張啟宇等

摘要：針對(duì)農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)信息過(guò)載問(wèn)題，構(gòu)建了個(gè)性化農(nóng)業(yè)信息推薦模型，重點(diǎn)研究了用戶類別興趣向量、用戶特征詞喜好向量和文檔特征向量，建立了農(nóng)業(yè)專業(yè)詞典和中英文停用詞典；采用遺忘函數(shù)按時(shí)間對(duì)特征詞的權(quán)重進(jìn)行更新，并對(duì)用戶類別興趣進(jìn)行更新，實(shí)現(xiàn)用戶模型的更新；采用余弦相似度進(jìn)行推薦度計(jì)算，提出了個(gè)性化服務(wù)推薦算法；通過(guò)對(duì)推薦信息的URL參數(shù)統(tǒng)計(jì)獲知推薦效果，進(jìn)一步對(duì)個(gè)性化推薦模型進(jìn)行修正。結(jié)果表明，該模型可根據(jù)用戶興趣制定推薦，為用戶提供有價(jià)值的信息，滿足用戶個(gè)性化需求。

關(guān)鍵詞：內(nèi)容過(guò)濾；個(gè)性化服務(wù)；農(nóng)業(yè)信息；信息推薦

中圖分類號(hào)：S126；TP391.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）16-4052-05

DOI：10.14088/j.cnki.issn0439-8114.2015.16.057

Study on Personalization Recommendation Model of Agricultural Information

Based on Content Filtering

ZHANG Qi-yu1，GUO Cheng-kun2，SONG Yao2，CHEN Ying-yi2，WANG Lei3

（1.Yantai Academy， China Agriculture University， Yantai 264670， Shandong， China；

2. College of Information and Electrical Engineering， China Agricultural University， Beijing 100083， China；.

3.Institute of Information Technology， Shandong Academy of Agricultural Sciences， Jinan 250100，China）

Abstract： The personalization recommendation model of agricultural information was constructed in view of information overload on agricultural information service platform. The model focused on three vectors including user category interest vector，user feature words preferences vector and document feature vector，established agricultural professional dictionary and English-Chinese disable dictionary；And then， using forgotten function the model updated weights of feature words， interest items of the user category and user model by time. The last，the model calculated recommended degrees by the cosine similarity，and proposed personalized service recommendation algorithm. Through the URL parameter statistics of recommended information，this model can inform recommendation effect and further correct the model. The results showed that the model can formulate recommendations based on user interest，provide valuable information， and meet the peisonalized needs of users.

Key words： content filtering； personalized service； agricultural information； information recommendation

隨著互聯(lián)網(wǎng)和農(nóng)業(yè)信息化的迅速發(fā)展，農(nóng)業(yè)網(wǎng)站建設(shè)進(jìn)入了快速發(fā)展期。大量的農(nóng)業(yè)技術(shù)、供求信息、市場(chǎng)信息、政策法規(guī)和農(nóng)業(yè)新聞等信息資源分布在農(nóng)業(yè)網(wǎng)站中，然而由于互聯(lián)網(wǎng)信息資源具有信息異質(zhì)、異構(gòu)、分散、重復(fù)現(xiàn)象嚴(yán)重的特點(diǎn)，缺少統(tǒng)一的形式化表達(dá)，形成各種各樣的“信息孤島”，很難對(duì)農(nóng)業(yè)信息資源進(jìn)行整合和利用[1]。對(duì)農(nóng)民而言，不會(huì)使用搜索引擎，不知道使用什么關(guān)鍵詞進(jìn)行搜索。為此，打造了農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)，農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)包括農(nóng)業(yè)服務(wù)信息搜索引擎系統(tǒng)（針對(duì)涉農(nóng)科技信息、市場(chǎng)行情、市場(chǎng)供求等信息進(jìn)行定時(shí)、定向地自動(dòng)獲取、清洗和分類）、信息展示系統(tǒng)（搜索引擎獲取的信息分類顯示）、農(nóng)業(yè)專家系統(tǒng)、農(nóng)業(yè)論壇系統(tǒng)（用戶提出各種農(nóng)業(yè)問(wèn)題，由農(nóng)業(yè)專家或其他用戶回答，支持短信智能問(wèn)答）、個(gè)性化服務(wù)系統(tǒng)（根據(jù)用戶的興趣愛好進(jìn)行信息主動(dòng)推薦）等。隨著信息的不斷增長(zhǎng)，用戶很容易被淹沒在信息海洋當(dāng)中[2]，因此個(gè)性化服務(wù)系統(tǒng)是農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)的重要組成部分，可以提取及分析用戶個(gè)性信息，根據(jù)用戶興趣制定推薦，為用戶提供有價(jià)值的信息，滿足用戶個(gè)性化需求[3]。

