基于最大頻繁模式挖掘的移動政務系統場景化服務研究

王福 劉宇霞 康麗琴

摘 要：[目的/意義]雖然移動政務系統資源的碎片化，功能的交互化以及服務的個性化程度越來越高，但是其被棄用和卸載的情形時有發生，究其原因是因為移動政務系統并沒有為用戶在合適的時間和合適的地點推送合適的信息，表現為其所提供服務的同質化現象較為嚴重。[方法/過程]為此，采用最大頻繁模式挖掘的方法對移動政務系統場景化服務進行深入研究，在對不同用戶聚類的基礎上挖掘不同類型用戶頻繁接入的場景，并基于挖掘出的規律為用戶提供針對性的服務。[結果/結論]移動政務系統的場景化服務既能為用戶在任何時間、任何地點提供任何信息，也可以為用戶在適當的時間和地點推送適當的信息，移動政務系統場景化服務就是要從滿足用戶的多元化和個性化服務的方式轉向滿足用戶的場景化信息需求，由以用戶為中心轉向于以場景為中心，最終提升移動政務用戶信息接受的愉悅度。

關鍵詞：移動政務;數據挖掘;場景化服務;最大頻繁模式;精準化服務

DOI：10.3969/j.issn.1008-0821.2020.01.005

〔中圖分類號〕G203 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）01-0041-08

Research on Scenario Service of Mobile Government Based on

Maximum Frequent Pattern Mining

Wang Fu Liu Yuxia Kang Liqin

（School of Economics and Management，Inner Mongolia University of Technology，Hohhot 010051，China）

Abstract：[Purpose/Significance]Despite the fragmentation of resources，the interaction of functions and the increasing individualization of services in mobile government system，the? situation of mobile government system was discarded and uninstalled from time to time.The reason is that mobile government system does not push appropriate information for users at the right time and place，and the homogeneity of services show seriously.[Methods/Processes]The maximum frequent pattern mining method was used to conduct in-depth research on scenario-based services of mobile government system，mining scenarios of frequent access of different types of users on the basis of clustering of different users，and providing targeted services for users based on the mining rules.[Methods/Processes]Scenario service of mobile government system could not only provide users with any information at any time and anywhere，but also push appropriate information for users at the appropriate time and place.Scenario service of mobile government system was to change from satisfying users diversified and personalized service to satisfying users scenario information needs，from user-centered to user-centered.In the scenario-centered，ultimately enhanced the pleasure of mobile government users information acceptance.

Key words：mobile government;data mining;scenario services;maximum frequent patterns;precision services

