基于活動的數(shù)據(jù)空間數(shù)據(jù)關(guān)系發(fā)現(xiàn)

崔 晨，吳揚揚

(華僑大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，福建 廈門 361021)

隨著數(shù)字技術(shù)及互聯(lián)網(wǎng)技術(shù)的發(fā)展，數(shù)據(jù)呈現(xiàn)出多樣、異質(zhì)化的特點。傳統(tǒng)數(shù)據(jù)庫已不適合對多樣異質(zhì)數(shù)據(jù)進行有效統(tǒng)一管理，因此，F(xiàn)ranklin、Halevy和 Maier等人提出了數(shù)據(jù)空間[1]的概念。數(shù)據(jù)空間是數(shù)據(jù)和其關(guān)系的集合，系統(tǒng)需要從數(shù)據(jù)源中發(fā)現(xiàn)并抽取出有用的數(shù)據(jù)關(guān)系，以豐富其自身。而且，數(shù)據(jù)空間演化的目的是為了更好的滿足主體需求，數(shù)據(jù)空間必須能夠理解不同類型及來源的數(shù)據(jù)之間的聯(lián)系，更好地對相關(guān)聯(lián)數(shù)據(jù)做出處理，為主體提供更好的服務(wù)[2]。

但現(xiàn)階段，數(shù)據(jù)空間數(shù)據(jù)關(guān)系的定義、范疇、如何發(fā)現(xiàn)關(guān)系還未定義。因此，幫助系統(tǒng)自動發(fā)現(xiàn)數(shù)據(jù)關(guān)系成為重要研究方向。用戶日常活動中隱含了本地數(shù)據(jù)的獨特分類見解。從用戶日常活動中發(fā)現(xiàn)關(guān)系成為數(shù)據(jù)空間數(shù)據(jù)關(guān)系發(fā)現(xiàn)的途徑之一。本文參考活動理論[3]系統(tǒng)對用戶日?；顒拥姆治龇椒?，設(shè)計了自動記錄、分析、提取出數(shù)據(jù)關(guān)系的系統(tǒng)。該系統(tǒng)利用日志收集用戶活動信息，利用語義、時間、切換相關(guān)度等計算活動間的關(guān)系。將用戶活動信息間的關(guān)系轉(zhuǎn)換為用戶意識中對數(shù)據(jù)關(guān)系的理解。而且，由于用戶的需求和對數(shù)據(jù)關(guān)系的理解會隨時間變化，系統(tǒng)會根據(jù)用戶的使用情況更新數(shù)據(jù)關(guān)系，以更好滿足用戶需求。

1 相關(guān)工作

數(shù)據(jù)空間成為數(shù)據(jù)管理領(lǐng)域的一個研究熱點。參考文獻[4]設(shè)計了Roomba系統(tǒng)，利用多用戶的反饋尋找數(shù)據(jù)關(guān)聯(lián)。系統(tǒng)需要多用戶評判生成候選匹配并生產(chǎn)有益的關(guān)系模式。系統(tǒng)依此關(guān)系模式進行數(shù)據(jù)關(guān)系的演化。但這種模式是廣譜適用的，并不適用某個主體的偏好和習(xí)慣，有其局限性。

[5]認為用戶文件的分布和排列中，隱含了用戶對數(shù)據(jù)之間關(guān)系的理解。利用對文件的類型、命名規(guī)則、結(jié)構(gòu)分析后所得到的關(guān)系，自動將相關(guān)數(shù)據(jù)分類并加入數(shù)據(jù)空間。但其成立初期需要用戶手工標注常用的數(shù)據(jù)，且缺乏后期對數(shù)據(jù)關(guān)系的調(diào)整與優(yōu)化。

參考文獻[6]將用戶查詢時對數(shù)據(jù)空間的交互作為數(shù)據(jù)空間演化的來源。該系統(tǒng)自動為數(shù)據(jù)資源建立資源摘要，并在初始簡單查詢時，利用關(guān)鍵字與摘要的匹配，逐漸豐富關(guān)鍵字與資源間的關(guān)聯(lián)。但該系統(tǒng)對用戶除了搜索外的其他交互活動利用有限。

