1. IntroductionThe effective use of

1. Introduction
The effective use of library loan records for generating recommendations has been actively discussed among librarians and library and information science researchers. One method is to recommend books to users based on loan records. Some studies have proposed approaches for implementing this method. However, most of these methods use only the information from loan records. Book titles and the Nippon Decimal Classification (NDC) categories that have been assigned to the books have not been used. We contend that book titles, NDC categories,
and the outlines of books from the BOOK Database are important additional clues that can be used for the purpose of formulating effective book recommendations and that the optimum combination and weighting of these additional clues can be determined through machine learning. In particular, the similarities between titles, matches on the NDC category, similarities between the outlines in the BOOK Database, and association rules that are based on the loan records can be used as “features” of learning data. Support vector machines (SVM) can use this data to determine the weights of the features, perform automatic classifications, and generate recommendations.
In our experiment, subjects were asked to provide the name of “one book that currently interests the subject” and a recommendation was made by the SVM based on the following information: (1) the confidence and support from an association rule, (2) similarities between titles, (3) matches/mismatches between NDC categories, and (4) similarities between the outlines in the BOOK Database. Tsuji et al. (2011) (2012) found that Amazon’s book recommendation system had better results than a recommendation system that was based only on an association rule that used library loan records. In our experiment, book recommendations were conducted and comparisons
with Amazon were included.
In this study, the books that we recommended were books from the T University Library and the library loan records were also from the T University Library. We recommended books to test subjects non-graphically (i.e., by showing only the bibliographic data, such as the title, author, publisher, and publication year of the book).
2. Related Studies
There have only been a few studies of book recommendations based on library loan records. Harada (2009) and Harada & Masuda (2010) used collaborative filtering. Tsuji et al. (2011) (2012) used 1,854,345 loan records from 39,442 users of the T University Library and recommended books to 33 undergraduate and graduate students based on (1) the collaborative filtering method that was proposed by Harada & Masuda (2010), (2) an association rule, and (3) Amazon. They found that the evaluations of these methods were ranked from best to worst as Amazon, association rules, and then collaborative filtering.
Whitney & Schiff (2006) proposed a recommendation method that used a weighted graph model that is similar to the association rule method. Chen & Chen (2007), Luo et al. (2009), and Shirgaonkar et al. (2010) proposed various recommendation methods, but did not conduct experiments in order to evaluate their effectiveness.

3. Data
3.1. Library Loan Records and Bibliographic Data of T University Library
We obtained 2,324,418 loan records from the T University library. The checkout dates ranged from January 2, 2006 to March 31, 2012. Of these records, 999,630 were for books that were checked out by undergraduate students. 1,294,012 books were checked out by graduate students and faculty members. 30,776 books were checked by other types of patrons. We used 2,293,642 loan records from undergraduate students, graduate
students, and faculty members for this study. The number of types of books that were borrowed was 477,668 and the number of users was 44,571. The number of baskets (i.e., sets of books that were borrowed together) was 821,771. For recommendation, we chose books to which the NDC categories were assigned in the T University Library.
The number of these books was 643,676. NDC categories have not been assigned to many of the books in the T University Library collection that are written in English or other non-Japanese languages. As a result, the number 643,676 is much smaller than the total number of books that the T University Library holds.

