臺灣博碩士論文加值系統

近年來由於經濟的快速發展，圖書館的藏書量也正快速增加，要在這些大量的藏書中找到符合讀者需求的書籍，也越來越困難了。因此，如何能根據讀者所需，提供藏書資訊，已成為目前圖書館一個重要的課題。另一方面，圖書館也希望能夠提供讀者更多的資訊與服務，希望圖書館中的館藏能儘量有效的被利用，以使讀者能從所借的書中獲取最多的效益。

在本研究中，我們根據南台科技大學圖書館所提供的借閱資料庫，且以讀者之借閱資料為探勘的資料來源，每一筆借閱資料包含讀者曾經借閱過之書籍項目及興趣度值，分別為讀者找尋適性化之書籍，以及為書籍找尋適性化之讀者。利用資料探勘中的分群化分析法來將書籍或是讀者，透過最小借閱相似度的計算，找尋該群組最適性之讀者或書籍並加以推薦之。

最後，我們根據所提出的方法，設計與建置一個最適性之書籍及讀者推薦系統。此探勘結果，對圖書館在擬訂讀者個人化服務時，可以提供非常有用的參考資訊。

The fast development in economy of cause in recent years, the collected books amount of the library is increasing fast too, find the books which accord with reader's demand in these a large amount of collected books, it is more and more difficult. So, how can offer the information of the collected books according to reader's need, have already become an important subject of the library at present. On the other hand, the library hopes to offer more information and service to readers too, hope that the collection in the library can try one's best to be utilized effectively , in order to enable reader to obtain benefit most from the book borrowed.
In this thesis, we according to borrowing database of library of Southern Taiwan University of Technology offered, and regard borrowing the data of readers as the data source mined, every one borrows data includes books and one degree of value of interest that readers once borrowed, look for adaptive books for readers,and look for adaptive readers for the books. Utilize clustering of the data mining approach come the books or readers, through calculation of the borrowing similar degree, look for adaptive reader or books of group and recommend it .
Finally, according to the method put forward, we design and build a recommend system of adaptive books and reader. The result of mining, while planning reader's personalised service to the library, can offer very useful reference information .

摘　要 ii
英文摘要 iii
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 1
1.3 研究流程 2
1.4 論文架構 2
第二章 相關研究 4
2.1 資料探勘之探討 4
2.2 資料探勘在圖書館上的應用 6
2.3 資料探勘相關技術 8
2.3.1 關聯規則 8
2.3.2 分類分析法 13
2.3.3 分群分析法 16
2.3.4 次序相關分析法 20
第三章 發掘讀者最適性之書籍推薦 22
3.1分群化發掘讀者最適性的書籍推薦 22
3.1.1以某一讀者之借閱資料為中心點分群化 22
3.1.2實例說明 24
3.2包含興趣度分群化發掘讀者最適性的書籍推薦 24
3.2.1包含興趣度以某一讀者之借閱資料為中心點分群化 25
3.2.2 實例說明 27
第四章 發掘書籍最適性之讀者推薦 28
4.1 利用分群法發掘書籍最適性之讀者 28
4.1.1以某一書籍之借閱資料為中心點分群化 28
4.1.2實例說明 30
4.2 包含興趣度利用分群法發掘書籍最適性之讀者 31
4.2.1包含興趣度以某一書籍之借閱資料為中心點分群化 31
4.2.2 實例說明 33
5.1系統流程與建置需求 35
5.1.1系統流程 35
5.1.2系統建置需求 36
5.2 資料及格式說明 36
5.3 系統功能與評估 37
第六章 結論與未來研究方向 46
6.1結論 46
6.2未來研究方向 46
參考文獻 48

