臺灣博碩士論文加值系統

　　拜無遠弗屆網際網路與電腦硬體的快速發展所賜，現行圖書館系統皆運用電子化的書籍資料庫、借閱紀錄資料庫，以及運用兩者間關聯性來加強圖書館之各樣服務。在此，本研究將提出一「數位圖書館上個人化之檢索與推薦系統」，以中國圖書分類法的明確分類優勢協助讀者找出確實符合的資料。另一方面，運用資料探勘的技術，從書目、交易歷史、及讀者身分屬性資料庫中，找出身分背景相同的分群，並找出同類群中最感興趣的書目，作為圖書館推薦服務的參考。結果顯示，事先運算同類身分背景的分群，讓讀者進入系統後，直接將已分類完成且關聯度高的書籍推薦之，將增加個人化的服務速度。
　

　　Due to the rapid advance of computer-related technology, the large quantities of electronic data produced everyday has been explored and analyzed to discover meaningful information so as to enhance the service quality of digital library. The objective of this study is to enable personalized retrieval and recommendation services on digital library. We utilize the well-defined “New Classification Scheme For Chinese Libraries” to support audience to retrieve the books that they really want. Besides, memory-based reasoning was applied to assign the unlabeled user to the cluster of its nearest labeled neighbors based on some predefined measures of users’ characteristics. Association rules discovered from the books borrowed by the readers in the same cluster are used as the basis of book recommendation. A simple clustering algorithm was exploited to speed up the processing time of recommendation. The experimental results show that the proposed approaches are effective in promoting the searching efficiency and accuracy of the system.
　

書名頁 I
授權書 II
論文指導教授推荐書 III
論文口試合格証明 IV
誌謝 V
中文提要 VI
英文提要 VII
目錄 VIII
表目錄 IX
圖目錄 X
　
第一章導論 1
第一節研究背景 1
第二節研究動機 1
第三節研究目標 2
第四節論文架構 2
　
第二章相關研究工作 4
第一節個人化服務的意義與發展 4
第二節中文圖書分類法 5
第三節資料探勘意義與發展 7
第四節關聯法則 11
第五節記憶基礎理解 14
第六節資料探勘模組建立互動流程 20
　
第三章系統架構 24
第一節圖書推薦檢索系統整體架構 24
第二節系統模組 26
第三節資料探勘模組建立互動流程 35
　
第四章系統實作與討論 39
第一節系統建置 39
第二節系統展示 51
第三節模組優點 59
　
第五章結論與未來研究方向 61
　
參考文獻 63
　
附錄一 65
附錄二 66
附錄三 67
　
表 目 錄
表1 中國圖書分類法細目說明表 6
表2 中國圖書分類法簡表 7
表3 MBR同類群組合函數例子 19
表4 MBR組合函數判斷是否推薦 19
表5 種子樣本點和其他樣本點的距離矩陣表 31
表6 編號1子分群借閱書目 31
表7 編號1子分群關聯法則推薦書籍 31
表8 經由Improved MBR分類後大分群 33
表9 探勘資料表(lib_mining) 37
表10 書籍資料表schema（lib_book） 39
表11 中國圖書分類索引之schema（lib_index） 39
表12 借閱紀錄表之schema（lib_loanred） 42
表13 身分屬性資料表 42
表14 探勘資料表 42
表15 屬性轉換數值分布表(變數：身分) 44
表16 屬性轉換數值分布表(變數：單位) 44
表17 單位距離矩陣表 45
表18 身分距離矩陣表 45
表19 探勘資料表之簡例 46
表20 子群矩陣表 48
表21 同一子群借閱書籍表 48
表22 同一子群推薦資料表 48
表23 系統合併子分群資料表 50
　
圖 目 錄
圖1 資料庫知識發掘流程圖 9
圖2 Apriori之處理程序 13
圖3 Apriori之演算法 13
圖4 apriori-gen()產生Ck的兩個步驟 14
圖5 類別變數－性別的距離函數例子 16
圖6 類別變數－郵遞區號的距離函數例子 16
圖7 類別變數－郵遞區號的改良式距離函數例子 17
圖8 鄰近資料演算法(Simple nearest neighbor algorithm) 18
圖9 鄰近資料演算法距離公式 18
圖10 資料探勘模組互動流程圖 20
圖11 圖書館推薦檢索系統架構圖 24
圖12 主題式同類書目推薦模組 25
圖13 互助式資訊過濾推薦模組圖 26
圖14 中國圖書分類法示意圖與勾選例子 28
圖15 單一種子樣本點分群示意圖 30
圖16 多個種子樣本點分群示意圖 33
圖17 SCSA Algorithm 34
圖18 系統需求資料表欄位說明 35
圖19 南華大學原始資料表 35
圖20 身分距離函數 44
圖21 單位距離函數 45
圖22 分群合併程式 49
圖23 系統畫面一 52
圖24 系統畫面二 52
圖25 系統畫面三 53
圖26 系統畫面四 54
圖27 系統畫面五 54
圖28 系統畫面六 55
圖29 系統準確性評估例證（以單位讀者為例） 56
圖30 隨機抽取讀者之訓練和測試資料重疊程度圖一 57
圖31 隨機抽取讀者之訓練和測試資料重疊程度圖二 58
圖32 改良式分群探勘法和直接關聯法則探勘法比較圖 59
　

