模糊语义个性化信息推荐pdf/txt下载_在线阅读全文

编辑推荐

本书对用户模糊兴趣建模、知识语义描述方法以及各种经典推荐方法进行了分析与介绍，书中对经典的推荐方法进行了改进，降低了数据“稀疏”问题对算法准确度的影响，提出了模糊语义个性化推荐方法，是使得推荐系统有能力描述如偏好程度，热门资源等模糊概念。结合实例，分析了电子政务类网站的个性化信息服务体系、建设内容、建设模式、目标和原则等。不论个性化信息产品的设计与开发等相关技术人员、互联网开发者和计算机相关研究人员都可以从阅读本书中得到启迪。

内容简介

个性化信息资源的建设组织过程是一项系统工程，本书在分析了个性化信息服务的内容、建设模式、目标和原则的基础上，提出了个性化信息服务体系和构建方法;阐述了在信息集成环境下信息资源的权限管理和访问控制方法，并建立统一的模糊语义模型来描述集成后的信息资源和用户特征。本书使用多种基于数据挖掘的方法对用户的兴趣进行深层次的发现，并对经典的协同过滤算法进行改进，使算法在保证准确度的同时提高了运行效率。*后，本书提出了一种模糊语义个性化推荐系统模型，并使用FALC模糊描述逻辑语言实现了该模型。本书可以作为个性化信息系统与数据产品的设计与开发等相关技术人员的参考书，传统的互联网开发者、决策者和计算机相关研究人员也可以从本书中得到启迪。

目　　录

第1章绪论11.1研究背景与意义11.2个性化推荐系统概述21.3管理信息系统对个性化推荐服务的需求5第2章模糊语义个性化推荐系统理论基础72.1信息集成与管理理论72.1.1信息集成理论72.1.2信息集成技术方法82.2数据挖掘技术与方法102.2.1数据挖掘技术102.2.2Web挖掘技术102.3模糊描述逻辑112.3.1描述逻辑112.3.2模糊描述逻辑132.4本章小结14第3章面向个性化推荐服务的信息集成与描述153.1基于中间件的个性化信息集成153.1.1中间件的概念153.1.2中间件的特点及分类163.1.3数据仓库的中间件技术173.2推荐系统的访问控制与权限管理193.2.1常见的访问控制模型193.2.2门户网站中的访问控制模型203.3基于最大模糊生成树的网页聚类223.3.1最大模糊生成树233.3.2基于最大模糊生成树的网页聚类算法233.3.3实例253.4基于直觉模糊集的用户模型273.4.1直觉模糊集相关概念273.4.2基于直觉模糊集的用户模型283.4.3实例293.5本章小结32第4章用户个性化信息发现与推荐方法334.1基于内容的个性化推荐算法334.2基于模型的推荐算法344.3基于协同过滤的推荐算法及其改进算法354.3.1基于用户的协同过滤算法354.3.2基于项目的协同过滤算法364.3.3基于稳定度的改进算法384.4基于关联规则的推荐方法454.4.1关联规则的概念454.4.2关联规则算法的流程464.4.3Apriori关联规则方法的实例474.5本章小结49目录模糊语义个性化信息推荐第5章模糊语义个性化推荐系统模型505.1语义推荐系统模型505.2基于FALC的模糊语义推荐系统的实现515.3模糊语义推荐的意义535.4本章小结54第6章模糊语义个性化推荐系统在电子政务内容管理中的应用556.1电子政务信息服务的内容与模式556.1.1电子政务信息服务的主要内容556.1.2面向个性化推荐的信息服务模式566.2个性化电子政务的建设目标与组织原则576.2.1个性化电子政务的主要建设目标576.2.2个性化电子政务的信息组织原则596.3个性化电子政务信息服务体系构建596.3.1个性化电子政务信息资源体系的建设596.3.2面向个性化信息服务的电子政务门户606.4系统建设体系设计与实现616.4.1数据库设计646.4.2功能模块646.4.3外部网站656.4.4内容管理706.4.5系统的主要特点736.5个性化信息推荐在内容管理系统中的应用776.6本章小结80参考文献81

