摘 要：本文通过读者借阅日志和读者信息的高维数据进行聚类分析，并将其借阅次数进行加权筛选，即时推荐该类图书的新书或热门书给读者，提高图书馆的业务绩效。

关键词：模糊聚类；读者兴趣取向

注：此文系中华人民共和国教育部人文社会科学研究青年基金项目 （No.10YJC870037）。

图书贵在流通，以读者为导向，创新图书馆服务已然成为泛在图书馆发展的必然。高校图书馆的读者服务，必须遵循“以读者为中心”，及时定向地为读者提供个性化的推荐图书服务。那么，如何实现技术支撑保障，快捷准确，真正意义上的“一对一”推荐服务，是每个馆员思考的问题。如何才能实现以用户需求为导向为用户提供适时、适当的个性化服务已然成为图书馆未来发展的研究重点和必然。对用户真实的、个性化的需求挖掘成为图书馆信息服务和系统设计的重要依据。在泛在知识环境的大背景下。

1 模糊聚类分析概念

模糊聚类分析是以模糊理论为依据，用模糊的方法，按照一定的要求和规律对事物进行区分和分类来处理聚类问题。它得到样本是客观的反映现实世界。

2 模糊聚类样本矩阵确定

选取图书馆读者借阅信息、馆藏文献信息等公共性数据进行聚类分析。数据来源服务器端日志数据和读者注册数据。按照中图法，书籍可分22个子类，即其书类集Type={A，B，…，Z}，如果有n个读者成功借阅图书，即读者集Reader={Reader1，Reader2，…Readern}。因此，该图书馆的图书借阅情况就被映射成一个ReaderType矩阵。其中行表示已被借阅的书类集，列表示可借阅的读者集，每个元素项tij表示读者Readeri对某类书Typej的借阅次数Quantity，，反映读者对该类图书的借阅兴趣度。我们构建了如下10000*22数据矩阵ReaderType（如表1）。

3 聚类分析验证

利用这些数据对这10000位读者进行聚类分析，将兴趣取向近似的读者归为同一类，聚类的结果就是这512个读者被自动分为8类（如图2）。

例如：已知Reader1，Reader20，Reader140，Reader230，Reader663，Reader915，…，被归为一类C1，读者Reader1可能仅仅借阅了O类的图书，但是由于C1类的读

者普遍会借阅{O，TP}这两类的图书，因此可以推断读者Reader1也会借阅TP类的图书，馆员可以提前将TP类的新书或热门书推荐给这位读者。

6 推送书籍读者的正负反馈

众所周知，读者的历史借阅记录真实反映其兴趣爱好。其一，依据对读者借阅历史记录的聚类分析，推荐算法的结果。其二，根据读者登录信息找出其所属的兴趣组。当读者反馈的意见和推荐的结果不相符合，出现负反馈时，说明该兴趣组的读者，在这段时期内其兴趣对象发生了变化，需要重新聚类更新读者兴趣度分组。通过读者反馈几次反复，最终得到了某兴趣组读者可信的推荐结果。

7 本文HSFC的模糊聚类创新点：

（1）在动态聚类中心数量中，采用评价函数最小的一组聚类中心，作为算法最终的结果，自动找寻正确或合理的聚类中心数；（2）通过特征属性加权，提高了聚类准确性；

文献文献

[1]焦秋阳，许增朴.高校图书馆科技查新概论[J].中国轻工教育，2009，4（4）：40-42，86.

[2]教育部科技发展中心.教育部关于在东北师范大学等10所法人机构设立第四批教育部部级科技查新工作站的通知[EB/OL].http：∥，2009-01-21.

[3]徐慧芳，陈朝晖，郑菲.科技查新业务分析———以中国科学院国家科学图书馆总馆为例[J].图书情报工作，2007，11（11）：106-110.

[4]董政娥，吴素坤，陈惠兰，等.科技查新需求分析及其增值服务探讨[J].现代情报，2009，7（7）：153-156.