基于Visual FoxPro编程的图书流通关联规则挖掘研究与实现

对关联规则挖掘的经典Apriori算法进行了深入细致研究。在Visual FoxPro环境下,通过编程实现了经典的Apriori算法,完成了对辽宁石油化工大学近十年来图书借阅数据的关联规则挖掘,得出了专业图书间的借阅关联关系。为预测读者的借阅倾向、辅助采购决策、主动推送相关信息等服务提供了较为翔实的数据支持。     

数据挖掘在图书信息管理系统中的应用

采用数据挖掘技术,通过挖掘某大学图书信息管理系统数据仓库中的借阅记录,运用并改进Apriori算法,比较、分析了读者需求的、按科目分类的各类图书资料间的关联;这些关联规则为图书管理员提供了有效地分析图书借阅状况、提高图书管理水平、提高图书馆服务质量等的办法.     

基于数据挖掘的书目推荐研究

通过分析推荐书目的作用,在几种传统图书推荐服务方式的基础上,尝试将数据挖掘中的关联规则引入到图书馆书目推荐的工作中。基于借阅实例,利用关联原则和Apriori算法对读者借阅记录进行分析,从而为读者提供个性化的图书推荐服务。文章指出这种书目推荐方式对图书馆和读者都具有重要的意义。     

基于Apriori算法的读者行为分析

本文利用Apriori算法对图书管理集成系统产生的流通数据进行数据挖掘,找出读者借阅书目之间的关联规则,从而指导图书馆工作人员主动的向读者推荐满意的图书。     

关联规则挖掘在优化高校馆藏结构中的应用

简要介绍了关联规则挖掘以及Apriori算法,并将Apriori算法应用于高校图书馆流通数据,从读者需求的角度出发挖掘借阅图书之间的关联,为图书采购工作提供理论依据,优化图书馆的馆藏结构。     

基于XHL缓存文件频繁数据挖掘的简单改进算法

介绍XML缓存现状和Apriori算法的情况雇分析Apriori算基础上,通过对经典Apriori算法的改进,提出一种改进算法,该算法在计算候选大项集支持度所涉及的记录数目将小于事务数据库中原始的记录数目,实验证明该算法能够有效提高执行效率.     

关联规则在图书馆读者借阅记录中的挖掘应用

本文在图书馆管理系统中引入数据挖掘技术,利用关联规则的Apriori算法对读者借阅图书的关联情况、借阅规则进行实际挖掘,并将挖掘结果进行分析,以指导图书馆的读者服务工作。     

Apriori算法在新书推荐中的应用

图书馆新书推荐工作是利用关联规则的Apriori算法对读者信息、借阅记录等历史信息进行分析,了解不同读者群体的借阅模式,并采用改进后的关联规则对新书进行推荐工作,进而有效地提高图书馆服务的水平.     

一种新的解决FSC问题的算法

在本文中,我们将回顾为解决频繁集计数(Frequent Set Counting FSC)问题的Apriori类算法,并且提出一个新的算法Apriori-3,原有的经典Apriori算法进行改进.我们的目标是优化Apriori算法中最耗时的阶段,比如2次频繁项目集计数过程.我们主要通过提出一种新的存储候选项集和计算它们支持度的方法,同时使用了一种有效的裁剪技术随着算法的执行能够明显的减少数据集的数量.     

基于Apriori算法的改进关联规则的算法研究

关联规则是数据挖掘的一个重要研究内容,主要用于从大量数据集中挖掘出有价值的数据项之间的关联关系.典型案例是超市的购物篮分析,主要对顾客的购买记录数据库进行关联规则挖掘,可以发现顾客的购买行为.本文依据Apriori算法的两个基本性质,即任何大项集的子集一定是大项集,非大项集的超集一定是非大项集,对经典的Apriori算法要多次扫面事务数据库的问题,作了一些改进,并进行仿真计算,结果表明,改进的算法确实减少了扫描次数.     

FCM聚类算法在数字图书馆中的应用研究

运用模糊C-均值(FCM)聚类算法对数字图书馆的图书借阅数据进行数据挖掘,并使用误判率交叉估计法验证挖掘过程的有效性.通过分析聚类挖掘结果,寻找到读者借阅图书的潜在规律,并对各类图书的借阅质量进行判断,以提高图书馆的图书利用率,进一步优化馆藏.     

基于关联规则的藏文文献流通特征研究——以西藏大学图书馆为例

文献流通数据记录了读者的借阅行为,文章在分析书目数据库存储结构的基础上,提取了西藏大学图书馆馆藏藏文文献的流通数据,提出了Apriori的改进算法,并使用改进后的关联规则算法分析了藏文文献流通数据,挖掘出流通事务数据中隐含的关联规则。     

改进的Apriori算法在中医医案分析中的应用

为了解决Apriori 算法的不足,提出了改进的Apriori算法:进行剪枝侯选项目集时,采用生成频繁项目集和删除具有非频繁子集候选同时进行的方法来减少多余子项目集的生成.改进的Apriori 算法大大提高了频繁项目集即关联规则生成的效率,运行时间不及原算法的十分之一,同时节省了大量的存储空间.最后利用改进的Apriori 算法对中医医案数据进行关联规则挖掘,获得了良好的效果.     

