数据挖掘在图书馆个性化服务中研究.docVIP

数据挖掘在图书馆个性化服务中研究 　　【摘要】图书馆拥有海量的信息数据，这些数据背后隐藏着许多重要的信息，通过对其进行科学的梳理和细分，挖掘数据背后隐藏的信息，从而为个性化服务提供决策和支持。文章在描述数据挖掘技术与方法的基础上，研究了数据挖掘在图书馆个性化服务中的应用特点、原则、分类等。 　　【关键词】数据挖掘；图书馆；个性化服务 　　 　　引言 　　随着信息技术的不断发展与数字图书馆建设水平的不断提高，各高校都相继建立了自动化管理系统，这些管理系统中积累了大量的统计数据和表单，它们对图书馆馆藏建设等业务有着很强的指导作用。但目前对这些数据的处理还停留在用系统提供的工具进行初级的数据备份、查询及简单的统计阶段，而图书馆有必要增强对这些数据的处理能力以及对它们的组织能力。应用数据挖掘技术可以对系统中海量的信息进行深入的开发，提取信息的内在联系，为决策者获得知识和洞察力，从而优化图书馆资源建设，推动读者个性化服务，同时促进图情工作研究。 　　1.数据挖掘技术简介 　　1.1 数据挖掘的定义 　　数据挖掘定义有若干表达，在技术角度的定义比较公认的是W.J.Frawley，G.PiatetskyShapiro等人提出的：数据挖掘（DataMining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据提取隐含在其中的，人们事先不知道的，但又是潜在又用的信息和知识的过程。数据挖掘与传统的数据分析如查询、报表、联机应用分析（OLAP）的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识，数据挖掘得到的信息应具有先前未知、有效和实用三个特征。 　　1.2 数据挖掘的过程 　　数据挖掘是指一个完整的过程，该过程从大型数据库中挖掘先前未知的，有效的，可实用的信息，并使用这些信息做出决策或丰富知识。 　　数据挖掘环境包括：数据库、挖掘工具、可视化工具和最终用户，见图2.1。 　　数据挖掘过程和步骤经过选择、数据预处理、数据转换、数据挖掘、分析和同化几个步骤。见图2.2。 　　1.3 数据挖掘的方法 　　数据挖掘有多种，从功能上分主要有关联分析、聚类分析、异类分析、分类与预测、偏差分析等。下面分别介绍几类重要的数据挖掘方法。 　　1.3.1 关联分析（association analysis） 　　关联规则挖掘是由rakesh apwal等人首先提出的，关联规则挖掘可以发现存在于数据库中的项目或属性间的有趣关系，这些关系是预先未知的和被隐藏的，它不能通过数据库的逻辑操作（如：表的连接）或统计的方法得出。这说明它们不是基于数据自身的固有属性（例如函数依赖关系），而是基于数据项目的同时出现特征，所发现的关联规则可以辅助人们进行市场运作，决策支持及商业管理，网站设计等。Apriori算法是挖掘产生布尔关联规则所需频繁项集的基本算法，也是最著名的关联规则挖掘算法之一。Apriori算法就是根据有关频繁项集特性的先验知识（prior knowledge）而命名的。该算法利用了一个层次顺序搜索的循环方法来完成频繁项集的挖掘工作。 　　1.3.2 分类（classification） 　　分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。 　　1.3.3 聚类分析（clustering） 　　聚类是把数据按照相似性归纳成若干类别，使得在同一类中的数据之间有较高的相似度，而不同类中的数据差别尽可能大。聚类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。 　　2.数据挖掘在图书馆个性化服务中的研究 　　根据图书馆发展需要，构建读者信息数据仓库和图书文献数据仓库，并对其进行数据挖掘实现整合馆藏文献资源、指导图书采购与资源共享等目标。同时可以发现读者阅读兴趣习惯，划分读者群体，预测读者借阅行为，这些都使未来的个性化服务成为可能。 　　2.1 数据挖掘在图书馆个性化服务中应用的特点 　　2.1.1 大容量的数据库 　　图书馆每天每时都会产生大量的数据。每天读者的到馆数据；流通库里读者的借阅信息；电子阅览室里读者浏览电子文献、图书馆的数据库的信息等等。这些数据都可以作为数据挖掘的源文件。这些数据，形成了一个大容量的数据库。由于数据挖掘处理的对象往往是海量数据，因此操作与分析速度较慢。 　　2.1.2 文献的深度加工 　　数据挖掘对图书馆的文献深加工，使图书馆的工作有别于其他信息服务机构的基础性工作。图书馆利用新兴的数据挖掘技术对馆藏资源进行深层次加工，去伪存真，对知识信息进行分析、综合、整序，将新的、序列化的知