個(gè)性化服務(wù)系統(tǒng)根據(jù)其所采用的推薦技術(shù)可分為基于規(guī)則的系統(tǒng)和信息過(guò)濾系統(tǒng)。信息過(guò)濾系統(tǒng)又可分為基于內(nèi)容過(guò)濾的系統(tǒng)和協(xié)作過(guò)濾系統(tǒng)[4]。目前對(duì)于基于內(nèi)容過(guò)濾的個(gè)性化服務(wù)推薦模型的研究主要在搜索引擎[5]、數(shù)字圖書館[6-8]、虛擬研究環(huán)境[9]、博物館[10]等領(lǐng)域，對(duì)農(nóng)業(yè)領(lǐng)域的研究很少。本研究對(duì)基于內(nèi)容過(guò)濾的個(gè)性化服務(wù)推薦模型進(jìn)行了研究，提出了適合農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)的可更新的個(gè)性化服務(wù)推薦模型。endprint

1 用戶興趣模型

1.1 用戶興趣的獲取

個(gè)性化服務(wù)推薦模型建立的第一步是建立用戶興趣模型。建立用戶興趣模型首先要獲取用戶興趣，用戶模型中興趣的獲取主要有用戶顯式反饋和用戶隱式反饋兩種[4]。用戶顯式反饋是指用戶回答系統(tǒng)提出的問(wèn)題，直接參與建模過(guò)程，一般通過(guò)填表的方式來(lái)完成，其優(yōu)點(diǎn)是獲取的信息比較具體、全面、客觀，可靠性較高，缺點(diǎn)是靈活性差，浪費(fèi)用戶的時(shí)間；用戶隱式反饋是指系統(tǒng)在觀察用戶行為的基礎(chǔ)上通過(guò)推理來(lái)獲取用戶興趣知識(shí)，可以減少用戶不必要的負(fù)擔(dān)。

根據(jù)農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)的特點(diǎn)，用戶興趣獲取的信息包括用戶注冊(cè)時(shí)的興趣愛好、瀏覽的信息頁(yè)面、信息查詢的關(guān)鍵詞、論壇中發(fā)布及回復(fù)的帖子、短信提問(wèn)的問(wèn)題。

1.2 用戶興趣模型的表示

楊艷等[5]提出的將興趣粒度表示法和向量空間模型表示法結(jié)合起來(lái)的顯隱式結(jié)合用戶模型，在用戶興趣愛好固定的情況下取得了比較好的效果。但用戶的興趣愛好不是一成不變的，本研究借鑒了該模型的思想，根據(jù)農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)的特點(diǎn)，構(gòu)造可更新用戶興趣類別的用戶興趣模型。

農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)中的信息是分類顯示的，因此把用戶的興趣愛好表現(xiàn)在信息的類別上。把用戶的每一個(gè)感興趣的類別和對(duì)該類別感興趣的程度用一個(gè)向量表示，稱為類別興趣向量，定義為CI=<（C1，W1），（C2，W2），…，（Cm，Wm）>其中m為用戶感興趣的類別個(gè)數(shù)，Cj為第j個(gè)類別，Wj為對(duì)應(yīng)的權(quán)重，并且■Wj=1。

在用戶注冊(cè)時(shí)，系統(tǒng)要求用戶選擇自己感興趣的類別，并給出喜好程度的度量，以此建立喜好向量i=（i1，i2，…，im），m為用戶感興趣的類別個(gè)數(shù)，ij=∈[1，5]，為用戶對(duì)類別j喜好程度的度量，值越大，表示喜好程度越高。對(duì)向量i進(jìn)行規(guī)范化處理：Wj=ij/■ij。

每一個(gè)感興趣的類別用n個(gè)特征詞表示，稱為特征詞喜好向量，定義為Tk=<（t1，w1k），（t2，w2k），…，（tn，wnk）>，k∈[1，m]，m為用戶感興趣的類別個(gè)數(shù)，n為特征詞的個(gè)數(shù)，tj為第j個(gè)特征詞，wjk為tj在類別Cj的權(quán)重，并且■wjk=1。

