0 引言

目前，處于“信息迷航”和“信息過載”背景下的讀者在主動獲取信息和訂閱數(shù)字資源服務(wù)的過程中，是處于一種長期動態(tài)變化、異構(gòu)終端和網(wǎng)絡(luò)環(huán)境的應(yīng)用場景下。而基于Web環(huán)境的數(shù)字資源服務(wù)的個(gè)性化推薦，往往只關(guān)注“讀者——數(shù)字資源服務(wù)”之間的二元關(guān)聯(lián)關(guān)系，而較少考慮讀者及其所需資源所處的上下文環(huán)境（如時(shí)空信息、環(huán)境和實(shí)體、讀者狀態(tài)情況、網(wǎng)絡(luò)條件、軟硬件條件等等），使其個(gè)性化推薦服務(wù)在讀者所處的終端軟硬件和網(wǎng)絡(luò)環(huán)境不斷變化過程中并不能生成有效推薦，仍然存在不能準(zhǔn)確、全面地向讀者推薦數(shù)字資源的問題，加大了實(shí)現(xiàn)精準(zhǔn)數(shù)字資源個(gè)性化服務(wù)的困難

。

隨著數(shù)字資源個(gè)性化服務(wù)研究的深入，作為個(gè)性化推薦和個(gè)性化自適應(yīng)的重要分支——個(gè)性化推薦技術(shù)，筆者認(rèn)為應(yīng)建立異構(gòu)網(wǎng)絡(luò)環(huán)境（稱其為異構(gòu)環(huán)境，包含終端硬件環(huán)境、軟件環(huán)境、網(wǎng)絡(luò)環(huán)境的異構(gòu)）下的讀者上下文模型，系統(tǒng)、全面地了解和把握讀者的相關(guān)信息（即讀者上下文，描述讀者狀態(tài)的任何信息），并據(jù)此為讀者提供服務(wù)，才能提升推薦和自適應(yīng)的精準(zhǔn)度，提高異構(gòu)網(wǎng)絡(luò)環(huán)境下數(shù)字資源服務(wù)的讀者滿意度。建立和完善讀者上下文模型，可以說是數(shù)字資源個(gè)性化服務(wù)系統(tǒng)中的基石。

1 讀者上下文模型架構(gòu)

數(shù)字資源個(gè)性化服務(wù)讀者（簡稱為“讀者”）是數(shù)字資源信息服務(wù)的使用者或消費(fèi)者，而讀者上下文模型作為數(shù)字資源個(gè)性化服務(wù)的基石決定了異構(gòu)環(huán)境下數(shù)字資源個(gè)性化服務(wù)的滿意度。根據(jù)異構(gòu)環(huán)境下數(shù)字資源個(gè)性化服務(wù)整個(gè)過程的描述，以及相應(yīng)模塊的定位可知，實(shí)現(xiàn)數(shù)字資源個(gè)性化服務(wù)所需的四項(xiàng)關(guān)鍵技術(shù)分別是異構(gòu)環(huán)境讀者上下文定義、基于本體的讀者上下文建模、讀者上下文獲取、讀者上下文模型更新。讀者上下文模型架構(gòu)在其服務(wù)過程中共有6個(gè)功能模塊，如圖1所示。

（1）讀者上下文獲取模塊。該模塊主要用于獲取讀者上下文建模需要的相關(guān)數(shù)據(jù)，這些數(shù)據(jù)包括讀者特征相關(guān)信息、讀者環(huán)境相關(guān)信息、讀者擁有的計(jì)算資源相關(guān)信息，以及讀者向系統(tǒng)反饋的數(shù)字資源服務(wù)體驗(yàn)信息。

除了以上縫合方式的應(yīng)用，縫線橋技術(shù)也得到一定的發(fā)展。Kim等［5］的研究納入112例肩袖分層撕裂患者，根據(jù)術(shù)中發(fā)現(xiàn)肩袖關(guān)節(jié)側(cè)復(fù)位至足印區(qū)的張力大小分為縫線橋全層縫合組和縫線橋單獨(dú)滑囊側(cè)縫合組，其結(jié)果顯示兩組在疼痛緩解、功能恢復(fù)及再撕裂發(fā)生率上差異無明顯統(tǒng)計(jì)學(xué)意義，其結(jié)論說明當(dāng)關(guān)節(jié)側(cè)張力大時(shí)，單獨(dú)行滑囊側(cè)的縫線橋技術(shù)同樣能獲得很好的臨床效果。Heuberer等［17］提出無結(jié)性分層系帶橋接技術(shù)（double-layer cinch bridge），其優(yōu)點(diǎn)在于能減少縫線結(jié)對分層肩袖微循環(huán)恢復(fù)的影響，并且能同時(shí)完成分層肩袖的解剖重建，同樣能獲得滿意的臨床效果。

FOAF

是描述個(gè)人信息的常見的XML/RDF詞匯表，很容易與OWL融合，異構(gòu)環(huán)境讀者特征上下文模型建立在OWL和FOAF之上，具體模型見圖3。

周圍環(huán)境類（Surroundings）描述讀者周圍的相關(guān)實(shí)體，包括讀者所在的自習(xí)室、教室、餐廳等固定區(qū)域，以及移動區(qū)域和對象（除人類和位置外的所有事物）。