參考文獻[7]首次提出了在數(shù)據(jù)空間中進行用戶任務(wù)挖掘的概念，作者定義其任務(wù)為一定數(shù)量文件的集合。與本文類似，該方法收集分析用戶活動，但該系統(tǒng)僅利用窗口的時序關(guān)聯(lián)，而沒有利用語義、切換等發(fā)現(xiàn)數(shù)據(jù)關(guān)系。

2 基于活動理論的活動模型

維果斯基提出的“文化-歷史心理學(xué)”思想是活動理論的源泉。目標導(dǎo)向原則是活動理論的核心。它認為人類活動受到廣泛的客體群體影響，既包括自然領(lǐng)域，也包括社會文化領(lǐng)域，因此以維果斯基的三元關(guān)系模型為基礎(chǔ)，為活動建模：

計算機上，個體代表計算機用戶，目標代表所操作的對象，工具代表所使用的軟件。此模型代表用戶通過計算機達到某種目的而進行活動。本文擴充了此模型，增加了活動發(fā)生時間和用戶操作，因此表示為：

其中user為用戶，time代表活動發(fā)生的時間，tool代表處理軟件，operation代表用戶操作(如粘貼、復(fù)制、切換等)，goal代表用戶的操作目標。

3 活動信息的保存與處理

3.1 活動信息的保存

本文將用戶日常活動的窗口標題信息作為活動信息的代表。下面為活動信息記錄樣例：

2010/7 /11 11 ：29：33 具有自適應(yīng)鄰域探測機制的簡化PSO算法修改稿20100711(用戶上次保存的)[兼容模式]-Microsoft Word

2010/7 /11 11 ：29：39 中國圖像圖形學(xué)報 A.Journal of Image and Graphics(2010年5期)-萬方數(shù)據(jù)知識服務(wù)平臺-世界之窗3.3

3.2 活動信息的處理

活動信息處理是數(shù)據(jù)關(guān)系發(fā)現(xiàn)的前提。借鑒了相關(guān)工作，本文以活動語義、交互、切換、時間度量活動是否相關(guān)。

3.2.1 語義相關(guān)度

活動窗口的相關(guān)性表現(xiàn)為活動標題內(nèi)容的相似性。本文采用改進了的向量空間模型 (VSM)為對象模型。VSM中，第i個對象的矢量模型如下：

其中，Wik在傳統(tǒng)方法中為關(guān)鍵詞頻度，但本文將Wik改為關(guān)鍵詞語義相似度之和。計算方法如下：

設(shè) Wik為關(guān)鍵詞 Tk中對象 Activityi中的權(quán)重，D(Ti1，Ti2，……TiN)為 Activityi的特征詞組。 Seman(Ti1，Tk)表示關(guān)鍵詞Tk與特征詞Ti1的語義相似度。則：

語義相似度利用的中英文WordNet的詞語相似度計算軟件[8]。Tk表示活動窗口標題中的關(guān)鍵字；Vi表示第i個活動窗口標題的向量空間。通過向量內(nèi)積計算活動窗口標題相似度，方式如下：

由此定義規(guī)則1：

規(guī)則1表示：若相似度大于某閾值，則語義相關(guān)，相關(guān)度為 RelationV(Activityi，Activityj)。

3.2.2 內(nèi)容交互相關(guān)

傳統(tǒng)活動分析系統(tǒng)把內(nèi)容交互作為活動相關(guān)的重要特征。隨著博客、即時聊天的興起，用戶的活動大多變?yōu)樾畔@取與交流，粘貼復(fù)制的代表性作用降低。

因此定義規(guī)則2：

規(guī)則2表示：如果檢測兩活動窗口有內(nèi)容交互，則內(nèi)容交互相關(guān)，相關(guān)度為0.05.

3.2.3 切換相關(guān)

多任務(wù)操作更符合用戶的使用習(xí)慣，窗口切換關(guān)系也是活動相似度的重要度量。設(shè)切換關(guān)聯(lián)度為SR，Activityi與 Activityj的總頻度分別為 F1和 F2，且：

規(guī)則3表示：兩個活動互相切換的次數(shù)超過某閾值則切換相關(guān)，相關(guān)度為SR。

3.2.4 時間相關(guān)

相關(guān)活動有其時效性，若發(fā)生時間接近，則推斷兩個活動是相關(guān)的。較長的間隔看作活動斷點。假設(shè)系統(tǒng)共有 N斷點，時間相關(guān)度為 TR，Activityi與 Activityj的總頻度分別為T1和T2。若 Together(k)=1(1

