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)美國國家科學基金會的調查結果顯示，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)的個性化推薦技術為用戶獲取自己需要的信息提供了方便。個性化推薦技術最先起源于電子商務系統(tǒng)，隨著商品品種和數(shù)量迅速

2、增長，顧客需要花費大量的時間瀏覽大量無關的信息和產品才能找到自己需要的商品，針對這種海量信息檢索問題，產生了個性化推薦技術，根據(jù)用戶的興趣特點和購買行為，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，是一項值得研究的課題。本文重點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。
　　本文首先給出了個性化數(shù)字圖書館概述。并探討未來新一代的個性化數(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，研究個性化的推薦系統(tǒng)具有重要意義。因為多樣化的用戶群體在訪問日新月異的數(shù)字圖書時會面臨復雜的選擇。因此，研究推薦系統(tǒng)具有現(xiàn)實的應用意義。文中嘗試制定一個實用的方法來表示信息過濾方式，然后根據(jù)推薦引擎技術的不同將它們分為不同的類別。文中介紹了幾種推薦技術，同時分析了他們的優(yōu)缺點。
　　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。精心設計的日志文件顯示，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重要的；另一方面，這些日志文件也記錄了與用戶行為相關聯(lián)的系統(tǒng)操作。這些信息為推薦系統(tǒng)設計提供了很好的依據(jù)。
　　推薦系統(tǒng)是在大量可用的項目中根據(jù)用戶的興趣向用戶推薦項目。本文研究的重點是迄今為止最流行的兩種推薦技術，即基于內容過濾（CBF）和協(xié)同過濾技術(CF)。簡單地說，CBF技術是指通過記錄用戶的瀏覽行為預測目標用戶的興趣愛好；CF

5、技術是指基于相似用戶或項目進行的推薦，預測目標用戶的興趣或項目的評分。這兩種推薦技術是電子商務系統(tǒng)中應用最多的推薦技術，但 CBF技術推薦的質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技術依賴于用戶歷史偏好數(shù)據(jù)的多少和準確性。為了采用合適的推薦技術，本文首先分析了論文內容本身的特點，以及如何向用戶推薦用戶在過去標定的內容。然后探討論文之間的引用關系。因為CBF和CF技術這兩種技術具有互補性，本文提出一種混合上述兩種技術的

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，其準確程度取決于問卷設計和用戶配合，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。隱式特征描述則是通過記錄用戶的瀏覽行為，通過 WEB挖掘技術分析用戶的興趣。本文以數(shù)字圖書館項目中的日志文件為基礎，使用隱式的用戶評級技術來為用戶推薦項目。文中建立了基于日志文件的推薦系統(tǒng)結構

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行了分析和WEB挖掘處理，包括對用戶的下載和瀏覽行為進行分析，在此基礎上進行了建模。然后，本文分析了基于內容過濾(CBF）和協(xié)同過濾(CF)的推薦算法，提出了一種結合基于協(xié)同過濾和內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個在線的用戶進行試驗來評估這些算法，對比分析了CBF,CF和CF

8、-CBF三種推薦算法的性能。實驗結果表明，日志文件的分析可以成功地被結合到推薦論文的過程當中。本文提出的算法，較基于單一內容的過濾和協(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，實驗結果驗證了影響用戶瀏覽活動和推薦結果的用戶經驗可以從日志文件中檢索到。
　　基于日志文件相關性的協(xié)同過濾技術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容的推薦技術所

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基于日志分析的完全個性化的“量身定制”的推薦系統(tǒng)。它是可以根據(jù)用戶的特殊任務使用的推薦算法。這個系統(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分析表明，系統(tǒng)應該根據(jù)用戶的經驗級別來推薦。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