数据挖掘在读者偏好研究中的应用

• 作 者: 王正宇
• 发表日期: 2010年期
• 关键词: 数据挖掘 关联规则 最大频繁项目集 MFP-Miner 协同过滤算法

图书馆作为学校师生的一个重要知识库,馆内藏书所涉及的领域非常广泛;图书馆每年购入新书,因此图书馆藏书量也在不断增多。师生们要在众多的书籍中找到自己需要的相关图书是一件非常困难的事情。因此,快速有效地优化藏书布局对师生的学习与研究显得尤为重要。论文的目标就是运用数据挖掘中的关联规则方法和协同过滤算法,来优化图书资源。从读者的历史借阅数据中快速有效地挖掘出借阅书籍之间的关联信息,来帮助管理员优化藏书布局;从读者评分数据库中挖掘出读者的偏好,来更好的为读者推荐图书、采购图书。本文首先阐述了数据挖掘的理论基础,对关联规则数据挖掘中的一些经典算法进行了系统的分析,提出了新的关联规则挖掘算法MFP-Miner算法;然后根据程序数据接口的要求对图书馆历史借阅数据进行数据预处理,包括数据的导入和提取、事务数据库的建立;在此基础上对事务数据库进行挖掘,得出借阅书籍之间的关联规则。实验结果显示,该算法在效率上优于其它算法。为了提高图书资源的利用效率,论文中提出了一种改进的读者聚类的协同过滤推荐方法,该算法利用读者对图书的关注的相似性来修正原始相似性计算,综合考虑读者对图书的关注和用户评价对推荐的影响。实验结果表明,基于用户聚类的协同过滤推荐算法不仅减少了用户在寻找最近邻居的搜索强度,加快了推荐生成速度,而且增强了推荐算法的实时性,提高了推荐质量。