年4月19日智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用文檔僅供參考智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用研究[摘要]智能算法在管理大型數(shù)據(jù)庫(kù)及挖掘其中有效知識(shí)方面具有良好的性能，因此，眾多研究人員將該類(lèi)算法引入到提升圖書(shū)管理系統(tǒng)性能的研究中。本文將介紹幾類(lèi)基于關(guān)聯(lián)分析技術(shù)和基于聚類(lèi)分析技術(shù)的智能算法，并展望未來(lái)智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用前景。

[關(guān)鍵詞]智能算法圖書(shū)管理系統(tǒng)關(guān)聯(lián)分析聚類(lèi)分析

1.引言

隨著圖書(shū)館館藏資源的不斷增加，圖書(shū)館資源管理的難度也不斷加劇。從上世紀(jì)八十年代圖書(shū)館管理的自動(dòng)化變革開(kāi)始到如今大多數(shù)圖書(shū)館自動(dòng)化管理系統(tǒng)的使用時(shí)間均已超過(guò)。在間產(chǎn)生的各類(lèi)歷史數(shù)據(jù)如資源搜索記錄、讀者借閱記錄、圖書(shū)采購(gòu)記錄等，已變成一筆寶貴的財(cái)富，然而，受到現(xiàn)有管理系統(tǒng)功能的限制，這些數(shù)據(jù)僅能作簡(jiǎn)單的存儲(chǔ)及查詢(xún)，其無(wú)法進(jìn)行開(kāi)發(fā)利用。在對(duì)圖書(shū)管理系統(tǒng)的多年開(kāi)發(fā)和研究中，人們發(fā)現(xiàn)各類(lèi)智能算法的數(shù)據(jù)挖掘能力將能夠大大提升圖書(shū)管理系統(tǒng)的管理能力及對(duì)數(shù)據(jù)的利用深度。本文將概括介紹近年來(lái)提到的一些智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用實(shí)例，并展望智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用前景。

2.智能算法在圖書(shū)管理系統(tǒng)中的應(yīng)用

智能算法是指在各類(lèi)復(fù)雜問(wèn)題中，能夠從大量復(fù)雜、模糊、隨機(jī)的應(yīng)用數(shù)據(jù)中找出數(shù)據(jù)產(chǎn)生規(guī)律，并對(duì)其進(jìn)行自我啟發(fā)式優(yōu)化的計(jì)算機(jī)算法。經(jīng)過(guò)智能算法從各類(lèi)大型管理系統(tǒng)的數(shù)據(jù)庫(kù)中挖掘出來(lái)的規(guī)律和知識(shí)能夠用在查詢(xún)響應(yīng)、決策支持、信息管理等許多方面。經(jīng)過(guò)研究人員多年的研究，該類(lèi)算法在圖書(shū)館系統(tǒng)中的應(yīng)用研究已取得一定成果，本部分將著重介紹幾類(lèi)經(jīng)常被提到的算法利用方式及實(shí)驗(yàn)效果。

2.1關(guān)聯(lián)分析算法

關(guān)聯(lián)規(guī)則挖掘技術(shù)由r.agrawal于1993年提出，其強(qiáng)大的數(shù)據(jù)挖掘能力，在金融業(yè)、工業(yè)領(lǐng)域及圖書(shū)管理系統(tǒng)等大型數(shù)據(jù)庫(kù)中得到充分運(yùn)用[1]。