蒙古馬體形矮小，其貌不揚(yáng)，然而，在風(fēng)霜雪雨的大草原上，其卻能不畏艱辛、縱橫馳騁、屢建奇功，鑄就了蒙古馬獨(dú)特的品格和精神。習(xí)近平總書記在考察內(nèi)蒙古時(shí)指出，干事創(chuàng)業(yè)就要像蒙古馬那樣，有一種吃苦耐勞、一往無前的精神。

（4）基于本體的讀者上下文模型表示，即讀者上下文模型建模。采用本體論方法表示讀者上下模型，但實(shí)現(xiàn)數(shù)字資源的個(gè)性化服務(wù)需要將讀者上下文本體和數(shù)字資源信息服務(wù)本體進(jìn)行匹配，因此系統(tǒng)建立的初期需要建立數(shù)字資源信息服務(wù)的本體庫，用來描述數(shù)字資源。

2 基于本體的異構(gòu)環(huán)境讀者通用及所屬領(lǐng)域上下文建模

為了提高所建模型的通用性，能夠融合異構(gòu)環(huán)境下不同數(shù)據(jù)源的跨域的讀者環(huán)境、讀者計(jì)算上下文，ReaderEnvironment和ReaderComputing建立為獨(dú)立上下文本體。異構(gòu)環(huán)境情景上下文（Situation Context）一般通過對其他上下文推理、學(xué)習(xí)獲得，描述讀者當(dāng)前所處的情景，是讀者上下文實(shí)體的一部分，根據(jù)情景上下文向讀者提供相應(yīng)的數(shù)字資源服務(wù)。數(shù)字資源上下文實(shí)體描述數(shù)字資源服務(wù)分布在互聯(lián)網(wǎng)的任意節(jié)點(diǎn)上，其上下文信息由服務(wù)提供者描述，屬于來源于外部的上下文實(shí)體。通過通用讀者上下文模型，數(shù)字資源個(gè)性化服務(wù)推薦系統(tǒng)能夠理解讀者在什么環(huán)境下處于何種情景、能夠通過什么樣的計(jì)算資源、需要訂閱什么樣的數(shù)字資源服務(wù)。

如盡可能的利用自然光，采用高效照明光源；衛(wèi)生器具的選擇上選用節(jié)水型衛(wèi)生器具；空調(diào)器選用節(jié)能型等方式，暖通空調(diào)制冷在建筑中具有主動性，對建筑節(jié)能有很大的影響。

基于本體的讀者上下文建模是將異構(gòu)環(huán)境下數(shù)字資源服務(wù)提供中與讀者相關(guān)的概念定義成公共的詞匯集合，并且對概念之間的關(guān)系提供形式化的、明確的描述，進(jìn)而對既有事實(shí)進(jìn)行推導(dǎo)，得出隱藏的或沒有清晰表達(dá)的新知識。另外，讀者上下文模型支持在不同領(lǐng)域推薦中的共享，實(shí)現(xiàn)跨域的數(shù)字資源服務(wù)推薦也是在建立讀者上下文模型時(shí)必須考慮的問題，即需要考慮模型的通用性和擴(kuò)展性。

基于上述考慮，本節(jié)采用本體技術(shù)，建立異構(gòu)環(huán)境讀者上下文模型（RCM_HE：Reader Context Model under Heterogeneous Environment）。來自于跨域的讀者上下文共享某些概念，但又有獨(dú)特的表述，因此RCM_HE采用分層的思想，分成用于獲取異構(gòu)環(huán)境基本、通用概念的通用讀者上下文模型和用于獲取特定領(lǐng)域相關(guān)概念的領(lǐng)域讀者上下文模型。

在通用讀者上下文模型中，位于最頂層的上下文實(shí)體（ContextEntity）為全局概念，異構(gòu)環(huán)境讀者上下文（Reader）、異構(gòu)環(huán)境讀者特征上下文（ReaderCharacters）和異構(gòu)環(huán)境情景上下文（SituationContext）為ContextEntity的子類（subclass）。當(dāng)Reader存在于（exist In）異構(gòu)環(huán)境讀者環(huán)境上下文（ReaderEnvironment）和異構(gòu)環(huán)境情景上下文（SituationContext）中時(shí)，通過其擁有的異構(gòu)環(huán)境讀者計(jì)算上下文（ReaderComputing）使用（uses）其所需要的數(shù)字資源（DigitalResource）。Digital Resource需要在ReaderComputing下運(yùn)行（runOn），在ReaderComputing下可以負(fù)載多個(gè)DigitalResource。其他上下文實(shí)體皆可通過ContextEntity與Reader Environment和ReaderComputing相關(guān)聯(lián)，實(shí)現(xiàn)上下文實(shí)體間關(guān)系的描述。具體模型所圖2所示。

