臺灣博碩士論文加值系統

隨著資訊科技的發達，網路與現實生活有著密不可分的關係，生活中不乏有許多事物可以透過網路來解決，在這個資訊爆炸的時代，本研究希望以資料探勘的方式，來替每位圖書管讀者作適配的個人化推薦推薦，本研究以圖書館圖者之借閱資料為探勘來源，每一筆借閱的資料都包含了讀者曾經借閱的書籍，並且選擇某一位讀者為本研究的探勘目標，以關聯規則的應用分別從以下兩個方面發掘讀者個人化的書籍推薦:一是只參考書籍借閱的書目是否出現在借閱資料中，二是考慮借閱資料裡書籍的次序性，本研究設計一個方法，探勘前置項目集必須包含於此讀者之間借閱資料裡的次序關聯規則，根據這兩個方法顯示關聯傾向特性，可發掘出有次序性的讀者個人化書籍推薦。本研究探勘結果，對於圖書館在發掘個人化書籍推薦時，可以提供讀者與書籍推薦之間非常有用的參考資訊。

With the development of information technology, network and real life has a close relationship, there is no lack many things in life can be solved through the Internet, in this era of information explosion, this study hopes to data mining approach to back each book readers as bit pipe adapted personalized recommendations recommend this study was to borrow library Among the sources of information for the mining, each sum borrowed materials include readers who borrow books and select a reader-oriented research the exploration target, to explore the application of association rules are the following two aspects reader personalized book recommendations: First, the only reference books to borrow bibliography appears in the borrowing profile, the second is to consider loan data in the order books of the one way to study design, pre-mining project set must contain this information between the reader's association rules in order to display the characteristics associated tendency can dig out the order of the readers have a personalized book recommendations based on these two methods. In this study, the results of exploration, excavation for the library in personalized book recommendations, it can provide very useful for readers and book recommendations between reference information.

目錄
摘要 Ⅱ
英文摘要 Ⅲ
致謝 Ⅳ
目錄 Ⅴ
表目錄 Ⅵ
圖目錄 Ⅶ
第一章緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究範圍與限制 3
1.4研究流程 5
1.5論文架構 6
第二章相關研究 7
2.1資料探勘介紹 8
2.1.1資料探勘七大步驟 10
2.1.2資料探勘技術 11
2.2關聯規則介紹 13
2.3演算法介紹 17
2.3.1 Apriori演算法 17
2.3.2 Apriori基本介紹-支持度 18
2.3.3 Apriori基本介紹-可靠度 18
2.3.4 Apriori演算法實例說明 18
2.3.5 FUP演算法簡介 21
2.4高頻項目集 21

2.5 次序相關分析 22
2.6 資料探勘應用在圖書館的研究 22
第三章發掘適性化書籍推薦 20
3.1讀者適性化推薦 27
3.1.1探勘加權關聯規則 28
3.1.2實例說明 31
3.2發掘書籍適性化讀者推薦 34
3.2.1探勘加權關聯規則 34
3.2.2實例說明 36
第四章書籍借閱適性化推薦系統 38
4.1系統流程圖 39
4.2資料匯入資料庫 40
4.2.1探勘資料簡介 41
4.3系統探勘過程 43
第五章結論 46
5.1未來研究方向 47
參考文獻 48