關(guān)聯(lián)規(guī)則分析技術(shù)算法的主要思想是首先尋找給定數(shù)據(jù)集中的頻繁項(xiàng)集，然后經(jīng)過(guò)頻繁項(xiàng)集生產(chǎn)強(qiáng)關(guān)聯(lián)規(guī)則[2]。在針對(duì)圖書(shū)管理系統(tǒng)的應(yīng)用研究中，其主要包含三個(gè)步驟：第一步：將相關(guān)讀者數(shù)據(jù)經(jīng)過(guò)預(yù)處理形成讀者數(shù)據(jù)事務(wù)庫(kù)；第二步，迭代識(shí)別事務(wù)數(shù)據(jù)庫(kù)中所有支持度不低于用戶(hù)設(shè)定閥值min_sup的頻繁項(xiàng)集；第二步，在頻繁項(xiàng)集中構(gòu)造所有滿(mǎn)足最小置信度閥值min_conf的關(guān)聯(lián)規(guī)則，得到相應(yīng)的讀者行為規(guī)律。算法的復(fù)雜度主要受到項(xiàng)數(shù)、事務(wù)數(shù)、事務(wù)平均寬度等因素限制，因此在實(shí)際應(yīng)用中存在以下缺陷：頻繁掃描數(shù)據(jù)庫(kù)、不適用于稠密集的關(guān)聯(lián)規(guī)則挖掘、可能生成的關(guān)聯(lián)規(guī)則過(guò)于龐大等。針對(duì)這些缺陷，近年來(lái)不少學(xué)者提出了改進(jìn)策略，如基于逆向運(yùn)算的優(yōu)化策略、基于哈希表的優(yōu)化策略、基于劃分的優(yōu)化策略等[3]。在關(guān)于將關(guān)聯(lián)分析算法應(yīng)用到圖書(shū)管理系統(tǒng)的研究中，主要包括以下幾類(lèi)：

（1）鮑靜提出了一類(lèi)基于數(shù)據(jù)預(yù)處理技術(shù)和經(jīng)典關(guān)聯(lián)分析方法apriori算法的讀者借閱挖掘工具，并利用該工具對(duì)安徽省圖書(shū)館圖書(shū)流通數(shù)據(jù)進(jìn)行關(guān)聯(lián)挖掘，仿真實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)引入興趣度對(duì)挖掘出的關(guān)聯(lián)規(guī)則進(jìn)行分析，證明該讀者借閱挖掘工具能夠?qū)崿F(xiàn)對(duì)讀者興趣度的分析，從而幫助圖書(shū)館館員為讀者提供個(gè)性化服務(wù)[4]；

（2）陳康提出利用改進(jìn)的eclat算法設(shè)計(jì)圖書(shū)推薦系統(tǒng)，該改進(jìn)算法源自zaki提出的一種比較典型的深度優(yōu)先搜索和交叉計(jì)數(shù)的頻繁模式挖掘算法。改進(jìn)算法充分利用了垂直數(shù)據(jù)表示和交叉技術(shù)的高效優(yōu)勢(shì)，直接在垂直數(shù)據(jù)表示的數(shù)據(jù)集上經(jīng)過(guò)廣度優(yōu)先搜索和交叉計(jì)數(shù)產(chǎn)生頻繁項(xiàng)集。仿真實(shí)驗(yàn)結(jié)果表明該算法能夠在大數(shù)據(jù)量的情況下實(shí)現(xiàn)關(guān)聯(lián)規(guī)則的高效挖掘，產(chǎn)生的知識(shí)庫(kù)在圖書(shū)推薦系統(tǒng)中取得了良好的應(yīng)用效果[5]；

（3）林郎蝶、王燦輝提出了一類(lèi)基于劃分優(yōu)化策略的改進(jìn)apriori算法——l-apriori算法，該算法利用《中國(guó)圖書(shū)館分類(lèi)法》將圖書(shū)按分類(lèi)號(hào)信息進(jìn)行分類(lèi)形成子圖書(shū)館，算法首先在各子圖書(shū)館中進(jìn)行關(guān)聯(lián)規(guī)則的挖掘，再將所挖掘到的關(guān)聯(lián)規(guī)則進(jìn)行整合，從而得到最終的挖掘結(jié)果[3]。該算法的優(yōu)勢(shì)在于經(jīng)過(guò)劃分優(yōu)化后，l-apriori算法的空間復(fù)雜度僅為apriori算法的1/n，其中n為子圖書(shū)館的個(gè)數(shù)。

