聚类分析算法在图书管理系统中应用分析.docVIP

聚类分析算法在图书管理系统中应用分析 　　摘 要：文章首先对聚类分析算法的含义进行了简明扼要的概括，并对“聚类”、“簇”等聚类分析算法涉及的重点词汇进行了说明，然后又介绍了聚类分析算法――K-均值算法，和以该算法为基础所延伸出的改进算法，最后通过理论与实际相结合的方式，以?D书、读者这两个图书管理工作主体为切入点，对图书管理系统中聚类分析算法的实际应用进行了分析，希望本文所讨论的内容能够在某些方面为图书管理工作的开展提供参考或帮助。 　　关键词：图书馆；聚类分析算法；图书管理系统 　　随着科学技术的进步，各图书馆在对图书进行管理时应用的系统与之前相比也出现了相应的变化，将聚类分析算法应用其中已成为大势所趋。通过实践能够发现，在图书管理系统中对聚类分析算法进行合理应用，不仅能够对读者前往图书馆的主要目的加以了解，还能够以读者需求为导向，对服务工作进行相应的优化，除此之外，在采购图书资源时，工作人员也具有了更加科学、系统的参考依据。由此可以看出，本文所研究课题具有一定的现实意义。 　　1 聚类分析算法的概述 　　作为数据挖掘领域应用频率极高的技术之一，聚类分析计算的关键在于“聚类”。聚类指的是将抽象或是物理对象集合转化为由类似对象组成的簇的全过程；对作为数据对象集合而存在的簇而言，同一簇所包含的对象往往存在高度的一致性，不同簇所包含的对象则具有高度相异性，这是需要人们准确掌握的内容[1]。只有对上文所提及的内容进行了解和掌握，才能准确、科学的应用聚类分析算法，也才能保证对数据分布特征进行深入的挖掘和掌握。 　　现阶段，聚类分析算法已经被广泛应用在诸多领域中，例如，模式识别、图像分割、数据挖掘等。在商务领域，聚类分析法主要被用于对客户信息进行分析，保证人们能够发现潜在客户群体，并在购买模式的辅助下对客户群体具有的特征进行刻画。除此之外，聚类分析算法还能够被应用在对挖掘算法进行预处理的过程中，例如，人们可以应用该法对某些数据进行聚类，然后再以所得出结果为基础，开展相应的研究或是处理工作，保证工作质量和效率均能够得到应有的提升。 　　2 聚类分析算法――K-均值算法的概述 　　2.1 K-均值算法 　　作为聚类分析法中相对典型的划分方法，K-均值算法的本质为迭代聚类算法，通过在迭代过程中对簇集成员进行不断移动的方式，保证理想簇集的得出。通过实践能够发现，K-均值算法具有的优势主要体现在简单和快速这两个方面。在应用该法展开计算时，需要将对象划分为n个簇，并保证每个簇所包含对象具有高度相似性，另外，不同簇所包含的对象应当具有高度相异性。但是通过实践发现，K-均值算法受初始值影响较大，也就是说，如果初始值不同，运行效率也会随之发生变化。因此，想要保证运行效率的有效提升，相关人员以K-均值算法为基础提出了相应的改进算法。 　　2.2改进算法 　　通过对K-均值算法的应用过程进行分析能够发现，如果能够在数据分布相对密集的区域中心处对初始聚类中心进行选择，那么，位于该中心周围的数据，便能够被划分至最近类当中，聚类收敛的速度自然能够得到提升，迭代次数也会因此而减少。也就是说，以数据分布特点为主要依据，对初代聚类中心进行选取是十分重要的。想要保证针对数据分布情况所开展分析工作的全面性和科学性，必然需要花费更多的时间。根据数据具有的随机分布这一特点可以看出，聚类数据应当位于数据均值周围，除此之外，对数据分布进行评价需要应用到的指标还包括标准差，因此，改进算法和K-均值算法最大的区别体现在对初始聚类中心进行选取的方面，改进算法在选取初始聚类中心时，需要应用到的数据包括均值和标准差。 　　可根据实际情况在1……n的范围内进行选取[2]。通过实践能够发现，与K-均值算法相比，改进算法在准确率和计算效率方面都具有十分明显的提升，因此，下文所开展研究工作应用的均为改进后的聚类分析法。 　　3 图书管理系统中，聚类分析算法的实际应用 　　3.1 图书数据的聚类分析 　　在应用聚类分析算法对图书进行聚类分析时，需要应用到的数据包括图书流通总次数以及图书当年流通次数，也就是说在开展相关分析工作前，工作人员首先需要对上述数据进行调查。图书聚类分析的结果能够对图书借阅频率的高低进行准确、直观的呈现，工作人员便可以在此基础上对符合图书利用情况、读者需求情况的决策进行制定，并对馆藏资源以及布局加以优化。图书聚类分析步骤具体如下： 　　3.1.1对数据进行预处理 　　通过实践能够发现，对数据进行预处理时需要花费挖掘全过程约70%的成本和时间，由此可以看出，想要保证数据挖掘工作的高效开展，关键在于对数据预处理工作的质量和效率进行提升。完整的数据预处理工作分为四个步骤，分别是数据的清洗、集成、转换和消减。 　　在应用聚类分析法对数据进行预处理时，