前　　言

前言

随着网络时代的发展，网络上信息资源“量”的丰富和“质”的稀缺影响了信息化建设的效果，迫切需要一种能够发现用户内在需求，并主动提供信息服务的功能。近年来，在国内外兴起的个性化推荐成为解决这些问题的重要途径之一。个性化信息资源的建设组织过程是一项系统工程，为了满足社交网络、电子商务和政务等信息化应用的个性化服务发展的需要，本书使用多种基于数据挖掘的方法对用户的兴趣进行深层次的发现，并对经典的协同过滤算法进行改进，提出一种基于稳定度的协同过滤改进算法，通过选取用户维和项目维中对目标评价最有价值的、最稳定的信息，使得算法能够在“最近邻”或“最相似项目集”规模较小的条件下得到较高的准确度，使算法在保证准确度的同时提高了运行效率。最后，提出了一种模糊语义个性化推荐系统模型，其中包括了基于直觉模糊集的用户模型，它能够更加全面地描述用户兴趣的模糊信息，提高对用户兴趣的表达能力。例如，用户的“兴趣程度”、用户的“评价”和对兴趣的“犹豫程度”等。并使用模糊描述逻辑语言FALC实现了该模型，该模型可以在语义环境下为用户提供更准确的和扩展性更高的个性化推荐服务，有能力描述推荐系统中的模糊概念，如偏好程度、热门资源等。根据语义层面的描述以及概念层次上的继承信息，使得推荐结果被适当地扩展，在一定程度上解决了传统算法中的推荐结果多样性问题、相同特征词资源的相关性问题、冷启动问题和用户项目矩阵稀疏问题。最后以某政府部门航务海事管理部门的个性化信息服务功能与需求为例，本书分析了电子政务类网站的个性化信息服务体系、建设内容、建设模式、目标和原则，提出了以电子政务门户网站为核心的个性化信息服务体系和构建方法，阐述了在信息集成环境下该类系统中信息资源的权限管理和访问控制方法，并建立统一的模型来描述集成后的信息资源和用户特征。在语义环境下为用户提供更准确的和扩展性更高的个性化推荐服务，使得电子政务信息服务类网站中的信息资源能被系统高效地吸收和利用，满足用户的个性化信息需求，发挥资源的最大效益，实现资源的合理配置和共享。本书的相关研究感谢“中国博士后科学基金资助项目（2014M551063）”“辽宁省教育厅科技研究项目资助（L2014203）”“辽宁省社会科学规划基金项目（L14BGL012）”“中央高校基本科研业务费专项资金资助（3132016046）”的资助支持。