把用戶類別喜好向量和用戶特征詞喜好向量綜合起來(lái)可以構(gòu)成用戶興趣喜好向量，定義為UI=<（C1，W1，T1），（C2，W2，T2），…，（Cm，Wm，Tm）>，其中m為用戶感興趣的類別個(gè)數(shù)，Cj為第j個(gè)類別，wj為對(duì)應(yīng)的權(quán)重，并且■Wj=1，Tj為特征詞喜好向量，j∈[1，m]。

2 用戶興趣模型的實(shí)現(xiàn)

目前，在信息處理方向上，文本的表示主要采用向量空間模型[11]。用空間向量模型表示文本，首先要對(duì)文本進(jìn)行分詞，進(jìn)行特征選擇和權(quán)重計(jì)算，最后形成一個(gè)N維空間向量[12]。

2.1 特征詞權(quán)重的計(jì)算

權(quán)重的計(jì)算有多種方法，主要有布爾函數(shù)、頻度函數(shù)、開根號(hào)函數(shù)、對(duì)數(shù)函數(shù)、熵函數(shù)及TF*IDF函數(shù)等，TF*IDF函數(shù)因其算法相對(duì)簡(jiǎn)單、有較高的準(zhǔn)確率和召回率，一直受到相關(guān)研究人員和眾多應(yīng)用領(lǐng)域的青睞[13]。Salton在1973年提出的TF*IDF啟發(fā)式權(quán)重算法計(jì)算公式[14]為：

W（fi，d）=TF（fi，d）×DIF（fi）=N（fid）×log（N（fi）/N）（1）

其中，W（fi，d）是特征詞fi在文本d中的權(quán)重，N（fi）是出現(xiàn)特征詞fi的文本數(shù)，N是總文本數(shù)，N（fid）是文本d中出現(xiàn)fi的次數(shù)。

施聰鶯等[12]對(duì)“考慮類間類內(nèi)差異的TF*IDF”、“TF*IWF*IWF”、“引入方差的TF*IWF*IWF”及“TF*IDF頻率”算法進(jìn)行測(cè)試，“引入方差的TF*IWF*IWF”無(wú)論是在開放測(cè)試還是在封閉測(cè)試中，F(xiàn)1測(cè)試值都非常高，反映了方差在抑制干擾方面的作用。本研究采用陳克利等[13]提出的“引入方差的TF*IWF*IWF”權(quán)重算法進(jìn)行計(jì)算。

特征詞在類別中的權(quán)重計(jì)算公式：

wij=■×（log（N（ti）/N））2×■ （2）

特征詞在文檔中的權(quán)重計(jì)算公式：

wid=■×（log（N（ti）/N））2×■ （3）

其中，Pij=Tij/Lj，Lj是類別Cj含有的所有特征詞的次數(shù)之和，Tij是特征詞ti在類別Cj出現(xiàn)的次數(shù)；Pid=Tid/Ld，Ld是文檔d含有的所有特征詞的次數(shù)之和，Tid是特征詞ti在文檔d 出現(xiàn)的次數(shù)；■i=■Pij/m，其中m為類別數(shù)；a為正整數(shù)；N（ti）是全部文檔中出現(xiàn)特征詞ti的次數(shù)，N是全部文檔所有特征詞出現(xiàn)次數(shù)之和。這里a的取值為3。

借鑒劉華等[14]對(duì)不同特征詞進(jìn)行加權(quán)的思路，標(biāo)題中的特征詞加權(quán)底數(shù)為2，查詢的特征詞加權(quán)底數(shù)為3，正文中的特征詞數(shù)按200字分級(jí)，每增加一級(jí)，在原來(lái)系數(shù)上相應(yīng)加1。重新修訂公式（2）和（3）中Tij與Tid的計(jì)算：

Tid=∑Tic+（3+？姿）∑Tis+（2+？姿）∑Tit （4）

Tij=■Tid （5）

其中，∑Tic表示特征詞在正文中的計(jì)數(shù)，∑Tit表示特征詞在標(biāo)題中的計(jì)數(shù)，∑Tis表示特征詞在查詢中的計(jì)數(shù)，λ=Tic＼200（“＼”表示整除）。

