数据挖掘（DMdatamining）是从大量的，不完全的，有噪声的，模糊的，随机的数据中，提取隐含在其中的，人们事先不知道的，但又是潜在的有用的信息和知识的过程。而我们的图书馆的数据库中积累了大量的读者借阅历史数据,这些数据中隐藏着大量重要信息,利用这些信息我们可以挖掘出读者对图书资源的借阅偏好模式。于是我们便利用微软SQLSERVER2005中的数据挖掘关联规则模块建立一个在线书目推荐服务系统，以提高图书馆的服务水平。
二、问题分析
指标名
含义
支持度
(Support)
支持度对项集形成有影响。
用于描述项集出现频度的指标，最低支持度（Minimum_Support）意为只对达到指定频度的项集感兴趣，如果指定最低支持度为小于1的值则微软关联规则认为你只对频度达到指定百分比的项集感兴趣。比如0.03表示项集支持度只有占到总项集数的3％才能形成项集。最大支持度（Maximum_Support）则指定了项集出现频度的上限，超过上限的项集也不是我们感兴趣的。
概率
(Probability)
概率对规则的形成有影响。
一条规则中有A的条件下会有B（A=>B）的概率是指
Probability(A=>B)=Probability(B|A)=Support(A,B)/Support(A)
指定一定的最低概率值就可以限制形成的规则数。
重要性
（Importance）
重要性对项集和规则形成均有影响。
它的定义如下：
Importance(A=>B)=log(p(B|A)/p(B|notA))
从定义知如果该值为0表示A和B没有关联性，正值表示一旦拥有A则再拥有B的概率会增长，负值表示一旦拥有A则再拥有B的概率会降低。
三、数据准备
我们收集了兰州商学院图书馆2002年到2005年的读者借阅数据，数据库具体关系如下：
“一次借阅标识”意义在于形成用户借阅的项集，举例说：甲乙（单次借阅标识分别是1和2）两人一次都借了3本书丙（单次借阅标识分别是3）一次借了两本，得到如下表所示记录：
借阅历史表
借阅流水号（主键）
单次借阅标识（外键）
书名
1
C#编程事件
2
.Net核心编程
3
.Net网络编程
4
ASP.NET高级编程
5
6
7
WindowsAPI速查手册
8
级联表约束
单次借阅标识表
单次借阅标识（主键）
如此我们便只要通过“单次借阅标识”即可区分不同用户的单次借阅。因为在每次借阅书籍时会先在单次借阅标识表中插入自增标识码，当借阅历史表增加新记录时便使用刚插入的自增标识码作为“单次借阅标识”，这样两张表便形成一对多的关系。之所以要有上面两张表，是因为SQLSERVER2005在训练关联规则模型时要有事例表和嵌套表。所谓事例表即存放鉴定一次事务的标识信息的表，用户完成他的一次借阅（当然可以不止借一本）就是一次事务，一次事务只用一个标识。我们设定单次借阅标识字段为自增字段就恰恰满足这点，所以单次借阅标识表就成了我们的事例表。嵌套表即为事例表中事务的具体细节内容表，其间用“单次借阅标识”来将各条记录形成项集。
四、开发步骤
我们用“SQLServerBusinessIntelligenceDevelopmentStudio”建立书目推荐服务程序，具体步骤如下：
一、训练模型
1.选择商业智能项目中AnalysisServices项目，建立BookHistoryAS项目
2.建立数据源，指定我们的SQLServer2005实例为数据源，并指定初始数据库为我们存放借阅历史数据的数据库。
3.建立数据源视图，将上面提及的“借阅历史”表“单次借阅标识”表都选择进来。
4.建立挖掘结构
①选择“从现有关系数据库或数据仓库”中训练和开发模型。
②选择“Microsoft关联规则”挖掘模型。
③指定“单次借阅标识”表为事例表，“借阅历史”表为嵌套表。
④按图（一）设定键列和可预测列。
之所以设定书名为可预测列是为后面的关联预测作准备。
⑤为自己设定的规则命名。
5.设置关联规则算法的参数。具体参数如图（二），各参数含义前面已做解释，在此不赘述。值得说明的是因为我们的借阅历史和书目数据量都较大，我们将最大项集计数（MAXIMUM_ITEMSET_COUNT）设置得大些400000，以免达到上限而无法生成任何有效规则。因为我校规定的单次借阅书籍上限是10本，所以将最大项集容量(MAXIMUM_ITEMSET_SIZE)设置成10，我们认为至少有两次相同的项集出现才生成规则，所以设置最小支持度(MINIMUM_SUPPORT)为2。
6.右键单击刚建立好的挖掘模型选“处理…”，开始训练模型。
7.处理完毕后打开“挖掘模型查看器”选项卡，下面会出现“项集”、“规则”、“依赖关系网络”三个子选项卡。“项集”中会列出各项集支持度，大小和各项集包含的具体项;“规则”中则显示规则的预测概率、重要性和具体内容，我们通过查看该图可以了解训练出的规则的具体形式；“依赖关系网络”则将规则用图形化的方法表示出来，非常直观，如图（三）：
8.打开挖掘模型查看器，选择查看器下拉列表中的“Microsoft挖掘内容查看器”。找到NODE_DESCRIPTION字段查看第一条记录里的模型摘要信息，该信息对进一步调整参数有帮助。特别是里面的规则数（RULE_COUNT）如果偏少则对预测很不利，可以适当降低概率参数和重要度参数。调整参数后重复1-7步直到训练出满意的模型。
9.给建立的挖掘模型添加一个角色并将只读权限赋给EveryOne成员，如果不赋权则当ASP.NET程序访问数据库时会提示读取权限不足。
二、建立在线查询服务
第一个页面只是简单的数据查询而已，我们略去具体代码，看到实现效果如图（四）：
点击查看后会传递该书书名到子页面，子页面实现效果如图（五）：
子页面核心预测代码如下：
五、结束语
数据挖掘是数据库技术发展的结果，目前己经成功地应用于各个领域，但大部分集中在银行、金融、大型商业数据库等赢利性领域中，在高校、政府等一些非赢利性机构中应用很少，本文对关联规则的数据挖掘在高校图书馆系统中的应用进行了探索，并用SQLServerBusinessIntelligenceDevelopmentStudio和ASP.NET实现了基本功能。