数字图书馆中的检索结果聚类和关联推荐研究

doi:10.11925/infotech.1003-3513.2008.02.13

现代图书情报技术

2008, Vol. 24

Issue (2): 69-75 https://doi.org/10.11925/infotech.1003-3513.2008.02.13

情报分析与研究

本期目录 | 过刊浏览 | 高级检索

数字图书馆中的检索结果聚类和关联推荐研究

吉雍慧

（南京大学信息管理系南京 210093）

A Research on Retrieval Results Clustering and Relevant Recommendation in Digital Library

Ji Yonghui

(Department of Information Management, Nanjing University, Nanjing 210093, China)

摘要
参考文献
相关文章
Metrics

全文: PDF (651 KB)
输出: BibTeX | EndNote (RIS)

摘要

探讨如何在数字图书馆的文献检索平台中集成实现检索结果聚类、相关文献的关联推荐、相关作者和研究机构的关联推荐以及相关词语的关联推荐，由此帮助用户全面提高查准率和查全率，并且对聚类和推荐结果采用图形进行可视化展示，进一步提高用户的使用满意度。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	吉雍慧

关键词 ：数字图书馆, 文献检索, 聚类, 关联推荐, 可视化, GDI+, K-Means算法

Abstract：

This paper discusses how to implement the clustering of document retrieval results, the relevant recommendation of related documents, related authors & organizations and related key-words. The author presents how to visualize the results of clustering and recommendation in graph on the documents retrieval platform of digital library, which can increase the users’ satisfaction.

Key words： Digital library Documents retrieval Clustering Rrelevant recommendation Visualization GDI+ K-Means algorithm

收稿日期: 2007-10-30 出版日期: 2008-02-25

G202

通讯作者: 吉雍慧 E-mail: xiaojili@gmail.com

作者简介: 吉雍慧

引用本文:

吉雍慧. 数字图书馆中的检索结果聚类和关联推荐研究[J]. 现代图书情报技术, 2008, 24(2): 69-75.
Ji Yonghui. A Research on Retrieval Results Clustering and Relevant Recommendation in Digital Library. New Technology of Library and Information Service, 2008, 24(2): 69-75.

链接本文:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2008.02.13 或 https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2008/V24/I2/69

［1］ Vivísimo. Inc - Enterprise Search, Federated Search and Clustering［EB/OL］.［2007-11-08］.http://Vivisimo.com.
［2］ Computer and Information Science Papers CiteSeer Publications Research Index［EB/OL］.［2007-11-08］.http://citeseer.ist.psu.edu.
［3］ CNKI知识网络知识服务平台［EB/OL］.［2007-11-08］. http://dlib.cnki.net/kns50/index.aspx.
［4］ C J van Rijsbergen. Information Retrieval［M］. Second edition. London: Buttersworth, 1989.
［5］ Jiawei Han, Micheline Kamber. 数据挖掘：概念与技术［M］. 孟晓峰，范明(译). 北京：机械工业出版社，2001.
［6］ Salton G, Wong A, Yang C S. A Vector Space Model for Automatic Indexing［J］. Communications of the ACM, 1975(18):613 -620.
［7］ Jain A K, Murty M N, Flynn P J. Data Clustering: A Review［J］. ACM Computing Surveys, 1999，31(3), 264-323.
［8］行小帅，潘进，焦李成.基于免疫规划的K-Means聚类算法［J］.计算机学报，2003，26(5):605-610.
［9］周昭涛.文本聚类分析效果评价及文本表示研究［D］.北京：中国科学院研究生院，2005.
［10］刘远超，王晓龙，刘秉权．一种改进的K-Means文档聚类初值选择算法［J］．高科技通讯，2006，16(1):11-15.
［11］万小军，杨建武，陈晓鸥.文档聚类中K-means算法的一种改进算法［J］.计算机工程，2003，29(2):102-103.
［12］马文峰，高凤荣，王珊.论数字图书馆个性化信息推荐系统［J］.现代图书情报技术，2003(2):16-18.
［13］ Sarwar B M, Karypis S G, Konstan J A, et al. Analysis of Recommendation Algorithms for E-commerce［C］. Proceedings of the ACM EC’00 Conference. Minneapolis, MN.,2000:158-167.
［14］ Nahum D Gershon, Stephen G Eick. Information Visualization［J］. IEEE Computer Graphics and Applications. 1997, 17(4):29-31.
［15］ Mahesh Chand. GDI+图形程序设计［M］. 韩江(译).北京：电子工业出版社，2005.

[1]	王若琳, 牛振东, 蔺奇卡, 朱一凡, 邱萍, 陆浩, 刘东磊. 基于异质信息嵌入与RNN聚类参数预测的作者姓名消歧方法^*[J]. 数据分析与知识发现, 2021, 5(8): 13-24.
[2]	王晰巍,贾若男,韦雅楠,张柳. 多维度社交网络舆情用户群体聚类分析方法研究^*[J]. 数据分析与知识发现, 2021, 5(6): 25-35.
[3]	卢利农,祝忠明,张旺强,王小春. 基于Lingo3G聚类算法的机构知识库跨库知识整合与知识指纹服务实现[J]. 数据分析与知识发现, 2021, 5(5): 127-132.
[4]	张梦瑶, 朱广丽, 张顺香, 张标. 基于情感分析的微博热点话题用户群体划分模型 ^*[J]. 数据分析与知识发现, 2021, 5(2): 43-49.
[5]	丁浩, 艾文华, 胡广伟, 李树青, 索炜. 融合用户兴趣波动时序的个性化推荐模型^*[J]. 数据分析与知识发现, 2021, 5(11): 45-58.
[6]	杨辰, 陈晓虹, 王楚涵, 刘婷婷. 基于用户细粒度属性偏好聚类的推荐策略^*[J]. 数据分析与知识发现, 2021, 5(10): 94-102.
[7]	于丰畅,程齐凯,陆伟. 基于几何对象聚类的学术文献图表定位研究[J]. 数据分析与知识发现, 2021, 5(1): 140-149.
[8]	温萍梅,叶志炜,丁文健,刘颖,徐健. 命名实体消歧研究进展综述^*[J]. 数据分析与知识发现, 2020, 4(9): 15-25.
[9]	邬金鸣,侯跃芳,崔雷. 基于医学主题词标引规则的词共现聚类分析结果自动判读和表达的研究[J]. 数据分析与知识发现, 2020, 4(9): 133-144.
[10]	席运江, 杜蝶蝶, 廖晓, 仉学红. 基于超网络的企业微博用户聚类研究及特征分析*[J]. 数据分析与知识发现, 2020, 4(8): 107-118.
[11]	杨旭,钱晓东. 基于改进的Vicsek模型的社会网络同步聚类算法*[J]. 数据分析与知识发现, 2020, 4(4): 119-128.
[12]	熊回香,李晓敏,李跃艳. 基于图书评论属性挖掘的群组推荐研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 214-222.
[13]	陈挺,王海名,王小梅. 基于可视化的基金资助热点及其演化发现方法研究^*[J]. 数据分析与知识发现, 2020, 4(2/3): 60-67.
[14]	魏家泽,董诚,何彦青,刘志辉,彭柯芸. 基于均衡段落和分话题向量的新闻热点话题检测研究^*[J]. 数据分析与知识发现, 2020, 4(10): 70-79.
[15]	赵华茗,余丽,周强. 基于均值漂移算法的文本聚类数目优化研究 ^*[J]. 数据分析与知识发现, 2019, 3(9): 27-35.

Viewed

Full text

Abstract

Cited

Shared

Discussed