询工具提供给用户利用的活动［２２］。信息资源管理活动的实质，就是为了将信息机构所存储的信息能够为企业或组织的管理工作服务，为个人的学习、科学研究及日常生活服务。大数据作为信息资源管理的技术手段，其发展对信息资源管理理论、技术方法以及应用都有着极大的影响，且大数据对信息资源管理的影响会贯穿信息资源管理流程的每一个环节。2.2.１对信息采集的影响。从信息采集的角度看，大数据环境下数字信息资源的空间结构发生了大的变化。２００５年以前，政府约占有全部信息资源的８０％。而２０１１年，麦肯锡公司的报告显示，政府对数字信息资源的占有率下降到了１２％左右，更多的信息资源分散在信息服务商的手中。由此可见，大数据环境下数字信息资源的空间结构分布呈现出扁平化和多样化的特点，因此，寻求信息采集的创新和突破迫在眉睫［２３］。2.2.２对信息组织的影响。大数据对信息组织的影响主要体现在信息存储与处理两个方面。大数据的“大”不仅指数据容量巨大，还体现在数据结构的多样性、处理速度快的时效性等多方面要求。而数据作为信息存储和处理的最小单元，其复杂性直接导致数据组织的难度直线升级。传统的信息组织方式只适应于适合关系型数据库处理的结构化数据，而对于未来占数据总量８０％～９０％的不是结构化的数据的处理与存储则需要借助于大数据技术。此外，在分析处理海量数据时，关系型数据库存在不支持横向扩充、处理时间过长等缺陷。2.2.３对信息分析的影响。大数据对信息分析的影响主要体现在研究范式的演进和研究质量的提高两个方面。就研究范式的演进而言，科学研究的范式可划分为科学实验、模型归纳和模拟仿真三个阶段。现今伴随着大数据技术的发展，以及科学研究进程与科学数据管理遇到的挑战，进入了第四范式，即数据密集型科学范式［２４］。从研究质量的提升来看，能否通过信息分析把握事物的状态、性能和效果，准确萃取有用信息支持决策，挖掘隐藏信息做出预测，集成相关信息进行评估，这些信息分析重要目标的实现在很大程度取决于信息分析的质量。大数据能进行前瞻性预测和实施实时精准的管理的特征为提高信息分析的质量提供了巨大动力。2.2.４对信息提供的影响。信息提供的范围比较广，目前，主流的研究领域有信息行为研究、个性化推荐研究、可视化研究以及信息安全与隐私保护研究等。就信息行为与个性化推荐而言，大数据的相关性思维具有明显的优越性，如亚马逊个性化推荐系统［９］，就是通过分析发现书籍之间相关关系取代传统的对用户样本数据的研究，从而更加贴近用户的信息需求，赚取更多的利益。从可视化来看，大数据可视化在工具及理论方面相对较成熟，对信息资源管理过程中的可视化问题具有指导意义。在信息安全与隐私保护方面，大数据技术的研究方向很多，除了传统的加密算法、立法保护等方面的研究外，还对非结构化数据的保护问题以及技术架构等方面进行了较为深入的研究，对信息提供的安全保护问题提供新的思路。

３基于大数据的信息资源管理创新

利用大数据的思维与技术对信息资源管理的思想和流程进行创新，是一个循序渐进的过程。就思想创新而言，每一个思想都会对信息资源管理的所有环节产生影响，即在信息资源管理的每个活动中都会有所体现。就流程创新而言，是思想与技术的共同体现，思想为其创新指明方向，而技术则为其实现提供支撑。同时，流程的创新，不只是单个环节的创新，更是整个信息资源管理效果最优化的真实体现。