目前在圖書情報(bào)領(lǐng)域?qū)ψx者（用戶）模型、讀者（用戶）畫像已取得一些研究成果，但對讀者上下文還沒有明確的定義，更沒有關(guān)于異構(gòu)環(huán)境下的讀者上下文模型。本文認(rèn)為研究的側(cè)重點(diǎn)應(yīng)在數(shù)字資源服務(wù)推薦過程中能夠?qū)ψx者的行為、偏好和需求產(chǎn)生影響的上下文信息才有意義。異構(gòu)環(huán)境讀者上下文是描述異構(gòu)環(huán)境下讀者特征信息、讀者周圍情況和計(jì)算資源情況并且影響到讀者行為和偏好的各種信息及其變化的集合。異構(gòu)環(huán)境下讀者的上下文信息種類繁多、形式多樣，如何充分利用這些上下文信息實(shí)現(xiàn)精準(zhǔn)的數(shù)字資源信息服務(wù)推薦是本文的最終目標(biāo)，因而對復(fù)雜異構(gòu)的信息進(jìn)行抽象，建立統(tǒng)一、準(zhǔn)確、全面描述讀者的上下文模型是本節(jié)要解決的問題。

1.2.2 瀘州地區(qū)醬香型新鮮酒糟的養(yǎng)分特征。試驗(yàn)用酒糟來自郎酒集團(tuán)醬香型酒糟，酒糟的主要成分為稻殼和高粱。對酒糟進(jìn)行酸堿度、干物質(zhì)、粗脂肪、粗蛋白及氨基酸含量的測定，測定結(jié)果：pH 4.4±0.1，干物質(zhì)(90.3±0.2)%，粗脂肪(7.0±0.1)%，粗蛋白(26.6±0.2)%，氨基酸總量(28.5±0.2)%。

此外，根據(jù)讀者所屬領(lǐng)域的不同，將通用讀者上下文模型進(jìn)行擴(kuò)展后形成領(lǐng)域讀者上下文模型，通過定義描述領(lǐng)域的詞匯來實(shí)現(xiàn)。例如按照讀者群體類型分類的高校學(xué)生群體、青年讀者群體、老年讀者群體、特殊殘疾人讀者群體，就高校學(xué)生群體而言，學(xué)生讀者可以分為遠(yuǎn)程讀者和本地讀者，本地讀者可以面對面收看教師授課，遠(yuǎn)程讀者可以通過遠(yuǎn)程服務(wù)收看教師授課。應(yīng)用領(lǐng)域發(fā)生變化時(shí)，通過繼承、插拔通用讀者上下文本體的概念實(shí)現(xiàn)動態(tài)的領(lǐng)域上下文轉(zhuǎn)換。依據(jù)讀者所屬領(lǐng)域的不同形成領(lǐng)域讀者上下文能夠更加精確地描述讀者所處狀態(tài)，更精細(xì)地描述讀者的特征、環(huán)境信息，從而提供更精準(zhǔn)的數(shù)字資源推薦服務(wù)。而上層本體概念又被所有領(lǐng)域所共享，領(lǐng)域本體之間通過映射實(shí)現(xiàn)概念的共享。這種分層結(jié)構(gòu)既有抽象，又有具體；既能縮小本體規(guī)模，又有利于對上下文的處理和推理。

3 異構(gòu)環(huán)境讀者特征定義及其上下文建模

（2）讀者上下文模型生成模塊。依據(jù)讀者上下文模型的模式將讀者信息寫入讀者上下文模型，并且生成讀者上下文的本體實(shí)例。

網(wǎng)絡(luò)環(huán)境類（NetworkEnvironment）描述讀者終端所處的網(wǎng)絡(luò)環(huán)境特征，如網(wǎng)絡(luò)類型、網(wǎng)絡(luò)帶寬、QoS、接入模式、網(wǎng)絡(luò)類型、資費(fèi)、服務(wù)質(zhì)量、能夠支持的接入設(shè)備類型等信息?，F(xiàn)在讀者使用的數(shù)字資源服務(wù)均承載在多種異構(gòu)的網(wǎng)絡(luò)上，包括電信網(wǎng)（CommunicationNetwork）、廣播電視網(wǎng)（TelevisionNetwork）和互聯(lián)網(wǎng)（Internet）三個(gè)子類，具有網(wǎng)絡(luò)并存的特點(diǎn)。這些網(wǎng)絡(luò)環(huán)境上下文決定了數(shù)據(jù)傳輸速率、傳送方式和讀者所使用的終端設(shè)備。

讀者社會關(guān)系類（ReaderSocialRela）描述影響讀者態(tài)度的師長、親戚、朋友、同事、同學(xué)等社會關(guān)系，通過對社會關(guān)系的推理獲得讀者的興趣愛好、習(xí)慣和偏好等部分信息，這里重點(diǎn)研究與數(shù)字資源推薦相關(guān)的讀者社會關(guān)系上下文，該類數(shù)據(jù)也可以通過FOAF本體獲得，在一段時(shí)期內(nèi)，該類數(shù)據(jù)較為穩(wěn)定。

讀者行為類（ReaderBehavior）描述異構(gòu)環(huán)境下讀者在什么樣的環(huán)境下利用什么樣的計(jì)算設(shè)備使用什么數(shù)字資源的若干歷史記錄，包括工作、生活、學(xué)習(xí)等與數(shù)字資源個(gè)性化服務(wù)相關(guān)的行為。讀者使用數(shù)字資源的若干事件（Event），每個(gè)事件中又包含讀者的一個(gè)或多個(gè)動作（Activity）。本概念需要與環(huán)境、計(jì)算本體相關(guān)聯(lián)以獲取相關(guān)的時(shí)間、位置、網(wǎng)絡(luò)、軟件、終端設(shè)備等信息。處于不同時(shí)期讀者的行為也可能存在差異，如大學(xué)時(shí)期的讀者經(jīng)常在教室中利用筆記本電腦閱讀專業(yè)電子書籍，可通過引用讀者的基本信息類，獲取讀者相關(guān)特征。