2.2聚類(lèi)分析算法

聚類(lèi)分析（clusteranalysis）是數(shù)據(jù)挖掘技術(shù)中的一種典型方法，該類(lèi)算法可在要?jiǎng)澐值念?lèi)未知的情況下，將數(shù)據(jù)對(duì)象分組成不同的類(lèi)。聚類(lèi)的基本方法在建立基于分析對(duì)象的數(shù)據(jù)矩陣或相異度矩陣中，經(jīng)過(guò)計(jì)算對(duì)象之間的距離來(lái)衡量對(duì)象之間的相似性或相異性，從而對(duì)數(shù)據(jù)對(duì)象進(jìn)行分類(lèi)。由于該技術(shù)仿真了一個(gè)無(wú)監(jiān)督的學(xué)習(xí)過(guò)程，因此被廣泛應(yīng)用于各類(lèi)大型數(shù)據(jù)庫(kù)中?，F(xiàn)有的聚類(lèi)技術(shù)種類(lèi)很多，主要有層次方法、劃分方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法等[2]。當(dāng)前，在針對(duì)圖書(shū)管理系統(tǒng)的研發(fā)中，研究人員嘗試將多種基于聚類(lèi)分析技術(shù)的算法使用在圖書(shū)管理系統(tǒng)中，并在仿真實(shí)驗(yàn)中取得了一些成果。下面內(nèi)容將具體介紹幾類(lèi)算法。

（1）武建偉、俞曉紅、陳文清等人提出了利用基于密度的動(dòng)態(tài)協(xié)同過(guò)濾算法改進(jìn)現(xiàn)有的圖書(shū)推薦系統(tǒng)[6]。與傳統(tǒng)的靜態(tài)協(xié)同過(guò)濾算法不同，動(dòng)態(tài)協(xié)同過(guò)濾算法首先利用模糊隸屬函數(shù)根據(jù)讀者借閱圖書(shū)的時(shí)間長(zhǎng)度篩選出讀者對(duì)借閱圖書(shū)的興趣度，并利用基于密度的db-scan算法在按中圖法劃分的區(qū)域中進(jìn)行聚類(lèi)操作，從而建立用戶(hù)的興趣模型。在數(shù)據(jù)的增長(zhǎng)和變化中，用戶(hù)的興趣聚類(lèi)區(qū)域密度及權(quán)重將發(fā)生變化，從而實(shí)現(xiàn)動(dòng)態(tài)的協(xié)同過(guò)濾推薦[6]。在仿真實(shí)驗(yàn)中，作者以洛陽(yáng)理工學(xué)院圖書(shū)管理系統(tǒng)讀者借閱數(shù)據(jù)為實(shí)驗(yàn)對(duì)象進(jìn)行仿真計(jì)算。結(jié)果表明，改進(jìn)后的動(dòng)態(tài)算法在鄰居數(shù)從5增加到26時(shí)，其平均絕對(duì)偏差值均小于靜態(tài)算法0.05，說(shuō)明基于密度動(dòng)態(tài)的協(xié)同過(guò)濾推薦算法在預(yù)測(cè)讀者興趣度方面精度更高[6]。

（2）楊雪霞提出利用遺傳算法（geneticalgorithm，ga）為模糊k-prototypes尋找初始聚類(lèi)中心的ga-fkp算法，并取得了良好的仿真實(shí)驗(yàn)效果[7]。模糊k-prototypes（fuzzyk-prototypes，fkp）算法能夠針對(duì)由多類(lèi)型數(shù)據(jù)構(gòu)成且分類(lèi)模糊的數(shù)據(jù)集合進(jìn)行分類(lèi)，然而fkp算法存在易陷入局部最優(yōu)解和初始化敏感的缺點(diǎn)，為解決這個(gè)問(wèn)題，楊雪霞提出了利用遺傳算法幫助fkp算法進(jìn)行選取初始參數(shù)，然后經(jīng)過(guò)kfp算法對(duì)個(gè)體進(jìn)行優(yōu)化從而得到最終結(jié)果。在ga-fkp算法的數(shù)據(jù)結(jié)構(gòu)中對(duì)遺傳算法在知識(shí)表示方面的缺陷做了很好的處理：使用聚類(lèi)中心來(lái)表示組成問(wèn)題的結(jié)果，即一個(gè)聚類(lèi)中心向量表示一個(gè)基因，而所有聚類(lèi)中心則組成了遺傳算法中的個(gè)體，如公式2-1所示。個(gè)體y中的每個(gè)基因表示如公式2-2所示。