心理學(xué)研究認(rèn)為，人的記憶會(huì)隨著時(shí)間的延續(xù)而逐漸遺忘，當(dāng)環(huán)境或場(chǎng)合的改變使得記憶中的某些信息長(zhǎng)期不被利用時(shí)，這些信息會(huì)逐漸被遺忘。根據(jù)心理學(xué)的記憶遺忘理論，可以認(rèn)為用戶興趣的改變就是一種記憶遺忘現(xiàn)象[16]。目前對(duì)遺忘機(jī)制的研究是把時(shí)間對(duì)興趣的影響通過(guò)遺忘函數(shù)或遺忘因子來(lái)表示出來(lái)，并更新用戶的興趣。遺忘函數(shù)或遺忘因子有著不同的公式表示，有指數(shù)函數(shù)[16-21]、線性函數(shù)[22-26]、菲波拉契數(shù)列[27]、冪函數(shù)[28]、對(duì)數(shù)函數(shù)[29]、分段函數(shù)[30]、非線性函數(shù)[31-33]等。于洪等[28]用ZGrapher工具對(duì)艾賓浩斯遺忘曲線進(jìn)行擬合，得到符合遺忘曲線的數(shù)學(xué)函數(shù)：endprint

Y=0.318×X-0.125（X>0） （6）

南智敏[30]對(duì)艾賓浩斯遺忘曲線擬合出分段函數(shù)，其中n為自然數(shù)：

g（n）=1，n=00.337，n=10.29-0.006n，2≤n≤60.264 32-0.001 72n，6≤n≤31（7）

百度百科的“遺忘曲線”詞條[34]給出了艾賓浩斯記憶遺忘一般規(guī)律，得出初次記憶后經(jīng)過(guò)了X小時(shí)，記憶率Y近似地滿足：

Y=1-0.56×X0.06 （8）

對(duì)公式（6）～（8）進(jìn)行運(yùn)算，公式（7）最符合艾賓浩斯遺忘曲線，但公式（7）缺少31 d以后的表示。31 d以后的記憶趨于穩(wěn)定，所以把31 d以后設(shè)置為固定值0.211，修改后的公式為公式（9）：

g（n）=1，n=00.337，n=10.29-0.006n，2≤n≤60.264 32-0.001 72n，6≤n≤310.211，n>31（9）

但興趣的改變和遺忘不能完全一樣，因此把日期的天數(shù)換成日期的區(qū)間，以保證興趣的穩(wěn)定性，修改后的公式為公式（10）：

g（n）=1，0≤n≤t0.337，t≤n≤2t0.29-0.006n，2t≤n≤6t0.264 32-0.001 72n，6t≤n≤31t0.211，n>31t（10）

其中，t為正整數(shù)。

采用公式（10）對(duì)特征詞在類別和文檔中的權(quán)重進(jìn)行動(dòng)態(tài)更新。特征詞的權(quán)重按照公式（2）和（3）進(jìn)行特征詞加權(quán)修訂后和公式（10）之乘積進(jìn)行計(jì)算。文檔中的權(quán)重也要計(jì)算，因?yàn)槲臋n越新，對(duì)用戶的價(jià)值越大，公式（10）對(duì)類別和文檔進(jìn)行計(jì)算時(shí)，t可以取不同的值。

2.2 特征向量的構(gòu)造

特征向量的構(gòu)造過(guò)程如下：

1）分析服務(wù)器日志，去掉與日志無(wú)關(guān)的信息，如請(qǐng)求失敗信息、頁(yè)面圖片請(qǐng)求等等，把用戶有效的訪問(wèn)信息保存到數(shù)據(jù)庫(kù)中[4]。

2）獲取用戶瀏覽的新聞資訊頁(yè)面、論壇中發(fā)布及回復(fù)的帖子、便民服務(wù)的關(guān)鍵詞、短信提問(wèn)的問(wèn)題，進(jìn)行中文分詞，去除停用詞。對(duì)于中文分詞采用IK Analyzer 2012。IK Analyzer是一個(gè)開源的、基于Java語(yǔ)言開發(fā)的輕量級(jí)中文分詞工具包。在2012版本中，支持通過(guò)配置IK Analyzer.cfg.xml文件來(lái)擴(kuò)充專有詞典和停止詞典，詞典的格式為無(wú)BOM的UTF-8編碼的中文文本文件[35]。農(nóng)業(yè)專業(yè)詞典可以借助網(wǎng)絡(luò)上的詞庫(kù)構(gòu)建，搜狗輸入法[36]、百度輸入法[37]、QQ輸入法[38]等輸入法提供了眾多的詞庫(kù)供用戶下載使用。從“農(nóng)林牧漁”類挑選詞庫(kù)，整理農(nóng)業(yè)專業(yè)詞典。停止詞典在文獻(xiàn)[39]和[40]的基礎(chǔ)上構(gòu)建。

