臺灣博碩士論文加值系統

在本篇論文中探討了應用多層次關聯規則探勘(Multi-level Association Rule Mining)技術於圖書館使用者借閱行為之模式發掘。圖書館自動化系統中，圖書借閱歷史記錄是圖書館使用者實際使用圖書館資源的「證據」，也是其滿足個人資訊需求的行為結果，其中潛藏大量圖書與使用者間互動的歷史紀錄，以及有意義的關聯規則。本研究之資料來源為高雄某技術學院圖書館使用者在兩學年間借閱中文書籍所產生的歷史記錄。中國圖書分類法(New Classification Scheme for Chinese Libraries)，是源自於杜威十進分類法，而被廣泛使用的中文書籍分類法。中國圖書分類法為一層級式架構(Hierarchical Structure)，最上層分為十大類(Class)，再細分為十小類(Division)，每一小類再細分為目(Section)等，至第三層級為止共有1000個類目(以000至999等一千個類號表示)。對使用者而言，分類法中有許多相關類號(目)不一定會被安排在同一層級(Hierarchy)，若能獲取這些分散在其他層級的相關類號(目)，則有助於瞭解在中國圖書分類法的多層次架構中，使用者借閱館藏書籍之興趣與關聯性。而多層次關聯規則探勘技術，便可讓圖書館管理者藉由使用者的借閱歷史記錄，發掘出中國圖書分類法多層次架構中，具有關聯性類號(目)的書籍。而多層次關聯規則探勘所得的關聯規則也可提供圖書館管理者在館藏書籍採購、圖書館書籍專區之空間規劃、圖書館資訊推廣活動與改良圖書檢索系統等管理決策與使用者服務之參考。

This dissertation explores how to use multi-level rule mining techniques to exlpore borrowing behavioral patterns of library users. In library automation system,library borrowing history records are the evidence that library users actually use the library resources.The borrowing history records are hidding amount of interactive history records and meaningful association rules between books and users. The source of this study was two years’ borrowing history records of a library of Institute of Technology in Kaohsiung. New Classification Scheme for Chinese Libraries (CCL) is derived from the Dewey Decimal Classification and widely used by classification of chinese books.CCL’s structure is hierarchical structure, it has ten main classes are each further subdivided into ten divisions, and each division into ten sections, giving ten main classes, 100 divisions and 1000 sections. For library users, There are many relevant CCL’s sections will not necessarily be arranged in the same hierarchy. If we can understand relevant CCL’s sections at the different hierarchy,it will help library managers to understand the relevance sections of users’ interest at CCL's multi-level structure. And multi-level association rule mining can help library managers to know the relevance books of users' interest at CCL's multi-level structure from library users' borrowing history records. Multi-level association rule mining also can provide library managers to get association rules for the reference of management decision-making and user services ,such as procurement of books, library space planning, promotion of library activities, webpac system improved ,etc.

目錄 vi
圖目錄 viii
表目錄 x
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究範圍與目的 6
1.3.1. 研究範圍 6
1.3.2. 研究目的 6
1.4 研究流程 7
第二章 文獻探討 9
2.1 資料探勘 9
2.1.1. 資料探勘與資料庫知識探索之異同 9
2.1.2. 資料探勘的定義 10
2.1.3. 資料探勘的功能 11
2.2 關聯規則探勘(Association Rule Mining) 19
2.2.1. 關聯規則探勘簡介 19
2.2.2. Apriori 演算法 22
2.3 多層次關聯規則探勘(Multiple-Level Association Rule Mining ) 25
2.3.1. 概念階層(Concept Hierarchy) 25
2.3.2. 多層次關聯規則探勘演算法 26
2.4 圖書館管理(Library Management) 28
2.4.1. 圖書館管理的意義 28
2.4.2. 圖書館管理的目的 30
2.4.3. 現代化圖書館管理理論 30
2.4.4. 圖書館學五律對圖書館管理的意義 31
2.5 中國圖書分類法(CCL)與階層式分類架構 32
2.6 應用資料探勘技術於圖書館之相關研究文獻之探討 34
第三章 研究方法 43
3.1 研究架構 43
3.2 資料來源與分析 45
3.3 定義概念階層(Concept Hierarchy)與GID編碼 46
3.4 輔助軟體 48
第四章 實證分析 50
4.1 實驗環境 50
4.2 資料清理與整合 50
4.3 資料轉換與縮減 53
4.4 多層次關聯規則探勘實驗 59
4.5 多層次關聯規則評估 67
第五章 結論與建議 74
5.1 研究結論 74
5.2 研究限制 76
5.3 未來研究方向 78
參考文獻 79
英文文獻 79
中文文獻 83
附錄 85
附錄一、中國圖書分類法(CCL)簡表 85
附錄二、概念階層設定表(XML格式)之部分 87
附錄三、WEKA(Waikato Environment for Knowledge Analysis)軟體介紹 89
附錄四、Multi-level Association Rule Mining in WEKA操作介紹 93
附錄五、多層次關聯規則探勘結果 97
附錄六、多層次關聯規則探勘結果評估與詮釋 114

英文文獻
[1] Agrawal, R., Imieliski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. In Proceedings of the 1993 ACM SIGMOD international conference on Management of data (pp. 207-216). ACM New York, NY, USA.
