Analyzing Log Files of Digital Library for Recommender Systems.pdf

1、目前，研究論文的數(shù)量正以驚人的速度增長，形成了海量的信息。根據(jù)美國國家科學(xué)基金會的調(diào)查結(jié)果顯示，在未來的幾年里，有數(shù)百萬篇論文將要發(fā)表，且大多數(shù)論文都可以通過數(shù)字圖書館在網(wǎng)上進(jìn)行檢索。然而，盡管數(shù)字圖書館提供了論文分類和檢索等豐富的功能，但對于如此巨大的海量信息，用戶要獲取自己最感興趣和需要的文章，還是存在許多困難。近年來出現(xiàn)的個(gè)性化推薦技術(shù)為用戶獲取自己需要的信息提供了方便。個(gè)性化推薦技術(shù)最先起源于電子商務(wù)系統(tǒng)，隨著商品品種和數(shù)量迅速

2、增長，顧客需要花費(fèi)大量的時(shí)間瀏覽大量無關(guān)的信息和產(chǎn)品才能找到自己需要的商品，針對這種海量信息檢索問題，產(chǎn)生了個(gè)性化推薦技術(shù)，根據(jù)用戶的興趣特點(diǎn)和購買行為，向用戶推薦其感興趣的信息和商品。類似的，如何在論文海量信息中挖掘和推薦用戶感興趣的文章，是一項(xiàng)值得研究的課題。本文重點(diǎn)研究基于日志文件的數(shù)字圖書館中向用戶推薦感興趣的文章的問題。
　　本文首先給出了個(gè)性化數(shù)字圖書館概述。并探討未來新一代的個(gè)性化數(shù)字圖書館以及受信息過濾系統(tǒng)行為影響

3、的檢索方式。顯然，用戶數(shù)量很龐大時(shí)，研究個(gè)性化的推薦系統(tǒng)具有重要意義。因?yàn)槎鄻踊挠脩羧后w在訪問日新月異的數(shù)字圖書時(shí)會面臨復(fù)雜的選擇。因此，研究推薦系統(tǒng)具有現(xiàn)實(shí)的應(yīng)用意義。文中嘗試制定一個(gè)實(shí)用的方法來表示信息過濾方式，然后根據(jù)推薦引擎技術(shù)的不同將它們分為不同的類別。文中介紹了幾種推薦技術(shù)，同時(shí)分析了他們的優(yōu)缺點(diǎn)。
　　本文可以依據(jù)用戶對數(shù)字圖書館的注冊信息和用戶的瀏覽行為，對用戶行為和興趣進(jìn)行全面的分析。其中最為重要的分析資源是數(shù)

4、字圖書館的日志文件。精心設(shè)計(jì)的日志文件顯示，一方面，用戶的活動模式對建立搜索的心理表征的模式至關(guān)重要的；另一方面，這些日志文件也記錄了與用戶行為相關(guān)聯(lián)的系統(tǒng)操作。這些信息為推薦系統(tǒng)設(shè)計(jì)提供了很好的依據(jù)。
　　推薦系統(tǒng)是在大量可用的項(xiàng)目中根據(jù)用戶的興趣向用戶推薦項(xiàng)目。本文研究的重點(diǎn)是迄今為止最流行的兩種推薦技術(shù)，即基于內(nèi)容過濾（CBF）和協(xié)同過濾技術(shù)(CF)。簡單地說，CBF技術(shù)是指通過記錄用戶的瀏覽行為預(yù)測目標(biāo)用戶的興趣愛好；CF

5、技術(shù)是指基于相似用戶或項(xiàng)目進(jìn)行的推薦，預(yù)測目標(biāo)用戶的興趣或項(xiàng)目的評分。這兩種推薦技術(shù)是電子商務(wù)系統(tǒng)中應(yīng)用最多的推薦技術(shù)，但 CBF技術(shù)推薦的質(zhì)量依賴于物品模型的完整和全面程度，并且需要建模分析。而CF技術(shù)依賴于用戶歷史偏好數(shù)據(jù)的多少和準(zhǔn)確性。為了采用合適的推薦技術(shù)，本文首先分析了論文內(nèi)容本身的特點(diǎn)，以及如何向用戶推薦用戶在過去標(biāo)定的內(nèi)容。然后探討論文之間的引用關(guān)系。因?yàn)镃BF和CF技術(shù)這兩種技術(shù)具有互補(bǔ)性，本文提出一種混合上述兩種技術(shù)的

6、推薦方法。
　　推薦系統(tǒng)需要收集用戶的信息，一般而言，收集手段主要分為顯式特征描述和隱式特征描述兩種方法，前者是直接向用戶獲取信息，其準(zhǔn)確程度取決于問卷設(shè)計(jì)和用戶配合，過程直接但比較繁瑣。目前大多數(shù)的推薦系統(tǒng)使用顯式的用戶評級某種資源的技術(shù)。隱式特征描述則是通過記錄用戶的瀏覽行為，通過 WEB挖掘技術(shù)分析用戶的興趣。本文以數(shù)字圖書館項(xiàng)目中的日志文件為基礎(chǔ)，使用隱式的用戶評級技術(shù)來為用戶推薦項(xiàng)目。文中建立了基于日志文件的推薦系統(tǒng)結(jié)構(gòu)

7、模型，通過日志文件中檢索到用戶的搜索行為和瀏覽活動，對日志文件中用戶行為進(jìn)行了分析和WEB挖掘處理，包括對用戶的下載和瀏覽行為進(jìn)行分析，在此基礎(chǔ)上進(jìn)行了建模。然后，本文分析了基于內(nèi)容過濾(CBF）和協(xié)同過濾(CF)的推薦算法，提出了一種結(jié)合基于協(xié)同過濾和內(nèi)容過濾的混合推薦算法 CF-CBF，文中給出了CF-CBF的模型和具體算法流程，并利用有4000篇論文的離線數(shù)據(jù)庫和15個(gè)在線的用戶進(jìn)行試驗(yàn)來評估這些算法，對比分析了CBF,CF和CF

8、-CBF三種推薦算法的性能。實(shí)驗(yàn)結(jié)果表明，日志文件的分析可以成功地被結(jié)合到推薦論文的過程當(dāng)中。本文提出的算法，較基于單一內(nèi)容的過濾和協(xié)同過濾算法，在推薦覆蓋方面有明顯的提高。此外，本文還發(fā)現(xiàn)，不同的算法，適用于不同類型的研究論文。最后，實(shí)驗(yàn)結(jié)果驗(yàn)證了影響用戶瀏覽活動和推薦結(jié)果的用戶經(jīng)驗(yàn)可以從日志文件中檢索到。
　　基于日志文件相關(guān)性的協(xié)同過濾技術(shù)研究的論文也是隨處可見。用戶可以得到不同的論文，這些論文是他們利用基于內(nèi)容的推薦技術(shù)所

9、得不到的。本文發(fā)現(xiàn)CF-CBF混合推薦算法可以生成優(yōu)于或等于CF或CBF推薦算法的論文推薦系統(tǒng)。
　　因此，本文給大家展示了一個(gè)基于日志分析的完全個(gè)性化的“量身定制”的推薦系統(tǒng)。它是可以根據(jù)用戶的特殊任務(wù)使用的推薦算法。這個(gè)系統(tǒng)可以使用純 CBF或 CF，以及混合 CBF-CF算法來推薦論文。最后，日志文件的重要性和用戶體驗(yàn)分析表明，系統(tǒng)應(yīng)該根據(jù)用戶的經(jīng)驗(yàn)級別來推薦。在以后的工作中，本課題將研究如何有效地確定執(zhí)行這些定制方案，這需