3）對(duì)每一個(gè)類別計(jì)算特征詞在類別和文檔中的權(quán)重，構(gòu)造用戶特征詞喜好向量Tk和文檔特征向量Dh。Tk=（w1k，w2k，…，wnk），k∈[1，m]，m為用戶感興趣的類別個(gè)數(shù)，n為類別中特征詞的個(gè)數(shù)；Dh=（w1h，w2h，…，wsh），h∈[1，b]，b為該類別下的文檔個(gè)數(shù)，s為文檔中特征詞的個(gè)數(shù)。

特征向量的構(gòu)造如圖1所示。

2.3 用戶類別喜好向量的更新

當(dāng)用戶訪問(wèn)系統(tǒng)一段時(shí)間后，用戶興趣發(fā)生變化時(shí)，再使用用戶注冊(cè)時(shí)的初始用戶類別喜好向量進(jìn)行計(jì)算就會(huì)出現(xiàn)偏差，因此要進(jìn)行用戶類別喜好向量更新。更新策略為：統(tǒng)計(jì)用戶點(diǎn)擊不同類別文檔的點(diǎn)擊次數(shù)，按照公式（8）進(jìn)行衰減，計(jì)算出最終的點(diǎn)擊值。利用不同類別的點(diǎn)擊值，重新構(gòu)造喜好向量i=（i1，i2，…，im），m為現(xiàn)在用戶感興趣的類別個(gè)數(shù)。對(duì)向量進(jìn)行規(guī)范化處理：wj=ij/■ij，得到新的類別喜好權(quán)重。

2.4 相似度的計(jì)算

用戶特征詞喜好和文檔特征表示采用向量方式，因此可以把資源對(duì)用戶的推薦度計(jì)算轉(zhuǎn)換為向量間的余弦相似度的計(jì)算[10]。由于余弦相似度的計(jì)算要求兩個(gè)向量維數(shù)相同，因此向量Tk和Dh要進(jìn)行維數(shù)的統(tǒng)一，即存在于Tk而不存在于Dh的特征詞補(bǔ)充到Dh中，其權(quán)重為0；存在于Dh而不存在于Tk的特征詞補(bǔ)充到Tk中，其權(quán)重為0。即Tk=（w1k，w2k，…，wSk），Dh=（w1h，w2h，…，wSh），S為維數(shù)統(tǒng)一后的特征詞個(gè)數(shù)，滿足max（n，s）Sm+n。余弦相似度計(jì)算公式為：

sim（Tk，Dh）=（■w2ck×w2ch）/（■）×（■） （11）

3 個(gè)性化服務(wù)推薦算法及反饋

3.1 個(gè)性化服務(wù)推薦算法

個(gè)性化服務(wù)推薦算法流程圖如圖2所示。

3.2 反饋

為了判斷用戶是否瀏覽推薦的信息，對(duì)推薦信息的URL添加一個(gè)參數(shù)，設(shè)置為用戶注冊(cè)的用戶名。當(dāng)用戶點(diǎn)擊推薦的信息，服務(wù)器會(huì)進(jìn)行統(tǒng)計(jì)。通過(guò)統(tǒng)計(jì)信息，可以獲知每一次推薦的效果。

4 小結(jié)

對(duì)基于內(nèi)容過(guò)濾的個(gè)性化服務(wù)模型進(jìn)行了研究，針對(duì)農(nóng)業(yè)信息化綜合服務(wù)平臺(tái)的目的與意義，提出了農(nóng)業(yè)信息個(gè)性化推薦模型，采用用戶顯式反饋和用戶隱式反饋兩種方法相結(jié)合獲得用戶興趣。利用特征詞權(quán)重和構(gòu)造特征向量將文本分詞，為了讓個(gè)性化推薦更準(zhǔn)確，采用遺忘函數(shù)按時(shí)間對(duì)特征詞的權(quán)重進(jìn)行更新，并對(duì)用戶類別興趣進(jìn)行更新。通過(guò)對(duì)推薦信息的URL參數(shù)統(tǒng)計(jì)獲知推薦效果，進(jìn)一步對(duì)個(gè)性化推薦模型進(jìn)行修正，為用戶提供更好的個(gè)性化服務(wù)。但這個(gè)反饋需要對(duì)大量統(tǒng)計(jì)數(shù)據(jù)進(jìn)行挖掘分析，是一項(xiàng)長(zhǎng)期的工作。