3.１信息资源管理思想创新

数据信息是信息资源管理研究对象的重要组成部分，因此，将大数据思维延伸至信息资源管理方面很有必要。同时，大数据思维对信息资源管理的影响涉及信息资源管理流程的每一个环节，即在信息资源管理流程的每一个环节都应该注重大数据思维的应用，从而达到信息资源管理的整体优化。3.1.１信息资源管理的整体性。信息资源管理的整体性是指要关注研究对象的完备性，是对传统抽样调查的补充。信息资源管理的整体性主要体现在信息采集与信息组织两个阶段。在信息采集阶段，整体性要求注重采集的全面性，即要穷尽与信息需求相关的所有信息。在信息组织阶段，整体性要求尽可能穷尽研究对象的所有具有代表性的特征，尤其是对内容特征的提取，会直接影响后面信息检索的效率。3.1.２信息资源管理的容错性。信息资源管理的容错性是指要接受信息内容资源的混杂性，是在关注信息内容资源全集的基础上，由规模化效应抵消由信息内容资源的混杂性带来的误差。大数据的混杂是由数据的复杂性造成的，信息内容资源的混杂则更为复杂，这是由于信息内容资源不只是数据，还包括句子、文章、书籍等，会涉及句子的切分、自然语言的处理等复杂问题。信息资源管理的容错性思想主要体现在信息组织和信息分析阶段。在信息组织阶段，容错性能够保障数据处理的顺利进行。而在信息分析阶段，容错性则保证分析结果的科学性与可行性。3.1.３信息资源管理的相关性。信息资源管理的相关性，不是对因果关系的全盘否定，而是在对相关关系给予肯定的同时，注重因果关系、相关关系以及相关关系与因果关系的结合使用。现在，相关关系在信息资源管理的每一个环节都有应用。在信息采集阶段，通过采集数据间的相关关系，可以实现预测功能。如：谷歌公司通过采集人们在网上的搜索关于流感的相关关系记录来完成冬季流感在美国如何传播的预测［２５］。在信息组织阶段，关注相关关系是为了更好地存储，在节省存储空间的同时，加快信息资源应用时的响应速度。在信息分析阶段，关注用户之间的相关关系、产品之间的相关关系、用户与产品之间的相关关系以及它们之间的替换或结合使用等，提高系统的效率与效益，如亚马逊的个性化推荐服务。在信息提供阶段，相关关系的应用则是为了更“懂”用户，更加贴近用户的需求。就亚马逊推荐系统而言，理想的情况应是只为用户推荐一个结果，而这个结果正是用户所需要的。

3.２信息资源管理流程创新

基于大数据的思维与技术，对信息资源管理流程进行创新具有极大的可行性，而且目前在信息资源管理方面，已经有了将大数据与其某些环节融合起来研究或应用的案例，并取得了不小的成果。大数据对信息资源管理的影响为其创新提供了极大的可能性。在具体创新中，大数据思维为信息资源管理的发展指明方向，而大数据技术则为其成为现实奠定基础。3.2.１革新信息采集模式。在信息技术与大数据技术的共同作用下，信息采集的理念与技术实现有了很大的提升，这为信息采集模式的转变奠定了基础。大数据环境下，信息采集的模式更加细化、科学、可靠。就以纸质文本信息的采集为例，为了弥补全文检索命中率低、耗时长的缺陷，提出了内容信息的采集问题，具体的操作步骤为［２６］：（１）关键词化数据，即对文本进行基于关键词的自动聚类分析；（２）结构化数据，即建立数据库，分门别类地存储采集到的文本基础信息；（３）知识化数据，即采用知识管理的概念对信息进行深加工，建立知识数据库，采集文本知识信息。只有实现文本信息的内容采集，才能对其进行智慧高效应用。3.2.２构建分布式信息存储平台。数据复杂度的提升，对信息存储提出了全新的要求与挑战。针对关系型数据库在架构及处理速度等方面存在的问题，提出了将大数据分布式处理的理念融入信息存储的新模式，构建分布式信息存储平台。如：数据仓库中的大规模并行处理系统（ＭａｓｓｉｖｅｌｙＰａｒａｌｌｅｌＰｒｏｃｅｓｓｉｎｇ，ＭＰＰ），其实现机理是先将任务同时到多个服务器节点上，分别进行处理，然后对其进行汇总，从而产生最后的结果［１］。3.2.３变革信息分析流程。大数据环境下，信息分析的流程为：信息需求定义与计划→信息检索与数据采集→多源信息融合与清洗→信息分析与挖掘→结果解读与信息提炼→报告撰写与传递［２７］。在信息分析方法的选择与使用方面，更加注重定性分析与定量分析的结合，从而使分析结果真实可靠，提升产品价值。同时，多源信息融合与清洗是大数据时代信息多样化发展的必然要求。与传统的信息分析流程相比，大数据环境下的信息分析有着独特的优越性，如：更加注重与用户之间的关联，注重信息资源的完备性，关注各个环节之间的连接等。3.2.４提升信息提供质量。大数据环境下，对信息提供进行创新主要体现在个性化信息服务、信息安全与隐私保护两个方面。就个性化信息服务而言，通过对全体数据的分析、对相关关系的挖掘，更容易真正地发现用户的信息需求，做出针对性较强的推荐。如林登所言“如果系统运作良好，亚马逊应该只推荐你一本书，而这本书就是你将要买的下一本书”［９］。就信息安全与隐私保护而言，在加强法律法规建设、提高人们的隐私意识与自我保护意识的基础上，还应关注技术的发展，根据数据的生命周期，从物理安全、系统安全、网络安全、存储安全、审计安全、访问安全等角度建立完善的隐私安全技术体系［２８］。此外，大数据拓宽了信息提供的渠道，改善了信息提供的方式，加强了提供者与接收者之间的联系，并形成新的信息提供模式。

