浅析 OCLC 的 FRBR 作品聚集算法
张俊娥（2006）。浅析 OCLC 的 FRBR 作品聚集算法。大学图书馆学报，24（006），66–69。
FRBR概念模型實體層次
FRBR 作品聚集算法
- 書目記錄→作者 / 題名鍵 (author / title key)，再來計算叢集
- 步驟一：資料前處理：擷取與整理
- 準備權威對照 (Authority Mappings)：利用LC的名稱權威檔 (LC Name Authority File)
- 建構權威鍵 (Constructing Authority Keys)：從書目中抽取作者與題名資料
- 透過名稱權威檔過濾，統一作者與題名
- 步驟二：建立作品集鍵(Work-Set Key)，最終可產生以下四種形式：
- 作者 / 題名
- 統一題名
- 題名 / 一個或多個作者
- 題名 / OCLC控制號
- 步驟三：以作品集鍵，建構叢集
- 舉例來說，透過以上步驟，下列五筆作品集鍵都有相同題名，但不同作者：
- Title / Author A
- Title / Author A / Author B
- Title / Author B / Author C
- Title / Author C
- Title / Author D / Author E
- 依據作者不同，可以分群成a b c d跟e兩群
- 舉例來說，透過以上步驟，下列五筆作品集鍵都有相同題名，但不同作者：
感想
- 與其說是分群演算法，不如說資料前處理的手續更為重要吧。
- 意外的是，年代、出版地、出版者等其他有用的資料居然沒有納入考量，這樣的分群演算法還有很大的改善空間。
因為看了上一篇「Derivative bibliographic relationships」之後，想要找一下有沒有書目關連的相關技術研究。不過這篇有點像是演算法的中文說明版，倒不像是研究論文啊？
