以往的讀者借閱資料只是被用來記錄其借閱書籍是否已歸還，只要讀者歸還書籍，則其借閱記錄也不再被保存。由於近年資訊科技的發達及圖書館的電子化，使得讀者的借閱資料更容易被儲存起來，這些借閱資料也隨時間日積月累成相當龐大的借閱資料庫，加上現今圖書館已由被借閱書籍演變成主動向讀者推薦借閱書籍，藉以提升圖書館館藏的使用率。而這些資料通常隱含了讀者彼此之間借閱的興趣關聯，因此本研究運用資料探勘(data mining)技術可從龐大的資料庫中探勘出有用資訊的特性，來探勘出這些隱含的關聯，並將所探勘出的結果作為推薦的依據，主動推薦給讀者一本他最適合的書籍，藉此來提升圖書館的使用率。
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，每一筆借閱資料包涵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
最後，我們根據所提出的方法，設計與建制一個最適性之讀者推薦系統。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。

In the past、libraries』 records only record whether books have been returned or not. These records will not be stored after borrowers have returned the books. However、due to the advances of technology in recent years、borrower’s records can now be easily recorded and stored at the same time. These records become larger as time progresses.
Nowadays、in order to improve its utility rate、libraries have evolved to actively recommending which books to read. This is done by associating the interests of readers to types of books available. The purpose of this study is to improve the libraries』 utility rate by using Data Mining to find readers』 implied associations from the large database and apply the mining’s result to recommend suitable books for readers accordingly.
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 for the books.
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 personalized service to the library、can offer very useful reference information.

摘 要 I
ABSTRACT II
目次 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
1.1 研究背景 1
1.2研究動機 1
1.3研究目的 2
1.4研究流程 3
1.5論文架構 4
第二章 相關文獻與探討 5
2.1 資料探勘介紹 5
2.2 中國圖書分類法 9
2.3 個人適性化定義 10
2.4 探勘關聯規則演算法 11
2.4.1關聯規則 11
2.4.2 Apriori 演算法 12
2.4.3 FP-tree演算法 15
2.5 其他相關研究 16
第三章 發掘讀者適性化之書籍推薦 18
3.1 利用FP-TREE演算法發掘讀者適性化之讀者推薦 18
3.1.1 探勘方法 18
3.1.2實例說明 19
3.2. 利用D-TREE演算法發掘讀者適性化之讀者推薦 24
3.2.1 D-TREE的建立與探勘 24
3.2.2實例說明 28
3.3興趣推薦 32
第四章系統設計與建置 34
4.1建置流程 34
4.2系統平台建置需求 35
4.3資料格式分析 36
4.4系統功能 37
4.5節效能評估 41
第五章結論與未來發展 43
5.1結論 43
5.2未來發展 44
參考文獻 45

1.辜曼蓉，讀者資訊尋求行為予以讀者為中心的圖書館行銷，書府，20：81-111，民國88年。
2.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研究所碩士論文，民國90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研究所，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. 鄭滄祥、魏志平、蕭漢威、齊玉美，非對稱性分類分析之實證評估，第十四屆國際資訊管理學術研討會，民國92年。
6. 顏秀珍，李御璽，王思穎，從交易資料庫中挖掘客戶的購物行為，第十四屆物件導向技術及應用研討會，民國92年。
7. 賴春松，提昇資料探勘效率於企業行銷之應用，南台科技大學資訊管理研究所，碩士論文，民國91年。
8. 連宏明，從交易資料庫中發掘含有時間間隔的序列型樣，輔仁大學資訊工程研究所，碩士論文，民國90年。
9. 陳東堅，利用有效率的方法提升高頻型樣樹之探勘關聯規則之效能，南台科技大學資訊管理研究所，碩士論文，民國92年。
10.廖俊凱，在大型交易資料庫中利用有效率演算法探勘數量關聯規則，南台科技大學資訊管理研究所，碩士論文，民國93年。
11.陸津華，挖掘高獲利性關聯規則之研究，東海大學，資訊工程與科學研究所，碩士論文，民國92年。
12.劉信義，使用群聚壓縮樹之高效率關聯規則挖掘法，中央大學資訊管理研究所，碩士論文，民國93年。
13.Berry、M. J. A. and Linoff、G.、「Data Mining Technique for Marketing」、Sale、
and Customer Support、New York:John Wiley Computer、1997.
Ou、J .、Lin、S. and Li、j.、「 The personalized Index Service System in Digital Library,」Proc. Of the Third International Symposium on Cooperative Database Systems for Advanced Applications、92-99,2001.
14.El-Hajj M. and Zaıane、O. R. 「Non recursive generation of frequent k-itemsets from frequent pattern tree representations」. Proceedings of 5th International Conference on Data Warehousing and Knowledge Discovery (DaWak』2003)、pages 371–380、September 2003.
15.Agrawal、R. and Srikant、R.、「Fast Algorithms for Mining Association Rules in Large Database,」 Proceedings of the 20th International Conference on Very Large Data Bases、pp. 487-499、1994.
16.Srikant、R. and Agrawal、R.、「Mining Generalized Association Rules,」 Proceedings of the 21th International Conference on Very Large Data Bases、pp. 407-419、1995.
17.Agrawal、R. and Srikant、R.、「Fast Algorithms for Mining Association Rules,」 Proceedings of the VLDB Conference、1994.
18.Iko P.、and Masaru K.、「FPtax : Tree Structure Based Generalized Association Rule Mining,」 DMKD 』04、June 13、2004.
19.Quinlan、J. R.、「Induction of Decision Trees,」 Machine Learning、Vol.1、pp. 81-106、1986.
21. Ng、R. and Han、J.、「Efficient and Effective Clustering Method for Spatial Data Mining、」 Proceedings. Int』l Conf. Very Large Data Bases、pp. 144-155、Santiago、chile、Step、1994.
22. Agrawal、R. and Srikant、R.、「Mining Sequential Patterns,」 Proceedings. of the Int』l Conference on Data Engineering、Taipei 、Taiwan、March、1995.
23. Liu P. Q.、Li Z. Z.,Zhao Y. L.、「Effective Algorithm of Mining Frequent Itemsetsfor Association Rules,」 Proceedings of the Third International Conference onMachine Learning and Cybernetics、pp. 1447-1451、2004.
24. Srikant R.、Agrawal R.、「Mining Generalized Association Rule,」 Proceedings ofthe 21th International Conference on Very Large Data Bases、pp.407-417、1995.
25. Enrique Lazcorreta、Rederico Botella、「Towards personalized recommendationby tow-step modified Apriori data mining algorithm,」 Expert Systems withApplications、Vol. 35、pp. 1422-1429、2008.
26. Han、J.、Pei、J. and Yin、Y.、「Mining Frequent Patterns without Candidate Generation、」 Proceedings of the 2000 ACM SIGMOD international conference on Management of data、pp. 1-12、2000.
27. Qiu、Y. Lan、Y. J. and Xie、Q. S.、「An Improved Algorithm Of Mining From FP-tree,」 Proceedings Third International Conference on Machine Learning and Cybernetics、Shanghai、pp.26-29、2004
28. Ma、H. B. Zhang、J. Fan、Y. J. And Hu Y. F. 「Mining Frequent Patterns Based On IS+-tree,」 Proceedings Third International Conference on Machine Learning and Cybernetics、Shanghai、pp. 26-29 August 2004