一種知識(shí)網(wǎng)絡(luò)個(gè)性化檢索方法

賈金娜 JIA Jin-na

（西安工商學(xué)院，西安 710032）

0 引言

當(dāng)前隨著信息化手段的普及和運(yùn)用，高校在教學(xué)過程中不斷產(chǎn)出海量的數(shù)據(jù)和信息，已經(jīng)形成規(guī)模化的知識(shí)網(wǎng)絡(luò)。網(wǎng)絡(luò)中擁有海量的傳統(tǒng)數(shù)據(jù)庫、報(bào)表、文檔、多媒體等資源，但普遍存在數(shù)據(jù)分散管理、知識(shí)挖掘不足等問題，教職員工和學(xué)生針對(duì)性檢索能力還比較弱。因此，需要一種針對(duì)個(gè)性化檢索需求的方法，解決當(dāng)前檢索效率低下問題。

1 知識(shí)網(wǎng)絡(luò)中資源之間關(guān)系及知識(shí)地圖建模

在分析典型高校知識(shí)網(wǎng)絡(luò)現(xiàn)狀基礎(chǔ)上，系統(tǒng)分析各類知識(shí)資源節(jié)點(diǎn)屬性，將其主要關(guān)系歸納為組合、聚合、繼承、依賴、屬性關(guān)聯(lián)、類別關(guān)聯(lián)、推理關(guān)聯(lián)、關(guān)鍵詞關(guān)聯(lián)、目錄關(guān)聯(lián)、行為關(guān)聯(lián)、自關(guān)聯(lián)等，如圖1。例如，組合關(guān)系是指知識(shí)整體和部分之間的關(guān)系，整體和部分不可分割，如學(xué)生整體成績(jī)與其單科成績(jī)之間的關(guān)系；行為關(guān)聯(lián)關(guān)系是指用戶特定行為所涉及的知識(shí)資源之間的關(guān)聯(lián)關(guān)系，如學(xué)生搜索“Python 工具”時(shí)，往往同時(shí)檢索“*.py”，這兩種知識(shí)之間存在行為關(guān)聯(lián)關(guān)系。這些關(guān)系是知識(shí)網(wǎng)絡(luò)中的邊集合（關(guān)系集合）ESet={e1，e2，…，em}的具體取值。同時(shí)，使用XML Schema 作為中間層，可構(gòu)建出知識(shí)的層次化地圖模型（如圖2），在此模型中：

圖1 知識(shí)資源間的主要關(guān)系

圖2 層次化知識(shí)地圖模型

①資源層，即各種實(shí)體，例如各種DB 二維表，doc、mp4 等不同后綴的文件；

②表現(xiàn)層，即基于上述關(guān)系的可導(dǎo)航的地圖模型，其中資源即節(jié)點(diǎn)，連接即關(guān)系；

③描述層，即實(shí)體為數(shù)據(jù)（Data）文件，以XML 描述形成業(yè)務(wù)（Business）文件。

2 基于Schema 的知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)樹建模

將知識(shí)網(wǎng)絡(luò)形成的結(jié)構(gòu)樹以XML Schema 進(jìn)行規(guī)范，形成其描述文件KRP-t，后續(xù)檢索可以通過XML 文件中的各類Tag 進(jìn)行。相關(guān)Tag 之間構(gòu)成具體檢索路徑K-p：①K-p 為: KN1/KN2/…/KNi/KN(i+1)/…/KNn；②KN1、KN2、…、KN(n-1)∈KNSetE（節(jié)點(diǎn)集合），KNn∈KNSetE（邊集合）∪KNSetA（屬性集合），使得KNi 是KN（i+1）的父節(jié)點(diǎn)，則稱KNn 是KN1 的上級(jí)，KN1 是KNn 的下級(jí)；③將這些點(diǎn)依次連接，即可構(gòu)成一條從KN1 到KNn 的路徑KR_Path（KN1, KNn）。若KRP-t 中存在一個(gè)節(jié)點(diǎn)序列｛KR_TSeq:KRN1, KRN2,…, KRNi, KRN（i+1）,…, KRNn｝，使得KRNi是KRN（i+1）的上級(jí)，則稱該節(jié)點(diǎn)序列是從KRN1 到KRNn 的標(biāo)簽序列，記為KR_TS∈KRP-t?；谏鲜龆x，可基于Schema 對(duì)其進(jìn)行檢索，如圖3。

