聚類分析算法在圖書管理系統中的應用分析

彭燕

摘 要：文章首先對聚類分析算法的含義進行了簡明扼要的概括，并對“聚類”、“簇”等聚類分析算法涉及的重點詞匯進行了說明，然后又介紹了聚類分析算法——K-均值算法，和以該算法為基礎所延伸出的改進算法，最后通過理論與實際相結合的方式，以圖書、讀者這兩個圖書管理工作主體為切入點，對圖書管理系統中聚類分析算法的實際應用進行了分析，希望本文所討論的內容能夠在某些方面為圖書管理工作的開展提供參考或幫助。

關鍵詞：圖書館；聚類分析算法；圖書管理系統

隨著科學技術的進步，各圖書館在對圖書進行管理時應用的系統與之前相比也出現了相應的變化，將聚類分析算法應用其中已成為大勢所趨。通過實踐能夠發現，在圖書管理系統中對聚類分析算法進行合理應用，不僅能夠對讀者前往圖書館的主要目的加以了解，還能夠以讀者需求為導向，對服務工作進行相應的優化，除此之外，在采購圖書資源時，工作人員也具有了更加科學、系統的參考依據。由此可以看出，本文所研究課題具有一定的現實意義。

1 聚類分析算法的概述

作為數據挖掘領域應用頻率極高的技術之一，聚類分析計算的關鍵在于“聚類”。聚類指的是將抽象或是物理對象集合轉化為由類似對象組成的簇的全過程；對作為數據對象集合而存在的簇而言，同一簇所包含的對象往往存在高度的一致性，不同簇所包含的對象則具有高度相異性，這是需要人們準確掌握的內容[1]。只有對上文所提及的內容進行了解和掌握，才能準確、科學的應用聚類分析算法，也才能保證對數據分布特征進行深入的挖掘和掌握。

現階段，聚類分析算法已經被廣泛應用在諸多領域中，例如，模式識別、圖像分割、數據挖掘等。在商務領域，聚類分析法主要被用于對客戶信息進行分析，保證人們能夠發現潛在客戶群體，并在購買模式的輔助下對客戶群體具有的特征進行刻畫。除此之外，聚類分析算法還能夠被應用在對挖掘算法進行預處理的過程中，例如，人們可以應用該法對某些數據進行聚類，然后再以所得出結果為基礎，開展相應的研究或是處理工作，保證工作質量和效率均能夠得到應有的提升。

2 聚類分析算法——K-均值算法的概述

2.1 K-均值算法

作為聚類分析法中相對典型的劃分方法，K-均值算法的本質為迭代聚類算法，通過在迭代過程中對簇集成員進行不斷移動的方式，保證理想簇集的得出。通過實踐能夠發現，K-均值算法具有的優勢主要體現在簡單和快速這兩個方面。在應用該法展開計算時，需要將對象劃分為n個簇，并保證每個簇所包含對象具有高度相似性，另外，不同簇所包含的對象應當具有高度相異性。但是通過實踐發現，K-均值算法受初始值影響較大，也就是說，如果初始值不同，運行效率也會隨之發生變化。因此，想要保證運行效率的有效提升，相關人員以K-均值算法為基礎提出了相應的改進算法。

2.2改進算法

通過對K-均值算法的應用過程進行分析能夠發現，如果能夠在數據分布相對密集的區域中心處對初始聚類中心進行選擇，那么，位于該中心周圍的數據，便能夠被劃分至最近類當中，聚類收斂的速度自然能夠得到提升，迭代次數也會因此而減少。也就是說，以數據分布特點為主要依據，對初代聚類中心進行選取是十分重要的。想要保證針對數據分布情況所開展分析工作的全面性和科學性，必然需要花費更多的時間。根據數據具有的隨機分布這一特點可以看出，聚類數據應當位于數據均值周圍，除此之外，對數據分布進行評價需要應用到的指標還包括標準差，因此，改進算法和K-均值算法最大的區別體現在對初始聚類中心進行選取的方面，改進算法在選取初始聚類中心時，需要應用到的數據包括均值和標準差。

可根據實際情況在1……n的范圍內進行選取[2]。通過實踐能夠發現，與K-均值算法相比，改進算法在準確率和計算效率方面都具有十分明顯的提升，因此，下文所開展研究工作應用的均為改進后的聚類分析法。

3 圖書管理系統中，聚類分析算法的實際應用

3.1 圖書數據的聚類分析

在應用聚類分析算法對圖書進行聚類分析時，需要應用到的數據包括圖書流通總次數以及圖書當年流通次數，也就是說在開展相關分析工作前，工作人員首先需要對上述數據進行調查。圖書聚類分析的結果能夠對圖書借閱頻率的高低進行準確、直觀的呈現，工作人員便可以在此基礎上對符合圖書利用情況、讀者需求情況的決策進行制定，并對館藏資源以及布局加以優化。圖書聚類分析步驟具體如下：