讀者行為習(xí)慣類（ReaderHabit）通常描述的是讀者在訂閱或接受數(shù)字資源服務(wù)時(shí)習(xí)慣使用的終端、網(wǎng)絡(luò)和位置等。這是對讀者行為記錄（也可以是推理）的抽象結(jié)論。讀者行為習(xí)慣具有一定的動態(tài)性，可以是讀者某一時(shí)期對環(huán)境和計(jì)算上下文的依賴程度，如大學(xué)生經(jīng)常在教室使用筆記本電腦閱讀專業(yè)電子書、在宿舍經(jīng)常用手機(jī)打游戲或者看電影，可以得出此時(shí)的讀者習(xí)慣是“經(jīng)常在教室使用筆記本電腦、在宿舍使用手機(jī)”。

讀者興趣愛好類（ReaderHobby）描述描述長期和短期內(nèi)讀者分別對什么樣的數(shù)字資源感興趣。有些興趣具有一定的穩(wěn)定性，如處于某個(gè)特征（比如大學(xué)生喜歡運(yùn)動類、娛樂類數(shù)字資源）的讀者興趣愛好具有一定的穩(wěn)定性。而不同環(huán)境下的讀者對數(shù)字資源的興趣也會不同，有些興趣具有一定的動態(tài)性，如某讀者長期喜歡體育運(yùn)動類數(shù)字資源，而某個(gè)時(shí)期對看電影感興趣，所以該類應(yīng)該包含讀者特征和環(huán)境信息。這里還需要考慮一個(gè)情景問題，比如在上課時(shí)間的自主學(xué)習(xí)情景下，大學(xué)生在教室內(nèi)使用筆記本電腦查閱課程知識點(diǎn)，用情景類（Situation）描述，通過引用BDI

本體對情景類進(jìn)行詳細(xì)描述。

2）污水流速為0.2 m/s對水側(cè)換熱系數(shù)的影響很大，換熱系數(shù)由4 368增大到5 545 W/m2·K，增大約27%，而后當(dāng)污水流速再增大到0.25 m/s，水側(cè)換熱系數(shù)約6 048 W/m2·K，增大為僅9%.說明從0.2 m/s后，污水速度提高對水側(cè)換熱系數(shù)影響趨勢不太明顯.

4 異構(gòu)環(huán)境讀者環(huán)境定義及其上下文建模

OWL-Time

是W3C空間數(shù)據(jù)工作組發(fā)布的OWL時(shí)間本體正式推薦標(biāo)準(zhǔn)，是目前最具有代表性的本體，也是OWL本體不可或缺的一部分。該本體提供了一組標(biāo)準(zhǔn)的詞匯，描述瞬時(shí)、時(shí)間段等信息。對數(shù)字資源推薦影響較大的是時(shí)間段和持續(xù)時(shí)間等信息，從有利于上下文處理和推理角度考慮，本文對OWL-Time進(jìn)行簡化，保留瞬時(shí)時(shí)間概念，去除瞬時(shí)拓?fù)潢P(guān)系及其相關(guān)的其他信息。GLOSS-Location

是目前僅有的關(guān)注符號位置的空間描述本體，具有較好的通用性和擴(kuò)展性，本文參照該本體并對其進(jìn)行簡化，具體的模型見圖4。

時(shí)間空間類（TimeAndLocation）描述與讀者相關(guān)的時(shí)間、地點(diǎn)、網(wǎng)絡(luò)和郵件地址、線路軌跡等環(huán)境信息。時(shí)間本體由瞬時(shí)時(shí)間（Instant）、區(qū)間時(shí)間（Interval）、持續(xù)區(qū)間（Duration）、非零持續(xù)時(shí)間（ProperInterval）、間斷區(qū)間（GapInterval）、日歷（CalendarClock）組成。這里重點(diǎn)描述一下間斷區(qū)間的應(yīng)用場景，如某位讀者正在閱讀某個(gè)數(shù)字資源，期間來了一個(gè)朋友的信息并且回復(fù)?？臻g本體主要用位置進(jìn)行描述，包括地理位置、符號位置和區(qū)域三個(gè)子類。其中區(qū)間位置和符號位置在數(shù)字資源個(gè)性化服務(wù)中應(yīng)用最為廣泛，區(qū)間位置包括移動區(qū)域（如自行車、公交車、輪船、火車、飛機(jī)、地鐵、私家車等等）和固定區(qū)域（如操場、花園、小樹林等室外區(qū)域和教室、書房、咖啡廳、圖書館等室內(nèi)區(qū)域），符號位置通常是一個(gè)用符號表示的區(qū)域。

（3）讀者上下文模型更新模塊。對讀者行為、興趣愛好等隨時(shí)間變化的讀者上下文進(jìn)行重新估計(jì)和修正，通常采用統(tǒng)計(jì)學(xué)習(xí)或者機(jī)器學(xué)習(xí)的方法。