近年來，受微媒體、多媒體和新媒體等的影響，使得移動政務系統逐漸表現出資源情境的碎片化，技術情境的交互化以及服務情境個性化的特征，且這些情境特征越來越明顯，移動政務正在改變著人們信息接受的體驗。然而，移動政務系統被棄用和卸載的情況時有發生，這不得不引起學界和業界的重視，探究移動政務系統在什么地方出了問題，以及需要如何改進以提升用戶對移動政務系統的滿意度。為此，筆者對移動政務系統的相關研究成果進行如下梳理：1）移動政務系統的信息接受意愿較低。鄭躍平等認為現有移動政務面臨服務平臺建設差、公眾信息接受意愿低下，用戶隱私保護和信息安全保障不足，公眾體驗性較差、信任感低等問題[1]。2）移動政務系統發展存在阻礙。朱琳指出移動政務系統在發展中存在阻力，宏觀方面表現為系統基礎設施不健全、政府宣傳力度不夠、開設業務少、個人隱私和安全保障的不健全和群眾參與意識不強5個方面;微觀方面主要表現為移動終端的尺寸限制以及移動政務的收費問題[2]。3）移動政務系統功能有待完善。陳則謙調研發現已經建成的政務APP質量參差不齊，普遍存在易獲取性和可使用性方面的問題，大部分移動政務APP的交流互動和網上辦事的功能都有待完善[3]。4）移動政務系統成功因素。趙蓉總結了移動政務的整體框架，提出了移動政務系統的4大關鍵成功因素，即：成熟的通訊技術應用水平、合適的移動政務應用服務、市民的信任和參與、系統的雙向互動能力[4]。由上述對移動政務現有研究成果的梳理發現目前制約移動政務發展的因素主要包括以下幾個方面：1）場景意識缺乏。雖然目前移動政務在新媒體、微媒體等的刺激下不斷改變其功能和服務，但是用戶仍舊對其并不看好的原因在于現有移動政務系統的建設并沒有緊跟時代的發展。隨著大數據、社交媒體、傳感器、移動設備和定位系統功能的不斷發展，其在各行各業嵌入的程度不斷加深，場景已成為移動政務未來服務的主要方向。但是現有移動政務系統似乎并未對其有深刻的認識和刻意的采用，由于沒有抓住未來和現有市場的主流，使得移動政務從發展上就沒有與時代緊密結合，致使用戶對其的感知較差，進而出現了棄用和卸載的情形。2）情境配置粗放。移動政務系統現有基本情境包括了資源情境、技術情境、服務情境。隨著場景化要素在移動政務系統中的不斷嵌入，使得移動政務相同的情境越來越豐富，由原來的技術情境和服務情境衍生出移動情境、社交情境和終端情境等輔助情境。然而，由于目前移動政務系統尚未對此進行關注和應用，也就是尚未對現有情境做精細化配置，使得其實際配置效用較差，致使實際服務效果較差。3）服務同質化嚴重。移動政務系統由于缺乏場景意識以及對情境的精細化配置，使得其同質化服務比較嚴重，表現為移動政務系統對用戶的位置感知靈敏性較差，不能對用戶所處的位置結合其歷史場景的信息接受偏好為其提供精準化的服務。4）創新觀念缺乏。現有移動政務由于上述原因缺乏創新性，移動政務服務急需要樹立場景服務理念，針對用戶在不同場景的信息需求期望為其提供針性的服務。

1 移動政務系統場景化服務內涵

1.1 移動政務系統場景化服務概念

為了更好地了解和把握移動政務場景化研究的現狀，筆者以（主題=‘移動政務and 主題=‘場景）為檢索式，不限檢索時間，發現目前CNKI中并未有移動政務場景的相關文獻，這說明目前移動政務的場景化服務尚未引起業界的足夠重視，值得進行深入研究。借鑒相關領域的場景化服務概念的定義，筆者認為移動政務的場景化服務就是移動政務系統能利用移動終端的定位系統實時跟蹤用戶的位置變化，并利用移動終端的傳感器感知用戶在某個場景的身體狀態，進而用大數據挖掘用戶在這個場景的信息需求期望、信息搜索習慣和信息接受偏好，為其所處場景快速配置其信息接受所需要的情境，使用戶感覺到移動政務系統似乎是在為其個人提供專屬的VIP定制服務。移動政務場景化服務的實質就是要挖掘用戶利用移動政務系統接入某個場景的頻繁程度，筆者將用戶信息接受的場景分為重要場景、一般場景和非重要場景。通過分析用戶在這3類場景中的信息需求期望、信息搜索習慣和信息接受偏好，為其進行個性化的信息接受情境配置。另外還可以分析用戶利用移動政務頻繁接入某個場景的此前接入場景和次后接入場景是否存在著一定的關聯性，以便于移動服務系統對用戶的場景化信息接受行為進行調節，使其可以提前或推后進入某個接入場景，也可以使其提前或推后離開某個接入場景，以盡可能使其在場景化的信息接受中具有暢體驗或沉浸體驗。