４结语

大数据与信息资源管理紧密相关，通过对大数据思维与技术的解读，为信息资源管理的思想以及流程的创新指明了方向。就思想而言，信息资源管理思想是动态变化的，即随着时代的进步、信息技术的发展，信息资源管理思想会产生新的内涵。本文主要是将大数据思维融入信息资源管理，从而产生独具信息资源管理特色的整体性、容错性以及相关性思想。就技术而言，大数据技术与信息技术息息相关，其基础都是计算机技术、通信技术与网络技术等，具有很好的可移植性，不过由于侧重环节的不同，技术的重点研究方向略有差异，双方可互相借鉴，从而完善自己的不足，提高系统效率。应将大数据的思维与技术作用于信息资源管理，从而革新信息采集模式、构建分布式信息存储平台、优化信息分析流程以及提升信息提供质量，以达到信息资源管理的整体优化。

参考文献：

［１］赵刚.大数据技术与应用实践指南（第２版）［Ｍ］.北京：电子工业出版社，２０１６：1.

［２］国务院.国务院关于印发促进大数据发展行动纲要的通知［ＥＢ／ＯＬ］.［２０１８－１０－１５］.ｈｔｔｐ：／／ｗｗｗ.ｇｏｖ.ｃｎ／ｚｈｅｎｇｃｅ／ｃｏｎｔｅｎｔ／２０１５－０９／０５／ｃｏｎｔｅｎｔ＿１０１３７.ｈｔｍ.

［３］化柏林，李广建.大数据环境下多源信息融合的理论与应用探讨［Ｊ］.图书情报工作，２０１５（１６）：５－１０.

［４］ＴｏｆｆｅｒＡ.ＴｈｅＴｈｉｒｄＷａｖｅ［Ｍ］.ＮｅｗＹｏｒｋ：ＢａｎｔａｍＢｏｏｋｓ，１９８１：２６.

［５］ＤｉｅｂｏｌｄＦＸ.“ＢｉｇＤａｔａ”ＤｙｎａｍｉｃＦａｃｔｏｒＭｏｄｅｌｓｆｏｒＭａｃｒｏｅｃｏｎｏｍｉｃＭｅａｓｕｒｅｍｅｎｔａｎｄＦｏｒｅｃａｓｔｉｎｇ［Ｍ］.Ｃａｍｂｒｉｄｇｅ：ＣａｍｂｒｉｄｇｅＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００３：１１５－１２2.