開創(chuàng)新時(shí)代實(shí)現(xiàn)人民對美好生活向往的宏大歷史偉業(yè)—兼論十九大報(bào)告對唯物史觀的繼承和發(fā)展……………………………方世南 羅志勇（7）

自然環(huán)境類（PhysicalCondition）描述讀者所處的自然條件下的環(huán)境信息，包括物理?xiàng)l件和天氣兩個(gè)子類；物理?xiàng)l件主要描述讀者所處環(huán)境的噪音、溫度、濕度等與閱讀環(huán)境相關(guān)的物理?xiàng)l件，天氣描述讀者所處地理位置的風(fēng)級風(fēng)向、降雨情況、能見度、光照度等自然因素（來源于外部本體）。

5 異構(gòu)環(huán)境讀者計(jì)算定義及其上下文建模

自動化流水線施工中管片蒸汽養(yǎng)護(hù)制度的研究和實(shí)踐……………………………………………… 李剛，曹桂生（2-241）

我國大多數(shù)農(nóng)民利用秸稈、薪柴的方式還停留在最原始的直接燃燒的狀態(tài)，這樣不僅農(nóng)作物秸稈不能充分燃燒，浪費(fèi)資源，而且對環(huán)境造成嚴(yán)重污染，危害人們身心健康[4]。生物質(zhì)成型燃料的能量密度相當(dāng)于中質(zhì)煙煤，但成型燃料燃燒排放的CO2來自于秸稈光合作用吸收的CO2，吸收和排放達(dá)到平衡，基本實(shí)現(xiàn)零排放，其它有毒有害氣體排放量也遠(yuǎn)小于煤。生物質(zhì)成型燃料本身體積較小，接觸到的空氣充足，可以充分燃燒，相對于煤來說，燃燒特性明顯改善，利用效率顯著提高[5]。生物質(zhì)秸稈固體成型燃料包括顆粒燃料、塊狀燃料和棒狀燃料，其中顆粒燃料因其自身特性，具有流動性強(qiáng)、燃燒效率高等優(yōu)點(diǎn)，從而得到廣泛應(yīng)用。

讀者基本信息類（ReaderPersonInfo）描述讀者基本屬性，包括姓名、年齡、身高、體重、學(xué)歷、職業(yè)等一般穩(wěn)定不變的個(gè)人數(shù)據(jù)，這類數(shù)據(jù)通常通過引用FOAF本體獲得，在OWL中可以使用“owl:equivalentClass”與“owl:equivalentProperty”實(shí)現(xiàn)等價(jià)類、等價(jià)屬性的引用。同樣，在本文的異構(gòu)環(huán)境讀者上下文模型中涉及到來源于外部跨域的任何上下文信息類都可以通過上述OWL中的兩個(gè)標(biāo)識符實(shí)現(xiàn)等價(jià)類和等價(jià)屬性的應(yīng)用，這樣既能實(shí)現(xiàn)跨域上下文本體間的無縫融合，又能保持各域上下文本體的獨(dú)立。

傳 感 環(huán) 境 類（SensingEnvironment）描 述讀者用于實(shí)現(xiàn)交互環(huán)境中的傳感設(shè)備情況，如監(jiān)控設(shè)備、語音設(shè)備及其他傳感設(shè)備。在傳感設(shè)備中包括傳感器類（Sensor）和傳感網(wǎng)絡(luò)類（SensorNetworks），傳感器類描述讀者周圍具有的傳感器信息，分為室內(nèi)傳感器類（IndoorSensor）和個(gè)人感器類（PersonalSensor），室內(nèi)傳感器類主要描述室內(nèi)溫度和濕度、視頻、語音等傳感器設(shè)備，個(gè)人傳感器類描述讀者獨(dú)自擁有的體溫、拍照、醫(yī)療等傳感器設(shè)備。

User Agent Profile（UAP）

專注于無線通訊領(lǐng)域設(shè)備特征的描述，目前是描述設(shè)備上下文本體比較少見的本體之一，與本文研究的異構(gòu)網(wǎng)絡(luò)環(huán)境具有很高的契合度，在該本體的基礎(chǔ)上，對其進(jìn)行調(diào)整與擴(kuò)展，建立異構(gòu)環(huán)境下讀者計(jì)算上下文模型，見圖5。

終端設(shè)備及能力類（DeviceAndCapacity）描述讀者當(dāng)前可用的終端計(jì)算設(shè)備情況，包括終端硬件類（TerminalHardware）和終端軟件類（TerminalSoftware）。終端硬件類描述設(shè)備類型、CPU、存儲、內(nèi)存、網(wǎng)絡(luò)模塊、顯示器、主板等硬件設(shè)施情況。運(yùn)行在硬件上的終端軟件類（如系統(tǒng)軟件、應(yīng)用軟件）與終端設(shè)備類型、型號有關(guān)，可提供包括平臺類（Platform）、應(yīng)用子類（Application）平臺，以及操作系統(tǒng)子類（OperatingSystem）等終端訪問和運(yùn)行環(huán)境，能夠支持文本、音樂、視頻、語音等信息的遠(yuǎn)程數(shù)字資源服務(wù)。

