Research on Optimization Methods of Knowledge Discovery Algorithms for Library Data Mining
Notice bibliographique
Résumé
This study focuses on library data mining scenarios and proposes an optimization method for the deficiencies of existing knowledge discovery algorithms in terms of efficiency, accuracy and interpretability.The method first uses principal component analysis to downscale library highdimensional data to extract the main features and improve the data mining efficiency.Then, the fuzzy clustering algorithm is used to cluster the dimensionality reduced data to more accurately identify the user groups, resource categories and other implicit knowledge.The clustering results are interpreted and analyzed to provide data support for knowledge discovery in library data mining.The algorithm in this paper demonstrates better performance in data dimensionality reduction at the level of memory usage as well as time consumption, and identifies three major components with cumulative contribution of more than 80%.In addition, the algorithm achieves an average purity of 95.45% for book data clustering and a clustering time consumption of 3.47s with a data stream of 300unit k, both of which are better than the comparison algorithms.The comprehensiveness weight of a university's book resources is 0.17, which is the highest performance, while the practicality and standardization are the next highest, 0.155 and 0.152, respectively.It can be seen from the clustering that the book category with the highest borrowing rate is science and technology, and the lowest one is literature, which reflects the user's demand for knowledge of a specific field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».