图书馆网站分类评价方法研究——基于优势粗糙集理论的分析

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (8): 47-50.

图书馆网站分类评价方法研究——基于优势粗糙集理论的分析

高建山1，2，鲁士文3

1.中国科学院研究生院，北京 100080
2.衡水学院，河北衡水 053000
3.中国科学院计算技术研究所，北京100039

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-11 发布日期:2011-03-11

Study on classification evaluation method of library website based on the dominance rough set theory

GAO Jianshan1，2，LU Shiwen3

1.Graduate University of the Chinese Academy of Sciences，Beijing 100080，China
2.Hengshui University，Hengshui，Hebei 053000，China
3.Institute of Computing Technology，Chinese Academy of Sciences，Beijing 100039，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-11 Published:2011-03-11

摘要/Abstract

摘要： 图书馆网站评价对提高图书馆整体服务水平具有重要意义。科学、客观地评价图书馆网站，能有效促进其建设。将优势粗糙集理论应用于图书馆网站评价过程，通过对调研的图书馆网站数据进行分析，有效约简了评价体系的冗余属性，明确了各指标在网站建设中的重要性，通过偏好属性表导出偏好决策规则集，对网站进行分类与分级评价，力图减少主观评价的偏好影响，使评价过程更加科学，评价结果更加客观。

关键词: 图书馆网站, 优势粗糙集, 约简, 决策规则, 评价

Abstract: The evaluation of library website is very important to improve the overall service level.Scientific and objective evaluation of the library website can effectively promote its construction.Dominance rough set theory is applied in the evaluation process by analyzing the research library website data.It effectively reduces the redundant attributes of the evaluation system，defines the importance of each index in website construction，derives preference decision rule set through preference attribute table，carries out the classified and graded website evaluation，attempts to reduce the preferences influence of subjective evaluation，makes the evaluation process more scientific and the evaluation results more objective.

Key words: library website, dominance rough set, reduction, decision rules, evaluation

高建山1，2，鲁士文3. 图书馆网站分类评价方法研究——基于优势粗糙集理论的分析[J]. 计算机工程与应用, 2011, 47(8): 47-50.

GAO Jianshan1，2，LU Shiwen3. Study on classification evaluation method of library website based on the dominance rough set theory[J]. Computer Engineering and Applications, 2011, 47(8): 47-50.

[1]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[2]	伍京华，吴学桥. 基于Agent的改进贴近度的多属性评价模型[J]. 计算机工程与应用, 2021, 57(5): 65-70.
[3]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[4]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[5]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[6]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[7]	曹玉东，刘海燕，贾旭，李晓会. 基于深度学习的图像质量评价方法综述[J]. 计算机工程与应用, 2021, 57(23): 27-36.
[8]	魏富强，古兰拜尔·吐尔洪，买日旦·吾守尔. 生成对抗网络及其应用研究综述[J]. 计算机工程与应用, 2021, 57(19): 18-31.
[9]	孙菁阳，陈凤东，韩越越，吴煜雯，甘雨，刘国栋. 图像超分辨率重建算法综述[J]. 计算机工程与应用, 2021, 57(17): 1-9.
[10]	张呈玲，李进金，林艺东. 基于OE-概念格的形式背景属性约简[J]. 计算机工程与应用, 2021, 57(15): 82-89.
[11]	熊中敏，郭怀宇，吴月欣. 缺失数据处理方法研究综述[J]. 计算机工程与应用, 2021, 57(14): 27-38.
[12]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[13]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[14]	徐玲玲，迟冬祥. 面向不平衡数据集的机器学习分类策略[J]. 计算机工程与应用, 2020, 56(24): 12-27.
[15]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.