[2] Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proc. 20th Int. Conf. Very Large Data Bases, VLDB (Vol. 1215, pp. 487–499).
[3] Anamanamuri, S., Ghosh, A., Prohaska, D., & Siddiqui, A. (2003). Data Mining MSCS228(Multi-level Association Rule Mining in Weka-3-2-3). Retrieved May 9, 2009, from http://www.mscs.mu.edu/~cstruble/class/mscs228/fall2003/project/group4/.
[4] Berry, M. J., & Linoff, G. (1997a). Data Mining Techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc. New York, NY, USA.
[5] Berry, M. J. A., & Linoff, G. S. (1997b). Data mining techniques: for marketing, sales, and customer relationship management. Wiley Computer Publishing.
[6] Berry, M. J. A., & Linoff, G. S. (2004). Data mining techniques: for marketing, sales, and customer relationship management. Wiley Computer Publishing.
[7] Berson, A., Smith, S., & Thearling, K. (1999). Building data mining applications for CRM. McGraw-Hill Professional.
[8] Bogorny, V., Palma, A. T., Engel, P., & Alvares, L. O. (2006). Weka-gdpm: Integrating classical data mining toolkit to geographic information systems. In 2nd SBBD Workshop on Data Mining Algorithms and Applications (WAAMD'06) (pp. 9-16).
[9] Chan, L. M. (1996). Classification, present and future. Cataloging & Classification Quarterly, 21(2), 5-17.
[10] Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996a). From data mining to knowledge discovery in databases. Communications of the ACM, 39(11), 24-26.
[11] Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996b). The KDD process for extracting useful knowledge from volumes of data.
[12] Frank, E., Hall, M., Trigg, L., Holmes, G., & Witten, I. H. (2004). Data mining in bioinformatics using Weka (Vol. 20). Oxford Univ Press.
[13] Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. Ai Magazine, 13(3), 57-70.
[14] Garner, S. R. (1995). Weka: The waikato environment for knowledge analysis. In Proc. of the New Zealand Computer Science Research Students Conference (pp. 57-64).
[15] Geller, J., Scherl, R., & Perl, Y. (2002). Mining the web for target marketing information. In Proceedings of CollECTeR (pp. 65-72). ACM Press.
[16] Guape, F. H., & Owrang, M. M. (1995). Database mining discovering new knowledge and cooperative advantage. Information Systems Management, 12, 26-31.
[17] Han, J., & Fu, Y. (1995). Discovery of multiple-level association rules from large databases. In In Proc. 1995 Int. Conf. Very Large Data Bases.
[18] Han, J., & Kamber, M. (2006). Data mining: concepts and techniques. Morgan Kaufmann.
[19] Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining frequent patterns without candidate generation: A frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53-87.
[20] Kaufman, L., & Rousseeuw, P. J. (1990). Finding groups in data: an introduction to cluster analysis. New York.
[21] Kent, A. (1979). Use of Library Materials: The University of Pittsburgh Study.