[1]卜小蝶，「淺析個人化服務技術的發展趨勢對圖書館的影響」，成功大
學圖書館館刊，第二期，八十七年十月。
　
[2]曹健華，蘇建源，邱宏彬，「應用資料探勘技術於數位圖書館之個人化服務及管理」，第四屆網際網路應用與發展學術研討會，21∼28頁，
台南，92年5月。
　
[3]彭文正，Data Mining資料採礦-顧客關係管理暨電子行銷之應用，初
版，維科圖書股份有限公司，台北，民國九十年。
　
[4]黃夙賢、柯皓仁、楊維邦 (2001)，交通大學個人數位圖書館資訊環境，新世紀數位圖書館與數位博物館趨勢研討會論文集，交通大學圖書館編印。
　
[5]黃智育(2002)，「資料探勘於即時線上推薦系統之應用研究」，朝陽科技大學資訊管理系碩士論文。
　
[6]湯春枝，從個人化服務行銷的理念談交通大學個人化數位圖書資訊服
務〈PIE@NCTU〉系統， 國立成功大學圖書館館刊。
　
[7]楊雅雯(2001)，「個人化數位圖書資訊環境—以PIE＠NCTU 為例」，交通大學資訊科學研究所碩士論文。
　
[8]鄭玉玲，張晉赫，邱宏彬，「運用顧客行為智慧實作數位圖書館上個人化之檢索與推薦服務-以南華大學圖書館為例」，第四屆網際網路應用
與發展學術研討會，393∼398頁，台南，92年5月。
　
[9]賴永祥，「中國圖書分類法」，2001 增訂八版，文華圖書管理資訊股份有限公司。
[10]H. Liu, and H. Motoda, Feature Selection for Knowledge Discovery and
Data Mining, Kluwer Academic Publisher, 1998.
　
[11]J. Han, and M. Kamber, Data Mining: Concepts and Techniques, Morgan
Kaufmann, 2000.
　
[12]J. T. Tou, and R. C. Gonzalez, Pattern recognition principle,
Addison-Wesly, pp. 90-92, 1974.
　
[13]MIT media Lab WebSite
(http://web.media.mit.edu/~mtu/mab/)
　
[14]M. J. A. Berry, and G. S. Linoff, Mastering Data Mining – The Art and Science of Customer Relationship Management, John Wiley & Sons Inc.,
pp. 39-61, 2000.
　
[15]M. J. A. Berry, and G. S. Linoff, Data Mining Techniques : for marketing, sales, and customer support, John Wiley & Sons Inc., pp. 163-196, 1997.
　
[16]National Science Foundation WebSite (http://www.nsf.gov/pubs/1998/nsf9863/nsf9863.htm)
　
[17]P. Cabena, P. Hadjinian, R. Stadler, J. Verhees, and A. Zanasi. Discovering Data Mining From Concept to Implementation, Prentice Hall
PTR, 1998.
　
[18]R. Agrawal, and R. Srikant. ”Fast Algorithms for Mining Association
Rules”, Proc. of the 20th VLDB Conference, pp. 487-499, 1994.
　
[19]R. Agrawal, T. Imielinski, and A. Swami. ”Mining association Rules between Sets of Items in Large Databases”, Proc. of the 1993 ACW
SIGMOD Conference, pp. 207-216, 1993.
　
[20]S. Cohen, J. Fereira, A. Home, B. Kibbee, H. Mistlebauer, and A. Smith, ”MyLibrary: Personalized Electronic Services in the Cornell
University Library”, D-Lib Magazine, April 2000.
(http://www.dlib.org/dlib/april00/mistlebauer/04mistlebauer.html)
　
[21]Tseng S. M., ”Mining Association Rules with Interestingness Constraints in Large Databases,” International Journal of Fuzzy Systems, Vol. 3, No.
2, pp. 415-421, June 2001.
　
[22]S. Kasif, S. Salzberg, D. Waltz, J. Rachlin, and D. Aha. ”A Probabilistic Framework for Memory-Based Reasoning”, Artificial Intelligence, pp.
287-311, 1998.
　
[23]W. J. Frawley, G. P. Shapiro, and C. J. Matheus, ” Knowledge Discovery
in Databases: an Overview”, AI Magazine, pp. 1-27, 1992.