摘 要：對于讀者在不同時間下借閱過之書籍項目，往往也反映出書籍被借閱的次序性，其可能顯示讀者在需求上或是書籍專業(yè)上的次序性。在此章節(jié)中，我們以讀者之借閱資料為探勘的數(shù)據(jù)源，每一筆借閱數(shù)據(jù)包含有曾經(jīng)借閱過的書籍項目，其中的書籍項目都依借閱的時間事先排序過，并以某一讀者為探勘的目標，利用數(shù)據(jù)探勘技術做為發(fā)掘具有借閱次序之讀者個人化的書籍推薦的依據(jù)。

關鍵詞：次序；技術；發(fā)掘；讀者；書籍；推薦

中圖分類號：TP311.13

1 次序名詞定義

其實所謂的次序，我們常用比較廣泛的說法也就是時間順序，就如同本文所使用的圖書館推薦系統(tǒng)，它包含了讀者的借閱次序，而我們此研究提出了兩個次序方法，也就是利用讀者的借閱時間順序與借閱次數(shù)，并依照借閱時間順序或者借閱次數(shù)高低，如果讀者想要探勘出他借閱次數(shù)時間順序或者借閱次數(shù)最高的書籍，那就可以利用次序去分析與探勘，并達到更進一步的推薦方法。

1.1 次序

為有次序性之k個項目組所組成的集合，k≥1，當中以sequencek表示之，例如某讀者先借閱A書籍與C書籍，然后再借閱B書籍、D書籍與E書籍，則以（AC，BDE）來表示一個次序，任何一讀者有次序性之借閱數(shù)據(jù)可視為一次序，但又有另一方法，那就是當讀者借閱A書籍為3次，B書籍3次，C書籍2次，那我們就可以列出（A=3，B=3）以A和B借閱次數(shù)為最高次數(shù)為3下去做推薦判別，也就是以A書籍和B書籍所借閱之關聯(lián)數(shù)據(jù)去做推薦其他同類型關聯(lián)的書籍，多出一個讀者使用推薦系統(tǒng)的方法與選擇，達到最有效率的效果。

1.2 次序支持度

包含有某一次序之事務數(shù)據(jù)的數(shù)量/全部事務數(shù)據(jù)的數(shù)量。若某一次序的支持度大于或等于最小次序支持度，則稱之為最大次序，一大次序若包含有k個項目組，則稱為大k-次序，以Lsequencek表示之，也就是書籍相似度，我們可以稱為次序支持度，但是這個常常會影響到一個探勘出來的準確度，所以我們常常會考慮是否將此支持度加入系統(tǒng)以防止準確度降低。

2 發(fā)掘讀者個人化之書籍推薦

我們可以知道有關探勘可以分出好幾種方法去作研究探勘，而傳統(tǒng)的關聯(lián)規(guī)則只考慮其項目是否出現(xiàn)在此集合中或者是否符合此集合，但并未考慮項目出現(xiàn)的次序性，畢竟借閱次序往往是包含了借閱時間的前后關系。次序分析是在一群有次序的數(shù)據(jù)集合中，找出其中時常出現(xiàn)的次序關系，也就是我們先前所提到的次序型樣，藉此可分析出讀者是否有次序性的借閱行為，其特點則是每個集合中的每個項目前后關系為識別的特征之一，也就是型樣中的項目之間是含有次序性，所以我們可以知道當我們在尋找次序時，會有一個用以決定項目先后次序的衡量方式，如時間因素，所有的項目或項目集合依據(jù)該衡量方式做次序排列，而我們要進一步的去尋找次序關系就是要在這些有關次序資料中，找出有趣的探勘規(guī)則。

