數(shù)據(jù)挖掘技術(shù)在圖情領(lǐng)域的應(yīng)用研究

史曉康

摘要：數(shù)據(jù)挖掘是近年來發(fā)展較為迅速的數(shù)據(jù)分析和知識發(fā)現(xiàn)方法。本文采用KMeans聚類算法，對近年數(shù)據(jù)挖掘技術(shù)在圖書情報與數(shù)字圖書館領(lǐng)域的應(yīng)用與研究的相關(guān)文獻的關(guān)鍵詞進行聚類，以便對數(shù)據(jù)挖掘在圖書情報與數(shù)字圖書館領(lǐng)域的研究發(fā)展動態(tài)有一個直觀和充分的認識。

關(guān)鍵詞：數(shù)據(jù)挖掘;圖書情報;數(shù)字圖書館;聚類

1.引言

數(shù)據(jù)挖掘是從海量數(shù)據(jù)中獲取正確的、新穎的、潛在有用的、最終可理解的模式的非平凡過程。數(shù)據(jù)挖掘結(jié)合了數(shù)據(jù)庫的數(shù)據(jù)管理、機器學(xué)習(xí)與傳統(tǒng)統(tǒng)計學(xué)的數(shù)據(jù)分析技術(shù)，是知識發(fā)現(xiàn)（KDD Knowledge Discovery in Database）中的重要環(huán)節(jié)，也是近年來發(fā)展較為迅速的領(lǐng)域之一，在模式識別、情報檢索、專家系統(tǒng)等領(lǐng)域有著廣泛的應(yīng)用。

隨著互聯(lián)網(wǎng)的發(fā)展，傳統(tǒng)的圖書館也在朝著數(shù)字圖書館的方向發(fā)展，傳統(tǒng)的圖書情報領(lǐng)域也經(jīng)歷著變革，研究也更為多元化。其中，采用數(shù)據(jù)挖掘的方法對圖書情報領(lǐng)域相關(guān)問題研究，從中獲取出正確的、新穎的、潛在有用的、最終可理解的知識是一種不錯的嘗試。本文使用數(shù)據(jù)挖掘中的相關(guān)聚類算法，對近年來數(shù)據(jù)挖掘技術(shù)在圖書情報與數(shù)字圖書館領(lǐng)域的應(yīng)用進行主題詞聚類研究，以期望尋找到其內(nèi)在聯(lián)系。

2.數(shù)據(jù)來源與研究方法

本研究的數(shù)據(jù)來源為CNKI。在CNKI上進行檢索，設(shè)置學(xué)科為“圖書情報與數(shù)字圖書館”，篇名或關(guān)鍵詞含“數(shù)據(jù)挖掘”，來源類別中選取了SCI、EI、CSSCI等核心期刊，并按照發(fā)表時間降序排列，選取了最新發(fā)表的200篇文獻，提取關(guān)鍵詞作為分析的數(shù)據(jù)源。

研究方法的選取，采用數(shù)據(jù)挖掘的方法對關(guān)鍵詞進行聚類，期望尋找其內(nèi)在聯(lián)系。本文采用經(jīng)典的KMeans算法。KMeans算法是原型聚類中最有代表性的方法，其基本思想是：先對原型進行初始化，隨機選擇k個樣本作為初始均值向量，然后對原型進行迭代更新求解，直到當前均值向量均不再變化或達到最大迭代次數(shù)為止。

3.研究過程

3.1 文本預(yù)處理

從CNKI上下載到最新的200篇數(shù)據(jù)挖掘在圖書情報與數(shù)字圖書館領(lǐng)域的應(yīng)用的文獻的元數(shù)據(jù)，保留關(guān)鍵詞列，同時使用文本編輯軟件Ultraedit統(tǒng)一關(guān)鍵詞的間隔符，

同時，對論文中表達相同意思的不同詞語（如同義詞、英漢互譯詞等）進行統(tǒng)一，以尋求更好的聚類效果。具體如表1所示。

3.2向量空間模型表示

向量空間模型是由Gerard Salton 等人于1968 年提出的文本表示模型，目前已經(jīng)被成功運用于文本分類、自動索引和信息檢索等研究領(lǐng)域。由于向量空間模型的簡單有效性，本文將使用向量空間模型對文獻關(guān)鍵詞進行線性化，將之轉(zhuǎn)換成數(shù)學(xué)上可分析和處理的形式。該模型的主要思想是將每一文獻都映射成由一組規(guī)范化正交詞條矢量組成的向量空間中的一個點，各特征（關(guān)鍵詞）表示空間中的維度。本文采用Python編程實現(xiàn)，同時設(shè)置min_df=2，即要求關(guān)鍵詞出現(xiàn)的次數(shù)大于等于2，才進行保留。最終得到的是200*88的矩陣，即表明200篇文獻中含有出現(xiàn)頻率大于1的88個不同的關(guān)鍵詞。