ผลลัพธ์ (ไทย) 1:

1. บทนำอธิบายการใช้ประสิทธิภาพของเรกคอร์ดไลบรารีเงินกู้สำหรับการสร้างคำแนะนำ librarians และนักวิจัยของห้องสมุดและข้อมูลวิทยาศาสตร์อย่างแข็งขัน วิธีการหนึ่งคือการ แนะนำหนังสือให้ผู้ใช้ตามเรกคอร์ดเงินกู้ บางการศึกษาได้เสนอแนวทางการใช้วิธีนี้ อย่างไรก็ตาม ที่สุดของวิธีการเหล่านี้ใช้เฉพาะข้อมูลจากบันทึกสินเชื่อ ไม่ได้ใช้องค์ประกอบและประเภทประเภททศนิยมของนิปปอน (ว.) ที่ได้ถูกกำหนดให้กับสมุดบัญชี เราขอยืนยันว่า หนังสือชื่อเรื่อง ประเภทแสงแดดและเค้าร่างของหนังสือจากฐานข้อมูลหนังสือมีเบาะแสเพิ่มเติมสำคัญที่สามารถใช้เพื่อ formulating แนะนำหนังสือที่มีประสิทธิภาพและให้ชุดเหมาะสมกับน้ำหนักของปมเหล่านี้เพิ่มเติมสามารถระบุผ่านการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่ง ความคล้ายคลึงระหว่างชื่อเรื่อง ความคล้ายคลึงระหว่างเค้าร่างในฐานข้อมูลการจอง และสมาคมที่มีเรกคอร์ดเงินกู้ แข่งขันในประเภทแสงแดดสามารถใช้เป็น "คุณลักษณะ" การเรียนรู้ข้อมูล สนับสนุนเครื่องแบบเวกเตอร์ (SVM) สามารถใช้ข้อมูลนี้ เพื่อพิจารณาน้ำหนักของคุณลักษณะ การจัดประเภทอัตโนมัติ สร้างคำแนะนำในการทดลองของเรา เรื่องที่ขอให้ชื่อของ "เล่มที่กำลังสนใจเรื่อง" และทำการแนะนำ โดย SVM ตามข้อมูลต่อไปนี้: (1)ความเชื่อมั่นและการสนับสนุนจากสมาคมการปกครอง, (2) ความคล้ายคลึงระหว่างชื่อ, (3) ตรง/mismatches ระหว่างประเภทแสงแดด และ (4) ความคล้ายคลึงระหว่างเค้าร่างในฐานข้อมูลของสมุดงาน Al. ร้อยเอ็ด Tsuji (2011) (2012) พบว่า ระบบแนะนำหนังสือของ Amazon มีผลดีกว่าระบบคำแนะนำที่ถูกยึดตามกฎการเชื่อมโยงที่ใช้ไลบรารีเรกคอร์ดเงินกู้เท่า นั้น ในการทดลองของเรา แนะนำหนังสือได้ดำเนินการเปรียบเทียบและกับ Amazon ได้รวม ในการศึกษานี้ ว่าเราขอแนะนำหนังสือได้หนังสือจากห้องสมุดมหาวิทยาลัย T และข้อมูลสินเชื่อของไลบรารีมีจากห้องสมุดมหาวิทยาลัย T เราขอแนะนำหนังสือเพื่อทดสอบวิชาไม่ภาพ (เช่น โดยแสดงเฉพาะบรรณานุกรมข้อมูล เช่นปีชื่อเรื่อง ผู้เขียน ผู้เผยแพร่ และสิ่งพิมพ์ของหนังสือ)2. ที่เกี่ยวข้องกับการศึกษาเฉพาะมีกี่ศึกษาคำแนะนำหนังสือตามเรกคอร์ดไลบรารีเงินกู้ Harada (2009) Harada และสึดะ (2010) ใช้กรองร่วมกัน Tsuji et al. (2011) (2012) ใช้ 1,854,345 เรกคอร์ดเงินกู้จากผู้ใช้ 39,442 แนะนำหนังสือและห้องสมุดมหาวิทยาลัย T 33 