因此定義規(guī)則4：

規(guī)則4表示兩個活動在同斷點內(nèi)出現(xiàn)次數(shù)超過某閾值，則時間相關(guān)，相關(guān)度為TR。

3.2.5 活動相關(guān)性總公式

設(shè)活動相關(guān)值為AS，綜上給出AS表達式：

其中：q、w、e、r表示各規(guī)則系數(shù)，系數(shù)根據(jù)經(jīng)驗調(diào)節(jié)。AS大于閾值的保存在活動相關(guān)文檔中。

4 數(shù)據(jù)關(guān)系的提取

4.1 關(guān)系提取

提取數(shù)據(jù)關(guān)系，首先要處理活動相關(guān)文檔。其中數(shù)據(jù)文件窗口和網(wǎng)頁窗口信息存在一定結(jié)構(gòu)。依據(jù)結(jié)構(gòu)，本文設(shè)計了基于規(guī)則的提取算法，將活動關(guān)系文檔中可識別信息提取為數(shù)據(jù)關(guān)系(本地文件或網(wǎng)頁)。下面以活動文檔為例：

具有自適應(yīng)鄰域探測機制的簡化PSO算法修改稿20100711[兼容模式]-Microsoft Word

從數(shù)據(jù)庫到數(shù)據(jù)空間，從服務(wù)于企業(yè)到服務(wù)于大眾-Adobe Reader

以上軟件信息常出現(xiàn)在 “- ”后，例如“Microsoft Word”，系統(tǒng)依據(jù)軟件信息生成文件類型。示例中文件類型為“.doc”和“.pdf”。系統(tǒng)依據(jù)文件類型作相應(yīng)的處理，去除無關(guān)信息，生成完整文件名如下：

具有自適應(yīng)鄰域探測機制的簡化PSO算法修改稿20100711.doc

從數(shù)據(jù)庫到數(shù)據(jù)空間，從服務(wù)于企業(yè)到服務(wù)于大眾.pdf

提取是有損過程，有損原因如下：(1)活動相關(guān)文檔所保存的活動關(guān)系對中，有一項以上為雜項或不明信息，提取算法無法識別。(2)若軟件信息不常見，提取算法將忽略此關(guān)系對。

4.2 關(guān)系確認與更新

數(shù)據(jù)在計算機上有其生命周期。上述提取的數(shù)據(jù)關(guān)系需要確定，并刪除無效關(guān)系。處理步驟如下：(1)系統(tǒng)維護本地文件列表，比對數(shù)據(jù)是否被刪除。若不存在則刪除。(2)將有效的數(shù)據(jù)關(guān)系保存為數(shù)據(jù)相關(guān)文檔。

數(shù)據(jù)空間中數(shù)據(jù)關(guān)系不斷變化，因此，下一次計算出的數(shù)據(jù)相關(guān)文檔與舊文檔合并，并依據(jù)新關(guān)系權(quán)重大、舊關(guān)系權(quán)重小的原則，對數(shù)據(jù)相關(guān)文檔進行更新，突出用戶數(shù)據(jù)關(guān)系的新變化。

5 實驗與結(jié)論

實驗1 用戶評判數(shù)據(jù)相關(guān)文檔的準確率。實驗2將數(shù)據(jù)關(guān)系發(fā)現(xiàn)子系統(tǒng)整合數(shù)據(jù)空間，邀請用戶進行相關(guān)搜索，并依照關(guān)系的有用程度及相關(guān)搜索體驗為子系統(tǒng)打分。

5.1 數(shù)據(jù)間關(guān)系評測

實驗挑選了5位實驗室研究人員，他們習(xí)慣于在電腦上完成日常工作。經(jīng)過一段時間的收集、分析后，完成數(shù)據(jù)間關(guān)系的評測。表1為分析后各用戶相關(guān)信息統(tǒng)計情況。

表1 用戶信息統(tǒng)計

用戶2數(shù)據(jù)相關(guān)文檔提取率較高的原因是其活動記錄大多是網(wǎng)頁瀏覽活動，減少了因本地文件刪除等造成的數(shù)據(jù)關(guān)系流失。用戶3活動相關(guān)文檔數(shù)量較少，且包含大量即時通信窗口，提取率偏低。