數(shù)字資源服務(wù)類（Service）描述讀者使用的遠(yuǎn)程付費(fèi)和免費(fèi)的服務(wù)，一般情況下該服務(wù)在遠(yuǎn)程采用OWL進(jìn)行描述，在異構(gòu)環(huán)境讀者計(jì)算上下文模型中只需引用遠(yuǎn)程的服務(wù)描述即可。

“這里飛濺的墨水是真的。我是把四張照片合成在一起的，不過每一滴墨水的位置都沒有動?！眛hingswithstories.tilda.ws

6 異構(gòu)環(huán)境讀者上下文獲取

異構(gòu)環(huán)境讀者上下文獲取是在數(shù)字資源個(gè)性化服務(wù)過程中對讀者相關(guān)數(shù)據(jù)的采集，該獲取可以通過多種方式，具體分為以下三類

。

6.1 通過顯式（Explicitly）方式采集

通過直接接觸相關(guān)實(shí)體和上下文信息源，通過明確的詢問、感知、服務(wù)調(diào)用等方法收集讀者相關(guān)的上下文信息。根據(jù)異構(gòu)環(huán)境讀者上下文定義，讀者基本信息可以通過設(shè)計(jì)網(wǎng)頁直接由讀者填寫，也可以通過服務(wù)調(diào)用從其它已經(jīng)存在讀者基本信息的系統(tǒng)中獲取。讀者社會關(guān)系在系統(tǒng)建立初期可以通過設(shè)計(jì)網(wǎng)頁由讀者直接設(shè)定，也可以通過服務(wù)調(diào)用從相關(guān)的社交平臺獲取。部分的讀者行為可通過顯式方式設(shè)定，其行為習(xí)慣及興趣愛好也可以通過顯式方式設(shè)定。異構(gòu)環(huán)境讀者環(huán)境上下文中全部的讀者時(shí)空環(huán)境和讀者自然環(huán)境、部分讀者周圍環(huán)境均可以采用顯式方式獲取，如位置可通過北斗/GPS進(jìn)行定位、餐廳可通過地圖服務(wù)獲取、氣溫濕度可通過互聯(lián)網(wǎng)服務(wù)調(diào)用獲取。異構(gòu)環(huán)境讀者計(jì)算上下文中全部的讀者終端的網(wǎng)絡(luò)環(huán)境上下文、讀者所處的感知環(huán)境上下文、讀者終端設(shè)備及設(shè)備能力上下文和讀者終端數(shù)字資源服務(wù)上下文都可以通過系統(tǒng)調(diào)用、接口程序、互聯(lián)網(wǎng)服務(wù)等顯式方式獲取。

淺閱讀是走向深閱讀過程中的起步階段。在這個(gè)階段，閱讀主體可以大致擬出閱讀的提綱或思維導(dǎo)圖，至少在腦中會形成對閱讀內(nèi)容的總體印象，判斷出下一步需要詳讀的部分和略讀的部分。

6.2 通過隱式（Implicitly）方式采集

通過已有數(shù)據(jù)或者環(huán)境間接提取上下文，不需與讀者或上下文信息源直接交互。部分異構(gòu)環(huán)境讀者特征上下文可以通過隱式方式獲取，如通過讀者登錄信息獲取讀者姓名、兩位讀者經(jīng)常在相同時(shí)間段登錄系統(tǒng)可以判定為同學(xué)朋友關(guān)系、通過讀者登錄系統(tǒng)時(shí)間和瀏覽數(shù)字資源情況獲取讀者在某段時(shí)間的行為、通過讀者經(jīng)常性使用的終端設(shè)備類型獲取讀者使用什么終端設(shè)備進(jìn)行數(shù)字資源訪問的行為習(xí)慣、通過讀者的評價(jià)獲取讀者對數(shù)字資源的感興趣程度。部分異構(gòu)環(huán)境讀者環(huán)境上下文可通過隱式方式獲取，如時(shí)間上下文可通過讀者登錄日志和交互日志的時(shí)間戳獲取、通過讀者登錄的網(wǎng)址可獲取讀者的位置和周圍實(shí)體（如教室、自習(xí)室等）、通過相近網(wǎng)址相近時(shí)間登錄的讀者所提供的當(dāng)前自然環(huán)境可獲取讀者的當(dāng)前自然環(huán)境。部分異構(gòu)環(huán)境讀者計(jì)算上下文可通過隱式方式獲取，如通過相近網(wǎng)址相近時(shí)間登錄的讀者所提供的終端網(wǎng)絡(luò)環(huán)境可獲取讀者的終端網(wǎng)絡(luò)環(huán)境、通過相近網(wǎng)址相近時(shí)間登錄的讀者所提供的感知環(huán)境上下文可獲取讀者的感知環(huán)境、通過讀者訪問數(shù)字資源日志可獲取讀者終端能夠支持的和正在使用的部分?jǐn)?shù)字資源服務(wù)。