ระดับปริญญาตรี และบัณฑิตศึกษานักเรียนโดยใช้วิธีการกรอง (1)ร่วมกันที่ถูกนำเสนอ โดย Harada และสึดะ (2010), (2) มีกฎสมาคม และ (3) อเมซอน พวกเขาพบว่า การประเมินวิธีการเหล่านี้ถูกจัดอันดับจากดีที่สุดเลว Amazon สมาคม และกรองแล้วร่วมกัน วิทนีย์และองท์ชิฟฟ์ (2006) เสนอคำแนะนำวิธีที่ใช้แบบจำลองกราฟถ่วงน้ำหนักที่คล้ายกับวิธีกฎความสัมพันธ์ เฉิน และเฉิน (2007), Luo et al. (2009), และ Shirgaonkar et al. (2010) เสนอคำแนะนำวิธีการต่าง ๆ แต่ไม่ได้ทำการทดลองเพื่อประเมินประสิทธิภาพ3. ข้อมูล3.1 การไลบรารีเรกคอร์ดเงินกู้และข้อมูลบรรณานุกรมของห้องสมุดมหาวิทยาลัย Tเรารับเรกคอร์ดเงินกู้ 2,324,418 จากห้องสมุดมหาวิทยาลัย T วันเช็คเอาท์อยู่ในช่วง 2 เดือนมกราคม ปี 2006 ถึง 31 มีนาคม 2012 เรกคอร์ดเหล่านี้ 999,630 ได้ในหนังสือที่ถูกเช็คเอาท์ โดยนศ หนังสือ 1,294,012 ถูกเช็คเอาท์ โดยอาจารย์และนักศึกษา หนังสือ 30,776 ถูกตรวจสอบ โดยลูกค้าชนิดอื่น ๆ เราใช้เรกคอร์ดเงินกู้ 2,293,642 จากระดับปริญญาตรี บัณฑิตวิทยาลัยอาจารย์และนักศึกษาสำหรับการศึกษานี้ จำนวนชนิดของหนังสือที่ถูกยืมมา 477,668 และ 44,571 มีจำนวนผู้ใช้ จำนวนตะกร้า (เช่น ชุดของหนังสือที่ถูกยืมมาด้วยกัน) 821,771 สำหรับคำแนะนำ เราเลือกหนังสือซึ่งมีกำหนดประเภทแสงแดดในห้องสมุดมหาวิทยาลัย Tจำนวนหนังสือเหล่านี้ถูก 643,676 ไม่ได้ถูกกำหนดประเภทว.หลายเล่มในห้องสมุดมหาวิทยาลัย T ชุดที่เขียนในภาษาอังกฤษหรือภาษา-ญี่ปุ่น ดัง หมายเลข 643,676 มีขนาดเล็กกว่าจำนวนหนังสือที่ห้องสมุดมหาวิทยาลัย T มี

ผลลัพธ์ (ไทย) 2:

1. บทนำ
การใช้งานที่มีประสิทธิภาพของการบันทึกเงินกู้ยืมห้องสมุดสำหรับการสร้างข้อเสนอแนะที่ได้รับการกล่าวถึงอย่างแข็งขันในหมู่บรรณารักษ์และห้องสมุดและนักวิจัยวิทยาการสารสนเทศ วิธีหนึ่งคือการแนะนำหนังสือให้ผู้ใช้ตามบันทึกเงินกู้ บางการศึกษาได้เสนอแนวทางในการดำเนินการวิธีการนี้ แต่ส่วนใหญ่ของวิธีการเหล่านี้ใช้เพียงข้อมูลจากการบันทึกเงินกู้ยืม ชื่อหนังสือและ Nippon ทศนิยมจำแนก (NDC) ประเภทที่ได้รับมอบหมายให้หนังสือที่ยังไม่ได้ถูกนำมาใช้ เรายืนยันว่าชื่อหนังสือประเภท NDC,