圖3 XML 描述文件解析算法

3 知識(shí)地圖層次化檢索建模

將知識(shí)檢索按照一般檢索、復(fù)雜檢索進(jìn)行分類。一般檢索類：

①對(duì)于簡(jiǎn)單檢索項(xiàng)集合SW（S1, S2, …,Sm），如“Title = *.py”、“Subject = python 代碼;管理系統(tǒng)”等，利用Boolean 運(yùn)算實(shí)現(xiàn)。

②對(duì)于復(fù)雜檢索項(xiàng)，借鑒前期同類研究成果，形成知識(shí)網(wǎng)絡(luò)中基于知識(shí)地圖的層次化檢索模型如圖4 所示。檢索的主要流程包括：

圖4 知識(shí)地圖層次化檢索過程

1）對(duì)檢索項(xiàng)匯總形成想要集合SW，匯總相應(yīng)資源形成集合KR_Set；

2）查找到具體的實(shí)體資源文件所關(guān)聯(lián)的業(yè)務(wù)項(xiàng)的描述文件，即可找到其對(duì)應(yīng)的XML Meta-data 文檔，按照簡(jiǎn)單檢索模式查找其對(duì)應(yīng)的資源；

3）基于KRP_t_P&R 算法解析XML 文檔，通過遍歷各標(biāo)簽生成對(duì)應(yīng)XML 文件的標(biāo)簽樹KR_Tag_Tree，獲取Tage 對(duì)之內(nèi)的字符串，構(gòu)建生成待檢索的文本集合，按照文本匹配等簡(jiǎn)單檢索方式對(duì)其內(nèi)容進(jìn)行查找定位；

4）在檢索完所有XML 文件后，形成一個(gè)檢索的結(jié)構(gòu)矩陣；

5）對(duì)比所有檢索結(jié)果之間對(duì)應(yīng)的不同關(guān)聯(lián)關(guān)系，即可獲得一個(gè)按照特定關(guān)系形式組合的文件資源對(duì)之間的網(wǎng)絡(luò)，最后以集合形式進(jìn)行存儲(chǔ)即完成所有工作。如圖5 所示。

圖5 XML 描述文件中關(guān)鍵詞搜索算法

4 基于關(guān)聯(lián)規(guī)則的知識(shí)排序推薦模型

用戶的直接需求（如以檢索詞、訂閱關(guān)鍵詞等形式）和間接需求（來源于知識(shí)節(jié)點(diǎn)的潛在關(guān)系）決定了知識(shí)推薦的表現(xiàn)形式。筆者所提出的知識(shí)推薦方法是“以檢索詞檢索+以規(guī)則關(guān)聯(lián)”。在不同的檢索需求下，可基于用戶個(gè)性化檢索詞進(jìn)行知識(shí)推薦形成知識(shí)資源集合，對(duì)比整個(gè)知識(shí)網(wǎng)絡(luò)，篩選出相應(yīng)的知識(shí)子網(wǎng)絡(luò)?；緦?shí)現(xiàn)過程為“文件預(yù)處理→基于向量空間進(jìn)行表征→基于改進(jìn)N-Gram 進(jìn)行分詞→基于多屬性融合方法選取特征→基于改進(jìn)Apriori 算法分析關(guān)聯(lián)規(guī)則→進(jìn)行推薦給出結(jié)果”。這里重點(diǎn)對(duì)其中的文本分詞、特征選擇和關(guān)聯(lián)規(guī)則等關(guān)鍵步驟進(jìn)行分析和設(shè)計(jì)：

①基于預(yù)切分改進(jìn)設(shè)計(jì)N-Gram 方法。針對(duì)Gram 方法中Gram 數(shù)量偏大、部分無實(shí)際意義等問題，使用預(yù)切分方式對(duì)其進(jìn)行改進(jìn)，具體步驟是：

1）用StopWordsList 切分文本，形成由不同長(zhǎng)度的字串組成的集合U0，將每個(gè)詞的詞頻記入詞頻表集合W；

2）將U0按長(zhǎng)度2、3、…、k-1 進(jìn)行分類，形成集合U1、U2、…、U（k-1）；

3）對(duì)U2中的每個(gè)字串直接切分為兩個(gè)長(zhǎng)度為2 的字串，并將結(jié)果合并到集合U1，同時(shí)更新相關(guān)字串的詞頻；

