潘小鳳
（南京化工職業技術學院圖書館，江蘇 南京 210048）
[摘 要]介紹了數據挖掘中聚類算法的定義、功能及常用算法，并根據南京化工職業技術學院的實際情況，構建數據源，設計基于聚類算法的圖書館書目推薦服務。
[關鍵詞]圖書館 數據挖掘 聚類算法
[分類號]G250.7
目前國內圖書館信息化水平有了較大提高，積累的業務數據成幾何級數增長，數據庫中存在的大量信息為數據挖掘提供了前提條件。但如何開發利用這些閑置的數據，分析內部關聯關系，將隱含在其中的有潛在利用價值的數據進行重新組合，轉化為有用的信息和知識，值得我們深入探討。
1 數據挖掘在圖書館個性化服務中應用的現狀
數據挖掘（又稱知識發現）是一種探索性數據分析技術，借助這項技術，能夠圍繞個性化服務對讀者行為、文獻資源利用等進行分析，以提高數字資源的使用效率以及師生對圖書館個性化服務的滿意度。
國內數據挖掘技術在讀者個性化服務中的應用研究成果頗為豐富，通過對師生讀者信息、借閱查詢信息和網站訪問信息等進行挖掘，例如建立個性化服務模型、為參考咨詢提供依據以及在“云圖書館”中的應用等；國外相關研究則體現在基于圖書館個性化服務的算法、用戶分類、文獻檢索及推薦、管理與決策支持、應用開發[1]這幾方面。
盡管基于數據挖掘的圖書館個性化服務研究成果不少，但仍存在諸多不足。
①對“數據孤立子”研究還不夠。目前對數據主要采取降噪或者刪除無關屬性等方法，把原本可利用的數據丟棄。“數據孤立子”產生原因很多，部分原因在于系統設計的缺陷，或者用戶業務熟悉程度不夠，或者特殊的業務場景。對于孤立子數據可以具體情況具體分析，通過信息反饋等手段補齊數據；也可以考慮完善數據庫設計，從數據挖掘角度出發，在不增加用戶負擔的情況下，盡可能多地收集信息，通過不斷修改而達到完善。
②數據挖掘算法的效率、成本和可擴展性問題。數據挖掘是直接面向海量數據庫系統和大型文件的，這類數據庫通常有大量屬性和海量的數據記錄，一般數據表之間包含復雜的關系，這就必然導致在數據挖掘過程中其搜索的維數和搜索空間的量激增，也增加了諸多不確定性和出現錯誤模式的可能性。提高算法的效率、具有規模收縮性是在實際應用中遇到的一個重要挑戰[2]。
③實踐層面研究成果不足。個性化數據挖掘需要懂圖書館業務、懂挖掘算法、掌握數據挖掘技術的人來實現，高校圖書館此類人才相對不足，實踐創新能力不足。
2 數據挖掘的聚類算法
圖書館數據挖掘是從圖書館的大型數據庫和網站信息中分析、發現并提取有用的信息，目的是幫助圖書館工作人員尋找業務數據間潛在的聯系，發現被忽略的要素，而這些信息對提供個性化服務非常必要[2]。
從國內外目前的研究進展來看，“現有的數據挖掘方法和技術可以分為6大類：①歸納學習方法；②仿生物技術；③公式發現；④統計分析方法；⑤模糊數學方法；⑥可視化技術”。在圖書館個性化服務的挖掘關系較為密切的算法有：分類、聚類、關聯、偏差分析、時序模式、預測等。
其中，聚類算法（Cluster algorithm）存在模式（Pattern）概念是一個度量的向量，或為多維空間中的一個點，而聚類算法由若干模式構成；聚類的基礎為相似性，相同聚類的模式比其他聚類的模式存在一定的差異。
所謂聚類就是對象進行集合，并組成具有相似性的對象組（類）或簇的過程。即生成的類是一組數據對象的集合，同一類中的對象相似，不同類中的對象相異，通過聚類可發現數據集中的數據分布特征。
圖書館業務數據中，通過聚類方法能從用戶基本信息中發現不同類型的人群，并且可以用來刻畫不同人群的基本特征。聚類算法還可以應用在數據挖掘算法的預處理環節，對聚類后的數據進行其他的研究和處理。
聚類分析的主要方法有：分割聚類、層次聚類、基于密度聚類、基于網格聚類和基于模型聚類。而分割聚類算法通過給定一個有N個元組或者記錄的數據集，把對象按照最相似特征值劃分到不同的類，通過反復迭代對產生的類進行不斷調整，最終達到最優目的。具有代表性的兩大類計算方法如下：①k-means算法。其主要特點是在完成每一次的對象劃分后，以每個類的所有對象特征值的平均值作為該簇新的中心，直到所有的類不再變化。②k-medoid算法。每個類的中心以最接近聚類中心的對象來表示，k-medoid的典型算法有PAM、CLARANS等。分割聚類在大小和密度相似的情況下，能取得較好的聚類效果[3]。