基于概念格的數(shù)字圖書(shū)館用戶知識(shí)序列模式挖掘研究

宇 婷（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院圖書(shū)館）

1 引言

隨著網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)的發(fā)展，圖書(shū)館的發(fā)展也是日漸提高，目前，用戶對(duì)于圖書(shū)館的檢索要求更高，迫切的需要一個(gè)智能化的檢索系統(tǒng)，滿足用戶快速檢索到自己需要的圖書(shū)內(nèi)容，而數(shù)字化的圖書(shū)館檢索系統(tǒng)，就可以滿足用戶對(duì)于智能檢索的要求，這種控制系統(tǒng)也是目前圖書(shū)館智能化發(fā)展的中心。［1］在現(xiàn)代圖書(shū)情報(bào)學(xué)，研究數(shù)字圖書(shū)館日漸變的重要，基于多學(xué)科技術(shù)和理論的支撐，數(shù)字圖書(shū)館的研究獲得一定的發(fā)展空間。［2］在數(shù)字圖書(shū)館用戶服務(wù)建設(shè)中，關(guān)于序列模式挖掘的研究則比較少，原因是因?yàn)橥诰蚬ぷ饕騻鹘y(tǒng)序列模式挖掘活動(dòng)時(shí)間因素變的非常復(fù)雜。［3-5］在現(xiàn)實(shí)生活中，序列模式對(duì)用戶能夠快速的查找到自己所需的圖書(shū)具有指導(dǎo)意義。［6］本文基于概念格的數(shù)字圖書(shū)館，對(duì)用戶知識(shí)序列模式挖掘進(jìn)行了研究，目的是基于數(shù)字圖書(shū)館用戶檢索行為中的挖掘序列模式，對(duì)數(shù)字圖書(shū)館用戶服務(wù)進(jìn)行完善和改進(jìn)。

2 關(guān)聯(lián)規(guī)則挖掘技術(shù)路線

圖1 用戶知識(shí)關(guān)聯(lián)規(guī)則挖掘系統(tǒng)流程圖

圖1 為以概念格為基礎(chǔ)的用戶知識(shí)關(guān)聯(lián)規(guī)則挖掘的流程圖，這幅圖的工作原理就在于，智能數(shù)字化的圖書(shū)檢索系統(tǒng)能夠?qū)τ脩舻倪x擇進(jìn)行預(yù)判，以及對(duì)用戶曾經(jīng)輸入的信息進(jìn)行記憶，當(dāng)用戶再次需要進(jìn)入系統(tǒng)進(jìn)行圖書(shū)查閱時(shí)，其立刻快速的滿足用戶需要。系統(tǒng)核心部分為可變階段，在進(jìn)行挖掘時(shí)，若獲得的規(guī)則無(wú)實(shí)際意義，則對(duì)置信度閾值和支持度進(jìn)行調(diào)整，重新在原格結(jié)構(gòu)基礎(chǔ)上提取。若得到的規(guī)則具有實(shí)際意義，則這個(gè)規(guī)則能夠?qū)τ脩舻男枨筮M(jìn)行準(zhǔn)確判斷，幫助用戶獲得其需求成果，如果這個(gè)規(guī)則無(wú)法滿足用戶的需要，則對(duì)閾值再次進(jìn)行調(diào)整。

3 基于挖掘結(jié)果的用戶知識(shí)提取

在進(jìn)行圖書(shū)館用戶系統(tǒng)工作時(shí)，主要是將數(shù)字圖書(shū)館用戶個(gè)性化服務(wù)水平提高。［7］圖2為置信度閾值為49.21%，支持度閾值為30.50%時(shí)的關(guān)聯(lián)規(guī)則，規(guī)則“j（停留久）=＞p（非黑夜模式）”的置信度為65.54%，支持度為49.21%。這表明在數(shù)字圖書(shū)館“長(zhǎng)時(shí)間駐留并在白天訪問(wèn)”中，該節(jié)點(diǎn)為全部用戶的49.21%代表，而占據(jù)大部分比重的，則是白天訪問(wèn)的用戶以及能夠長(zhǎng)時(shí)間在圖書(shū)館逗留的用戶。而在另一個(gè)部分中，規(guī)則“j=＞fs（高速接入+PDF文檔+經(jīng)常使用）”具有49.21%的置信度，36.48%的支持度。這表明在使用數(shù)字圖書(shū)館時(shí)，該節(jié)點(diǎn)代表36.48%的用戶采用“長(zhǎng)時(shí)間駐留+PDF文檔+訪問(wèn)學(xué)術(shù)信息+經(jīng)常使用+高速接入”用法。在“長(zhǎng)時(shí)間駐留”的用戶中，能夠?qū)D書(shū)管理系統(tǒng)綜合利用的用戶特征的用戶比重為49.21%，具體見(jiàn)表1。