6.3 通過推理（Inferring）方式采集

通過統(tǒng)計(jì)分析或者數(shù)據(jù)挖掘技術(shù)獲取上下文。部分讀者基本信息可以通過推理方式獲取，當(dāng)個(gè)性化服務(wù)推薦平臺無法顯式、隱式地獲取讀者從事的職業(yè)（學(xué)生、教師、工程師等等）時(shí)，可以通過使用數(shù)據(jù)挖掘方法對讀者訪問的數(shù)字資源進(jìn)行統(tǒng)計(jì)分析來獲得讀者的職業(yè)，如使用分類器提取出各職業(yè)的特點(diǎn)，進(jìn)而劃分為不同的職業(yè)類別，再將讀者映射到給定的類別中即可。常見的實(shí)現(xiàn)分類器的算法有NBC（樸素貝葉斯分類）算法、LR（邏輯回歸）算法、ID3（決策樹）算法、SVM（支持向量機(jī)）算法、KNN（K最近鄰近）算法、ANN（人工神經(jīng)網(wǎng)絡(luò)）算法。讀者社會關(guān)系可以基于社會網(wǎng)絡(luò)拓?fù)涮卣鬟M(jìn)行預(yù)測，如基于共同鄰接節(jié)點(diǎn)（即共鄰節(jié)點(diǎn)）之間的相似度計(jì)算兩個(gè)節(jié)點(diǎn)之間是否存在關(guān)系，相似度計(jì)算采用樸素貝葉斯模型更為準(zhǔn)確

；再如可以選取讀者特征屬性計(jì)算讀者的相似度，將相似度高的讀者預(yù)測為朋友，比較典型的特征是讀者的位置，同時(shí)采用隨機(jī)森林、支持向量機(jī)、樸素貝葉斯等分類模型推理朋友關(guān)系

。讀者行為習(xí)慣、興趣愛好可以使用數(shù)據(jù)挖掘方法獲取，例如通過讀者對數(shù)字資源的檢索、瀏覽次數(shù)，經(jīng)過聚類后可得出某個(gè)專業(yè)人士的“熱門數(shù)字資源”

，常見的聚類算法如K-Means（K均值）聚類、均值漂移聚類（MeanShift）、基于密度的聚類方法（DBSCAN）、高斯混合聚類、凝聚層級聚類（HAC）、圖團(tuán)體檢測（GCD）等算法。異構(gòu)環(huán)境讀者環(huán)境上下文、計(jì)算上下文中的網(wǎng)絡(luò)環(huán)境和感知環(huán)境上下文也可以通過聚類方法獲得，如可以根據(jù)已知的讀者環(huán)境信息，通過位置將讀者進(jìn)行聚類，從而推理出未知的讀者環(huán)境信息。

7 讀者上下文模型更新

讀者上下文模型更新主要指讀者上下文的更新，分為隨時(shí)更新和周期更新。當(dāng)環(huán)境上下文隨著讀者地點(diǎn)的改變可隨時(shí)進(jìn)行更新，這類更新通過顯示、隱式或者觸發(fā)推理系統(tǒng)方式進(jìn)行更新。周期更新的上下文又可分為固定周期更新和不固定周期更新，如學(xué)生讀者年齡、年級等按照自然年份進(jìn)行固定周期性的更新，而讀者行為和興趣愛好的更新周期一般不固定。這里重點(diǎn)研究不固定周期讀者上下文更新的周期選擇問題，而上下文的獲取仍然采用上述異構(gòu)環(huán)境讀者上下文獲取方式進(jìn)行獲取。

不固定周期更新的讀者行為習(xí)慣和興趣愛好上下文信息通常與時(shí)間聯(lián)系緊密，讀者既可能有長期形成的行為習(xí)慣和興趣愛好，也可能有短期內(nèi)頻繁做出的行為和感興趣的數(shù)字資源。所以，在對讀者這類上下文信息進(jìn)行更新時(shí)，既要考慮長期讀者行為習(xí)慣和興趣愛好，又要考慮短期讀者行為習(xí)慣和興趣愛好

。本文通過按照時(shí)間序列選取樣本的辦法實(shí)現(xiàn)不固定周期讀者上下文的更新，這里以興趣愛好為例。對于讀者的長期興趣愛好，應(yīng)用讀者較長一段時(shí)間內(nèi)形成的興趣樣本確定；而對于讀者的短期興趣愛好，應(yīng)由讀者較短一段時(shí)間內(nèi)形成的興趣樣本確定；然后再由數(shù)據(jù)挖掘算法對讀者興趣愛好進(jìn)行挖掘，如神經(jīng)網(wǎng)絡(luò)

、LDA

等。下面介紹短期興趣樣本的選擇。

令讀者閱讀數(shù)字資源序列DR=（R

,R

,…R

）是隨時(shí)間推進(jìn)的有限數(shù)字資源組成的序列，序列DR中的每個(gè)數(shù)字資源 R

(1 ≤r≤s )表示第r個(gè)閱讀的數(shù)字資源；設(shè)在數(shù)字資源R

中最能體現(xiàn)其主題的關(guān)鍵字的有限集合為KY

={K

, K

,…K

}，其中 K

(1 ≤i≤n)為數(shù)字資源 R

的一個(gè)關(guān)鍵字。利用滑動窗口模型確定短期興趣樣本，將DR分成若干批次，設(shè)每個(gè)窗口SW

由固定數(shù)量m個(gè)最近批次組成，可以表示成SW

={B

, B

,…,B

}，該窗口大小m為。批次B

包含固定數(shù)量的數(shù)字資源，即B

= {R

, R

,…R

}。窗口SW

滑動時(shí)將最新的批次加入，同時(shí)刪除最舊的批次，生成新的窗口SW

，這里的 B

, B

,… ,B

稱為SW

和SW

的公共批次。

圖6描述了一個(gè)讀者閱讀文獻(xiàn)的示例，示例中，每一行表示一篇文獻(xiàn)和表明文獻(xiàn)主題的關(guān)鍵字。該文獻(xiàn)將序列分為3個(gè)批次{B

