طراحی مدل خدمات شخصی‌ سازی شده با رویکرد سامانه‌های توصیه‌گر درکتابخانه دیجیتال آستان قدس رضوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری رشته علم اطلاعات و دانش‌شناسی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران کارشناس اشاعه گزینیشی اطلاعات در کتابخانه دیجیتال استان قدس رضوی

2 دانشیار گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد مشهد، ایران

3 دانشیار گروه علم اطلاعات و دانش شناسی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی ،تهران

4 استاد گروه علم اطلاعات و دانش شناسی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران.

5 استادیار گروه ریاضی ، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران

چکیده

هدف: هدف پژوهش ارائه مدلی کاربردی از سامانه توصیه‌­گر (پیشنهاددهنده) در حوزه خدمات شخصی­‌سازی کتابخانه دیجیتال آستان قدس رضوی است، این سامانه، با تحلیل الگوهای رفتاری کاربران و ارائه پیشنهادهای دقیق و مورد نیاز، آنان را از مرور داده‌­های غیر مرتبط بی‌­نیاز می­‌سازد. از مزایای این سامانه می‌­توان شناسایی دقیق نیازهای اطلاعاتی، افزایش کیفیت جستجو، کمک به انتخاب صحیح منابع اطلاعاتی و پیش­‌بینی نیازهای آتی کاربران را برشمرد.
روش: پژوهش کاربردی است و با استفاده از کاوش قوانین انجمنی و الگوریتم FP-Growth انجام شده است. جامعه تعداد 960 نفر کاربر نرم‌افزار کتابخانه دیجیتال آستان قدس رضوی در فاصله دو سال بوده، که بر مبنای الگوی مجموعه داده‌های مکرر، 170 درخواست پرتکرار از میان کل دیتاست­‌های موجود استخراج شد. نتایج از طریق پیاده‌­سازی این داده‌­های پرتکرار در نرم افزار رپید ماینر، به دست آمد.
یافته‌ها: بهترین حالت دسترسی به مجموعه داده‌های تولید شده، با تنظیم درجه حداقل پشتیبانی 02/0 و حداقل اطمینان 095/0 است که منجر به کشف الگوریتم‌های شرطی (اگر – آنگاه) گردید. این یافته نشان می‌­دهد: اگر کاربری در زمان جستجوی نرم‌افزار کتابخانه دیجیتال موضوعاتی همچون (علم اصول، اجتهاد، سنت و...) را انتخاب نماید، به دلیل سابقه جستجو­های پر تکرار کاربران پیشین با همین موضوعات، از سوی سامانه توصیه‌گر، آنگاه عناوین مرتبطی با موضوع اصول فقه پیشنهاد خواهد شد.
نتایج: طراحی مدل سامانه توصیه­‌گر و اجرای آن، منجر به افزایش آگاهی و عدم سردرگمی کاربران و ارتقاء سطح کیفیت خدمات و رضایت آن­‌ها و در نهایت حفظ کاربران فعلی و جذب کاربران جدید خواهد شد.

کلیدواژه‌ها


عنوان مقاله [English]

Designing a Personalized Service Model with an Approach to Recommender System in Astan-e Quds-e Razavi Digital Library Software

نویسندگان [English]

  • Samaneh Ghafarian 1
  • Mehrdad Jalali 2
  • Fahimeh Babolhavaeji 3
  • Najla Hariri 4
  • Maryam Khademi 5
1 Ph.D. Student of Knowledge and Information Science - Islamic Azad University, Science and Research branch of Tehran. Tehran, Iran. SDI librarian in digital library
2 Associate Professor of Computer in Department of Software Engineering - Islamic Azad University Mashhad. Mashhad, Iran.
3 Associate professor of knowledge and information science - Islamic Azad University, science and research branch of Tehran,
4 Professor of Knowledge and Information Science - Islamic Azad University, Science and Research branch of Tehran, Tehran, Iran.
5 Assistant Professor of Mathematics, Islamic Azad University, Tehran, Assistant Professor of Department of Applied Mathematics,Islamic Azad University South Tehran Branch
چکیده [English]