作者2016年5月

媒体评论

在线试读部分章节

第5章

第5章
<div></div>
<div>模糊语义个性化推荐系统模型本章提出了一种能够处理模糊语义的个性化推荐系统模型，该模型由一个六元组组成,包括用户概念集、兴趣概念集、待选推荐资源概念集、用户与兴趣概念的语义关系和资源与兴趣概念的语义关系，并使用FALC模糊描述逻辑对模型进行实现。5.1语义推荐系统模型经典的推荐系统的推荐过程中包括了三个主要步骤: （1） 数据收集，负责收集用户的喜好行为，例如问答、评分、购买、下载、浏览等，其中问答和打分的信息属于显性数据，是用户兴趣的直观体现，但是有的用户不愿意向系统提供这些信息，那么就需要通过其他方式对用户的行为进行分析，例如购买、下载、浏览等行为，这些数据属于隐性数据。（2） 兴趣分析， 通过用户的行为记录分析用户的潜在喜好商品和偏好程度。通过对用户的行为记录进行分析，建立合适的模型来描述用户的喜好信息。（3） 推荐层，根据管理人员制定的推荐策略实时地从商品集合中筛选出用户感兴趣的商品进行推荐，并根据已知的兴趣，通过推理模块预测用户的未知兴趣信息。推荐系统的推荐过程如图5.1所示。图5.1推荐系统层次图在整个推荐过程中贯穿了三个主要分析对象: 用户、待推荐资源以及它们之间的关系。其中用户与待选资源之间的关系是推荐系统的核心，在传统的推荐系统中，这种关系通常在用户概况表（User Profile）中进行描述，通常使用一组关键词来表示某个用户的兴趣。本章提出了语义推荐系统模型（Semantic Recommendation System， SRS）。 SRS将用户和待推荐资源抽象为概念，并加入兴趣概念作为整个推荐模型的核心，使兴趣作为一种有实际意义的概念。为了描述用户与兴趣，兴趣与资源之间的关系，分别为他们增加两个语义关系。语义推荐系统模型的定义如下所示: 定义 语义推荐模型SRS是一个六元组SRS=<U， I， R， PUI， PIR， F>;U是用户概念集，如民众用户、政府用户、企业用户等；I是兴趣概念集，如劳动保障、交通出行、教育培训、财务金融等；R是待选推荐资源概念集，如网页、视频、图片、可下载文件等；PUI是U和I概念之间的语义关系，PUI∈U×I，可以表示为一个二元组pUI(u，i)，其中pUI∈PUI，u∈U，i∈I。如: hasInterest(某民众用户，劳动保障)；PIR是I和R之间的语义关系，PIR∈I×R，可以表示为一个二元组pIR(r，i)，pIR∈PIR，i∈I，r∈R。如: correlate(某视频，教育培训)；F是领域背景知识。模糊语义个性化信息推荐第5章模糊语义个性化推荐系统模型5.2基于FALC的模糊语义推荐系统的实现本节基于FALC实现SRS模型，因此在运算关系集F中引入FALC的构造子，模型的实现主要由五个部分组成。（1） 建立用户概况表（User Profile，UP），它以FALC的语法形式描述用户U及其与兴趣I之间的语义关系PUI。（2） 建立资源概况表（Resourse Profile，RP），它以FALC的语法形式描述资源R及其与兴趣I之间的语义关系PIR。（3） 兴趣概念集（Interest Profile，IP），它以FALC的语法形式描述某领域内的概念。(4) PUI规则，兴趣程度转换规则。(5) 资源关联程度转换规则。下面对这五个部分进行详细介绍。（1） User Profile实现了推荐模型中的用户概念集U，兴趣概念集I和用户兴趣的语义关系PUI，PUI由多个用户的UP组成，引入谓词集合p(f)={≤d(f)， ≥d(f )}，d是特征f在具体域上的值，引入特征interestLevel用来描述用户对兴趣的权重值，其具体域在区间 (0，10\]，用户的兴趣可以表示成hasInterest.(i ≥x(interestLevel))的形式，其中iI是兴趣概念集中的概念。引入模糊特征highInterestLevel、commonInterestLevel和lowInterestLevel用来描述用户对兴趣的三种模糊偏好程度: 偏好程度高、偏好程度一般和偏好程度低，并使用interestLevel的值分别计算隶属度。UP对某用户描述由如下三种形式组成: ① hasInterest.(ihighInterestLevel)，highInterestLevel=rs(a，b，\[ k1， k2\])，该描述表示用户对i有较高的兴趣程度。② hasInterest.(icommonInterestLevel)，commonInterestLevel=trz (a、b、c、d、\[k1，k2\])，该描述表示用户对概念i有一般的兴趣程度。③ hasInterest.(ilowInterestLevel)，lowInterestLevel=ls(a、b、\[ k1， k2\])，该描述表示用户对概念i的有较低的兴趣程度lowInterestLevel。例如,描述某用户u∈U对劳动保障有很强的兴趣，对交通出行有一般兴趣，对教育培训没有兴趣， 在User Profile中可以表示如下: uhasInterest.(劳动保障highInterestLevel)hasInterest.(交通出行commonInterestLevel)hasInterest.(教育培训lowInterestLevel);（2） Resourse Profile（RP）的实现，Resourse Profile实现了推荐模型中的资源概念集R，兴趣概念集I和兴趣资源的语义关系PIR，PIR由多个资源的RP组成，引入谓词集合p(f)={≤d(f)， ≥d(f )}，d是特征f在具体域上的值，引入特征correlatorLevel用来描述兴趣与资源之间的关联程度，其具体域是区间 (0，10\]，用户与资源的关联程度可以表示为correlate.(i ≥x(correlatorLevel))的形式，其中iI是兴趣概念集中的概念。引入模糊特征highCorrelateLevel、commonCorrelateLevel和lowCorrelateLevel用来描述资源和兴趣的三种模糊关联程度: 关联程度高、关联程度一般和关联程度低，并使用correlatorLevel的值分别计算隶属度。