基于RSS的層次結(jié)構(gòu)用戶興趣模型的分析與設(shè)計(jì)

劉 珺, 張文欣

(1.河南工程學(xué)院 計(jì)算機(jī)科學(xué)與工程系，河南 鄭州 451191；2.鄭州大學(xué) 信息工程學(xué)院，河南 鄭州 450001)

隨著互聯(lián)網(wǎng)信息服務(wù)的快速推廣，個(gè)性化信息服務(wù)技術(shù)也得到了越來(lái)越多的關(guān)注，在很多領(lǐng)域都開(kāi)始了探索性的應(yīng)用.國(guó)外的很多網(wǎng)站都可以提供個(gè)性化搜索的定制服務(wù)，如Google的網(wǎng)站用戶通過(guò)注冊(cè)后，可以將檢索歷史存儲(chǔ)在服務(wù)器上，實(shí)現(xiàn)個(gè)性化檢索.個(gè)性化數(shù)字圖書(shū)館也已經(jīng)成為廣大學(xué)生、教師和科研人員最方便、高效的信息查詢平臺(tái)[1].

RSS是一種基于XML語(yǔ)言的數(shù)據(jù)交換規(guī)范，是站點(diǎn)與站點(diǎn)之間稱為“聚合內(nèi)容”的一種內(nèi)容共享的簡(jiǎn)易方式[2].通過(guò)RSS的聯(lián)合與聚合，用戶只需在客戶端安裝支持RSS的信息推送軟件，登錄網(wǎng)站后就可以根據(jù)站點(diǎn)提供的信息列表直接選擇自己需要的文章[3].無(wú)論是何種應(yīng)用，RSS聚合器實(shí)現(xiàn)的前提就是通過(guò)對(duì)客戶端的Web訪問(wèn)日志進(jìn)行數(shù)據(jù)挖掘，建立用戶興趣模型，才能聚合并生成關(guān)于用戶感興趣的信息的RSS Feed[4]，并據(jù)此進(jìn)行信息的推送，所以用戶興趣模型的質(zhì)量直接決定了個(gè)性化信息服務(wù)系統(tǒng)的整體工作效果.

本文通過(guò)研究用戶興趣模型的結(jié)構(gòu)與形式化表示法，結(jié)合興趣節(jié)點(diǎn)的向量表示法，提出了多層樹(shù)形結(jié)構(gòu)的用戶興趣模型以及用戶興趣模型的更新方案，設(shè)計(jì)了一套高效的、可動(dòng)態(tài)更新的用戶興趣集的建模方法.

1 層次結(jié)構(gòu)用戶模型的設(shè)計(jì)

1.1 功能設(shè)計(jì)

對(duì)于大部分單機(jī)上網(wǎng)的用戶而言，經(jīng)過(guò)一段時(shí)間的累積，會(huì)逐步形成以個(gè)人興趣為核心的信息訪問(wèn)習(xí)慣，而且，用戶訪問(wèn)的頁(yè)面所涉及的信息內(nèi)容非常豐富，時(shí)效性也很強(qiáng)，這就要求所設(shè)計(jì)的用戶興趣模型必須包括對(duì)用戶的興趣文本內(nèi)容以及相應(yīng)的用戶興趣度的反映[5].用戶興趣模型的核心功能包括2個(gè)方面:

(1)設(shè)計(jì)多層次樹(shù)形結(jié)構(gòu)的用戶興趣結(jié)構(gòu)

通過(guò)對(duì)大量用戶的興趣分析可知，人的興趣結(jié)構(gòu)非常適合用層次化的樹(shù)形結(jié)構(gòu)來(lái)描述.在這種結(jié)構(gòu)中，用戶的興趣被層層分解，逐級(jí)細(xì)化為一個(gè)興趣樹(shù).根節(jié)點(diǎn)代表大的用戶興趣類別，細(xì)化的分支代表在該類別中用戶更偏好其中的哪個(gè)領(lǐng)域.在為用戶提供個(gè)性化服務(wù)時(shí)，可以通過(guò)從根節(jié)點(diǎn)開(kāi)始遍歷整個(gè)興趣樹(shù)的方式，給用戶提供逐級(jí)細(xì)化的興趣內(nèi)容描述.

