基于模糊聚類分析的讀者興趣取向實證研究

摘 要：本文通過讀者借閱日志和讀者信息的高維數據進行聚類分析，并將其借閱次數進行加權篩選，即時推薦該類圖書的新書或熱門書給讀者，提高圖書館的業務績效。

關鍵詞：模糊聚類；讀者興趣取向

注：此文系中華人民共和國教育部人文社會科學研究青年基金項目 （No.10YJC870037）。

圖書貴在流通，以讀者為導向，創新圖書館服務已然成為泛在圖書館發展的必然。高校圖書館的讀者服務，必須遵循“以讀者為中心”，及時定向地為讀者提供個性化的推薦圖書服務。那么，如何實現技術支撐保障，快捷準確，真正意義上的“一對一”推薦服務，是每個館員思考的問題。如何才能實現以用戶需求為導向為用戶提供適時、適當的個性化服務已然成為圖書館未來發展的研究重點和必然。對用戶真實的、個性化的需求挖掘成為圖書館信息服務和系統設計的重要依據。在泛在知識環境的大背景下。

1 模糊聚類分析概念

模糊聚類分析是以模糊理論為依據，用模糊的方法，按照一定的要求和規律對事物進行區分和分類來處理聚類問題。它得到樣本是客觀的反映現實世界。

2 模糊聚類樣本矩陣確定

選取圖書館讀者借閱信息、館藏文獻信息等公共性數據進行聚類分析。數據來源服務器端日志數據和讀者注冊數據。按照中圖法，書籍可分22個子類，即其書類集Type={A，B，…，Z}，如果有n個讀者成功借閱圖書，即讀者集Reader={Reader1，Reader2，…Readern}。因此，該圖書館的圖書借閱情況就被映射成一個ReaderType矩陣。其中行表示已被借閱的書類集，列表示可借閱的讀者集，每個元素項tij表示讀者Readeri對某類書Typej的借閱次數Quantity，反映讀者對該類圖書的借閱興趣度。我們構建了如下10000*22數據矩陣ReaderType（如表1）。

3 聚類分析驗證

利用這些數據對這10000位讀者進行聚類分析，將興趣取向近似的讀者歸為同一類，聚類的結果就是這512個讀者被自動分為8類（如圖2）。

例如：已知Reader1，Reader20，Reader140，Reader230，Reader663，Reader915，…，被歸為一類C1，讀者Reader1可能僅僅借閱了O類的圖書，但是由于C1類的讀

者普遍會借閱{O，TP}這兩類的圖書，因此可以推斷讀者Reader1也會借閱TP類的圖書，館員可以提前將TP類的新書或熱門書推薦給這位讀者。

6 推送書籍讀者的正負反饋

眾所周知，讀者的歷史借閱記錄真實反映其興趣愛好。其一，依據對讀者借閱歷史記錄的聚類分析，推薦算法的結果。其二，根據讀者登錄信息找出其所屬的興趣組。當讀者反饋的意見和推薦的結果不相符合，出現負反饋時，說明該興趣組的讀者，在這段時期內其興趣對象發生了變化，需要重新聚類更新讀者興趣度分組。通過讀者反饋幾次反復，最終得到了某興趣組讀者可信的推薦結果。

7 本文HSFC的模糊聚類創新點：

（1）在動態聚類中心數量中，采用評價函數最小的一組聚類中心，作為算法最終的結果，自動找尋正確或合理的聚類中心數；（2）通過特征屬性加權，提高了聚類準確性；

文獻文獻

[1]焦秋陽，許增樸.高校圖書館科技查新概論[J].中國輕工教育，2009，4（4）：40-42，86.

[2]教育部科技發展中心.教育部關于在東北師范大學等10所法人機構設立第四批教育部部級科技查新工作站的通知[EB/OL].http：∥www.cutech.edu.cn/cn/kjcg/cgcx/2009/01/1229477998896943.htm，2009-01-21.

[3]徐慧芳，陳朝暉，鄭菲.科技查新業務分析———以中國科學院國家科學圖書館總館為例[J].圖書情報工作，2007，11（11）：106-110.

[4]董政娥，吳素坤，陳惠蘭，等.科技查新需求分析及其增值服務探討[J].現代情報，2009，7（7）：153-156.

作者簡介

周建女（1968-），副研究館員從事圖書信息服務多年，發表專業論文40余篇主持或參研國家級/省部級課題7項。