RP对资源描述由如下三种形式组成: ① correlate.(i highCorrelateLevel)，highCorrelateLevel=rs(a，b，\[ k1， k2\])，该描述表示资源和i有较高的关联程度。② hasInterest.(icommonCorrelateLevel)，commonCorrelateLevel=trz (a，b，c，d，\[ k1， k2\])，该描述表示资源和概念i有一般的关联程度。③ hasInterest.(ilowCorrelateLevel)，lowCorrelateLevel=ls(a，b，\[ k1， k2\])，该描述表示资源和概念i的有较低的关联程度。例如,描述某资源r∈R对教育培训有很强的关联，对财务金融有一般的关联在Resourse Profile可以表示如下: rcorrelate.(教育培训highCorrelateLevel)  correlate.(财务金融commonCorrelateLevel);（3） 兴趣概念集（Interest Profile，IP)以FALC的语法形式描述某领域内的概念，如: (劳动保障交通出行教育培训财务金融…)兴趣概念; (出行信息机动车辆管理驾证办理道路管理) 交通出行; 被浏览.浏览次数很多热门资源;(有好评.评价次数较多)(有差评. 评价次数较少)  (被浏览.浏览次数较多)受欢迎资源;(可获取时间.最近时间)新资源。其中浏览次数很多，浏览次数较多，评价次数较多，评价次数较少和最近时间等都是模糊概念。 除了描述兴趣概念、用户和兴趣的关系以及资源和兴趣的关系之外，为了能够顺利地实现向用户推荐最相关资源的任务，还需要通过定义用户和资源之间推荐度的计算来建立用户和资源之间的关系。设推荐度计算函数为∏ (p1， p2)>0，其中p1， p2∈{≥d， ≤d，=d}，d是特征域上的值。显而易见，用户对某概念感兴趣往往隐含着对其父概念也在一定程度上感兴趣，同样，资源与某概念存在关联也说明了其父概念与该资源也存在一定程度上关联，因此本书定义PUI规则和PIR规则以体现用户兴趣和资源关联度的在兴趣概念层次上的转移: (4) PUI规则: 给定i1I，i2I，i1 i2 ∧hasInterest.(i1≥x(interestLevel))→hasInterest.(i2 ≥Φ(x)(interestLevel))，其中Φ(x)是兴趣程度转换函数，将子概念的兴趣程度映射为父概念的兴趣程度。例如，道路管理是交通出行的一种， 如果某个用户对道路管理类资源的兴趣程度为6，那么他对交通出行类资源的兴趣至少为Φ(6)。(5) PIR规则: 给定i1I，i2I，i1 i2 ∧correlate.(i1 ≥x(correlatorLevel)) →correlate.(i2≥θ(x)(correlatorLevel))，其中θ(x)是关联程度转换函数，将子概念与资源的关联程度映射为父概念与资源的关联程度。例如，职业教育是教育培训的一种， 如果某个资源与职业教育类资源的关联程度为7，那么它和教育培训类资源的关联程度至少为θ(7)。某个资源和某个用户的推荐度的计算过程定义为doRecommendation(UP，RP)，程序如表5.1所示。表5.1推荐度计算程序输入: User Profile（UP）， Resourse Profile（RP）输出: 返回推荐度RecRate（1） RecRate: =0;（2） Foreach “hasInterest.(i≥x(interestLevel))”in UP（3） Foreach “correlate.(j≥y(correlatorLevel)) ”in RP（4）IFi jTHEN UP增加: hasInterest.(j≥Φ(x)(interestLevel)); //PUI规则（5） RecRate: =RecRate ∏ (≥x，≥Φ(x));（6）IFj iTHENRP增加: correlate.(i≥θ(y)(correlatorLevel));//PIR规则（7） RecRate: =RecRate ∏ (≥x，≥θ(x));（8） returnRecRate；此算法的复杂度与UP和RP的规模有关，设UP的规模为n，RP的规模为m。可以认为此算法的时间复杂度近似为O(nm)。5.3模糊语义推荐的意义通过模糊语义个性化推荐系统模型，可以改善以下传统推荐模型中出现的问题和缺点: （1） 改善推荐多样性问题。传统的推荐系统产生的结果是与用户之前偏好项目相似的项目集，推荐的内容会被局限在一个特定的范围内，无法保证推荐的多样性。该模型可以推荐语义相似的项目，而不仅仅局限于用户的偏好项目集。（2） 信息相关性问题。由于语义信息的缺乏，造成同一个特征词（如“java”同时可以表示“地理信息”或“编程语言”）同时存在于两个不同的项目描述文件中，而传统的推荐系统无法根据这个特征词区分两个项目的不同，加入了语义信息之后，系统可以解决此类问题。（3） 冷启动问题。当新用户或新项目出现在系统中的时候，还没有任何评分或评价信息，系统无法挖掘用户的偏好，因此系统无法使用协同过滤推荐一类的方法给新用户提供准确的推荐服务；通过模糊语义模型可以先建立起与已打分信息资源和用户的关联，并据此产生推荐。（4） “用户项目”矩阵的稀疏问题。在任一实际应用的推荐系统中，通常已经评分项目的数量很少，从这些少数的项目中很难产生准确的推荐，这个问题称为稀疏问题，该模型中基于扩展规则的推荐方式产生一些伪打分信息，可以在一定程度上改善矩阵的稀疏问题。5.4本章小结本章建立了模糊语义个性化推荐系统模型，该模型由一个六元组组成，模型包括了用户概念集U、兴趣概念集I、待推荐资源概念集R、U和I概念之间的语义关系PUI、I和R之间的语义关系PIR、领域背景知识F。使用FALC对模型进行实现，并增加PUI规则和PIR规则，使模糊推荐系统能够将兴趣按照其语义继承关系进行扩展。</div>

显示全部信息

书摘插画

显示全部信息

模糊语义个性化信息推荐下载

模糊语义个性化信息推荐

发布书评

相关图书推荐