(2)用戶興趣集的遺忘

最初，用戶興趣模型的初始化信息來(lái)源于用戶注冊(cè)賬號(hào)時(shí)填寫的RSS訂閱列表，隨著日后訪問(wèn)量的增加，可以根據(jù)用戶的Web訪問(wèn)日志對(duì)已有的用戶興趣模型進(jìn)行更新.但是，隨著時(shí)間的推移，用戶曾經(jīng)瀏覽過(guò)的歷史記錄中的文本內(nèi)容不斷增加，用戶的興趣模型數(shù)據(jù)集也會(huì)因此不斷膨脹，為了避免存儲(chǔ)空間的浪費(fèi)和訪問(wèn)效率的降低，有必要定期地對(duì)用戶興趣集進(jìn)行過(guò)濾和轉(zhuǎn)移.

本設(shè)計(jì)在用戶興趣模型中特意添加了“遺忘因子”的使用，所謂的“遺忘因子”是一個(gè)隨時(shí)間遞增的標(biāo)識(shí)數(shù)值，它用來(lái)表示從第一次訪問(wèn)后，用戶已經(jīng)有多長(zhǎng)時(shí)間沒(méi)有再瀏覽這個(gè)關(guān)鍵詞，初始值為0，隨著系統(tǒng)的運(yùn)行和時(shí)間的推移自動(dòng)增值.當(dāng)某個(gè)興趣類別遺忘因子的值增加到設(shè)定的閾值時(shí)，系統(tǒng)會(huì)自動(dòng)將其從用戶興趣模型數(shù)據(jù)集的二維鏈表中移出.

1.2 模型的形式化設(shè)計(jì)

如前所述，這里把用戶的興趣模型看作一個(gè)樹(shù)狀的層次結(jié)構(gòu)，具體進(jìn)行形式化描述時(shí)，各個(gè)細(xì)化的興趣節(jié)點(diǎn)都選擇使用向量空間的方式來(lái)描述，即根據(jù)已經(jīng)存在的關(guān)鍵字類別以及相應(yīng)的用戶興趣度的值來(lái)確定該興趣節(jié)點(diǎn)的向量.

由網(wǎng)頁(yè)中提取文本的基礎(chǔ)是文本信息的表示法.文本的表示通常有基于向量、基于語(yǔ)義和基于概念3種方法.結(jié)合本文的設(shè)計(jì)，這里選用目前應(yīng)用最為廣泛的向量空間模型(Vector Space Model，VSM)表示法.該方法首先將Web訪問(wèn)日志中的所有文本進(jìn)行分詞處理，然后提取特征詞、建立特征詞空間，最后將每個(gè)文本表示成該空間上的向量[6].頁(yè)面中所有的文本信息都可以分解為字、詞、詞組或短語(yǔ)中最基本的語(yǔ)言構(gòu)成單元，這些分解后的構(gòu)成單元的集合常常用來(lái)表示一段文本的內(nèi)容特征.這些標(biāo)識(shí)文本內(nèi)容特征的構(gòu)成單元被統(tǒng)稱為文本的項(xiàng)，那么任何一段文本都可以用自己的特征項(xiàng)集(Term List)表示為D(t1，t2，…tk…，tn)，其中tk是項(xiàng)，1≤k≤n.