Objective: This research aims to present the design of the applied model in the field of personalization Thechnology of the Digital Library of Astan-e Quds-e Razavi based on the Basket Analysis pattern (association rules) and the FP-Growth algorithm regarding data mining, obtained through the implementation of Frequent itemset of users in the RapidMiner software Creating such a desirable recommendation system can provide suggestions to improve the retrieval of related information resources interesting to users in order to provide useful services and increase their request from this website.
Methodology: This research is an applied research carried out using the association rules and FP-Growth wizardry which is a superior type of the issues raised in the data mining tool. The research community has 960 users of the Digital Library of Astan-e Quds-e Razavi in two-years among which based on the Frequent pattern, 170 Frequent requests were extracted from all the final data sets of document delivery service module in digital library. Other tools for accessing the Basket Analysis pattern are the utilization of RapidMiner software through which with implementation rules of data and Launchs association rules operators and the FP-Growth algorithm, and more importantly, a change in the minimum degree of support and confidence, lead to The production of new association rules, which can be interpreted by these rules, offering a suggestion for the design of an appropriate model for the recommendation system in the digital library website.
Findings: The results showed that the best access to generated rules by setting the minimum support of 0.02 and a minimum confidence of 0.095 resulted in the creation of 1081 new rules, indicating if the user website searches for topics in “Osole Fiqh” such as (osole Amalieh, Ijtihad and Quran), because of the frequent searching records of the previous users whith the same subject matter, that the recommender system paves the way for suggesting& gaining access to “Risalah Amaliyah” with recorded number (2309) along with his main search, the manuscript “Zavabetol Osul” with recorded number (38696) finds amoung his/her searches. Therefore, all of the following subset of “Uṣūl al-fiqh” can be predicted through the analysis of association rules and provide recommendations to the users of the digital library system to search for effective and relevant subjectes relative to the users requests in similar topics & titley.
Conclusion: Since the generation of personalization technology and its implementation on the website of digital libraries in the form of recommendation system is based on the establishment of interaction between users and the modern services of digital libraries in form of user interface effective, this technology brings about increasing specialized knowledge, lack of users wondering improving the quality of service and user satisfaction, and ultimately creating value added for libraries. Therefore, with such an approach, dealing with modern services in the form of customer-service delivery, is of the most importance in digital libraries.
 

کلیدواژه‌ها [English]

  • "Personalization"
  • "Recommender system"
  • "Astan Quds Razavi digital library"
  • "Association rules in data mining"
بختیاری، متین (1393). داده‌کاوی و کاربرد آن در تصمیم‌گیری سازمان. تهران:  انتشارات منشور سمیر.

پناهی، سمیه (1396). پژوهشی در باب خدمات شخصی‌سازی کتابخانه دیجیتال بر اساس داده‌کاوی. مجله الکترونیکی کتابدار2/0، 3(1) (اردیبهشت ماه). بازیابی 28 خرداد 1398، از http://lib2mag.ir/8139/%D9%BE%DA%98%D9%88%D9%87%D8%B4%DB%8C-%

جعفرزاده، حیدر؛ صادق زاده، مهدی؛ امیری، امیر (1393)، استفاده از الگوریتم Apriori جهت استخراج قواعد همباش از کتابخانه الکترونیک. همایش ملی مهندسی رایانه و مدیریت فناوری اطلاعات. قابل دسترسی در: https://www.civilica.com/Paper-CS

دهقانیان، زهره (1389). طراحی یک مدل برای سیستم‌های پیشنهاددهنده آگاه از زمینه در کتابخانه‌های دیجیتال. پایان‌نامه کارشناسی ارشد. دانشگاه اصفهان، دانشکده روانشناسی و علوم تربیتی.

ذونوبی، سارا (1395). ارائه روش کارا جهت دسته بندی بر پایه قوانین انجمنی مبتنی بر شبکه، پایان‌نامه کارشناسی ارشد رشته هوش مصنوعی. دانشگاه آزاد اسلامی، واحد مشهد، دانشکده فنی مهندسی، گروه کامپیوتر، مشهد.

رحمانی، محمود؛ حاجی زین العابدینی، محسن (1395). کاربردهای داده‌کاوی در علم اطلاعات و دانش‌شناسی. نشریه مدیریت اطلاعات و دانش‌شناسی. 2 (3)، پاییز 1394، 23-32.

زمانی هرگلانی، یاشار؛ نور محمدی خیارک، جلیل؛ یگانه عزتی، سینا (1394)، بهبود سیستم‌های توصیه‌گر با استفاده از روش مبتنی بر هوش جمعی، هفتمین کنفرانس ملی مهندسی برق و الکترونیک ایران، گناباد، دانشگاه آزاد اسلامی گناباد از:

 https://www.civilica.com/Paper-ICEEE07-ICEEE07_389.html

شمسی‌الدینی، شیما؛ حیدرپور، سمیه (1391).  بهبود کارایی الگوریتم FP-Growth در کاوش قواعد انجمنی. چهارمین کنفرانس مهندسی برق و الکترونیک ایران. قابل دسترس: https://elmnet.ir/author  

فرخاری، فاطمه (2016). داده‌کاوی و نقش آن در کتابخانه‌ها.کنفرانس بینالمللی هزاره سوم و علوم انسانی. قابل دسترس: https://www.civilica.com/Paper-NCTMH02-NCTMH02_044=

 کریم پور آذر، آسیه (1390). ارائه مدلی برای شخصی سازی نتایج جستجو در کتابخانه‌های دیجیتال تحت وب با استفاده از تکنیکهای دادهکاوی. پایان‌نامه کارشناسی ارشد. رشته علم اطلاعات و دانش‌شناسی. دانشکده علوم‌تربیتی، دانشگاه اصفهان.

کریمی، مژگان (1391). طراحی صفحه شخصی‌سازی شده برای کاربر بر اساس سیستم‌های توصیه‌گر. پایان نامه کارشناسی ارشد، رشته فناوری اطلاعات گرایش تجارت الکترونیک، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی.

مرادی، گلمراد؛ قاسمی، وحید (1391). تکنیک داده‌کاوی و کاربرد آن در مطالعات اجتماعی. مجله علوم اجتماعی. بهار و تابستان، 19، 155-176.