參考文獻(xiàn)：

[1] 胡宜敏.農(nóng)業(yè)垂直搜索引擎語(yǔ)義化若干問(wèn)題的研究與實(shí)現(xiàn)[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2012.

[2] 潘拓宇，朱珍民.一種改進(jìn)的基于協(xié)同過(guò)濾的個(gè)性化推薦算法[J].微計(jì)算機(jī)信息（管控一體化），2010，26（12-3）：228-229，121.

[3] 李 寧，王子磊，吳 剛，等.個(gè)性化影片推薦系統(tǒng)中用戶模型研究[J].計(jì)算機(jī)應(yīng)用與軟件，2010，27（12）：51-54.endprint

[4] 曾 春，邢春曉，周立柱.個(gè)性化服務(wù)技術(shù)綜述[J].軟件學(xué)報(bào)，2002，13（10）：1952-1961.

[5] 楊 艷，邱艷麗.新的基于日志分析的用戶個(gè)性化模型[J].計(jì)算機(jī)科學(xué)與探索，2012，6（4）：333-342.

[6] 余 俠，朱 林.根據(jù)用戶反饋建立和更新數(shù)字圖書館用戶興趣模型[J].情報(bào)雜志，2004（11）：21-22.

[7] 張 帆，楊炳儒.基于文本過(guò)濾的數(shù)字圖書館個(gè)性化服務(wù)技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用，2006（31）：206-208.

[8] 趙銀春，付關(guān)友，朱征宇.基于Web瀏覽內(nèi)容和行為相結(jié)合的用戶興趣挖掘[J].計(jì)算機(jī)工程，2005，31（12）：93-94，198.

[9] 李 永，徐德智，張 勇，等.VRE中基于內(nèi)容過(guò)濾的論文推薦算法[J].計(jì)算機(jī)應(yīng)用研究，2007，24（9）：58-60，89.

[10] 周珊丹，周興社，王海鵬，等.智能博物館環(huán)境下的個(gè)性化推薦算法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（19）：224-226.

[11] 趙豐年，劉 林，商建云.基于概念的文本過(guò)濾模型[J].計(jì)算機(jī)工程與應(yīng)用，2006，42（4）：186-188.

[12] 施聰鶯，徐朝軍，楊曉江.TFIDF算法研究綜述[J].計(jì)算機(jī)應(yīng)用，2009，29（6）：167-170，180.

[13] 陳克利，宗成慶，王 霞.基于大規(guī)模真實(shí)文本的平衡語(yǔ)料分析與文本分類方法[A].孫茂松，陳群秀.語(yǔ)言計(jì)算與基于內(nèi)容的文本處理——全國(guó)第七屆計(jì)算語(yǔ)言學(xué)聯(lián)合學(xué)術(shù)會(huì)議論文集[C].北京：清華大學(xué)出版社，2003.

[14] 劉 華，張 普.面向詞典編纂的詞匯聚類研究[A].2004年辭書與數(shù)字化研討會(huì)論文集[C].上海：上海辭書出版社，2004.

[15] 顏端武.面向知識(shí)服務(wù)的智能推薦系統(tǒng)研究[D].南京：南京理工大學(xué)，2007.

[16] 蔣 萍，崔志明.智能搜索引擎中用戶興趣模型分析與研究[J].微電子學(xué)與計(jì)算機(jī)，2004，21（11）：24-26.

[17] ZHANG Y C， LIU Y Z. A collaborative filtering algorithm based on time period partition[A].In：Proceeding of the 3rd international symposium on intelligent information technology and security informatics[C].USA：IEEE，2010.

[18] 張紅衛(wèi).基于科技文獻(xiàn)的時(shí)序主題鏈構(gòu)建方法研究[D].遼寧大連：大連理工大學(xué)，2013.