[22] Lancaster, F. W., & LANCASTER, F. (1987). If you want to evaluate your library. London.
[23] Linoff, G., & Berry, M. (2000). Mastering Data Mining: The Art and Science of Customer Relationship Management. John Wiley and Sons.
[24] Olmeda, I., & Sheldon, P. J. (2002). Data mining techniques and applications for tourism Internet marketing. Journal of Travel & Tourism Marketing, 11(2), 1-20.
[25] Peacock, P. R. (1998). Data Mining in Marketing: Part 2-Dig deep to unearth knowledge inherent in databases. Marketing management, 7, 14-25.
[26] Pei, J., Han, J., Lu, H., Nishio, S., Tang, S., & Yang, D. (2001). H-Mine: Hyper-structure mining of frequent patterns in large databases. In Proceedings of the 2001 IEEE International Conference on Data Mining (pp. 441-448). IEEE Computer Society Washington, DC, USA.
[27] Piatetsky-Shapiro, G. (1991). Knowledge discovery in real databases: A report on the IJCAI-89 Workshop. AI magazine, 11(5), 68-70.
[28] Pu, H. T. (2002). Discovery of user-oriented class associations for enriching library classification schemes. Proceedings of the American Society for Information Science and Technology, 39(1).
[29] Ranganathan, S. R. (1931). The Five Laws of Library Science. E. Goldston.
[30] Richard, J. R., & Michael, W. (2003). Data Mining--A Tutorial-Based Primer. Pearson Education, Inc.
[31] Sabharwal, C. L., Hacke, K. R., & Clair, D. C. S. (1992). Formation of clusters and resolution of ordinal attributes in ID3 classification trees. In Proceedings of the 1992 ACM/SIGAPP Symposium on Applied computing: technological challenges of the 1990's (pp. 590-597). ACM New York, NY, USA.
[32] Siddiqui, A., & Anamanamuri, D. (2003). Implementation of Multiple-Level Association Rule Mining in Weka. Retrieved June 2, 2009, from http://www.mscs.mu.edu/~cstruble/class/mscs228/fall2003/project/group4/.
[33] Smith, K. A., Willis, R. J., & Brooks, M. (2000). An analysis of customer retention and insurance claim patterns using data mining: a case study. Journal of the Operational Research Society, 532-541.
[34] Solomon, P. (1992). User-based methods for classification development. Advances in Classification Research, 2, 163-70.
[35] Srikant, R., & Agrawal, R. (1995). Mining generalized association rules. In Proceedings of the International Conference on very large Data Bases (pp. 407-419). INSTITUTE OF ELECTRICAL & ELECTRONICS ENGINEERS (IEEE).
[36] Srikant, R., & Agrawal, R. (1996). Mining sequential patterns: Generalizations and performance improvements. In Advances in Database Technology--EDBT'96: 5th International Conference on Extending Database Technology, Avignon, France, March 25-29, 1996: Proceedings (p. 3). Springer.
[37] Symeonidis, A. L., Mitkas, P. A., & Kehagias, D. (2002). Mining patterns and rules for improving agent intelligence through an integrated multi-agent platform. In 6th IASTED International Conference, Artificial Intelligence and Soft Computing ASC, Banff, Alberta, Canada.