［６］Ｗｉｋｉｐｅｄｉａ.Ｂｉｇｄａｔａ［ＤＢ／ＯＬ］.［２０１８－１０－１５］.ｈｔｔｐ：／／ｅｎ.ｗｉｋｉｐｅｄｉａ.ｏｒｇ／ｗｉｋｉ／Ｂｉｇ＿ｄａｔａ.

［７］李德伟.大数据改变世界［Ｍ］.北京：电子工业出版社，２０１３：７.

［８］徐超.解析大数据思想及其在企业档案管理中的价值［Ｊ］.机电兵船档案，２０１６（５）：５１－５４.

［９］周苏，张丽娜，王文.大数据可视化技术［Ｍ］.北京：清华大学出版社，２０１６：１５.

［１０］常李艳，我国大数据技术研究趋势［Ｊ］.电脑知识与技术，２０１７（２）：２－４.

［１１］方晖.大数据时代网络下云信息采集方法的改进与研究［Ｊ］.电子技术与软件工程，２０１６（２１）：１６２－１６４.

［１２］杨懿，王鑫，杨开琼，等.大数据关键技术在用电信息采集系统架构优化中的应用研究［Ｊ］.科技传播，２０１５（２０）：１１６－１１８.

［１３］赵红艳.基于大数据技术的小微企业信息采集技术研究［Ｊ］.科技展望，２０１５（３０）：１－3.

［１４］寿步，王晓燕.云计算知识产权问题研究［Ｍ］.上海：上海交通大学出版社，２０１４：3.

［１５］聂燕敏，陈刚，何志强.基于信息熵的位置大数据隐私保护研究［Ｊ］.黑龙江科技信息，２０１６（１２）：１８９.

［１６］杨鑫.基于云平台的大数据信息安全机制研究［Ｊ］.情报科学，２０１７（１）：１１０－１１４.

［１７］李运蒙.信息资源管理［Ｍ］.广州：华南理工大学出版社，２０１６：５.

［１８］马费城，赖茂生，等.信息资源管理（第二版）［Ｍ］.天津：高等教育出版社，２０１４：２７.

［１９］曲峰.大数据背景下公安边防应急指挥信息采集研究［Ｊ］.中国应急救援，２０１５（５）：２３－２６.

［２０］夏南强，殷克涛，谢乘风.信息采集学［Ｍ］.北京：清华大学出版社，２０１２：１3.

［２１］叶继元.信息组织（第二版）［Ｍ］.北京：电子工业出版社，２０１５：２－７.

［２２］娄策群，段尧清，张凯.信息管理学基础（第二版）［Ｍ］.北京：科学出版社，２００９：１４６.

［２３］张斌，马费成.大数据环境下数字信息资源服务创新［Ｊ］.情报理论与实践，２０１４（６）：２８－３3.

［２４］ＴｏｌｌｅＫＭ，ＴａｎｓｌｅｙＤ，ＳｔｅｗａｒｔＷ.ＴｈｅＦｏｕｒｔｈＰａｒａｄｉｇｍ：Ｄａｔａ－ｉｎｔｅｎｓｉｖｅＳｃｉｅｎｔｉｆｉｃＤｉｓｃｏｖｅｒｙ［Ｊ］.ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ，２０１１，９９（８）：３３４－１３３７.

［２５］ＶｉｋｔｏｒＭＳ，ＫｅｎｎｅｔｈＣ.大数据时代［Ｍ］.盛杨燕，等译，杭州：浙江人民出版社.２０１３：1.

［２６］王坤，郭起云，郭光.大数据时代下档案信息采集新思路［Ｊ］.数字与缩微影像，２０１４（２）：７－８.

［２７］化柏林.从棱镜计划看大数据时代下的情报分析［Ｊ］.图书与情报，２０１４（５）：２－６.

［２８］陈红.大数据与图书馆保护读者隐私的自律措施［Ｊ］.图书馆学刊，２０１４（１２）：１９－２1.

作者:易明 冯翠翠 莫富传 单位:华中师范大学信息管理学院