最小支持度为区间值的加权Apriori算法

为解决经典Apriori算法中最小支持度设定不当和数据库中各项目的重要程度不易给出的问题,采用区间量化方法计算出最小支持度满足的一个区间,用区间值代替单一的最小支持度.并根据引入的可能度概念对改进算法进行剪枝的策略,提出项目权重和最小支持度都为区间值的加权关联规则挖掘算法.通过UCI上的数据集对比改进算法和经典算法的性能.研究结果表明:改进算法解决了最小支持度设定过高或过低所带来的问题,并提高了算法的运行速度及有效率.     

基于文本相似度比较的高校图书馆个性化图书推荐研究与实现

高校图书馆藏丰富且齐全,图书的种类和数目庞大繁杂,没有具体借阅目标的读者,到图书馆寻找感兴趣图书所花费的时间和精力也在成倍增长.本文在数据挖掘下基于文本相似度比较的高校图书馆个性化图书推荐服务应用进行了研究,借鉴时下流行网络电商平台的经验,为高校图书馆开辟个性化图书推荐的渠道,利用读者的浏览记录、收藏情况、借阅历史等数据,自动为读者推荐有借阅意愿的图书.     

基于数据挖掘的高校图书馆读者服务的研究——以延安大学为例

以延安大学图书馆读者数据为例,首先通过图书管理系统提取延安大学2012年至2019年读者基础数据,其次对数据进行了清洗、转换、集成。主要采用K-means和Apriori算法对集成后的读者数据进行分析,借助当下较流行的数据分析软件MATLAB和IBM SPSS Modeler实现读者数据的聚类,进而进行数据挖掘,分析各个类别学生的借阅特点及其关联性。最后以延安大学本次搬迁过程中未搬迁四个学院读者数据为例,为本次学校图书馆搬迁中保留院系兴趣书预留情况合理调配提供有力数据支撑,提高纸质图书的利用率。     

Hadoop框架下的一种改进的Apriori算法

常见的基于Hadoop框架的Apriori改进算法在统计支持度时有扫描数据集、候选项集剪枝等方面效率低下且集群间的数据传输有较大的时间开销的问题,提出了一种Apriori的改进算法Apriori_Ind.算法运用Hadoop集群,使用先按事务对数据集分块,再将数据集的格式转换为项,事务集的分块处理策略,使算法充分利用分布式计算优势,实现各节点并行的实现候选项集生成与剪枝操作.并利用前项与后项的新结构表示频繁项集,新结构在各节点进行候选项集生成和剪枝时提高算法效率.Apriori_Ind具有减小集群传输代价、加速剪枝等优势.实验表明新算法适合大规模数据挖掘,特别是项的数量较大的情况下,算法性能有明显的提高.     

结合时间上下文和兴趣模型协同过滤推荐算法

针对传统协同过滤UserCF推荐算法，用户相似度计算数据维度单一、精确率低、用户兴趣动态漂移等问题，提出一种结合时间上下文和用户兴趣动态衰减模型的协同过滤推荐算法.在传统协同过滤算法中结合时间上下文优化用户相似度的计算，引入用户收敛兴趣衰减模型，动态评估用户兴趣变化.算法通过MovieLends-1M数据集进行实验验证，按照F_β值、准确率、召回率与传统UserCF、UserCF-IIF算法进行对比分析.实验结果表明：本文算法精确率最高可达25.6%、召回率最高可达12.2%，相比UserCF、UserCF-IIF算法，在F_β值方面本文算法具有明显提升.     

Linked Data数据集的主题模型建立方法

提出了建立Linked Data数据集主题模型的方法.首先,将数据集中的RDF陈述三元组转换成主谓宾结构的语句,从而将Linked Data数据集转化为文本文档;然后,使用LDA算法对所有数据集的文本文档进行主题建模,即可得到每个数据集的主题向量,该向量就是描述数据集内容主题的特征.在Linked Data数据集链接目标推荐问题上,引入数据集的主题特征进行实验.使用数据集主题向量的余弦相似度替换基于记忆的协同过滤推荐算法中的相似度计算模块.结果表明,推荐效果比原始的协同过滤算法有很大提升.     

基于数组的Apriori算法在体质测试数据分析中的应用

识别所有频繁项目集是Apriori算法的核心,针对关联规则中Apriori算法存在的运行效率和存储空间上的不足,提出一种基于数组的Apriori算法,从而减少了候选频繁集冗余,提高了算法效率.对高校学生体质测试项目进行挖掘分析,找出了各测试项的关联关系并对各测试项目设置的合理性进行了判断.