, B

,B

}，其中每個(gè)滑動窗口包含2個(gè)批次，共有2個(gè)滑動窗口，分別為SW（

B

,B

）和SW（

B

,B

）。SW

為初始滑動窗口，通過移除最舊批次，增加新批次，形成SW

窗口。

8 結(jié)語

目前，數(shù)字資源服務(wù)環(huán)境從傳統(tǒng)的Web環(huán)境向異構(gòu)環(huán)境過渡，數(shù)字資源訪問從固定時(shí)間、固定地點(diǎn)向隨時(shí)隨地轉(zhuǎn)變，數(shù)字資源服務(wù)從群體服務(wù)向個(gè)性化服務(wù)轉(zhuǎn)化，在異構(gòu)環(huán)境下隨時(shí)隨地向讀者提供精準(zhǔn)、高滿意度的個(gè)性化數(shù)字資源服務(wù)成為當(dāng)前迫切需要解決的難題，而解決該問題首先需要一個(gè)能夠全面、準(zhǔn)確描述讀者上下文信息的異構(gòu)環(huán)境讀者上下文模型。因此，本文在已有用戶模型、用戶畫像、用戶興趣模型等相關(guān)研究的基礎(chǔ)上，提出面向異構(gòu)環(huán)境的讀者上下文模型。首先根據(jù)異構(gòu)環(huán)境下數(shù)字資源個(gè)性化服務(wù)過程，準(zhǔn)確定位讀者上下文模型；接著對異構(gòu)環(huán)境下讀者上下文信息進(jìn)行分類和定義，并在此基礎(chǔ)上采用本體技術(shù)對讀者特征、環(huán)境、計(jì)算上下文進(jìn)行建模；再提出利用感知技術(shù)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、推理等技術(shù)獲取讀者上下文信息；最后采用滑動窗口模型更新讀者上下文模型。

本文僅從理論、邏輯上探討了構(gòu)建異構(gòu)環(huán)境下讀者上下文模型的基本思想，沒有實(shí)現(xiàn)具體軟件系統(tǒng)，缺乏真實(shí)環(huán)境下對模型的實(shí)證分析和驗(yàn)證。而建立在讀者上下文模型上的數(shù)字資源個(gè)性化服務(wù)、自適應(yīng)等模型仍然需要進(jìn)一步從理論和實(shí)踐上加以深入研究，才能夠指導(dǎo)個(gè)性化數(shù)字資源服務(wù)系統(tǒng)的實(shí)現(xiàn)和運(yùn)營。

[1]張龍昌,張心悅,王曉明.異構(gòu)環(huán)境下跨域個(gè)性化數(shù)字資源信息服務(wù)模型[J].圖書館學(xué)研究,2020(16):71-80.

[2]BRICKLEY D,MILLER L.FOAF vocabulary specification 0.99[EB/OL].[2019-03-10].http://xmlns.com/foaf/spec.

[3]PERICH F.MoGATU BDI ontology[EB/OL].[2019-03-10].http://mogatu.umbc.edu/bdi/.

[4]HOBBS J R,PAN P. Time Ontology in OWL[EB/OL].[2017-10-19].https://www.w3.org/TR/2017/REC-owl-time-20171019/.

[5]COUTAZ J, DEARLE A, DUPUY-CHESSA S , et al.Working document on gloss ontology[J]. University of St Andrews,2010.

[6]ALLIANCE O M.User Agent Profile (UAP)[J].Open Mobile Alliance Ltd,2006.

[7]ADOMAVICIUS G,TUZHILIN A.Context-aware recommender systems[J]. Springer-Verlag, 2011, 217-253.

[8]王立才,孟祥武,張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報(bào),2012(1):1-20.

[9]伍杰華.基于樹狀樸素貝葉斯模型的社會網(wǎng)絡(luò)關(guān)系預(yù)測[J].計(jì)算機(jī)應(yīng)用,2013,33(11):3134-3137.

[10]羅惠,郭斌,於志文,等.基于網(wǎng)絡(luò)拓?fù)浜偷乩硖卣魅诤系呐笥殃P(guān)系預(yù)測模型[J].計(jì)算機(jī)科學(xué),2014(6):43-47.

[11]張恒,章成志,周清清.高校圖書館用戶群體的閱讀偏好：對“熱門圖書”數(shù)據(jù)的考察[J].圖書館論壇,2020,40(5):132-141.

[12]王鴻偉,過敏意.刻畫長短期用戶興趣的基于會話的推薦系統(tǒng)[J].中國科學(xué):信息科學(xué),2020,50(12):1867-1881.

[13]李巖,劉志輝,高影繁.面向科研人員興趣畫像的多語作者主題模型研究[J].情報(bào)學(xué)報(bào),2020,39(6):601-608.