1.2 移動政務系統場景化服務方向

現有移動政務系統由于上述原因而缺乏創新性，移動政務系統需要樹立場景服務理念，針對用戶在不同的場景的信息需求為其提供針對性的服務。這就需要移動政務能夠感知用戶頻繁接入的場景，以及在不同場景所需要被提供的信息服務[5]。隨著場景化時代的到來，移動政務系統在不同場景積累了大量的用戶行為數據，用戶也不再局限于簡單的利用信息內容。移動政務系統應能充分利用現代技術對用戶場景化數據進行分析處理，挖掘用戶場景化信息需求期望、信息搜索習慣和信息接受偏好，從而更好地為用戶提供多元化的一站式服務和精準的個性化服務。移動政務場景化服務改變了傳統政務系統被動服務方式，變被動服務為主動服務，需要移動政務系統挖掘用戶歷史接入場景的信息接受期望，進而挖掘歷史場景的信息接受規律，為用戶在合適的時間和地點推送合適的服務[6]。為此，需要移動政務系統能夠感知用戶接入場景的頻繁性，以及在頻繁接入場景所需要的信息服務。移動政務系統由原來的被動服務向主動服務發展，再由主動服務向個性化服務方向發展，進而實現以用戶為中心的服務轉向以場景為中心的服務模式上來，這樣使移動政務服務不再是千人一面而是千人千面或千人萬面，激活了移動政務系統的服務創新思路。

2 基于FP-tree的最大頻繁模式挖掘算法

移動政務場景化服務改變了政務的傳統被動服務方式，變被動服務為主動服務，需要移動政務系統挖掘與圖書館個性化信息服務的相關理論，進而介紹了數據挖掘技術在移動政務系統的個性化信息服務中的應用，其次利用歷史化場景數據分析了基于FP-Tree的最大頻繁模式挖掘算法，最后介紹了移動政務系統的場景化服務過程[7]。宋余慶等指出最大頻繁項目集是多種數據挖掘應用中的關鍵問題，并提出了一種快速的基于頻繁模式樹（FP-tree）的最大頻繁項目集挖掘DMFIA及其更新算法UMFIA，充分利用挖掘結果來減少在更新的數據庫中發現新的最大頻繁項目集的費用[8]。劉君強等認為在數據庫中發現頻繁模式和關聯規則是數據挖掘領域的最基本、最重要的問題，基于此對關聯規則的基本概念和類型、重要挖掘算法、特別是近年來相關研究的新進展做了全面綜述與深入分析，并指出了未來的研究方向[9]。馮志新等在FP-tree結構的基礎上提出了最大頻繁模式挖掘算法FP-Max。實驗表明，算法FP-Max在挖掘密集型數據集方面是高效的[10]。敖富江等提出了數據流頻繁模式挖掘算法的通用數據流處理模型，詳細總結了數據流頻繁模式挖掘算法的3種分類方式：“窗口模型”、“結果集類型”和“結果集精確性”。基于這些分類方法提出了數據流頻繁模式挖掘算法的設計立方體，該立方體涵蓋了現有的數據流[11]。

2.1 基于FP-tree的FP-growth算法

FP-tree最早是由Han提出的一種不產生候選項集的關聯規則挖掘算法，他按頻繁項集的支持度遞減的順序對數據庫排序之后，將數據庫壓縮到一棵頻繁模式樹，然后把樹分成一組條件數據庫，每個數據庫關聯一個頻繁項，分別挖掘每個條件數據庫[12]。在生成頻繁樹時，為方便遍歷，創建1個項目頭表Htable，它有3個域組成，分別是項目名稱（item_name）、該項目的支持樹、下一節點指針（item_next），指向該項在樹中的第一位置，并且每個節點由4個域組成，分別是節點名稱（node_name）、節點計數（node_count）、節點鏈（node_link）及父節點（node_parent）指針[13]。FP-tree是一個存儲事務數據庫的項關聯及其程度的緊湊樹結構，構造FP-tree需要2次數據庫掃描：首先掃描數據庫一次生成1-頻繁集，并把他們按降序排列，放入到項頭表中;再掃描數據庫1次，對每個數據庫的元組進行掃描，把它對應項目集的關聯和頻度放入到FP-tree中，對應算法稱之為頻繁模式樹構造算法FP-growth如下：