評測顯示用戶對數(shù)據(jù)關(guān)系基本滿意。用戶2與用戶3的準確率和召回率偏低的原因與其數(shù)據(jù)相關(guān)提取率有關(guān)，而且其活動中訪問本地數(shù)據(jù)較少，影響了系統(tǒng)發(fā)現(xiàn)數(shù)據(jù)關(guān)系的能力。

5.2 數(shù)據(jù)關(guān)系發(fā)現(xiàn)與相關(guān)搜索評估

將數(shù)據(jù)關(guān)系發(fā)現(xiàn)子系統(tǒng)嵌入到課題組的初步數(shù)據(jù)空間模型中，利用已發(fā)現(xiàn)的數(shù)據(jù)關(guān)系進行用戶體驗評估。圖1是數(shù)據(jù)空間系統(tǒng)的界面圖。

圖1 數(shù)據(jù)空間界面

其中，A區(qū)為已導(dǎo)入數(shù)據(jù)列表，B區(qū)顯示已索引的搜索結(jié)果，C區(qū)顯示與B區(qū)結(jié)果相關(guān)的數(shù)據(jù)信息。當鍵入查詢關(guān)鍵字后，B區(qū)顯示已索引數(shù)據(jù)信息。且傳遞已索引數(shù)據(jù)信息到后臺系統(tǒng)準備C區(qū)與D區(qū)的數(shù)據(jù)相關(guān)信息。當用戶認為某項數(shù)據(jù)關(guān)系對自己有用時，可使用“加入數(shù)據(jù)空間”將關(guān)系和數(shù)據(jù)導(dǎo)入數(shù)據(jù)空間，數(shù)據(jù)空間系統(tǒng)將相應(yīng)數(shù)據(jù)關(guān)系對進行集成與分析。

試驗階段，請用戶在數(shù)據(jù)空間中進行多次搜索，每次搜索用戶評判C區(qū)以及D區(qū)的活動數(shù)據(jù)關(guān)系的幫助。按照多次搜索的滿意度0-5打分。如表2所示。

用戶1由于本地數(shù)據(jù)多，抽取率適中，相關(guān)搜索時，返回較多的有用信息；用戶2數(shù)據(jù)相關(guān)文檔抽取率高原因是：其活動相關(guān)文檔主要由網(wǎng)頁瀏覽活動關(guān)系組成，在關(guān)系確認中損失極小，同時本地信息少，搜索時較少獲得本地數(shù)據(jù)關(guān)系幫助；用戶3其活動記錄數(shù)較少，且較多即時聊天、設(shè)置等信息，提取了較有限的數(shù)據(jù)相關(guān)信息。由于關(guān)系過少，對用戶相關(guān)搜索時的支持也偏少；用戶4和用戶5的數(shù)據(jù)相關(guān)提取率適中，且本地數(shù)據(jù)較多，因此可以提供較多的幫助供用戶使用，取得了較好的效果。

參考文獻：

[1] Franklin M， HalevyA， MaierD.From databasesto dataspaces：a new abstraction for information management[J].ACM Sigmod Record， 2005，34(4)：27-33.

[2]李玉坤，孟小峰，張相於.數(shù)據(jù)空間技術(shù)研究[J].軟件學(xué)報，2008，19(8)：2018-2031.

[3]Nardi B.Context and consciousness：activity theory and human-computer interaction[M].The MIT Press，1996.

[4]Jeffery S.Franklin M，Halevy A.Pay-as-you-go user feedback for dataspace systems[C].SIGMOD’08.Vancouver， BC，Canada：ACM，2008.

[5]Li Y.Meng X，Kou Y.An efficient method for constructing personal dataspace[C].WISA 2009.Xuzhou， Jiangsu，China： IEEE，2009.

[6]Ning W.De X.Resource summary for pay-as-you-go dataspace systems[C].ICSP 2008.Beijing， China： IEEE，2008.

[7]寇玉波，李玉坤，孟小峰，等.個人數(shù)據(jù)空間管理中的任務(wù)挖掘策略[J].計算機研究與發(fā)展，2009，46(2).

[8]吳思穎，吳揚揚.基于中文 WordNet的中英文詞語相似度計算[J].鄭州大學(xué)學(xué)報：理學(xué)版，2010，42(2)：66-69.