中文文獻
[1] 卜小蝶，2001，“以圖書借閱記錄探勘加強圖書資源利用之探討”，中國圖書館學會會報，66期，頁59-72。
[2] 卜小蝶，2002，“使用者導向之圖書分類關聯分析研究”，圖書資訊學刊，（17），頁81-94。
[3] 中國圖書館學會，2000，圖書館事業發展白皮書，中國圖書館學會，台北市。
[4] 王毓菁，2002，圖書館閱覽者群組潛在特徵探勘資訊系統，華梵大學，碩士論文。
[5] 台灣評鑑協會，2009，98年度至102年度科技大學技院評鑑指標，台灣評鑑協會：Retrieved from http://www.twaea.org.tw/download/98年度至102年度科技大學技院評鑑指標.rar。
[6] 余明哲，2003，圖書館個人化館藏推薦系統，國立交通大學，碩士論文。
[7] 吳安琪，2001，利用資料探勘的技術及統計的方法增強圖書館的經營與服務，國立交通大學，碩士論文。
[8] 吳聲弘，2004，漸增式跨階層次高效率關聯規則探勘，南台科技大學，碩士論文。
[9] 呂家賢，2005，運用資料探勘技術於大學圖書館圖書資源推廣利用之研究，銘傳大學，碩士論文。
[10] 李明修，2007，應用資料探勘技術分析圖書館閱覽者行為，朝陽科技大學，碩士論文。
[11] 沈寶環，1992，圖書館學概論，國立空中大學，臺北縣蘆洲鄉。
[12] 周政毅，2008，應用分群與分類演算法於上呼吸道感染病人之症狀屬性分類規則研究，靜宜大學，碩士論文。
[13] 林傑斌、劉明德、陳湘，2002，資料採掘與 OLAP 理論與實務，文魁資訊，臺北市。
[14] 林湧順，2005，以資料探勘技術探討高中生使用圖書館之行為模式--以國立台灣師範大學附屬高級中學為例，國立臺灣師範大學，碩士論文。
[15] 邱名妤，2006，資料探勘方法應用於圖書館藏推薦，玄奘大學，碩士論文。
[16] 洪志淵，2001，圖書流通記錄之一般化相關規則找尋之研究，國立中山大學，碩士論文。
[17] 胡述兆，2003，“為圖書館建構一個新的定義”，圖書館學研究，1期，頁2-4。
[18] 胡述兆、吳祖善，1991，圖書館學導論，漢美書局，台北市。
[19] 孫冠華，2000，圖書館新書推薦之個人化服務方法，國立中山大學，碩士論文。
[20] 徐昌慧，2009，“科技大學暨技術學院評鑑之指標修訂及未來發展”，評鑑雙月刊，18期，頁36-40。
[21] 康勝修，2006，應用資料探勘技術於圖書館借閱紀錄分析與館藏查詢服務，雲林科技大學，碩士論文。
[22] 張鼎鍾，1991，圖書館自動化導論，中國國書館學會，台北市。
[23] 張慶昌，2007，應用資料探勘技術於國小學童圖書借閱之研究，臺北市立教育大學，碩士論文。
[24] 曹健華，2003，應用資料探勘技術於數位圖書館之個人化服務及管理，南華大學，碩士論文。
[25] 莊宛螢，2006，加權移動視窗模式之圖書資料探勘，明新科技大學，碩士論文。
[26] 陳海鳴，1982，企業組織與管理，華泰文化，台北市。
[27] 曾勇森，2003，利用資料探勘技術增進圖書館之服務效益，南台科技大學，碩士論文。
[28] 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，2005，資料探勘，台北市，旗標。
[29] 程麟雅，2004，圖書館管理析論，文華，台北市。
[30] 黃宗忠，1995，圖書館管理學，圖書情報資訊系列，天肯文化，台北縣永和市。
[31] 黃淑霞，2008，資料探勘的技術於圖書館借閱歷程分析及推薦系統，國立東華大學，碩士論文。
[32] 黃謙順、卓建安，2006，“整合顧客價值及關聯規則之利潤探勘” ，台北大學，台北縣。
[33] 廖又生，1993，“論圖書館管理、圖書館行政與圖書館組織之關聯性”，中國圖書館學會會報，51期，頁153-169。
[34] 蔡介元、張百棧、王錫中，2003，“運用關聯規則技術與類神經網路於產品開發設計之研究”，工業工程學刊，20卷，2期，頁101-112。
[35] 盧秀菊，2001，“知識管理在圖書館管理應用之可行性”，台北市立圖書館館訊，18卷，4期。
[36] 賴永祥，2001，中國圖書分類法，文華出版社，台北市。
[37] 賴雨廷，2003，利用資料探勘技術應用於圖書館新書推薦之研究，國立中山大學，碩士論文。
[38] 戴玉旻，2002，圖書館使用者借閱歷史記錄探勘系統，國立交通大學，碩士論文。
[39] 謝建成、林湧順，2006，“書目探勘讀者使用圖書館之行為”，教育資料與圖書館學，44卷，1期，頁35-60。