فایل ورد کامل استفاده از داده کاوی اطلاعات بمنظور پیشرفت خدمات کتابخانه دیجیتالی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل استفاده از داده کاوی اطلاعات بمنظور پیشرفت خدمات کتابخانه دیجیتالی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

چکیده

هدف: این مقاله تلاش می کند تا یک راه حل برای خدمات کتابخانه دیجیتال بر اساس تکنیک های داده کاوی ارائه کند (تقسیم بندی خوشه ای و پیشگویانه)
طرح/روش شناسی/رویکرد: تکنیک های داده کاوی برای ارائه ی خدمات کتابخانه ی دیجیتال بر اساس شخصیت و تاریخچه ی جستجوی کاربر مورد استفاده قرار می گیرند. نخست، کاربران یکسان در کنار هم بر اساس شخصیت و جستجوها خوشه بندی می شوند. سپس تقسیم بندی پیشگویانه برای ارائه ی خدمات مناسب به انها مورد استفاده قرار می گیرند. نشان داده شده است کاربران در خوشه های یکسان از احتمال بالایی برای پذیرش خدمات مشابه یا الگوهایشان برخوردار هستند.
یافته ها: نتایج حاکی از ان هستند که k که به معنای تقسیم بندی نایو بیز و خوشه بندی می باشد، ممکن است برای بهبود درستی ارائه ی خدمات مورد استفاده قرار گیرد. درستی کلی رضایت بخش است در حالیکه درستی میانگین به خدمت خاص بستگی دارد. نتایج در ارتباط با خدمات دائمی بهتر بودند. محدودیت ها/پیامدهای پژوهش: پایگاه های داده از کتابخانه ی دیجیتال کوبسون مورد استفاده قرار گرفتند. تنها تقسیم بندی خوشه بندی و پیشگویانه به کار گرفته شد. اگر پیوستگی میان خدمت و موسسه بیشتر باشد، در نهایت درستی بیشتری خواهد داشت.
اصالت/ارزش: این مقاله تکنیک های داده کاوی مختلف و کارامدی را برای خوشه بندی کاربران کتابخانه ی دیجیتالی و رفتار پژوهشی انها یعنی تعامل با خدمات کتابخانه ای پیشنهاد نموده است و به الگوهای کاربران با توجه به خدمت کتابخانه ای که استفاده می کنند دست یافته است. یک کتابخانه ی دیجیتال ممکن است این رویکرد را برای ارائه ی اسانتر خدمات مناسب به کاربران جدید به کار گیرد. پیشنهادات باید بر اساس ایتم های کتابخانه ای باشند که کاربران مشابه انها را مناسب دیده اند.

۵- نتیجه گیری و کار اینده:

در این مقاله، ما یک راه حل برای ارائه ی خدمات کتابخانه ای به کاربران کتابخانه های دیجیتالی ارائه نمودیم که نه تنها بر اساس اهمیت اماری کاربرد خدمت می باشد بلکه پروفایل های کاربران را نیز بررسی می نماید. پژوهش اصلی ما متمرکز بر کمک به کاربران برای یافتن اسانتر محتوای مرتبط می باشد. ما به این هدف با استفاده از تکنیک های داده کاوی در داده های تاریخی و با ارائه ی خدماتی که کاربران مشابه انتخاب می کنند دست یافتیم. در ابتدا، کاربران را بر اساس پروفایل ها همراه با رفتار پژوهشی شان خوشه بندی نمودیم. نشان داده شده است که کاربران در خوشه ی یکسان اولویت بالایی برای انتخاب خدمات مشابه قائل می شوند. نتایج نشان می دهند که خوشه بندی k میانگین و نایو بیز را می توان با هم برای بهبود ارائه ی خدمات استفاده نمود. نهایتا، مدل خود را در داده های ازمایشی برای ارزیابی درستی ان به کار بردیم. نشان داده شد که درستی کلی رضایت بخش است مخصوصا در خدمات پرکاربرد. در اینده ای نزدیک، قصد داریم تا نمایش تصویری موثری برای ارائه ی خدمات خاص به کاربران و کشف مهم ترین مسائل در نظر بگیریم که کاربران با استفاده از تکنیک های متن کاوی برای تحلیل ایمیل ها یا مصاحبه های ازاد با انها مواجه خواهند شد.

عنوان انگلیسی:Using data mining to improve digital library services~~en~~

Abstract

Purpose This paper aims to propose a solution for recommending digital library services based on data mining techniques (clustering and predictive classification).
Design/methodology/approach Data mining techniques are used to recommend digital library services based on the user’s profile and search history. First, similar users were clustered together, based on their profiles and search behavior. Then predictive classification for recommending appropriate services to them was used. It has been shown that users in the same cluster have a high probability of accepting similar services or their patterns. Findings The results indicate that kmeans clustering and Naive Bayes classification may be used to improve the accuracy of service recommendation. The overall accuracy is satisfying, while average accuracy depends on the specific service. The results were better for frequently occurring services.
Research limitations/implications Datasets were used from the KOBSON digital library. Only clustering and predictive classification was applied. If the correlation between the service and the institution were higher, it would have better accuracy.
Originality/value The paper applied different and efficient data mining techniques for clustering digital library users based on their profiles and their search behavior, i.e. users’ interaction with library services, and obtain user patterns with respect to the library services they use. A digital library may apply this approach to offer appropriate services to new users more easily. The recommendations will be based on library items that similar users have already found useful. Keywords

۵- Conclusion and future work

In this paper we have proposed a solution for recommending digital library users a service from the library, based not only on statistical significance of service usage, but also considering the users’ profiles. Our main research was focused on helping users to find relevant material more easily. We achieved it by using data mining techniques on historical data and by recommending the services that similar users would choose. We first clustered the users based on their profiles together with their search behavior. It has been shown that the users in the same cluster have high preference for using similar services. The results show that the k-means clustering and the Na¨ve Bayes classification can be used together to improve the service recommendation. Finally, we applied our model to test data in order to evaluate its accuracy. It has been shown that the overall accuracy is satisfactory, especially in frequently occurring services. In the near future, we plan to add an effective visual representation for recommending specific services to the users and to discover most significant problems that the users encounter by using text mining techniques to analyze the users’ e-mails or free text interviews.

$$en!!