1.魏志平、董和昇，電子商務理論與實務，華泰出版社，第147-184 頁，民國89年。
2.葉建華，數位圖書館內容與知識管理之研究，國立臺灣大學資訊工程學研究所，博士論文，民國88年。
3.陳慶瑄，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學系，碩士論文，民國89年。
4.孫冠華，圖書館新書推薦之個人化服務方法，國立中山大學資訊管理研究所，碩士論文，民國89年。
5.吳安琪，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系，碩士論文，民國90年。
6.洪志淵，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學系研究所，碩士論文，民國90年。
7.張苑菁，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，碩士論文，民國90年。
8.戴玉旻，圖書館借閱記錄探勘系統，國立交通大學資訊科學系研究所，碩士論文，民國90年。
9.熊文江，文獻數位圖書館推薦技術之研究，國立中山大學資訊管理研究所，碩士論文，民國90年。
10.王毓菁，圖書館閱覽者群組潛在特徵探勘資訊系統，華梵大學工業管理學系研究所，碩士論文，民國91年。
11.Fayyad, U. M., “Advances in Knowledge Discovery and Data Mining,” Boston:MIS Press, 1996.
12.Fayyad, U. M., et al., “The KDD Process for Extraction Useful Knowledge from Volumes of Data,” Communication of the ACM, November 1996.
13.Fayyad, U. M., Shapiro, G. P., Smyth, P. and Uthurusamy, R. “Advances in Knowledge Discovery and Data Mining,” Califonia: AAA/MIT Press, 1996.
14.Chen, M. S., Han, J. and Yu, P. S., “Data Mining: An Overview from a Database Perspectiv, ” IEEE Trans. on Knowledge and Data Engineering, Vol. 8, No. 6, 1996, pp. 866-883.
15.Agrawal, R., Imielinski, T. and Swami, A., “Database Mining: a Performance Perspective,” IEEE Tran. Knowledge and Data Engineering, Vol. 5, No. 6, 1993, pp. 914-925.
16.Agrawal, R. and Srikant, R., “Fast Algorithms for Mining Association Rules, ”Proceedings of the 20th International Conference on Very Large Databases, Santiago. Chile, September, 1994, pp. 487-499.
17.Srikant, R. and Agrawal, R., “Mining Generalized Association Rules,” Proceedings of the 21th International Conference on Very Large Data Bases, 1995, pp. 407-419.
18.Han, J. and Kamber, M., Data Mining Concepts and Techniques, Morgankaufmann Publishers An Imprint of Academic Press, 2001, pp. 225-354.
19.Sabharwal, C. L., Hacke, K. R. and St. Clair, D. C., “Formation of Clusters and Resolution of Ordinal Attributes in ID3 Classification Trees, ” Proceedings of ACM/SIGAPP Symposium on Applied Computing: Technological Challenges of the 1990’s, 1992, pp. 590-597.
20.Clark, P. and Niblett, T., “The CN2 Induction Algorithm,” Machine Learning, Vol.3, 1989, pp. 261-283.
21.Rich, E. and Knight, K.,Learning in Neural Network, 2nd Ed., McGraw-Hill,New York, 1991.
22.Kaufman, L. and Rousseeuw,P. J., Finding Groups is Data: an Introduction toCluster Analysis, John Wiley & Sons, 1990.
23.Ng, R. T. and Han, J., Efficiecnt and Effective Clustering Methods for SpatialData Mining, Proceedings of the 20th International Conference on Very LargeData Bases, 1994, pp. 144-155.
24.Dubes, R. C. and Jain, A. K., Algorithms for Clustering Data, Prentice Hall,1988.
25.Alsabti, K., Ranka, S. and Singh, V., “An Efficient K-Means ClusteringAlgorithm,” PPS/SPDP Workshop on High Performance Data Mining, 1997.
26.Agrawal, R. and Srikant, R., “Mining Sequential Patterns,” Proceedings of theInternational Conference on Data Engineering (ICDE), 1995.
27.Srikant, R. and Agrawal, R., “Mining Sequential Patterns: Generalizations andPerformance Improvements,” Proceedings of the Fifth International Conference onExtending Database Technology (EDBT), 1996.