表1 置信度閾值為49.21%，支持度閾值為30.50%時(shí)的關(guān)聯(lián)規(guī)則

對(duì)更多零散用戶個(gè)性化知識(shí)需求，若認(rèn)為36.48%的用戶份額對(duì)其關(guān)注仍不能充分體現(xiàn)，對(duì)于規(guī)則“gj（財(cái)經(jīng)類+長(zhǎng)時(shí)間閱讀）=＞dmqx（農(nóng)村IP/速度不佳+晚上進(jìn)入系統(tǒng)+網(wǎng)頁(yè)文件+不太常用）”而言，其置信度為100%，支持度為11.49%。這表明在訪問(wèn)數(shù)字圖書(shū)館過(guò)程中，該節(jié)點(diǎn)代表在所有用戶中有11.49%的用戶使用以上所有部分的節(jié)點(diǎn)的可信度是100%。根據(jù)選用實(shí)驗(yàn)數(shù)據(jù)源，處于同一節(jié)點(diǎn)規(guī)則包括eg=＞cikmopt、cg=＞eikmopt、gk=＞ceimopt，置信度均為 100%，支持度為11.49%。例如規(guī)則gk=＞ceimopt，該節(jié)點(diǎn)代表在所有用戶中，使用“短時(shí)間停留+查詢財(cái)經(jīng)類圖書(shū)+正常利用+地址轉(zhuǎn)換+城市地址+網(wǎng)頁(yè)文件+高端品瀏覽+白天訪問(wèn)+XLS文檔+中速接入”的用戶比重為11.49%。在城市，這部分用戶大多數(shù)情況下都是處于一種快節(jié)奏得生活方式，首先來(lái)說(shuō)，大部分人白天都處于上班時(shí)間，沒(méi)有時(shí)間對(duì)圖書(shū)進(jìn)行瀏覽，另外，由于城市地區(qū)的人口眾多，互聯(lián)網(wǎng)比較擁擠，所以實(shí)際的互聯(lián)網(wǎng)傳輸速度較慢，其次，生活在城市地區(qū)的居民，他們都會(huì)注重時(shí)尚的信息，所以綜上所述，得出結(jié)論，具體的情況見(jiàn)表2。

表2 置信度閾值為100.00%，支持度閾值為10.05%時(shí)的關(guān)聯(lián)規(guī)則

分析以概念格為基礎(chǔ)的數(shù)字圖書(shū)館用戶知識(shí)關(guān)聯(lián)規(guī)則挖掘，對(duì)找出用戶使用方法間的潛在聯(lián)系有益，能夠有效的從用戶的角度去考慮圖書(shū)的檢索方式，進(jìn)而會(huì)給用戶一種便捷的體驗(yàn)。［8］在研究中，通過(guò)調(diào)整閾值，獲得更多規(guī)則，在規(guī)則通過(guò)穩(wěn)定的格結(jié)構(gòu)進(jìn)行提取復(fù)用，對(duì)用戶的圖書(shū)利用習(xí)慣進(jìn)行挖掘。［9］

4 基于概念格的數(shù)字圖書(shū)館用戶知識(shí)序列模式挖掘

4.1 序列模式挖掘形式化描述

序列模式挖掘是在目前已經(jīng)有的數(shù)據(jù)當(dāng)中，進(jìn)行歸納整理，并找出規(guī)律進(jìn)行排序的過(guò)程，通常情況下，是按照優(yōu)先級(jí)進(jìn)行排序。對(duì)于數(shù)字圖書(shū)館用戶知識(shí)序列模式挖掘而言，實(shí)質(zhì)上是由用戶檢索系統(tǒng)當(dāng)中的數(shù)據(jù)庫(kù)來(lái)確定，數(shù)據(jù)庫(kù)能夠?qū)τ脩舻氖褂们闆r進(jìn)行記錄，當(dāng)用戶對(duì)于某一種圖書(shū)的瀏覽次數(shù)較多時(shí)，數(shù)據(jù)庫(kù)就會(huì)把其確定為最大值，同時(shí)將所有頻率大于或等于給定支持度閾值的序列即頻繁序列挖掘出。