และโครงร่างของหนังสือจากฐานข้อมูลหนังสือที่มีเบาะแสเพิ่มเติมที่สำคัญที่สามารถนำมาใช้เพื่อวัตถุประสงค์ในการกำหนดคำแนะนำหนังสือที่มีประสิทธิภาพและการรวมกันที่เหมาะสมและน้ำหนักของเบาะแสเพิ่มเติมเหล่านี้สามารถตรวจสอบได้ผ่านเครื่อง การเรียนรู้ โดยเฉพาะอย่างยิ่งความคล้ายคลึงกันระหว่างชื่อตรงกับประเภท NDC, ความคล้ายคลึงกันระหว่างโครงร่างในฐานข้อมูลหนังสือและกฎสมาคมที่อยู่บนพื้นฐานของบันทึกสินเชื่อสามารถใช้เป็น "คุณสมบัติ" ของข้อมูลการเรียนรู้ เครื่องเวกเตอร์สนับสนุน (SVM) สามารถใช้ข้อมูลนี้เพื่อกำหนดน้ำหนักของคุณลักษณะดำเนินการจัดอัตโนมัติและสร้างข้อแนะนำ
ในการทดลองของเราถูกถามเรื่องที่จะให้ชื่อของ "หนังสือเล่มหนึ่งที่กำลังสนใจเรื่องนี้" และข้อเสนอแนะ ถูกสร้างขึ้นมาโดย SVM อยู่บนพื้นฐานของข้อมูลดังต่อไปนี้ (1) ความเชื่อมั่นและการสนับสนุนจากการปกครองของสมาคม (2) ความคล้ายคลึงกันระหว่างชื่อ (3) ตรง / ไม่ตรงกันระหว่างประเภท NDC และ (4) ความคล้ายคลึงกันระหว่างการแสดงใน ฐานข้อมูลหนังสือ ซูจิและคณะ (2011) (2012) พบว่าระบบแนะนำหนังสือของ Amazon มีผลลัพธ์ที่ดีกว่าระบบแนะนำที่ถูกใช้เฉพาะในกฎของสมาคมที่ใช้ในการบันทึกเงินกู้ยืมห้องสมุด ในการทดลองของเราคำแนะนำหนังสือกำลังดำเนินการและการเปรียบเทียบ
กับ Amazon ถูกรวมอยู่
ในการศึกษานี้หนังสือที่เราแนะนำเป็นหนังสือจากห้องสมุดมหาวิทยาลัยทีและบันทึกเงินกู้ยืมห้องสมุดนั้นยังมีจากห้องสมุดมหาวิทยาลัย T เราขอแนะนำหนังสือที่จะทดสอบวิชาที่ไม่ชัดเจน (เช่นโดยการแสดงเฉพาะข้อมูลบรรณานุกรมเช่นชื่อผู้เขียนสำนักพิมพ์และปีการตีพิมพ์หนังสือ)
2 สาขาวิชาที่เกี่ยวข้อง
มีเพียงการศึกษาน้อยของคำแนะนำหนังสืออยู่บนพื้นฐานของบันทึกสินเชื่อห้องสมุด ฮาราดะ (2009) และฮาราดะและมาสุดะ (2010) ที่ใช้ในการกรองการทำงานร่วมกัน ซูจิและคณะ (2011) (2012) ที่ใช้บันทึก 1,854,345 เงินกู้ยืมจาก 39,442 ผู้ใช้ของห้องสมุด T มหาวิทยาลัยและแนะนำหนังสือถึง 33 นักศึกษาระดับปริญญาตรีและระดับบัณฑิตศึกษาขึ้นอยู่กับ (1) วิธีการกรองการทำงานร่วมกันที่ได้รับการเสนอโดยฮาราดะและมาสุดะ (2010), (2) กฎของสมาคมและ (3) อเมซอน พวกเขาพบว่าการประเมินผลของวิธีการเหล่านี้ได้รับการจัดอันดับจากที่ดีที่สุดเพื่อที่เลวร้ายที่สุด Amazon, กฎสมาคมและจากนั้นกรองการทำงานร่วมกัน