[19] 鄧 娟，陳西曲.基于用戶興趣變化的協(xié)同過(guò)濾推薦算法[J].武漢工業(yè)學(xué)院學(xué)報(bào)，2013，32（4）：48-51.

[20] 鄧 攀，鐘 將.基于推薦的抗攻擊電子商務(wù)信任模型[J].計(jì)算機(jī)應(yīng)用，2013，33（12）：3490-3493，3502.

[21] 李克潮，梁正友.適應(yīng)用戶興趣變化的指數(shù)遺忘協(xié)同過(guò)濾算法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（13）：154-156.

[22] 石 晶，龔震宇，裘杭萍，等.基于用戶興趣模型的智能信息檢索系統(tǒng)技術(shù)與實(shí)現(xiàn)[J].情報(bào)學(xué)報(bào)，2003，22（3）：282-286.

[23] 宋麗哲，牛振東，余正濤，等.一種基于混合模型的用戶興趣漂移方法[J].計(jì)算機(jī)工程，2006，32（1）：4-6，89.

[24] 李 寧，王子磊，吳 剛，等.個(gè)性化影片推薦系統(tǒng)中用戶模型研究[J].計(jì)算機(jī)應(yīng)用與軟件，2010，27（12）：51-53.

[25] 邢春曉，高鳳榮，戰(zhàn)思南，等.適應(yīng)用戶興趣變化的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2007，44（2）：296-301.

[26] 鄭充林.協(xié)同過(guò)濾的服裝推薦算法的改進(jìn)研究[D].上海：東華大學(xué)，2013.

[27] 張守志，許 彥.一個(gè)個(gè)性化服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].小型微型計(jì)算機(jī)系統(tǒng)，2003，24（12）：2155-2158.

[28] 于 洪，李轉(zhuǎn)運(yùn).基于遺忘曲線的協(xié)同過(guò)濾推薦算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2010，46（5）：520-527.

[29] 朱 祎，和 莉，王小軍.基于關(guān)聯(lián)反饋技術(shù)的用戶興趣模型的建立與自適應(yīng)更新[J].金陵科技學(xué)院學(xué)報(bào)，2011，27（4）：35-39.

[30] 南智敏.基于網(wǎng)頁(yè)興趣度的用戶興趣模型體系研究[D].上海：復(fù)旦大學(xué)，2012.

[31] 申倩倩.基于本體和情境感知的信息個(gè)性化服務(wù)關(guān)鍵技術(shù)研究[D].西安：西安工程大學(xué)，2011.

[32] 李志浩，聶文匯，成 鵬，等.基于分頁(yè)緩存模型的用戶興趣跟蹤方法[J].計(jì)算機(jī)工程與科學(xué)，2012，34（10）：32-37.

[33] 鄭先榮，湯澤瀅，曹先彬.適應(yīng)用戶興趣變化的非線性逐步遺忘協(xié)同過(guò)濾算法[J].計(jì)算機(jī)輔助工程，2007，16（2）：69-73.

[34] 遺忘曲線[EB/OL].http：//baike.baidu.com/link？url=V3FKH3Uhy

yA_I4qK7-cgYuoy7-Rsy_y1PwE1_CXFLFeBcArJ3StBEgSh9Ezg

Bqr9，2014-03-04/2014-04-20.

[35] IKAnalyzer中文分詞器V2012使用手冊(cè)[EB/OL].http：//code.google.com/p/ik-analyzer/downloads/detail name AD%E6%96%87%E5%88%86%E8%AF%8D%E5%99%A8V2012%E4%BD%BF%E7%94%A8%E6%89%8B%E5%86%8C.pdf&can=2&q=，2012-03-07/2014-04-20.

[36] 搜狗細(xì)胞詞庫(kù)_詞庫(kù)下載_詞典_輸入法字典[EB/OL].http：//pinyin.sogou.com/dict/.

[37] 百度輸入法-詞庫(kù)首頁(yè)[EB/OL].http：//shurufa.baidu.com/dict-list.html.

[38] QQ輸入法分類詞庫(kù)[EB/OL].http：//dict.py.qq.com/.

[39] 張啟宇.基于貝葉斯算法的垃圾郵件過(guò)濾系統(tǒng)的研究與設(shè)計(jì)[D].山東曲阜：曲阜師范大學(xué)，2006.

[40] 應(yīng)曉敏.面向Internet個(gè)性化服務(wù)的用戶建模技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2003.endprint