使用RSS聚合器采集到用戶感興趣的信息之后，就可以對(duì)頁(yè)面中文本信息的內(nèi)容進(jìn)行分詞化處理，將文本解析為其特征項(xiàng)集合，然后據(jù)此將該文本用向量的形式表示出來(lái).分詞處理是指將文檔中的內(nèi)容進(jìn)行切分，依據(jù)其詞性進(jìn)行標(biāo)注，如使用詞法分析ICTCLAS系統(tǒng)[7]等方法，經(jīng)過(guò)詞性標(biāo)注，整個(gè)句子會(huì)被劃分為幾個(gè)獨(dú)立的部分，以便于從中找出關(guān)鍵字.該模型如圖1所示，頂層節(jié)點(diǎn)為模型標(biāo)識(shí)，第2層為分支層，第3層為項(xiàng)目層，下面2層表示擴(kuò)展層.

圖1 用戶興趣模型層次結(jié)構(gòu)示意圖Fig.1 User′s interest model with multi-level structure diagram

以下列出了層次模型的各層次的節(jié)點(diǎn)的形式化表示.

U=(USER-ID，USER-Name，…)

頂節(jié)點(diǎn)

Im=(IDm，IDfm，Dm，Wm，Tm)

第2層節(jié)點(diǎn)

Ix=(IDx，IDfx，Dx，Wx，Tx)

第3層節(jié)點(diǎn)

Iy=(IDy，IDfy，Dy，Wy，Ty)

第4層節(jié)點(diǎn)

Iz=(IDz，IDfz，DZ，WZ，Tz)

第5層節(jié)點(diǎn)

其中，m、x、y、z均為正整數(shù)變量，I為興趣類名，D為子興趣類的文本向量表示，W是興趣權(quán)重，T表示“遺忘因子”.

一個(gè)興趣項(xiàng)的權(quán)重表示用戶對(duì)這個(gè)興趣項(xiàng)的認(rèn)可程度.它可以用1～9的正整數(shù)來(lái)表示.權(quán)重小于5表示相應(yīng)的項(xiàng)對(duì)這個(gè)興趣起否定作用，大于5表示對(duì)這個(gè)興趣起支持作用，這與著名專家系統(tǒng)MYCIN的證據(jù)可信度表示法類似，比較符合人們的思維習(xí)慣[8].

將文本以向量形式表示并將其合理地分解成若干項(xiàng)集，從而轉(zhuǎn)換到實(shí)數(shù)域中，這種興趣模型的形式化表示方法有效地提高了自然語(yǔ)言文本的可計(jì)算性和可操作性，使模式識(shí)別等各種成熟的計(jì)算方法得以應(yīng)用.只有了解用戶對(duì)不同Web頁(yè)面的感興趣程度，才能建立準(zhǔn)確的用戶興趣模型.我們把用戶對(duì)瀏覽過(guò)的不同頁(yè)面的興趣關(guān)注度用“用戶興趣度”來(lái)表示.在文本的向量表示格式中再引入文本項(xiàng)權(quán)重W，使得文本的表示成為：

D(t1，W1：t2，w2；…tk，wk；…tn，wn)，

簡(jiǎn)單表示為D(w1，w2，…wk……，wn)，也就是可以將(t1，t2，…tk…，tn)看作一個(gè)n維向量，將w1，w2，…wk…，wn理解為n個(gè)值.

圖2 文本的向量空間模型示意圖Fig.2 VSM of text diagram

相似度指2個(gè)文本Dm和Dn之間的內(nèi)容相關(guān)程度，常常用Sim(Dm，Dn)來(lái)度量.當(dāng)文本被表示為向量空間模型時(shí)，可以使用向量之間的內(nèi)積對(duì)文本間的相似度進(jìn)行計(jì)算，也可借助于向量空間中向量之間的某種距離來(lái)表示文本間的相似度，如圖2所示.