 میری، انیس؛ مرجانی، عباس (1395). شخصی‌سازی ارائه خدمات در کتابخانه‌های عمومی از دیدگاه کتابداران کتابخانه‌های عمومی شهر مشهد. مجله پژوهشنامه کتابداری و اطلاع رسانی. 6(2) پاییز و زمستان.

  

References

Adomavicius, G., & Tuzhilin, A. (2008). Contextaware Recommender systems, Proceedings of the 2008 ACM conference on Recommender systems, October 2325, 2008, Lausanne, Switzerland.

Bakhtiari, M. (2014). Data Mining and its Application in Organization Decision Making. Tehran: Samir Charter Publications.

Callan, j., & Smeaton, A. (2003). Personalisation and recommender systems in digital libraries, available at: https://link.springer.com/article/10.1007/s00799-004-0100-1

Dehghani, Z. (2010). Designing a Model for Context-Aware Recommender System in Digital libraries. Master's Degree.Department of Library and Information Science.University of Isfahan.

Geisler, G., McArthur, D., & Giersch, S. (2001). Developing recommendation services for a digital library with uncertain and changing data. In Proceedings of the 1st ACM/IEEECS Joint Conference on Digital Libraries (Roanoke, Virginia, United States). JCDL '01. ACM Press, New York, NY, 199-200.

GeyerSchulz, A., Neumann, A., Thede, A. (2003). Others Also Use: A Robust

 Huang, Z., Chung, W., Ong, T., & Chen, H. (2002). A graphbasedrecommender system for digital library. In Proceedings of the 2nd ACM/IEEECS Joint Conference on Digital Libraries (Portland, Oregon, USA, July. JCDL '02. ACM Press,                    New York, NY.

Joshua, J. V., Alao, O. D., Adebayo, A. O., Onanuga, G. A., Ehinlafa, E. O., & Ajayi,O. E. (2016). Data Mining: A Book Recommender System Using Frequent Pattern Algorithm.Journal of Software Engineering and Simulation, 3 (3), 01-13.

 Jung, S., Harris, K., Webster, J., & Herlocker, J. L. (2004). SERF: integrating human recommendations with search. In Proceedings of the Thirteenth ACM international Conference on information and Knowledge Management (Washington, D. C., USA, November(. ACM Press, New York, NY, 571-580.

Karimi, M. (2012). Page design for user based on personalized Recommender System. Master's Degree. Department of Industrial Engineering. K. N. Toosi University of Technology. (in Persian)

Karimpour Azar, A. (2011). Proposing a Model for Personalization of search Result in Digital Libraries under web Using Data Mining Techniques). Master's Degree. Department of Library and Information Science.University of Isfahan. (in Persian)

 

Leino, J. (2012). Case study: Recommending course reading materials in a small virtual learning community. International Journal of Web Based Communities, 8(3), 285-301.

Miri, A., Salami, M., & Marjani, S. A. (2017). Personalization of Services from the Perspective of Librarians in Public Libraries of Mashhad. Library and information Science research. 6(2), Autumn - Winter 2017. 12-31. (in Persian)

Moradi, G. (2012). Data mining technique and there applied in social studies. Journal of Social Science. 9(1). Spring and Summer 1391. (in Persian)

Pang, N., & Yan, F. (2012). The Research on Personalized Service of Digital Library Based on Data Mining. National Conference on Information Technology and Computer Science (CITCS 2012)

Rahmani, M., & Haji Zaynolabedini, M. (2015). Application of Data Mining in Knowledge and Information Science. Quartely Journal of Knowledge and Information Management. 2(3), Autumn 2015, 23-32. (in Persian)

Recommender System for Scientific Libraries, Lecture Notes in ComputerScience, Volume 2769, Jan, 113- 125.

Shamsi al-Dini, S., & Hyderpur, S. (2012). Improved algorithm performance
FP-Growth. 4th Iranian Conference on Electrical and Electronic Engineering. avalable at: https://elmnet.ir/author  

Tam, K. Y., & Ho, S. Y. (2006). Understanding the impact of web personalization on user information processing and decision outcomes. MIS Quarterly, 30(4), 865–890

Tnooz (2018). A Brief History of Personalization: Past, Present, Future. IN Assocciation With Boxever.available at: https://cdn2.hubspot.net/hubfs/328080/Reports%20and%20ebooks%20/Boxever-Tnooz-History_of_Personalization_June_2015_1.pdf

Zamani Heglani, Y., Nour Mohammadi Khayrak, J., & Yeganeh Ezati, S. (1394). Improving recommender systems using the collective intelligence-based approach. 7th Iranain Conference on Electrical and Electronics Engineering.

Zhang, M. (2011). Application of Data Mining Technology in Digital Library. JOURNAL OF COMPUTERS, 6(4), available. https://pdfs.semanticscholar.org/30e1/49d089975dae658c2fec9b62a77f4cf81316.pdf

Zonobi, S. (1395). Providing an efficient way to classify network-based association rules. Master's Degree. Department of Computer Science. Mashhad Branch, Islamic Azad University.