舉例來說，當某讀者在昨天下午2點借閱了A書籍，又再昨天下午5點借閱了B、C兩本書籍，在昨天晚上7點又借閱了D書籍，經(jīng)過排序與分析所有讀者的借閱數(shù)據(jù)之后，如果ACD是找出的次序型樣，表示讀者在借閱了A書籍之后，會有借閱C、D書籍的傾向。假設欲探勘之讀者的借閱數(shù)據(jù)為，為一次序，根據(jù)次序的定義，我們必須找出以下形式的最大次序：

從上面定義可以再一次討論借閱傾向為：若讀者曾經(jīng)借閱過書籍，則接下來也會有借閱書籍的傾向。由于 ，表示最大次序與此一讀者具有相關性，且若愈相似于，則最大次序的相關性愈強，其借閱的傾向性也愈強。因此，藉由最大次序的傾向性，可做為發(fā)掘具有借閱次序之此一讀者個人化之書籍推薦的依據(jù)。

而從上面依據(jù)來看，為了配合探勘的需要及避免計算與無關的項目包括進來，而修改次序相關算法的步驟，直接將中之項目組合與非中之項目而形成的項目中去作改良，并判斷這些項目組是否為大次序，擷取的過程說明如下：

（1）從最初對所有讀者之借閱數(shù)據(jù)中的書籍項目中，依借閱時間做遞增或遞減的方式排序。

（2）從中及非中找出序列1（Lsequence1），且必須至少各包含一個項目。

（3）從（2）中組合兩個序列1（Lsequence1）形成序列2（Lsequence2），其中前面項目 ，而后面項目 。

（4）找出Lsequencek-1，k>2。

（5）由（4）中排列組合任兩個有k-2項目相同的Lsequencek-1，形成sequencek且其中前面項目 。

（6）判斷由（5）所找出的sequencek其所有包括的sequencek-1之子集合是否都出現(xiàn)在（4）中，若sequencek-1∩= 、或sequencek-1∩非= ，則不列入考慮，假如成立就保留此sequencek，否則就刪除。

（7）再檢查由（6）所擷取的sequencek是否滿足最小次序支持度，假如符合就成為Lsequencek，否則就刪除。

（8）跳至（4）找Lsequencek+1，直到無法產(chǎn)生大次序為止。

（9）確認Lsequencek之最大化，即若一大次序包含于另一大次序中，則刪除掉。

從以上算法的（3）步驟開始，我們所擷取出的sequencek，其型樣必定為且 ，表示與此一讀者之借閱資料有關聯(lián)性，且在（5）步驟中所排列組合形成的sequencek，可以產(chǎn)生不同的項目次序關系。

因此我們計算出最大次序所形成的型樣，做成以下的定義：藉由最大次序所顯示出的借閱傾向關系，為具有借閱次序之此一讀者最適性的書籍推薦，且愈相似于，則借閱的傾向關系也愈強，也就是當讀者借閱X書籍后，之后所借閱的W書籍則是與X書籍有關聯(lián)性，那V書籍我們就可以做為具有借閱次序之個人化之書籍推薦之一。

3 實例說明

我們以表1的借閱數(shù)據(jù)庫D3來進行分析，當我們設定K={A，B，C，D，E}為所有書籍項目的集合，則設定S={S1，S2，S3，S4}為4筆讀者之借閱數(shù)據(jù)的集合。假設目前欲探勘之讀者為S4，可以知道其借閱數(shù)據(jù)為，以下我們說明發(fā)掘具有借閱次序之此一讀者最適性書籍推薦的探勘過程。

而我們可以擷取與有相關之大次序的過程。

刪除被包含于其他大次序的大次序，我們以最大次序為例，其所顯示出的傾向特征，因為讀者R4本身借閱數(shù)據(jù)為，因此可發(fā)掘出具有借閱次序之讀者R4個人化最適性的書籍推薦為。

參考文獻：

[1]張海營.圖書館個性化電子期刊訂閱[J].情報雜志，2011（06）.

作者簡介：李明（1982-），男，廣西賀州人，助教，學士學位，研究方向：圖書館現(xiàn)代化管理。

作者單位：賀州學院，廣西賀州 542899