Sim(Dm，Dn)=Dm1*Dn1+Dm2*Dn2+…+Dmx*Dny，

其中，x和y分別代表2個(gè)文本向量的維數(shù).這里可以給Sim設(shè)定一個(gè)上限值，當(dāng)文本相似度大于這個(gè)值時(shí)，表示2個(gè)文檔高度相似，或者可以說(shuō)2個(gè)文檔實(shí)為同一文檔.這說(shuō)明，用戶在反復(fù)訪問(wèn)內(nèi)容非常相似的文本，也就是說(shuō)該文本和用戶的興趣集很接近.相反，則認(rèn)為2個(gè)文本完全不同，或者說(shuō)用戶對(duì)此毫無(wú)興趣.

1.3 用戶興趣模型建立的流程設(shè)計(jì)

用戶興趣模型建立的流程如圖3所示.

圖 3 用戶興趣模型構(gòu)建的流程示意圖Fig.3 Process flow diagram of building user′s interest model

模型構(gòu)建的算法流程先從用戶興趣子類的劃分開(kāi)始.用戶興趣子類是文本分類的最終結(jié)果，因此，用戶興趣子類的結(jié)構(gòu)直接決定了進(jìn)行文本分類時(shí)應(yīng)該采用何種方式.

進(jìn)行用戶興趣子類結(jié)構(gòu)劃分時(shí)，首先將所有需要分類的文本進(jìn)行預(yù)處理以及分詞處理，然后刪去消極關(guān)鍵字，進(jìn)行詞頻統(tǒng)計(jì)，最后將文檔向量化.關(guān)鍵詞的抽取就是從有待分類處理的信息中提取其特征項(xiàng)的過(guò)程.文本的向量化完成之后，文本向量就成為系統(tǒng)所使用的層次化分類體系的主體.

對(duì)于RSS訂閱中用戶興趣模型的初始化，可直接進(jìn)行文本的向量化及其分類，省去了預(yù)處理及分詞處理等過(guò)程.當(dāng)用戶的訪問(wèn)量有了一定的累積，通過(guò)Web挖掘也獲得了一定量的用戶興趣信息時(shí)，就可以對(duì)用戶的興趣模型進(jìn)行調(diào)整和豐富了，兩者相結(jié)合，完整的用戶興趣模型就可以建立起來(lái).在用戶興趣信息不斷擴(kuò)充的過(guò)程中，可以根據(jù)用戶興趣類的劃分及對(duì)應(yīng)的用戶興趣度，再結(jié)合用戶興趣集的遺忘因子，對(duì)已經(jīng)存在的用戶興趣模型不斷進(jìn)行優(yōu)化和更新，使該模型能夠盡可能全面地反映用戶的興趣及其變化.

2 用戶興趣模型的更新

要想讓用戶的興趣模型及時(shí)反映該用戶的最新?tīng)顟B(tài)，用戶興趣模型就必須能夠及時(shí)更新.應(yīng)用系統(tǒng)必須定期捕捉新的用戶訪問(wèn)信息，更新對(duì)用戶訪問(wèn)記錄的分析，與用戶模型中已經(jīng)保存的數(shù)據(jù)比對(duì)整合，形成新的用戶模型.

用戶興趣模型的更新分為2個(gè)部分，分別是用戶訪問(wèn)類別子集興趣度的更新和用戶訪問(wèn)類別子集本身的更新.其中，興趣度的更新主要是通過(guò)對(duì)點(diǎn)擊行為的跟蹤記錄來(lái)實(shí)現(xiàn)的.也就是說(shuō)，用戶有點(diǎn)擊行為代表該用戶對(duì)當(dāng)前興趣子集的文本特征項(xiàng)的興趣度數(shù)值需要增加，而無(wú)點(diǎn)擊行為則表示該興趣度數(shù)值需要減少.而用戶興趣子集本身的更新則是對(duì)用戶的點(diǎn)擊行為所涉及的頁(yè)面進(jìn)行處理，再次進(jìn)行分詞處理并從中提取文本特征項(xiàng)集合，也將其表示為向量，并與原有的興趣子集向量空間進(jìn)行合并.這時(shí)，可以將原先的用戶興趣子集的中心向量進(jìn)行更新，也可以直接添加建立新的興趣子集.