3.1.1對數據進行預處理

通過實踐能夠發現，對數據進行預處理時需要花費挖掘全過程約70%的成本和時間，由此可以看出，想要保證數據挖掘工作的高效開展，關鍵在于對數據預處理工作的質量和效率進行提升。完整的數據預處理工作分為四個步驟，分別是數據的清洗、集成、轉換和消減。

在應用聚類分析法對數據進行預處理時，需要工作人員對數據主要屬性進行重點關注，正常情況下，主要屬性不應當出現空值的情況，若在實踐過程中發現有某些屬性出現空值，則需要參考挖掘內容和表的屬性，及時對空值進行相應的填充。具體來說，在對圖書數據進行聚類分析時，需要應用到的分析屬性包括圖書流通總次數以及圖書當年流通次數，如果圖書館中存在某些從未被讀者借閱過的圖書，那么這兩個字段就為空值，在實際處理的過程中，工作人員應當用0對空值處進行填充，保證工作的順利進行[3]。除此之外，如果需要挖掘的數據分散于數據庫的不同表內，工作人員還需要對數據庫字段進行整合，并形成完整的表，這樣做的目的在于保證運行效率能夠得到一定程度的提高。

3.1.2應用聚類分析算法對圖書數據加以分析

在對圖書數據進行聚類分析前，工作人員首先需要對聚類個數進行設置，在本文中，聚類個數被設置為3，分別代表具有較高利用率、中等利用率和較低利用率的圖書，然后再應用上文所介紹的改進算法，針對圖書借閱次數展開聚類挖掘工作，得出相應的聚類情況和統計結果。此時，工作人員便可以將聚類分析結果作為主要依據，從3個聚類中對圖書群體存在的共性特征進行分析，明確對圖書利用率產生影響的主要因素，為后續關聯規則的挖掘工作奠定良好基礎。endprint

3.2 讀者數據的聚類分析

在應用聚類分析算法對讀者進行聚類分析時，需要應用到的數據為讀者對圖書進行借閱的次數，也就是說，工作人員在掌握讀者借閱次數后，便可以開展相應的聚類分析工作。

3.2.1對數據進行預處理

應用聚類分析法對讀者數據進行聚類分析的步驟與圖書數據分析相同，本文不再贅述，具體參考上文。

3.2.2應用聚類分析算法對讀者數據加以分析

在對讀者數據進行聚類分析前，工作人員同樣需要對聚類個數進行設置，本文將聚類個數設置為3個，分別代表了活躍讀者、一般讀者以及不活躍讀者，然后再通過對改進算法加以應用的方式，針對讀者所借閱圖書的數量展開聚類挖掘工作，得出相應的聚類情況和統計結果。通過對計算結果進行分析能夠發現，不同類型讀者的圖書利用情況存在著十分明顯的差別，此時，工作人員便可以對原有的借閱標準進行改進，增加活躍讀者能夠借閱的圖書數量，減少不活躍讀者能夠借閱的圖書數量，這樣做不僅能夠對不同讀者具有的需求進行最大限度的滿足，還可以在一定程度上使圖書利用率得到提升。

除此之外，工作人員還可以將統計結果作為主要依據，針對不同讀者制定相應的服務計劃，對活躍讀者具有的借閱習慣進行分析，并推薦符合活躍讀者需求的圖書；對不活躍讀者則可以進行相應的問卷調查，了解導致他們較少借閱圖書的原因和需求，在此基礎上對館藏資源進行優化，這樣做能夠使不活躍讀者的借閱次數得到相應的增加。

4 結論

通過對上文所敘述的內容進行分析能夠看出，文中所應用聚類分析算法是以K-均值算法為基礎所延伸出的改進算法。將改進后的算法應用在對圖書進行管理的系統中，能夠對圖書數據以及讀者數據進行準確、高效的聚類分析，工作人員則可以通過對統計結果進行分析的方式，了解圖書館內現有圖書的利用率以及讀者的需求和愛好，再以此為基礎開展相應的圖書管理工作，則可以取得事半功倍的效果。

參考文獻

[1]丁麗，詹林，孫高峰，馬健.數據挖掘技術在高職院校圖書管理中的應用[J].綏化學院學報，2013，3306：121-125.

[2]肖健，刁洪祥.聚類分析算法在數字圖書館中的應用研究[J].當代圖書館，2013，03：14-17.

[3]張衛東.基于多維度屬性權重優化的FCM聚類算法的圖書管理數據聚類研究[J].農業圖書情報學刊，2016，2806：50-57.endprint