4）對(duì)U3、…、U（k-1）繼續(xù)切分，形成相應(yīng)的集合并將每個(gè)字串的詞頻記入W；

5）將U1、U2、…、U（k-1）取并集得到U，歸并U 中相同字串，更新W 中詞頻；

6）應(yīng)用“長(zhǎng)詞優(yōu)先”的原則對(duì)U 中的冗余字串進(jìn)行消減（即一個(gè)短詞含在一個(gè)長(zhǎng)詞之中，則將其減去），并更新W 中字串的詞頻。

7）輸出特征項(xiàng)集合U 和W。

②基于多屬性融合的文本特征選擇方法。按照相關(guān)文獻(xiàn)提出的文檔頻、特征項(xiàng)詞頻、特征項(xiàng)詞性、特征項(xiàng)在文本中位置等多種屬性，按照W（f）=a×Wdf+b×WF+c×WP進(jìn)行文本特征的選擇。其中：

1）W（f）表示特征項(xiàng)f 的綜合權(quán)重。a、b、c 分別表示三個(gè)屬性值的權(quán)重系數(shù)，其取值范圍為（0，1），且滿足a+b+c=1。

2）Wdf為特征項(xiàng)文檔頻屬性值，其值是集合里具有某特征項(xiàng)的文本數(shù)量與總數(shù)n 之比，Wdf∈（0，1）。

3）WF為特征項(xiàng)詞頻屬性值，分詞過程中進(jìn)行特征項(xiàng)頻率統(tǒng)計(jì)，可獲取到不同特征項(xiàng)詞頻，令其取值為Nd，具體特征項(xiàng)的WF=TotalNd/TotalNdmax。

4）WP為特征項(xiàng)詞性屬性值，對(duì)文檔中其關(guān)鍵作用的名詞、動(dòng)詞、形容詞、副詞外的其他進(jìn)行剔除，如某文檔集合中名詞所占比例數(shù)值為Pmax，且在四類詞中占比最高，設(shè)P 為某特征詞所屬詞性占比值，則WP=P/Pmax。

③基于改進(jìn)Apriori 算法的文本關(guān)聯(lián)規(guī)則提取方法。將上述集合存儲(chǔ)到關(guān)系數(shù)據(jù)庫（或表格文件）之后，對(duì)其進(jìn)行關(guān)聯(lián)規(guī)則分析和提取。關(guān)聯(lián)規(guī)則的提取主要步驟如下：

1）找出事務(wù)庫中所有大于等于最小支持度的頻繁項(xiàng)集。

2）利用頻繁項(xiàng)集生成所有的關(guān)聯(lián)規(guī)則，根據(jù)預(yù)先設(shè)定的最小置信度進(jìn)行關(guān)聯(lián)規(guī)則的取舍，最終得到強(qiáng)關(guān)聯(lián)規(guī)則。

④檢索結(jié)果推薦按照上述關(guān)聯(lián)關(guān)系，將指定范圍內(nèi)“item→item”形式的關(guān)聯(lián)規(guī)則所對(duì)應(yīng)的文檔進(jìn)行關(guān)聯(lián)，自動(dòng)關(guān)聯(lián)到相應(yīng)類別中，并可由相關(guān)用戶需求修訂該類別，為形成知識(shí)網(wǎng)絡(luò)提供輸入。上述規(guī)則中，按照置信度和最小支持度進(jìn)行選取，截取長(zhǎng)度為N 的序列，形成Top-N 知識(shí)規(guī)則，即可直接訪問到這些規(guī)則中后項(xiàng)所對(duì)應(yīng)的知識(shí)資源。

5 結(jié)語

本文通過對(duì)知識(shí)網(wǎng)絡(luò)中的節(jié)點(diǎn)關(guān)系進(jìn)行分析，構(gòu)建了包含資源層、表現(xiàn)層和描述層的層次化知識(shí)地圖模型，設(shè)計(jì)了基于XML Schema 的知識(shí)結(jié)構(gòu)樹模型及其檢索方法，基于關(guān)聯(lián)規(guī)則設(shè)計(jì)了一種個(gè)性化的知識(shí)資源網(wǎng)絡(luò)檢索方法，為知識(shí)網(wǎng)絡(luò)信息個(gè)性化檢索和推薦奠定了方法基礎(chǔ)。