سمانه غفاریان

هدف : هدف پژوهش ارائه مدلی کاربردی از سامانه توصیه گر (پیشنهاددهنده) در حوزه خدمات شخصی سازی کتابخانه دیجیتال آستان قدس رضوی است، این سامانه، با تحلیل الگوهای رفتاری کاربران و ارائه پیشنهادهای دقیق و مورد نیاز، آنان را از مرور داده های غیر مرتبط بی نیاز می سازد. از مزایای این سامانه می توان شناسایی دقیق نیازهای اطلاعاتی، افزایش کیفیت جستجو، کمک به انتخاب صحیح منابع اطلاعاتی و پیش بینی 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 نرم افزار کتابخانه دیجیتال آستان قدس رضوی در فاصله دو سال بوده، که بر مبنای الگوی مجموعه داده های مکرر، 170 درخواست پرتکرار از میان کل دیتاست های موجود استخراج شد. نتایج از طریق پیاده سازی این داده های پرتکرار در نرم افزار رپید ماینر، به دست آمد. یافته ها : بهترین حالت دسترسی به مجموعه داده های تولید شده، با تنظیم درجه حداقل پشتیبانی 02/0 و حداقل اطمینان 095/0 است که منجر به کشف الگوریتم های شرطی (اگر – آنگاه) گردید. این یافته نشان می دهد: اگر کاربری در زمان جستجوی نرم افزار کتابخانه دیجیتال موضوعاتی همچون (علم اصول، اجتهاد، سنت و...) را انتخاب نماید، به دلیل سابقه جستجو های پر تکرار کاربران پیشین با همین موضوعات، از سوی سامانه توصیه گر، آنگاه عناوین مرتبطی با موضوع اصول فقه پیشنهاد خواهد شد. نتایج: طراحی مدل سامانه توصیه گر و اجرای آن، منجر به افزایش آگاهی و عدم سردرگمی کاربران و ارتقاء سطح کیفیت خدمات و رضایت آن ها و در نهایت حفظ کاربران فعلی و جذب کاربران جدید خواهد شد.

هدف: هدف این مطالعه، تحلیل و بررسی کاربرد فن داده کاوی در سامانه توصیه گر (پیشنهاددهنده) کتابخانه های دیجیتالی و مراکز اطلاعاتی بود. رویکرد داده کاوی در این سامانه، از طریق تحلیل الگوهای رفتاری کاربران کتابخانه های دیجیتال و ارائه پیشنهادهای دقیق، آنان را از مرور داده های غیر مرتبط در حین جستجو بی نیاز می سازد که منجر به افزایش درخواست های اطلاعاتی کاربران و جلب و جذب رضایتمندی آنان از ارائه خدمات کتابخانه های دیجیتالی می شود.روش: پژوهش حاضر یک مطالعه تحلیلی از نوع پیمایشی مقطعی و تحلیل محتوا بود. در این روش طی چهار مرحله، داده های موردنیاز، جمع آوری و خروجی آن با استفاده از فن داده کاوی مورد تجزیه وتحلیل قرار گرفت. در مرحله اول، با تحلیل محتوا، سیا هه ای از تعداد تراکنش درخواست های کاربران از کتاب، شامل شناسه کاربران، عناوین نسخ، شماره کد شناسایی نسخ در سامانه کتابخانه دیجیتال (پایگاه نسخ خطی)، سازمان کتابخانه ها، موزه ها و مرکز اسناد آستان قدس رضوی مورد بررسی قرار گرفت و داده ها به صورت ستون کاربر و سطر آیتم (کتاب) مرتب شد. مرحله دوم، داده های خام پیش پردازش شده به ماتریس کاربر-آیتم که همان صفر و یک است، تبدیل شد. مرحله سوم، خروجی داده ها با کمک فناوری داده کاوی و اجرای کاوش قوانین انجمنی و الگوریتم FP-Growth بر روی نرم افزار رپیدماینر پیاده سازی و اجرا شد. خروجی به دست آمده، در این نرم افزار با تغییر درجه پارامترهای پشتیبان (میزان پشتیبانی از تکرار شدن منابع درخواستی) و اطمینان (میزان اعتماد به نتیجه موردنظر) مورد آزمون قرار گرفت. مرحله چهارم، صحت و درستی طرح پیشنهادی سامانه ارائه شد.یافته ها: برونداد این پژوهش نشان داد که قواعد انجمنی با درجه اطمینان بالای 50% بوده و قادر به تعیین الگوهای دسترسی کاربر است که بهترین حالت دسترسی به مجموعه داده های تولیدشده با تنظیم درجه حداقل پشتیبانی 2% و حداقل اطمینان 95% است که منجر به ایجاد 1081 قوانین جدید با الگوریتم های شرطی (اگر – آنگاه) شد. چنانکه اگر کاربری در زمان جستجوی در نرم افزار کتابخانه دیجیتال موضوعاتی همچون (علم اصول، اجتهاد، سنت و...) را انتخاب نماید، به دلیل سابقه جستجوهای پرتکرار کاربران پیشین با همین موضوعات، از سوی سامانه توصیه گر، آنگاه عناوین مرتبطی با موضوع اصول فقه پیشنهاد خواهد شد. همین طور، اثبات درستی الگوی پیشنهادی نشان داد که مقدم و مؤخرهای ایجادشده از قوانین جدید با یکدیگر مشابهت موضوعی داشته است.نتیجه گیری: این مطالعه نشان داد، فنون مختلف داده کاوی با کاربرد قوانین انجمنی و اجرای الگوریتم FP-Growth  دارای کارایی و دقت بالا بوده و در تجزیه و تحلیل داده های کتابخانه های دیجیتالی و مراکز اطلاع رسانی برای ایجاد سامانه های توصیه گر به منظور پیش بینی درخواست های کاربران و پیشنهاددهی مؤثر، مناسب است و از مفاهیم کاربردی آن، فراهم نمودن بستری برای بهبود کیفیت تعامل دوسویه میان کتابداران و کاربران در جهت ارائه خدمات بهینه و سودمند است و همچنین ایجاد فرصت مناسبی برای ارتقاء نگرش و دیدگاه مدیران در جهت تأمین منابع اطلاعاتی موافق با نیازهای واقعی کاربران خواهد بود.