1）掃描事務數據庫D1次，產生頻繁項集合F及它們支持數。對F按支持數降序排列，生成頻繁項目列表LDF[14]。

2）創建FP-tree的根節點，標號為root，其值為空。對D中每個事務執行：將事務s按LDF的次序排列頻繁項，設排列后的結果為[p|P]，其中p是第一個項，P是剩余項的列表。調用insert_tree（[p|P]，T），如果T有子女N使得N.item_name=p.item_name，則N的計數加1;否則，創建1個新節點N，故其名稱node_name、節點計數node_count分別設為p和1，父節點指針node_parent鏈接到T，節點鏈node_link鏈接到具有相同item_name的節點。若P非空，遞歸地調用insert_tree（P，N）[15]。假設某個移動政務系統所有用戶集合中在不同的時間接入移動政務系統進行信息接受，形成的移動政務場景化信息接受事務表如表1所示。

由此算法，筆者針對表1的移動政務場景化信息接受事務信息表，利用FP-growth算法構造的FP-tree樹如圖1所示，其中項目頭表的順序是C11、E11、A16、B12、D13。

3）對FP樹通過FP-growth（FP-tree，null）對項目頭表中的每個項目遞歸地產生頻繁模式樹，最終得到頻繁項集。FP-tree算法的優點是數據挖掘過程中僅掃描2次數據庫，節約了時間，而且不生成候選項集，提高了挖掘效率，于是可將這種算法思想應用于項約束的關聯規則挖掘中[16]。對于FP-growth算法而言挖掘的是所有的頻繁模式，而在移動政務場景化服務中向用戶推薦的只要足夠多的數目即可，所以只要挖掘出最大頻繁模式即包含數目最多的信息接受模式即可。基于FP-tree的最大頻繁模式挖掘算法與FP-growth算法相比較，其不同在于得到的頻繁模式需與最大頻繁項目集進行比較，檢驗是否為最大模式，若頻繁模式不是最大頻繁項目的子集，則將其加入到最大頻繁項目集中，否則舍棄[17]。

2.2 最大頻繁模式挖掘算法舉例

由表2，我們對某個移動政務系統用戶接入場景接受信息時對算法進行分析，為了簡介，用戶接入移動政務進行信息接受的的內容以及編號如下：1）信息公開（基礎信息公開A11、行政權力公開A12、行政決策公開A13、財政資金公開A14、企事業單位公開A15、依申請公開A16、公開保障A17）;2）政策引導（決策解讀B11、新聞發布會B12、熱點專題B13、網絡輿情B14）;3）互動交流（政務咨詢C11、投訴舉報C12、在線訪談C13、民意征集C14）;4）在線辦事（辦事指南D11、表格下載D12、查詢服務D13、在線申請D14）;5）快速鏈接（業務導航E11、智能搜索E12、專業搜索E13）。若移動政務系統用戶的信息接受事物如表2所示，則其最小支持度計數為2[18]。

其挖掘過程如下：

步驟1：第一次掃描事務數據庫，生成1-頻繁項集L=[A16∶7，B12∶6，B14∶2，D13∶2，E13∶1]，根據最小支持度計數去掉不頻繁的項額E13，整理后見表3[19]。

步驟2：第2此掃描事務數據庫，創建FP-tree，如圖2所示。

步驟3：從項頭表的最后一項開始，構造條件模式基、條件FP-tree、頻繁模式及最大頻繁模式。首先看項頭表的最后一項T。從FP-tree中可以看出有2個分支，分別是{A16，B12，D13∶1}和{A16，B12，B14，D13∶1}，T的條件模式基為{（A16B12∶1）（A16B12B14∶1）}，由于K的支持度計數為1，小于最小支持度計數，所以條件FP-tree只包含單個路徑{A16∶2，B12∶2}，所以產生的頻繁模式為{A16D13∶2}{B12D13∶2}{A16B12D13∶2}。因為模式{A16D13∶2}和{B12D13∶2}是{A16B12D13∶2}的子模式，所以最大頻繁模式為{A16B12D13∶2}。對于B14、B11、B12、A16為后綴的最大頻繁模式挖掘過程同D13，不同在于生成的頻繁模式必須與最大頻繁模式對比，若是最大頻繁模式的子集則舍棄，否則添加，在挖掘到I時沒生成頻繁模式{A16B12∶4}是最大頻繁模式中{A16B12D13∶2}或{A16B12B11∶2}的子集，則舍棄之[20]（見表4）。