2.1 用戶興趣度的更新

某個(gè)用戶興趣的各個(gè)項(xiàng)的權(quán)重值可用于標(biāo)記用戶對(duì)該項(xiàng)的興趣程度，而各個(gè)項(xiàng)的權(quán)重值形成的數(shù)據(jù)集合很重要，根據(jù)這個(gè)數(shù)據(jù)集合可以來(lái)合并類似的興趣，以便區(qū)分不同的興趣分類.之后，系統(tǒng)會(huì)搜索用戶興趣庫(kù)中與之對(duì)應(yīng)的興趣集，并生成1個(gè)網(wǎng)頁(yè)鏈接序列在用戶界面顯示出來(lái).

這里，采用比較成熟的比例——微分——積分模型來(lái)模擬并跟蹤用戶的興趣，該模型對(duì)用戶興趣指標(biāo)函數(shù)做了二階近似，即用戶在某一時(shí)刻對(duì)某一子類的興趣度指標(biāo)可以表示為其上一時(shí)刻的興趣指標(biāo)的函數(shù)，即指標(biāo)變化和其指標(biāo)變化加速度的加權(quán)和.

設(shè)用戶在某一時(shí)刻n對(duì)某一特定子類的興趣指標(biāo)為In，則其對(duì)該類下一時(shí)刻的興趣指標(biāo)為：

In+1=In+△In，同時(shí)記：△2In=△In-△In-1，

此時(shí)，用戶在(n+1)時(shí)刻的興趣函數(shù)可以用n時(shí)刻之前的興趣度來(lái)描述:

In+1=aIn+b△In+c△2In，

其中，a，b，c分別是積分、比例和微分環(huán)節(jié)的系數(shù).對(duì)于不同的用戶，可以設(shè)置不同的參數(shù)以體現(xiàn)其特點(diǎn)，并控制跟蹤曲線的變化來(lái)捕捉用戶的興趣.

2.2 用戶子集本身的更新

在最初建立擴(kuò)展的用戶興趣模型時(shí)，主要參考用戶在進(jìn)行RSS訂閱時(shí)提供的信息.隨著系統(tǒng)的運(yùn)行，用戶會(huì)不斷訪問(wèn)新的頁(yè)面并產(chǎn)生各種用戶行為，這時(shí)就必須不斷地更新用戶的興趣模型，才能使用戶的興趣模型始終符合用戶的真實(shí)興趣，用戶興趣模型的更新流程如圖4所示.

圖4 用戶興趣模型更新流程示意圖Fig.4 Process flow diagram of updating user’s interest model

用戶興趣模型的更新除了包括用戶興趣類別常規(guī)的添加、修改和刪除，還包括用戶興趣度的改變以及對(duì)用戶興趣類的遺忘和回憶.目前，各種用戶興趣模型的更新機(jī)制普遍存在的一個(gè)問(wèn)題，就是如何解決用戶興趣模型的冗余和用戶興趣的丟失問(wèn)題.為此，這里引入了用戶興趣遺忘和回憶的概念.

依前文所述，用戶興趣的遺忘是依靠遺忘因子的增值來(lái)控制的，判斷是否需要將用戶興趣子類移出，要考慮到遺忘因子是否達(dá)到閾值、興趣模型的冗余度是否過(guò)高以及可用存儲(chǔ)空間是否充裕等諸多因素.如果用戶興趣模型的冗余程度還沒(méi)有到達(dá)臨界值，即使是用戶興趣遺忘因子達(dá)到了一定的閾值，也完全沒(méi)有必要將用戶興趣類移出.而用戶興趣的回憶則要解決2個(gè)問(wèn)題，一個(gè)是將用戶興趣子類移出鏈表后如何處理，另一個(gè)是在什么情況下允許將用戶興趣模型的興趣子類重新復(fù)位.

