科技文献个性化推荐系统框架-信息推荐系统第二版

根据用户在科学研究过程中查询和使用文献的过程给出了简化的科技文献个性化推荐框架，如图6-2所示。科技文献推荐系统可以自动获取和分析用户信息，通过学习和推理机制建立或者更新用户偏好模型，进行智能匹配并产生文献推荐。科技文献个性化推荐系统主要包括五部分:用户信息输入模块、数据预处理模块、模式分析模块、推荐引擎处理模块以及在线文献列表输出模块。以文献管理软件为研究平台，下面描述科技文献中一般个性化推荐系统的基本框架。

图6-2　科技文献个性化推荐框架

(1)用户信息输入

用户信息输入主要指目标用户在软件中处理与文献有关的操作时留下的信息。通过这些数据，推荐系统能够识别用户偏好，作为推荐处理的基础信息。输入数据主要包括在软件平台与文献相关的内容数据、结构数据和使用数据。其中，内容数据是传递给用户的文献对象；结构数据是文献本身拥有的题录信息如标题、关键词、作者、文献来源等信息以及平台内部由各层次标签组成的内部结构数据；使用数据是与文献阅读有关的所有行为数据，可以通过配置系统阅读日志等途径获得这些数据。

(2)数据预处理

数据预处理将多种数据源中的数据转化为适合数据挖掘的抽象概念。数据预处理主要包括内容数据预处理、结构数据预处理和使用数据预处理。其中，结构数据预处理是使用数据预处理和内容数据预处理的基础，其主要任务是描述用户制定的文献组织拓扑结构图，并明确软件的文献组织层级安排以及软件中辅助文献阅读工具方式等。使用数据和内容数据经过预处理之后，在数据挖掘需要的时候可以直接访问。

(3)模式分析(www.xing528.com)

模式分析模块从数据中挖掘出各种模式，从中筛选出有用的、可以理解的知识规则，并将其存储在合适的介质中，为推荐引擎提供支撑。

(4)推荐引擎处理

根据获得的数据可以选择适合的推荐策略单独或者组合进行推荐。在个性化推荐中，推荐引擎将模式分析阶段所提取的各种知识规则与用户信息进行匹配，进而生成个性化推荐文献清单。

(5)在线文献列表输出

科技文献个性化推荐方法提供推荐的主要形式有:单个建议、未排序建议列表和排序建议列表。排序建议列表典型的如Top-N，向用户推荐最可能吸引用户的N个文献。

随着社会化因素的加入，用户不仅仅是获取个性化服务的对象，同时也有意识地参与并影响个性化推荐的结果。社会化的方法有社会网络分析方法、基于信任传播的方法以及其他可以处理社会模型的方法等。基于个性化推荐的框架，本节以CNKIE-Learning文献管理软件为背景，为科技文献的社会化推荐方法建模，并根据模型给出具体的文献推荐框架。