由表4的挖掘結果，筆者得到了不同事務項的最大頻繁集，這些頻繁集的內涵表示為：1）{A16B12D13∶2}，該最大頻繁集項表明移動政務用戶接入場景進行信息查詢時，不僅查看依申請的公開信息，還會觀看新聞發布會，其頻繁閾值是2。2）{A16B12D13∶2}{A16B14∶2}，該最大頻繁集項表明移動政務用戶接入場景進行網絡輿情信息瀏覽時，有

兩類關聯。其一是查詢依申請公開的信息和觀看新聞發布會;其二是查詢依申請公開的信息及網絡輿情。3）{A16B12D13∶2}{A16B14∶2}{A16B12B11∶2}，該最大頻繁集項表明移動政務用戶接入場景查看政策解讀時，有三類關聯。其一是查詢依申請公開的信息和觀看新聞發布會;其二是查詢依申請公開的信息及網絡輿情;其三是查詢依申請公開的信息和觀看新聞發布會以及觀看政策解讀的內容。4）{A16B12D13∶2}{A16B14∶2}{A16B12B11∶2}，該最大頻繁集項表明移動政務用戶接入場景查看新聞發布會時，有三類關聯。其一是查詢依申請公開的信息和觀看新聞發布會;其二是查詢依申請公開的信息及網絡輿情;其三是查詢依申請公開的信息和觀看新聞發布會以及觀看政策解讀的內容。由此，根據挖掘出的關聯規則對用戶進行個性化服務，進而可以提升用戶的移動政務場景化信息接受意愿，最終提升用戶的信息接受愉悅度。

3 移動政務場景化適配服務

移動政務場景化信息接受的頻繁接入表明了用戶對某個場景的依賴程度，但是目前移動政務服務同質化的現象嚴重制約了其發展和服務創新。由此，需要根據上述對用戶接入移動政務的頻繁程度對用戶所處場景的情境配置，充分調動大數據、移動設備、社交媒體、傳感器和定位系統在移動政務的嵌入程度，逐漸滿足用戶在特定場景的信息需求期望、信息搜索習慣和信息接受偏好[21]。為此，移動政務要進一步提升用戶獲取政務信息和服務的便捷度和用戶體驗。移動政務客戶端不僅要提供靜態信息查詢、業務信息查詢、在線提交等功能，還應該基于用戶地理位置服務、微博分享、個性化訂閱、消息推送、離線緩存等功能的提供情況。移動政務客戶端對政務信息公開，提供便民查詢等服務。移動政務客戶端應能保障不被用戶惡意入侵和發布渠道安全等[22]。

3.1 基于用戶場景化信息需求適配

移動政務場景化信息需求適配就是要根據用戶接入某個場景頻繁程度下的信息需求期望實現“場景—需求—情境”配置，其配置的目的是要實現以下幾個方面的目標：1）可感知性。移動政務系統應能通過定位系統實時感知用戶所處的位置及位置變化，運用傳感器感知用戶接入移動政務系統的身體狀態，預測其信息需求期望，為用戶提供針對化的信息接受[23]。2）可操作性。移動政務為用戶所處的場景提供技術情境，通過不斷豐富其技術情境，實現技術情境的可用性、有用性和易用性，為用戶信息接受提供便利，并應該能防止和糾正用戶的操作失誤提供措施的情況[24]。3）可理解性。移動政務系統將用戶所需要的信息內容通過運用HTML5的形式，以可視化的形式呈現在移動終端，其內容的布置和功能便于用戶理解和使用的情況。4）兼容性。移動政務系統資源情境足夠豐富和強壯，可滿足不同用戶在不同場景的信息需求期望，實現“場景—需求—情境”的適配[25]。