公式2-1

公式2-2

其中，表示個(gè)體結(jié)構(gòu)，為i位置基因，n為樣本數(shù)，k為目標(biāo)聚類(lèi)數(shù)[7]。利用該類(lèi)編碼方式，解決了遺傳算法與kfp算法間的接口問(wèn)題，使得兩類(lèi)算法能夠相互融合，從而形成適合處理讀者細(xì)分問(wèn)題的ga-fkp算法。在仿真實(shí)驗(yàn)中，作者選用了河南師范大學(xué)圖書(shū)館到的讀者數(shù)據(jù)集進(jìn)行細(xì)分，經(jīng)過(guò)細(xì)分結(jié)果能夠幫助館員了解不同類(lèi)型讀者對(duì)圖書(shū)的利用狀況，從而為讀者提供更好的個(gè)性化服務(wù)。

（3）茹蓓、趙芳提出了利用k-means算法分析讀者借閱行為，為圖書(shū)館管理提供有用信息。k-means算法是去類(lèi)算法中的經(jīng)典算法之一，該算法首先接收輸入量k，并把n個(gè)數(shù)據(jù)對(duì)象劃分為k個(gè)聚類(lèi)，然后基于對(duì)象之間的距離來(lái)計(jì)算相異度[8]。算法的主要流程包含四個(gè)步驟：第一步，隨機(jī)選擇k個(gè)對(duì)象，以每個(gè)對(duì)象為中心來(lái)代表數(shù)據(jù)集將被分成的k個(gè)類(lèi)；第二步，根據(jù)“距離中心最近”的原則，尋找與對(duì)象相似的類(lèi)并將其劃分到相應(yīng)的類(lèi)中；第三步，完成對(duì)象分配后，計(jì)算每一個(gè)類(lèi)中所有對(duì)象的平均值，作為新的中心；第四步，根據(jù)“距離中心最近”的原則，重新劃分所有對(duì)象。重復(fù)執(zhí)行第三步和第四步，直到所有產(chǎn)生的類(lèi)沒(méi)有變化為止。利用該算法，能夠?qū)⒎稚⒌淖x者借閱數(shù)據(jù)進(jìn)行有效劃分，找出讀者借閱行為中的規(guī)律，從而幫助圖書(shū)館管理人員制定相應(yīng)的服務(wù)方案及館藏發(fā)展計(jì)劃。

3.前景展望

隨著圖書(shū)管理系統(tǒng)研究的不斷深入，及讀者對(duì)服務(wù)質(zhì)量要求的不斷提升。圖書(shū)館的作用早已不但僅只是借閱圖書(shū)。為各類(lèi)讀者提供個(gè)性化服務(wù)，為學(xué)校提供教學(xué)、科研和發(fā)展規(guī)劃的有效信息資源已成為當(dāng)前圖書(shū)館員的工作目標(biāo)。然而，要從海量的系統(tǒng)數(shù)據(jù)中，挖掘出并準(zhǔn)確把握住不同讀者的需求，找出最有效的資源是當(dāng)前圖書(shū)館界的難題。智能算法的出現(xiàn)，為解決這一難題提供了很好的解決方案，因此，眾多研究人員進(jìn)入到這一領(lǐng)域進(jìn)行了積極嘗試并獲得了良好的實(shí)驗(yàn)效果。隨著研究的不斷深入，相信這些算法將不斷成熟，并最終應(yīng)用到實(shí)際的圖書(shū)管理系統(tǒng)中。

參考文獻(xiàn)：

[1]趙霞彤.數(shù)據(jù)挖掘技術(shù)在圖書(shū)管理系統(tǒng)中的應(yīng)用[d].南京:南京郵電大學(xué),.

[2]朱福喜,杜有福,夏定純.人工智能引論[m].武漢大學(xué)出版社,.283-305.

[3]林郎蝶,王燦輝.apriori算法在圖書(shū)推薦服務(wù)中的應(yīng)用與研究[j].計(jì)算機(jī)技術(shù)與發(fā)展,,5(21):22-28.

[4]鮑靜.關(guān)聯(lián)規(guī)則挖掘及其在圖書(shū)流通數(shù)據(jù)中的應(yīng)用研究[d].合肥:合肥工業(yè)大學(xué),.

[5]陳康.基于eclat算法的圖書(shū)