3.3TF-IDF加權(quán)表示

在傳統(tǒng)的布爾代數(shù)值表示方法中，當在文獻i中出現(xiàn)特征詞j時，矩陣a[i][j]取1，否則取0。這種表示方法比較單調(diào)，忽視了特征詞的很多優(yōu)秀的內(nèi)在性質(zhì)，如詞頻、特征詞對整個文獻集合的影響。TF-IDF 相對詞頻計算公式是由Salton 和McGill 于1983 年提出的文本特征表示方法。它的主要思想是，如果某個詞或短語在一篇文獻中出現(xiàn)的頻率比較高，并且在其他科技文獻中很少出現(xiàn)，則認為此詞或者短語具有很好的類別區(qū)分能力。TF-IDF 權(quán)重方法不僅改進了布爾權(quán)重法表示的單一性，還結(jié)合了特征詞的詞頻并且體現(xiàn)了特征詞對整個文獻集的作用。其計算公式如下所示。

tfidf（w）=tf*log（）

其中，tf表示詞頻，即一個單詞在一個文檔中出現(xiàn)的次數(shù);df（w）表示在文檔集合中，含有該單詞的文檔的數(shù)據(jù);N表示文檔集合中的總文檔數(shù);tfidf（w）表示一個單詞在一個文檔中的相對重要性。本文采用python編程對關(guān)鍵詞進行加權(quán)處理。

3.4KMeans聚類

采用python的機器學(xué)習(xí)包scikit-learn對文檔進行聚類，采用的是之前所介紹的KMeans算法。設(shè)置KMeans的n_clusters=4，即表明將200篇文檔聚為4個簇。

3.5可視化

為了更直觀地看到聚類效果，可以對數(shù)據(jù)進行可視化處理。但是，由于文本數(shù)據(jù)的特征比較多，維度比較高，無法直觀地以圖表形式展現(xiàn)。因此，筆者首先采用了主成分分析（PCA Principal Component Analysis）的方法進行降維。主成分分析是最常用的一種降維方法，其基本思想是：對于正交屬性空間中的樣本點，尋找一個超平面對所有樣本進行恰當?shù)谋磉_，這個超平面具有這樣的性質(zhì)：

Ⅰ 最近重構(gòu)性：樣本點到這個超平面的距離都足夠近;

Ⅱ 最大可分性：樣本點在這個超平面上的投影能盡可能分開。

筆者在這里將原始特征空間降為三維空間。之后，采用python的matplotlib繪圖庫，繪制了降維之后的3D圖，三維空間中的每一個點表示一篇文檔，并為屬于不同簇的文檔用不同的顏色和標記進行區(qū)分，具體結(jié)果如圖1所示。雖然在降維過程中丟失了一部分信息，但還是能夠較好地反映出樣本的分布情況。

4.結(jié)果討論

由圖1的輸出結(jié)果可知，200篇關(guān)于數(shù)據(jù)挖掘在圖書情報與數(shù)字圖書館領(lǐng)域的應(yīng)用的文獻被聚為4個簇，通過查看簇中心向量，可得到各簇的高頻關(guān)鍵詞分布如表2所示。

從表2可以看出，對文獻關(guān)鍵詞進行聚類，我們能了解到近年數(shù)據(jù)挖掘在圖書情報與數(shù)字圖書館領(lǐng)域的研究發(fā)展動態(tài)。具體來說，主要有以下方面：

Ⅰ 數(shù)據(jù)挖掘與傳統(tǒng)的圖書館、檔案現(xiàn)代化、文獻數(shù)字資源等相結(jié)合的研究;

Ⅱ單純采用分類、聚類、關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘算法的知識發(fā)現(xiàn);

Ⅲ 數(shù)據(jù)挖掘與其他數(shù)據(jù)分析方法如數(shù)據(jù)倉庫、文獻計量、知識圖譜、社會網(wǎng)絡(luò)分析等相結(jié)合，對圖書情報領(lǐng)域相關(guān)問題進行分析的研究;

Ⅳ 數(shù)據(jù)挖掘技術(shù)在圖書館服務(wù)、智慧服務(wù)、知識服務(wù)等信息服務(wù)與應(yīng)用領(lǐng)域的應(yīng)用研究。

可見，隨著近年來數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，其在圖書情報與數(shù)字圖書館領(lǐng)域也發(fā)揮著越來越重要的作用，采用數(shù)據(jù)挖掘的理念和方法進行研究分析，是圖書情報領(lǐng)域未來的發(fā)展方向之一。

參考文獻：

[1]周志華著.機器學(xué)習(xí)[M].北京：清華大學(xué)出版社.2016.

[2]（美）韓家煒，（美）坎伯著.數(shù)據(jù)挖掘 概念與技術(shù) 英文版 原書第3版[M].北京：機械工業(yè)出版社.2012.

[3]劉勘，周麗紅，陳譞.基于關(guān)鍵詞的科技文獻聚類研究[J].圖書情報工作，2012，04：6-11.

[4]王富強，韓宇平，王朋，王靜.水資源學(xué)研究的關(guān)鍵詞共詞聚類分析[J].水利水電科技進展，2014，04：29-33.