3.2 基于用戶場景化信息搜索適配

移動政務場景化信息搜索就是要根據用戶接入某個場景頻繁程度下的信息搜索習慣實現“場景—搜索—情境”配置，其配置的過程是為了實現以下幾個方面的目標：1）內部搜索。移動政務APP系統搜索技術情境需要基于用戶信息搜索習慣進行配置，并可以通過關鍵詞進行文字、語音等的檢索，也可以通過移動政務APP根據用戶信息需求偏好為其進行信息導航。以滿足用戶利用移動政務系統滿足其多元化的一站式服務和精準的個性化服務方式。2）公共搜索。考察移動政務系統的信息資源情境在主流公共搜索引擎中的檢索情況，包括站點檢索、重點服務檢索和時政熱點檢索。如用戶在公共搜索框中輸入關鍵詞，移動政務在檢索結果中的優先展現和資源整合，移動政務還可以圍繞重點業務在搜索框中輸入關鍵詞，以移動政務相關業務的優先級進行可視化呈現，以體現系統的實用化程度。為此，移動政務系統基于用戶在搜索框中輸入的檢索，通過資源情境配置，進而有針對性地對檢索結果進行整合和展現[26]。3）結果搜索。移動政務應能提供行政辦事狀態查詢或結果查詢，辦事狀態查詢和結果查詢是否與實際辦理情況保持一致，包括內容一致、更新時間是否一致等。4）便民查詢。移動政務應能結合用戶所處的場景為其提供便民服務，做到人性化和個性化相統一。

3.3 基于用戶場景化信息接受適配

移動政務場景化信息接受就是要根據用戶接入某個場景頻繁程度下的信息接受偏好實現“場景—接受—情境”配置，其配置的過程也正是實現以下幾個方面目標的過程：1）信息分享。移動政務系統應能將系統內的信息通過轉發功能將其分享至微博、微信、QQ等社交媒體，也可以在移動政務系統內進行分享[27]。2）位置服務。移動政務系統應該能提供基于地理位置服務，通過調用百度、谷歌等地圖進行位置服務。3）信息推送。根據對用戶歷史場景化信息接受的挖掘結果，為用戶在適當的場景推送適量的信息，以實現多元化的信息覆蓋[28]。4）資源覆蓋。客戶端發布的重要政務信息，應包括文字新聞、圖片新聞、通知公告等動態信息，并且對同一主題的信息對不同類型的資源進行語義和關聯聚合，以提升用戶信息接受的持續意愿[29]。5）信息安全。移動政務系統應該判斷某個客戶端是否存在惡意扣費、隱私竊取、遠程控制、惡意傳播、資費消耗、系統破壞、誘騙欺詐、流氓行為等惡意行為。由此，移動政務的場景化適配服務應該從“場景—需求—情境”“場景—搜索—情境”“場景—接受—情境”的三維一景適配。具體的配置方法是實現情境與場景基于用戶信息接受的配置，使得移動圖書館場景化信息接受情境在配置過程中既不浪費情境也不會造成情境不足，實現場景化信息接受的正適配，而非欠適配和過適配[30]。

4 結束語

隨著場景化要素在移動政務系統嵌入程度的逐漸深入，以及移動政務系統場景化信息接受情境的不斷豐富，移動政務場景化信息接受的績效取決于移動政務系統場景化的信息接受情境配置的程度。為地，基于頻繁接入模式的方法進行場景化信息接受的挖掘，形成FP-tree，并利用FP-growth算法對用戶的接入場景的頻繁程度進行挖掘，以確定用戶頻繁接入場景的信息接受期望、信息接受習慣和信息接受偏好，為用戶在某個場景時為其配置信息接受情境，使移動政務信息接受情境既不浪費也不會不足，從而避免了現有移動政務場景化信息接受情境在場景中不斷碰撞和游離的狀態，使得移動政務場景功效更為突出。

參考文獻

[1]鄭躍平，黃博涵.“互聯網+政務”報告（2016）——移動政務的現狀與未來[J].電子政務，2016，（9）：16-31.

[2]朱琳.電子政務環境下移動政務發展研究[J].上海行政學院學報，2011，12（3）：23-30.

[3]陳則謙.中國移動政務APP客戶端的典型問題分析[J].電子政務，2015，（3）：12-17.

[4]趙蓉.移動政務關鍵成功因素研究[J].上海行政學院學報，2008，（5）：28-34.

[5]Inokuchi A，Washio T，Motoda H.Complete Mining of Frequent Patterns from Graphs[J].Machine Learning，2003，50（3）：321-354.