และวิทนีย์ชิฟฟ์ (2006) เสนอวิธีการคำแนะนำที่ใช้รูปแบบของกราฟถ่วงน้ำหนักที่คล้ายกับวิธีการปกครองของสมาคม เฉินและเฉิน (2007), Luo et al, (2009) และ Shirgaonkar และคณะ (2010) เสนอวิธีการข้อเสนอแนะต่าง ๆ แต่ไม่ได้ทำการทดลองเพื่อประเมินประสิทธิภาพของพวกเขา3 ข้อมูล3.1 ห้องสมุดสินเชื่อประวัติและบรรณานุกรมข้อมูลของ T ห้องสมุดมหาวิทยาลัยเราได้รับ 2,324,418 บันทึกเงินกู้ยืมจากห้องสมุด T มหาวิทยาลัย วันที่เช็คเอาต์ตั้งแต่ 2 มกราคม 2006 ถึง 31 มีนาคม 2012 บันทึกเหล่านี้ 999,630 เป็นหนังสือที่ได้รับการตรวจสอบออกโดยนักศึกษาระดับปริญญาตรี 1294012 หนังสือที่ถูกตรวจสอบโดยนักศึกษาปริญญาโทและอาจารย์ 30,776 หนังสือที่ได้รับการตรวจสอบโดยประเภทอื่น ๆ ของลูกค้า เราใช้บันทึก 2,293,642 เงินกู้ยืมจากนักศึกษาระดับปริญญาตรี, ปริญญาโทนักศึกษาและอาจารย์ในการศึกษานี้ จำนวนชนิดของหนังสือที่ถูกยืมมาเป็น 477,668 และจำนวนของผู้ใช้ที่เป็น 44,571 จำนวนของตะกร้า (คือชุดของหนังสือที่ถูกยืมมาด้วยกัน) เป็น 821,771 สำหรับคำแนะนำของเราเลือกหนังสือที่ประเภท NDC ได้รับมอบหมายในห้องสมุดมหาวิทยาลัย T จำนวนของหนังสือเหล่านี้คือ 643676 ประเภท NDC ยังไม่ได้รับมอบหมายให้หลายเล่มในคอลเลกชัน T ห้องสมุดมหาวิทยาลัยที่เขียนในภาษาอังกฤษหรือภาษาที่ไม่ใช่ชาวญี่ปุ่นอื่น ๆ เป็นผลให้จำนวน 643,676 มีขนาดเล็กกว่าจำนวนรวมของหนังสือที่ห้องสมุดมหาวิทยาลัย T ถือ

ผลลัพธ์ (ไทย) 3:

1 . บทนำ
การใช้งานที่มีประสิทธิภาพบันทึกยืมเพื่อสร้างข้อเสนอแนะได้รับงานกล่าวถึงในหมู่บรรณารักษ์และห้องสมุดและนักวิจัยวิทยาศาสตร์ข้อมูล วิธีหนึ่งคือการ แนะนำหนังสือไปยังผู้ใช้ตามประวัติสินเชื่อ บางการศึกษาได้เสนอแนวทางการใช้วิธีการนี้ แต่ส่วนใหญ่ของวิธีการเหล่านี้ใช้เพียงข้อมูลจากประวัติสินเชื่อชื่อหนังสือ และ ระบบทศนิยมญี่ปุ่น ( ndc ) ประเภทที่ได้รับมอบหมายให้กับหนังสือที่ยังไม่ได้ใช้ เรายืนยันว่าชื่อหนังสือ
ndc ประเภทและโครงร่างของหนังสือจากฐานข้อมูลหนังสือเพิ่มเติมประเด็นที่สำคัญที่สามารถใช้สำหรับวัตถุประสงค์ของการแนะนำหนังสือที่มีประสิทธิภาพและการรวมกันที่เหมาะสมและน้ำหนักของข้อมูลเพิ่มเติมเหล่านี้สามารถถูกตัดสินผ่านการเรียนรู้เครื่อง โดยเฉพาะอย่างยิ่ง ความคล้ายคลึงกันระหว่างชื่อในหมวดหมู่ ndc , ตรงกับ ,ความคล้ายคลึงกันระหว่างแสดงในฐานข้อมูลหนังสือและสมาคมกฎที่มีประวัติสินเชื่อที่สามารถใช้เป็น " คุณสมบัติ " ของการเรียนรู้ข้อมูล เครื่องเวกเตอร์สนับสนุน ( SVM ) สามารถใช้ข้อมูลนี้เพื่อตรวจสอบน้ำหนักของคุณลักษณะ , แสดงหมวดหมู่โดยอัตโนมัติและสร้างข้อเสนอแนะ .