1. 卜小蝶，1998。淺析個人化服務技術的發展趨勢對圖書館的影響，國立成功大學圖書館館刊，第二卷。
2. 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，國立交通大學資訊科學研究所未出版碩士論文。
3. 洪志淵，2001。圖書流通記錄之一般化相關規則找尋之研究，國立中山大學資訊管理研究所未出版碩士論文。
4. 張苑菁，2001。以模糊理論建構之圖書推薦系統，淡江大學資訊工程研究所未出版碩士論文。
5. 湯春枝，2002。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，第九卷。
6. 陳可欣，2001。在動態交易資料庫中探勘線上關聯法則之設計與分析，臺南師範學院資訊教育研究所未出版碩士論文。
7. 陳慶瑄，2000。學習社群對電子圖書館個人化服務之影響，國立中正大學資訊管理研究所未出版碩士論文。
8. 辜曼蓉，1999。讀者資訊尋求行為與以讀者為中心的圖書館行銷，書府，第二十卷：81-111。
9. 孫冠華，2003。應用資料探勘技術於數位圖書館之個人化服務及管理，南華大學資訊管理學研究所未出版碩士論文。
10. 蘇家輝，2002。線上多維度關聯規則採掘系統之架構，義守大學資訊工程所未出版碩士論文。
11. 吳信樺，2012。利用興趣加權關聯規則發掘讀者適性化書籍推薦之研究，南台科技大學資訊管理研究所碩士學位論文。
12. Agrawal, R. and Srikant, R., 1994. Fast Algorithms for Mining Association Rules in Large Database, Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, Chile.
13. Agrawal, R., Imielinski, T. and Swami, A., 1993. Mining Association Rules between Sets of Items in Very Large Database, Proceedings of the ACM SIGMOD Conference on Management of Data, Washington, D.C., United States.
14. Ayan, N. F., Tansel, A. U. and Arkun, E., 1999. An Efficient Algorithm to Update Large Itemsets with Early Pruning, Proceedings of 1999 International Conference on Knowledge Discovery and Data Mining.
15. Berry, M. J. A. and Linoff, G. S., 2004. Data Mining Techniques for Marketing, Sales, and Customer Support, 2nd Ed., New York: John Wiley, 2004.
16. Beil, F., Ester, M. and Xu, X., “Frequent Term-Based Text Clustering.” In Proceedings of KDD, pp.436-442, 2002.
17. Chen, M. S., Han, J. and Yu, P. S., 1996. Data Mining: An Overview from a Database Perspective, IEEE Transactions on Knowledge and Data Engineering, 8(6), 866-883.
18. Cheung, D.W., Han, J., Ng, V. and Wang, C.Y., 1006. Maintenance of Discovered Association Rules in Large Databases: An Incremental Updating Technique, Proceedings of International Conference on Data Engineering.
19. Coenen, F., Leng, P. and Ahmed, S., 2004. Data Structure for Association Rule Mining-T-trees and P-trees, IEEE Transactions on Knowledge and Data Engineering, 16(6), 774-778.
20. D.W. Cheung, J. Han, V. Ng, and C.Y. Wang,“Maintenance of Discovered Association Rules in Large Database: An Incremental Updating Technique”, Proc. Int’l Conf. Data Eng., 1996.
21. Fung, B. C. M., Wang, K. and Ester, M., “Herarchical Document Clustering Using Frequent Itemsets,” In SIAM Int. Conf. Data Mining, 2003.
22. Han, J. and Kamber, M., 2006. Data Mining: Concepts and Techniques, 2nd Ed., Morgan Kaufmann.
23. Han, J., Pei, J. and Yin, Y., 2000. Mining Frequent Patterns without Candidate Generation, Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data Table of Contents, Dallas, Texas, United States.
24. http://mylibrary.e-lib.nctu.edu.tw/
25. Li, Z. C., He, P. L. and Lei, M., 2005. A High Efficient AprioriTid Algorithm for Mining Association Rule, Proceedings of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, China.
26. Liu, P. Q., Li, Z. Z. and Zhao, Y. L., 2004. Effective Algorithm of Mining Frequent Itemsets for Association Rules, Proceedings of the Third International Conference on Machine Learning and Cybernetics, Shanghai, China.
27. Ou, J., Lin, S. and Li, J., 2001. The Personalized Index Service System in Digital Library, Proceedings of the Third International Symposium on Cooperative Database Systems for Advanced Applications, Beijing, China.
28. Park, J. S., Chen, M. S. and Yu, P. S., 1997. Using a Hash-Based Method with Transaction Trimming for Mining Association Rules, IEEE Transactions on Knowledge and Data Engineering, 9(5), 813-825.
29. Srikant, R. and Agrawal, R., 1995. Mining Generalized Association Rules, Proceedings of the 21th International Conference on Very Large Data Bases, Zurich,Switzerland.
30. Tsay, Y. J. and Chiang, J. Y., 2005. CBAR: An Efficient Method for Mining Association Rules, Knowledge-Based Systems, 18, 99-105.