在將用戶興趣子類移出用戶興趣模型之前，首先要記錄其在模型中的位置，即該用戶興趣子類所屬的父類的ID.在以后的用戶興趣模型更新時(shí)，需要追蹤原先興趣模型的父類關(guān)鍵詞的變化，以確定其新的鏈接位置.如發(fā)現(xiàn)其父類興趣類的關(guān)鍵詞已經(jīng)被合并，由新的類別取代，那么就用合并后的用戶興趣類別的ID取代原先的父類ID，確保需要的時(shí)候能夠?qū)⒈灰瞥龅呐d趣類從“遺忘集”鏈表中取回.其次，當(dāng)用戶再次訪問(wèn)到與已經(jīng)移出的興趣類別相同或者相似的興趣類別的時(shí)候，就在“遺忘集”鏈表中重新查找該興趣類別，由于該鏈表采用和興趣集完全相同的結(jié)構(gòu)，所以只需修改結(jié)點(diǎn)的鏈接關(guān)系、重新插入就可以復(fù)位了，同時(shí)還要將其遺忘因子重新設(shè)為初始值0.用戶興趣模型回憶機(jī)制的建立很好地解決了用戶興趣容易丟失的問(wèn)題，使用戶興趣模型既能夠保持較少的冗余、節(jié)約大量空間，又能夠確保不會(huì)輕易丟失用戶的興趣集，從而使用戶興趣模型興趣子類的更新機(jī)制更加完善.

3 結(jié)論

本系統(tǒng)針對(duì)目前信息推送技術(shù)中建模方法的弊端進(jìn)行了改造，大大提高了信息獲取的效率和準(zhǔn)確度.在RSS信息推送模塊的設(shè)計(jì)中，將用戶的初始化訂閱與日后的興趣建模相結(jié)合，采用層次化的向量形式來(lái)描述用戶的興趣模型，對(duì)用戶興趣的表示和預(yù)測(cè)更加細(xì)致、真實(shí)、準(zhǔn)確.考慮到用戶訪問(wèn)量的增加雖然使Web挖掘和用戶興趣模型的建立有了更好的數(shù)據(jù)基礎(chǔ)，但是也會(huì)造成生成的興趣模型數(shù)據(jù)集的不斷膨脹，這里提出了基于遺忘因子的興趣集移出和復(fù)位的解決方案，模擬了人的興趣遺忘和回憶的過(guò)程，既有效避免了數(shù)據(jù)的冗余，又不易造成用戶歷史興趣集的丟失.隨著技術(shù)的發(fā)展和手機(jī)網(wǎng)絡(luò)用戶的增加，日后可以將該系統(tǒng)與手機(jī)網(wǎng)絡(luò)平臺(tái)進(jìn)行連接，更方便地實(shí)現(xiàn)與用戶的互動(dòng).

參考文獻(xiàn):

[1] 郭海明,劉桂珍.面向用戶的數(shù)字信息服務(wù)方式探討[J].圖書(shū)館建設(shè),2005(2) :66-68.

[2] 胡潛，汪會(huì)玲.基于RSS的個(gè)性化推送服務(wù)[J].情報(bào)雜志，2008(10)：32-33.

[3] 郭軍城，于金海.RSS的版本演變[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2007(33)：191-192.

[4] 薩支斌.RSS技術(shù)研究[J].情報(bào)探索,2006(9):71-72.

[5] 張玉蓮，王權(quán).基于瀏覽行為和瀏覽內(nèi)容的用戶興趣建模[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2007(6)：52-55.

[6] 費(fèi)洪曉，蔣翀，徐麗娟.基于樹(shù)狀向量空間模型的用戶興趣建模[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009(5)：85-87.

[7] 賴茂生，屈鵬.搜索引擎查詢?nèi)罩镜脑~性標(biāo)注和挖掘研究[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2009(4)：55-61.

[8] 張宗平.一種更新關(guān)聯(lián)規(guī)則的方法[J].計(jì)算機(jī)工程，2008(1)：70-71.