項(xiàng)集為非空集合，是用戶信息數(shù)據(jù)庫(kù)DB中由若干個(gè)項(xiàng)組成，記作I=（i1,i2,…,im），其中一個(gè)項(xiàng)用ik（1≤k≤m）表示，表示用戶尋找的一種圖書(shū)，k-項(xiàng)集是長(zhǎng)度為k的項(xiàng)集。

在圖書(shū)檢索開(kāi)始時(shí)，用戶向智能系統(tǒng)中，輸入圖書(shū)信息，從而達(dá)到檢索的目的，在這期間，圖書(shū)檢索系統(tǒng)包括時(shí)間信息，圖書(shū)名信息等必要因素。并同時(shí)規(guī)定，當(dāng)一個(gè)用戶在不同時(shí)段搜索同一本圖書(shū)或者不同的圖書(shū)時(shí)，其檢索系統(tǒng)需要判斷為每次檢索都為重新檢索。表3為用戶信息數(shù)據(jù)庫(kù)示例。

表3 用戶信息數(shù)據(jù)庫(kù)示例

項(xiàng)集組成的有序表即為序列（Sequence），項(xiàng)集有序排列不同，記為 I= 〈s1,s2,…,sn〉，其中 Sk（1≤k≤n）稱為序列的一個(gè)元素（Element），表示一個(gè)非空項(xiàng)集。在一個(gè)序列中，序列長(zhǎng)度是所包含項(xiàng)目的個(gè)數(shù)。L-序列表示長(zhǎng)度為L(zhǎng)的序列，表4為用戶檢索行為序列。

表4 用戶檢索行為序列

給定兩個(gè)序列 A= 〈a1,a2,…,am〉、B= 〈b1,b2,…,bn〉，其中m≤n，假定有一組整數(shù)i1,i2,…,im，可使a1bi1,a2bi2,…,ambim，于是可以表示，在A中包含B的內(nèi)容。如果在S序列中，只有S，并沒(méi)有其他的序列，則我們可以認(rèn)為，S序列是整個(gè)序列中最大的。

如果在一個(gè)圖書(shū)檢索系統(tǒng)當(dāng)中，包含了S序列，那么我們就可以認(rèn)定，該用戶檢索的圖書(shū)可以用序列S來(lái)表示。在指數(shù)據(jù)庫(kù)DB中，支持序列S的用戶數(shù)和用戶總數(shù)之比為序列S支持度。頻繁序列是指支持度比最小支持度大的序列。例如給定最小支持度為36.48%，在表3的數(shù)據(jù)庫(kù)DB中，則可獲得序列模式的5位用戶中，有2位用戶檢索行為序列至少被支持，表5為支持度大于36.48%的序列模式。

表5 支持度大于36.48%的序列模式

由表5知，用戶1和用戶3支持序列模式＜（e）（m）＞。在項(xiàng)e和m間，用戶3對(duì)k進(jìn)行了搜索，在進(jìn)行m項(xiàng)進(jìn)行搜索的同時(shí)，不僅僅是只搜索m，該用戶還對(duì)其他兩種項(xiàng)同時(shí)進(jìn)行了搜索，但是這種情況下，仍然支持m項(xiàng)，原因是其模式屬于獨(dú)立的狀態(tài)。序列＜（e）（k）＞、＜（e）＞、＜（e）（k）（s）＞、＜（k）（ps）＞ 等可滿足最小支持度，即頻繁。

4.2 序列模式挖掘主要思想

在本文中，對(duì)于序列模式的挖掘主要的順序是一種自上而下的過(guò)程，通過(guò)數(shù)據(jù)庫(kù)投影技術(shù)從而可獲得投影數(shù)據(jù)庫(kù)，自上而下進(jìn)行檢索的優(yōu)點(diǎn)就是，當(dāng)用戶進(jìn)行搜索時(shí)，其能夠進(jìn)行順序判斷，當(dāng)上層信息無(wú)法滿足用戶需求時(shí)，自動(dòng)進(jìn)入下層繼續(xù)檢索，這種檢索模式也叫序列檢索模式。上層與下層之間相對(duì)獨(dú)立，但又保持著聯(lián)系。圖2為挖掘思想的拓?fù)浣Y(jié)構(gòu)。

