Ritanila's Blog

Leesadvies van mens via tool naar mens…

Concept voor interne presentatie Bibliotheek Rotterdam 28-6-2006 (vandaar de tijden)
Laatste update 29-6-2006

De biebjuf of meneer leest alles…
12.00 -12.05 Rita
De vraag van lezers “dit boek vond ik zo mooi, welk boek zou u adviseren…” is waarschijnlijk zo oud als de eerste bibliotheek in Alexandrië.  Van medewerkers aan de balies van bibliotheken wordt verwacht dat zij zelf veellezers zijn, alle nieuwe boeken langs zien komen, kunnen lezen in werktijd (helaas een misverstand) en leners goed advies kunnen geven.
Bezoekers hebben geen idee dat er zoveel uitgegeven wordt dat bibliotheekpersoneel dit onmogelijk allemaal kan en wil lezen.  Als je ziet hoe populair de tafels met selecties van personeel in boekhandel en bibliotheek zijn, weet je dat dit nog steeds een goede manier is om bezoekers van dienst te zijn en de uitleencijfers op niveau te houden.  Zelf ben ik nog steeds van mening dat een enthousiaste baliemedewerk(st)er goud waard is om bijvoorbeeld kinderen te stimuleren tot lezen.

Tools in de bibliotheek en online…
Daarnaast zijn er nogal wat tools in boekvorm (fictie op onderwerp), op CD-roms en internet, zowel voor bibliotheekpersoneel als voor publiek.  Niet allemaal te bekijken buiten de bibliotheek i.v.m. copyright (Literom , Fictierom) en niet allemaal op het Nederlands taalgebied, maar daar wordt hopelijk aan gewerkt…  Door de presentatie die mijn collega en ik morgen geven voor onze collega’s in Bibliotheek Rotterdam hopen wij mensen op ideeën te brengen. Landelijk is mijn collega al actief binnen een aantal samenwerkingsverbanden… en via mijn weblog probeer ik de rest van de Nederlandse biebwereld alvast wat te prikkelen…. Door het plaatsen op mijn weblog kunnen andere bibiliotheken mogelijk worden geënthousiasmeerd bestaande tools te gebruiken en nieuwe op te zetten.
Op  http://del.icio.us/ritanila/leesadviezen heb ik een uitgebreide lijst met links rond dit onderwerp geplaatst. 

Techniek?
Deels werken de tools vanuit de statistiek van uitleencijfers, zoals de Romanadviesmachine  en Muziekadvies van Muziekweb. De techniek hierachter komt van Sentient en heet Datadetective.
Sommige tools zijn nog veel geavanceerder zoals iTunes, Bowker en Visual space van Sossoon.  Bowker is nu alleen bruikbaar voor engelse boeken. De VOB  neemt het mee bij het vernieuwen van de huidige Romanadviesmachine, ook de Landelijke gebruikersgroep ABL  gaat kijken of een Nederlandse versie een optie is.

Audience participation!
Steeds meer wordt gebruik gemaakt van beoordelingen door publiek zelf. Bij Muziekweb kan men met sterren de waardering van een CD aangeven.  Bij Amazon of Bol schrijft publiek recensies over boeken en ook bij de digitale leeskringen van Bibliotheek Rotterdam worden jaarlijks zo’n 150 boeken gezamenlijk gelezen, voorzien van recensies en een rapportcijfer. Leeskringleden voeren hun profiel in en op basis van voorkeuren worden uit de database groepen met ongeveer dezelfde interesse geformeerd.
Visual space van Sossoon is m.i. goed bruikbaar als tool om de lezers hun profiel op te laten stellen en zo communities te vormen en een meer persoonlijk leesadvies te laten genereren.

Moeilijke woorden..
Bij het adviseren zijn twee verschillende manieren, de zogenaamde content based filtering en de collaborative filtering.
Bij de eerste wordt het lees-of luisteradvies gegenereerd op basis van de gegevens van de boeken of muzieknummers, die voorzien van van zogenaamde metadata. (iTunes)
De tweede maakt een lees- of luisteradvies op basis van de beslissingen van andere mensen van wie het smaakprofiel op dat van jou lijkt of op basis van aankoop- of leengegevens (Romanadviesmachine , Amazon, Bol). 

Bij muziek is men al verder, Napster heeft 300 genres en subgenres, het Music Genome Project 400 kenmerken en HiFind legt (lag want tijdelijk zijn ze offline i.v.m. overname door Sony neem ik aan) per nummer 1000 kenmerken vast. Het gedetailleerde toevoegen van kenmerken aan boeken en muzieknummers is veel werk, verschillende muziekcommunities zoals MoodLogic laten gebruikers punten verdienen door muzieknummers te beoordelen. Bij HiFind kun (kon) je tijdens het afspelen de gesuggereerde nummers beoordelen met een plus en min zodat je je profiel kunt bijslijpen. Links zie http://del.icio.us/ritanila/muziekadvies 

De combinatie lijkt ook voor boeken het meest interessant. Het handmatig in laten voeren van metadata is een gigantische klus en het combineren met uitleengegevens, mogelijk aanschafgegevens en persoonlijke voorkeuren geeft het beste resultaat en wordt door publiek voorzover bekend het beste gewaardeerd. 
Motiveer daarbij personeel om deze tools uit te leggen aan de klant en...
 
Presentatie:
28 juni was er in het kader van een zogenaamd lunchreferaat een presentatie voor mijn collega’s. Dit stuk is om die reden voorzien van geplande tijden. 

Romanadviesmachine
12.05-12.10 Rita
We beginnen met de Romanadviesmachine en Muziekweb om te laten zien hoe het begonnen is. Aardig is dat de Romanadviesmachine blijkbaar fuzzy logic  begrijpt oftewel als je fonetisch Frensj invoert, begrijpt het systeem meteen dat je Nicci French bedoelt. Knap!   Als voorbeeld gebruiken wij Dan Brown en Nicci French. Fraai ook is de doorklik naar MOM, oftewel meer over media, hoewel deze nogal eens verbindingsproblemen oplevert (het grote risico bij elke live demonstratie).

Muziekweb
12.10-12.15 Rita
Muziekweb is al wat geavanceerder, de gebruiker kan hier ook waardering in de vorm van sterren aangeven. Als voorbeeld hier Jewel, Beady Belle en Angie Stone.

Jan. 2004 Dutch public libraries employ DataDetective nation-wide for advising books
In co-operation with the Dutch Public Library Association and Sara Computing & Networking Services, Sentient has realized a central public system for advising books based on self-learning DataDetective technology. The system is accessible over the internet: romanadvies.bibliotheek.nl and over terminals in an increasing number of Dutch public libraries.
In contrast to typical E-commerce recommendation systems that use sales records, DataDetective bases the advice on self-learned models of taste. In other words: the system estimates what the user will like the most instead of what the user will probably buy.

Overigens is het laatste woord een beetje vreemd in dit kader... ik dacht dat het bij bibliotheken om lenen ging?