关联挖掘技术在图书馆推送服务中应用探究.docVIP

关联挖掘技术在图书馆推送服务中应用探究【摘 要】关联规则是数据挖掘的主要的技术之一，本文阐述了图书馆个性化信息推送服务以及关联规则数据挖掘技术，介绍了基于Apriori关联算法在图书馆读者借阅历史数据分析中的应用，论述了关联挖掘分析结果对图书馆推送服务的积极作用。指出了在使用关联规则中可能会存在的若干问题，并对相关问题提出了一些解决方法。 【关键词】数据挖掘；关联规则；图书馆；推送服务 1.引言 随着信息技术的飞速发展，大部分图书馆由传统意义上的图书馆转变为现代化的数字图书馆。在图书馆自动化程度不断提高的同时，也带来了图书馆数据量的成倍增长，这些数据除了用于记录读者的账户信息外，一般只用来做一些常规的业务数据统计，其潜在的使用价值还远没能得到充分的挖掘和利用。[1]由于目前大多数图书馆缺乏数据的集成和分析，更缺乏对统计数据中隐含的关联进行归纳与揭示，使图书馆对读者信息需求的捕获停留在比较浅显的层面，更谈不上辅助决策和知识的自动获取。数据关联挖掘技术正好为我们提供了解决上述问题的有效方法，它通过对海量数据的分析，从中挖掘出有价值的知识和规则，挖掘和发现读者借阅行为中隐含的规律，为图书馆管理、信息服务、信息资源采集提供了科学决策的有效方法。 2.关联挖掘技术 2.1 数据挖掘 数据挖掘是近年来随着人工智能和数据库技术的发展而出现的一门新兴技术。数据挖掘又称为数据库中的知识发现(KDD：Knowledge Discovery in Database)，是指从大量的、不完全的、模糊的、随机的数据中，提取隐含的、未知的和潜在有用的信息的非平凡的过程。简单地说，数据挖掘就是从大量的数据中提取或“挖掘”出有用的知识。 数据挖掘实质上不能算是一门新技术，它只是集合了人工智能、数据库、机器学习等多个领域的理论和技术。数据挖掘的方法按其功能可划分为：关联分析、分类和预测、聚类分析、孤立点分析、演变分析等。其中最广泛的应用方法之一就是关联规则挖掘算法。 2.2 关联规则 关联规则反映一个事物与其他事物之间的相互依存性和关联性，可用于表示数据库中诸多属性(项集)之间的关联程度。如果两个或者多个事物之间存在一定的关联关系，那么其中一个事物就能够通过其他事物预测到。 关联规则挖掘，在1993年的SIGMOD会议上被首次提出，在事务、关系数据库中的项集和对象中发现频繁模式、关联规则、相关性或者因果结构，其目的是为了发现数据中的规律。随着对大量数据的不停收集与存储，数据库中挖掘关联规则显得越来越重要。[2] 2.3 关联规则挖掘求解问题的步骤 从数据库中发现强关联规则的步骤为：①预处理与挖掘任务有关的数据，根据具体问题的要求对数据库进行相应的处理，从而生成规格化的数据库；②从数据库中找到所有支持度大于最小支持度的项集，这些项集称为频繁项集；③使用第2步找到的频繁项集产生期望的规则，这些规则必须满足最小置信度，形成输出规则。 2.4 关联规则Apriori算法 Apriori算法是最著名的关联规则算法，Apriori算法命名源于算法使用了频繁项集性质的先验（Prior）知识，它将发现关联规则的过程分为两个步骤：①通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集。挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。②利用频繁项集构造出满足用户最小信任度的规则。 3.关联规则在图书馆推送服务中的应用 3.1 图书馆个性化信息推送服务 数字图书馆个性化信息推送服务是一种能满足用户的特定信息需求的服务，即根据用户提出的明确或模糊的要求，或通过对用户借阅历史信息的分析，在研究用户行为、兴趣、爱好、专业和习惯的基础上，根据用户的个性化需求而主动向用户提供其可能需要的信息的服务。它包括两层含义：首先是针对不同的用户需求提供不同的服务；其次是发现用户的潜在需求，进行主动的信息服务。[3] 个性化信息推送服务是数字图书馆服务发展的根本要求，这种服务方式在数字图书馆中的实现不仅能够满足用户的个性化信息需求，而且可以大大提高图书馆的资源利用率，便于图书馆服务的大众化及服务效率和质量的提高。 推送服务的有效开展必须基于对数字图书馆中用户历史事务数据库中信息的挖掘来实现。随着数据库技术的迅速发展以及数据库管理系统在图书馆的广泛应用，在图书馆积累了大量的用户对资源的历史访问数据，这些数据背后隐藏着许多重要的信息，如用户类型与图书类型存在某种关联，A类图书与B类图书存在某种关联等。如果能够对其进行更高层次的分析，就可以更好地利用这些数据为用户服务。因此，需要获取“不同类型的用户喜欢哪类书籍”的统计分析，以便向不同类型的用户推荐相关图书；需