圖2 挖掘思想的拓?fù)浣Y(jié)構(gòu)

基于用戶概念的圖書(shū)檢索系統(tǒng)檢索步驟可以分為8個(gè)步驟來(lái)完成。第一步是用戶輸入相關(guān)的個(gè)人信息，當(dāng)成功登錄系統(tǒng)后，系統(tǒng)會(huì)自動(dòng)生成用戶的數(shù)據(jù)庫(kù)，從而使投影數(shù)據(jù)庫(kù)生成。Session時(shí)間和用戶ID是原數(shù)字圖書(shū)館用戶知識(shí)行為數(shù)據(jù)庫(kù)的主鍵，在進(jìn)行歸集后，可獲得以用戶ID為主鍵的投影數(shù)據(jù)庫(kù)。第二步是上層概念格通過(guò)形式概念分析（FCA）進(jìn)行構(gòu)建，將投影數(shù)據(jù)庫(kù)作為形式背景。第三步是在上層概念格中，通過(guò)設(shè)定的支持度閾值對(duì)上層頻繁項(xiàng)集進(jìn)行提取。第四步是在用戶已經(jīng)有的數(shù)據(jù)庫(kù)當(dāng)中，進(jìn)行新的數(shù)據(jù)加入，也就是增加新的圖書(shū)內(nèi)容，通過(guò)形式概念分析（FCA）進(jìn)行下層概念格的構(gòu)建。第五步是在下層概念格中，對(duì)滿足最小支持度閾值要求的下層頻繁項(xiàng)集進(jìn)行提取。第六步是在提取的下層概念格中，通過(guò)下層頻繁項(xiàng)集將下層概念格最大頻繁序列求出。第七步是重復(fù)第四、五、六步，直至第三步是對(duì)各上層頻繁項(xiàng)集數(shù)字圖書(shū)館用戶的檢索行為，逐一進(jìn)行下層概念格的建立，并對(duì)每個(gè)下層概念格最大頻繁序列進(jìn)行提取。最后一步就是對(duì)所有的數(shù)據(jù)進(jìn)行重新的歸納和梳理，分析用戶最常閱讀的圖書(shū)，將其作為序列的最大值進(jìn)行排放，下次檢索時(shí)，直接在最上層。

4.3 用戶知識(shí)序列模式挖掘

數(shù)字化的圖書(shū)檢索系統(tǒng)，其運(yùn)用的是用戶的數(shù)據(jù)庫(kù)相關(guān)理論，DB為一個(gè)三元組K=（U,D,R），所有檢索對(duì)象集合用D表示，所有檢索行為集合用U表示，D和U之間也是具有相關(guān)性的，這種相關(guān)性利用R表示。通過(guò)這種方法，使數(shù)據(jù)的排序變得更加有序，有序這種方法屬于挖掘數(shù)據(jù)的模式，所以，只采用單純的1-排序方法并無(wú)實(shí)際意義。在BD數(shù)據(jù)庫(kù)里，它可以根據(jù)用戶的ID判斷用戶的需求，這樣可大幅壓縮得到的投影數(shù)據(jù)庫(kù)規(guī)模。表6為用戶信息數(shù)據(jù)庫(kù)投影庫(kù)的形式背景。

表6 用戶信息數(shù)據(jù)庫(kù)投影庫(kù)的形式背景

通過(guò)表6，可誘導(dǎo)出上層概念格Hasse圖，具體見(jiàn)圖3。

圖3 上層概念格Hasse圖

由圖3知，在設(shè)定支持度閾值為36.48%時(shí)，可獲得長(zhǎng)度大于或等于 2的上層集，分別為 （eh）、（ekmps）、（em）、（kps），依照詞庫(kù)的相關(guān)規(guī)定進(jìn)行排序工作。1-項(xiàng)集（e）可滿足最小支持度閾值，在進(jìn)行排序工作時(shí)，可以發(fā)現(xiàn)，1-型序列在實(shí)際當(dāng)中并沒(méi)有準(zhǔn)確的進(jìn)行應(yīng)用，所以我們可以把這部分進(jìn)行排除。當(dāng)排除上述因素之后，下一步就可以對(duì)下層的概念進(jìn)行建模。上層頻繁項(xiàng)集（ekmps）外延集合包含用戶3、5的檢索行為，表7為其形式背景。