[6]Ghoting A，Buehrer G，Parthasarathy S，et al.Cache-conscious Frequent Pattern Mining on Modern and Emerging Processors[J].Vldb Journal，2007，16（1）：77-96.

[7]Tanbeer S K，Ahmed C F，Jeong B S，et al.Efficient Single-pass Frequent Pattern Mining Using a Prefix-tree[J].Information Sciences，2009，179（5）：559-583.

[8]宋余慶，朱玉全，孫志揮，等.基于FP-Tree的最大頻繁項目集挖掘及更新算法[J].軟件學報，2003，（9）：1586-1592.

[9]劉君強，孫曉瑩，王勛，等.挖掘最大頻繁模式的新方法[J].計算機學報，2004，（10）：1328-1334.

[10]馮志新，鐘誠.基于FP-tree的最大頻繁模式挖掘算法[J].計算機工程，2004，（11）：123-124.

[11]敖富江，顏躍進，黃健，等.數據流頻繁模式挖掘算法設計[J].計算機科學，2008，（3）：1-5.

[12]章志剛，吉根林.一種基于FP-Growth的頻繁項目集并行挖掘算法[J].計算機工程與應用，2014，50（2）：103-106.

[13]姬浩，蘇兵，呂美.基于FP-growth算法的高校群體性突發事件關聯規則分析[J].中國安全科學學報，2012，22（12）：144-151.

[14]陸楠，王喆，周春光.基于FP-tree頻集模式的FP-Growth算法對關聯規則挖掘的影響[J].吉林大學學報：理學版，2003，（2）：180-185.

[15]何中勝，莊燕濱.基于Apriori & Fp-growth的頻繁項集發現算法[J].計算機技術與發展，2008，（7）：45-47，52.

[16]鄧玲玲，婁淵勝，葉楓.FP-growth算法改進與分布式Spark研究[J].微型電腦應用，2016，32（5）：9-11，19.

[17]李良，米智偉，向新.基于FP-Growth的戰略績效關聯分析算法研究[J].微計算機應用，2011，32（2）：1-8.

[18]霍緯綱，邵秀麗.基于TD-FP-growth的模糊關聯規則挖掘算法[J].控制與決策，2009，24（10）：1504-1508.

[19]石云平.FP-Growth關聯算法應用研究[J].計算機與信息技術，2008，（7）：12-14.

[20]張星，李蓓.FP-Growth關聯規則挖掘的改進算法[J].平頂山工學院學報，2008，（1）：21-24.

[21]王福，畢強，張艷英.移動圖書館場景化信息接受內容適配剖析[J].圖書情報工作，2018，62（11）：16-22.

[22]李金娟，王衛鋒.基于FP-growth算法在學生成績中的關聯規則分析[J].巢湖學院學報，2007，（6）：30-33.

[23]王福.移動圖書館場景化信息需求特征及其規律研究[J].圖書情報工作，2018，62（9）：36-46.

[24]王福，劉姝瑾.基于信息接受規律的移動圖書館場景重構[J].情報資料工作，2018，（5）：50-56.

[25]王福，聶蘭渤，郝喜鳳.移動圖書館場景化信息接受適配功能設計研究[J].圖書館建設，2018，（3）：65-71，80.

[26]王福，彭正玲.基于情境的移動圖書館信息搜索特征及其規律研究[J].圖書館建設，2017，（8）：62-68，73.

[27]王福，畢強.移動圖書館場景化信息接受情境聚合研究[J].情報理論與實踐，2018，41（6）：8-13.

[28]王福，畢強.移動圖書館場景化信息接受情境聚合適配研究[J].情報理論與實踐，2018，41（6）：22-27，21.

[29]王福，聶蘭渤.移動圖書館場景化信息接受特征及其規律研究[J].情報理論與實踐，2018，41（1）：122-128，110.

[30]王福，聶蘭渤，郝喜鳳.移動圖書館場景化信息接受暢融合研究[J].圖書館學研究，2018，（2）：77-83.

（責任編輯：郭沫含）