ในการทดลองของเราคนถูกถามให้ใส่ชื่อ " หนังสือเล่มหนึ่งที่กำลังสนใจเรื่อง " และคำแนะนำที่ทำโดย SVM ตามข้อมูลดังต่อไปนี้ ( 1 ) ความมั่นใจ และสนับสนุนจากสมาคมกฎความคล้ายคลึงกันระหว่างชื่อ ( 2 ) , ( 3 ) / ความไม่ตรงกันระหว่างประเภท ndc และ ( 4 ) ความคล้ายคลึงกันระหว่างแสดงในฐานข้อมูลหนังสือ ซึจิ et al .( 2011 ) ( 2554 ) พบว่า ระบบแนะนำหนังสือของ Amazon ได้ผลลัพธ์ที่ดีกว่าแนะนำระบบที่ใช้เฉพาะในสมาคมกฎที่ใช้บันทึกยืมห้องสมุด ในการทดลองของเรา แนะนำหนังสือ ทำการศึกษาและเปรียบเทียบ
กับ Amazon ได้รวม
ในการศึกษานี้หนังสือที่เราแนะนำคือ หนังสือจากห้องสมุดของมหาวิทยาลัย T และบันทึกยืมยังจาก T หอสมุดมหาวิทยาลัย เราแนะนำหนังสือเพื่อทดสอบวิชาที่ไม่ใช่กราฟิก ( เช่น โดยแสดงเฉพาะข้อมูลทางบรรณานุกรม เช่น ชื่อผู้เขียนเผยแพร่และตีพิมพ์ปีของหนังสือ )
2 ที่เกี่ยวข้องกับการศึกษา
มีเพียงไม่กี่การศึกษาแนะนำหนังสือตามบันทึกยืมห้องสมุด ฮาราดะ ( 2009 ) และฮาราดะ &ดะ ( 2010 ) ที่ใช้ร่วมกัน กรอง ซึจิ et al . ( 2011 ) ( 2012 ) ใช้ 1854345 ประวัติสินเชื่อจาก 39 ,ที่ผู้ใช้ของ t มหาวิทยาลัยห้องสมุดและแนะนำหนังสือ 33 นักศึกษาระดับปริญญาตรีและระดับบัณฑิตศึกษาตาม ( 1 ) และการกรองวิธีที่เสนอโดยฮาราดะ &ดะ ( 2010 ) , ( 2 ) สมาคมปกครอง และ ( 3 ) Amazon พวกเขาพบว่า การประเมินของวิธีการเหล่านี้ถูกจัดอันดับจากที่ดีที่สุดที่เลวร้ายที่สุดที่ Amazon , กฎของสมาคม แล้วร่วมกันกรอง
วิทนีย์&ชิฟ ( 2006 ) เสนอคำแนะนำวิธีที่ใช้ถ่วงน้ำหนักกราฟแบบที่คล้ายกับสมาคมกฎวิธีการ เฉิน&เฉิน ( 2007 ) , หลัว et al . ( 2009 ) , และ shirgaonkar et al . ( 2010 ) ขอแนะนำวิธีการต่าง ๆ แต่ยังไม่มีการทดลองเพื่อประเมินประสิทธิผล .

3 ข้อมูล
3.1 .ห้องสมุดบันทึกและกู้ข้อมูลบรรณานุกรมของห้องสมุดมหาวิทยาลัยเราได้รับ 2324418 T
T บันทึกเงินกู้ยืมจากหอสมุดมหาวิทยาลัย วันที่ชำระเงินตั้งแต่วันที่ 2 มกราคม 2549 ถึงวันที่ 31 มีนาคม 2555 บันทึกเหล่านี้ 999630 สำหรับหนังสือที่ถูกตรวจสอบโดยนิสิต 1294012 หนังสือถูกตรวจสอบโดยนิสิตและอาจารย์ 30คือหนังสือที่ถูกตรวจสอบ โดยประเภทอื่น ๆของลูกค้า . เราใช้ 2293642 ประวัติสินเชื่อจากนิสิต นักศึกษาบัณฑิต
, และสมาชิกของคณะศึกษา จำนวนของประเภทของหนังสือที่ถูกยืมไป มัน 477668 และจำนวนผู้ใช้ 44571 . หมายเลขของตะกร้า ( คือชุดของหนังสือที่ถูกยืมกัน ) คือ 821771 . สำหรับการแนะนำเราเลือกหนังสือที่ ndc ประเภทที่ได้รับมอบหมายใน t ห้องสมุดมหาวิทยาลัย .
จำนวนหนังสือเหล่านี้ถูก 643676 . ประเภท ndc ได้มอบหมายให้หลายของหนังสือในหอสมุด T คอลเลกชันที่เขียนเป็นภาษาอังกฤษ หรือ อื่นๆที่ไม่ใช่ภาษาญี่ปุ่นภาษา เป็นผลให้จำนวน 643 ,มันมีขนาดเล็กกว่าจำนวนหนังสือที่ห้องสมุดมหาวิทยาลัย ไม่ถือ