通過(guò)表7，可誘導(dǎo)出下層概念格Hasse圖，具體見(jiàn)圖4。

表7 用戶3、5檢索行的形式背景

圖4 下層概念格Hasse圖

在支持度閾值為36.48%時(shí)，可獲得下層頻繁項(xiàng)集（m）、（ps）、（k）、（e）。由圖 4知，在下層概念格中，根據(jù)各下層頻繁項(xiàng)集用戶的檢索狀況進(jìn)行排序，排序的依據(jù)就是以時(shí)間作為標(biāo)準(zhǔn)，從前往后的進(jìn)行排序，排序拋除掉1的部分，對(duì)于長(zhǎng)度大于2的部分，按順序進(jìn)行列舉。因此處外延集所包含的用戶檢索行為只針對(duì)上層頻繁項(xiàng)集（ekmps），對(duì)于原始用戶信息數(shù)據(jù)庫(kù)無(wú)須遍歷。針對(duì)上層頻繁項(xiàng)集（kps）、（eh）、（em）的用戶檢索順序，進(jìn)行下層概念的建模工作，建模結(jié)束后，就對(duì)相關(guān)的順序進(jìn)行排序工作。利用上層對(duì)應(yīng)下層的方法，可以得出用戶1和用戶3的序列＜（e）（m）＞。在對(duì)用戶系統(tǒng)進(jìn)行全面檢索中，＜（e）（k）（ps）＞ 的子序列包括序列 ＜（k）（s）＞、＜（k）（p）＞ 是序列，所以需要拋除掉，進(jìn)而就可以得出正確的圖書(shū)檢索序列為 ＜（e）（m）＞、＜（e）（k）（ps）＞。

5 序列模式挖掘的討論

對(duì)于挖掘效果而言，在提取頻繁項(xiàng)集方面，概念格具有其他的挖掘方式所不具有的優(yōu)點(diǎn)，他屬于一種新型挖掘模式，與傳統(tǒng)的挖掘方法存在著顯著的不同，這種方法提取的頻繁項(xiàng)集數(shù)據(jù)源能更精準(zhǔn)的滿足閾值要求，從而使挖掘工作感知有用性得到提高。［10］通過(guò)概念格迭代，對(duì)概念格提取頻繁項(xiàng)集進(jìn)行多次反復(fù)使用，以概念格為工具，最大限度使用概念格復(fù)用性，這種挖掘方法充分的考慮到了用戶的因素，使用戶在進(jìn)行圖書(shū)檢索工作時(shí)，大大節(jié)省了圖書(shū)檢索時(shí)間。其優(yōu)秀的圖書(shū)檢索系統(tǒng)，能夠從系統(tǒng)方面去考慮優(yōu)化用戶的檢索體驗(yàn)，進(jìn)而能夠?yàn)榻ㄔO(shè)數(shù)字化、智能化的圖書(shū)館提供強(qiáng)大的技術(shù)動(dòng)力。

6 結(jié)論

本文基于概念格的數(shù)字圖書(shū)館，對(duì)用戶知識(shí)序列模式挖掘進(jìn)行了研究，目的是基于數(shù)字圖書(shū)館用戶檢索行為中的挖掘序列模式，對(duì)數(shù)字圖書(shū)館用戶服務(wù)進(jìn)行完善和改進(jìn)，得出以下結(jié)論：

（1）通過(guò)挖掘基于概念格的數(shù)字圖書(shū)館用戶知識(shí)關(guān)聯(lián)規(guī)則，從用戶角度分析了數(shù)字圖書(shū)館知識(shí)組織，本文從概念格方面對(duì)基于挖掘數(shù)據(jù)的方法對(duì)圖書(shū)進(jìn)行檢索系統(tǒng)，一定程度上，優(yōu)化了用戶的檢索體驗(yàn)。

（2）通過(guò)自頂向下概念格迭代在對(duì)用戶檢索模式進(jìn)行挖掘工作時(shí)，只需要采用一次挖掘的方法，就能夠?qū)崿F(xiàn)準(zhǔn)確的用戶定位，無(wú)需進(jìn)行多次挖掘，從而使挖掘時(shí)間大幅壓縮，獲得的挖掘效果良好。