肖詩伯等

摘要：為幫助科研用戶解決在海量文獻檢索中遇到的信息過載等問題，該文從用戶使用文獻的行為出發(fā)，運用大數(shù)據(jù)分析中隨機游走的二分圖算法分析處理，通過協(xié)同過濾的方式預(yù)測用戶未來的文獻需求。評價指標顯示本模型準確率為72.4%、覆蓋率為14.6%、召回率為69.1%。能較好完成對文獻的預(yù)測，實現(xiàn)對用戶的個性化推薦，主動改善用戶的文獻檢索環(huán)境。

關(guān)鍵詞：二分圖；隨機游走；大數(shù)據(jù)；個性化；文獻；推薦系統(tǒng)

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2015）02-0008-03

Abstrac： This paper for helps researcher solve the information overload problems in vast literature search. From the user's literature use behavior， use the Random-Walk bipartite graph theory of big data analysis to analysis and processing， Through collaborative filtering approach to predict user future literature needs. Evaluating indicator shows the model： Precision rate of 72.4%，Coverage rate of 14.6%，Recall rate of 69.1%. It can be better to complete the predict for literature， to realize the individuation recommendation for user， initiative to improve the user's literature retrieval environment.

Key words： bipartite graph； random walk； big data； individuation； literature； recommendation system

隨著“中國創(chuàng)造”的不斷提升和發(fā)展，科研工作中各學(xué)科的融合性和精細度越來越受到重視，海量的科研學(xué)術(shù)文獻也日益涌現(xiàn)。然而，科研用戶的文獻檢索方法仍多采用關(guān)鍵字檢索，而簡單同質(zhì)的關(guān)鍵字檢索：一方面不能充分表達用戶的科研特色、側(cè)重點及知識需求；另一方面檢索結(jié)果過多而發(fā)生信息過載現(xiàn)象，造成用戶花費大量時間篩選無關(guān)文獻。同時通過期刊分類導(dǎo)航獲得的文獻也有科學(xué)局限性，無法很好服務(wù)于融合多學(xué)科的科研工程。

隨著大數(shù)據(jù)、機器學(xué)習(xí)、web2.0等技術(shù)的出現(xiàn)與成熟，可通過人工智能的方式解決此類問題[1，2]。本文運用二分圖模型算法，分析用戶的文獻使用行為特征、個人屬性和文獻特征。一方面通過用戶之間的行為相似度，分析用戶興趣，預(yù)測用戶真實及潛在需求的文獻需求并向其主動推薦，以幫助用戶面對海量文獻資源不易找到適合自身需求文獻的信息現(xiàn)象；另一方面挖掘每篇文獻的知識價值，將適合的文獻推薦給適合的用戶，而不僅僅推薦新、熱方向的學(xué)術(shù)文獻，解決因海量文獻所產(chǎn)生的長尾效應(yīng)（The Long Tail）。

1 研究思路

將用戶對文獻的使用行為（如：下載、閱讀），視為用戶對具體某文獻的興趣和知識需求。在多用戶使用文獻的行為中，行為相似性越高，表明其行為和知識需求越相似。通過對行為相似度分析，發(fā)現(xiàn)用戶還未產(chǎn)生行為而有知識需求的文獻，這類文獻或是用戶當前研究點中需要的知識，也或是下一步研究領(lǐng)域中的潛在需求知識。最終將滿足用戶個性化需求的文獻主動推薦給用戶。讓用戶從知識圈、興趣圈的角度獲取文獻，這屬于大數(shù)據(jù)分析中以協(xié)同過濾方式對海量“用戶-文獻”行為進行分析的方法。

本文運用大數(shù)據(jù)分析技術(shù)中的二分圖模型算法[3]，來分析“用戶-文獻”之間的概率相關(guān)性。這是用頂點和邊來表示概率分布的技術(shù)。將用戶與文獻2變量之間的關(guān)系獨立編碼在“圖”中表示，使概率分布的表達表示成因子乘積的形式。其優(yōu)點是可以更好的捕獲隨機變量間的關(guān)系。應(yīng)用方法為：將用戶使用行為轉(zhuǎn)換為一系列無向二元組表達，單個二元組用V（u，l）表示用戶閱讀過文獻l，閱讀行為通過“邊”e（u，l）來連接?！坝脩?文獻”二分圖模型如下圖1示例：

其中un為具體用戶頂點，ln為具體文獻頂點。Vu為用戶頂點集合，Vl為文獻頂點集合。e為通過使用行為連接用戶與文獻的邊。用戶u1與l2、l3相連，表示該用戶對這2篇文獻產(chǎn)生過使用行為。文獻l2與u1、u2、u3相連，表示該文獻被這3名用戶使用過。

3個性化推薦方法

為在二分圖模型上分析用戶文獻使用行為，實現(xiàn)個性化推薦。首先將用戶u的文獻推薦任務(wù)轉(zhuǎn)換為：度量與用戶頂點u沒有“邊”相連的文獻頂點l與用戶u的相關(guān)性。對相關(guān)性的計算采用一種概率系數(shù)的方式[4]。然后將用戶u對所有文獻的相關(guān)概率進行排序，概率系數(shù)越高表示用戶u選擇某文獻l的可能性越大。最后取概率最高的前30篇文獻作為推薦列表向用戶展示，來實現(xiàn)用戶個性化文獻推薦。

影響用戶與未產(chǎn)生行為的文獻之間相關(guān)概率的因素有：1從用戶頂點到文獻頂點間“邊”的數(shù)量；2用戶頂點與文獻頂點間“邊”的長度；3同類2頂點之間“邊”經(jīng)過的異類頂點數(shù)。

具有較高相關(guān)概率的2頂點的特征有：12頂點之間的“邊”長度較短；22頂點之間“邊”的路徑較多；32頂點之間的“邊”未經(jīng)過較大Out-Degree（出度）的頂點。

3.1數(shù)據(jù)準備

將“用戶-文獻”行為數(shù)據(jù)集按行為產(chǎn)生的時間軸分為8份。先產(chǎn)生行為的7份作訓(xùn)練樣本，用來計算用戶對未行為文獻的相關(guān)性。最后1份作測試樣本，與訓(xùn)練樣本計算出的文獻作對比驗證，以評價算法的計算準確性。通過創(chuàng)建Numpy運算符和科學(xué)計算包以調(diào)用函數(shù)。采用二分圖模型中基于隨機游走的Personalrank算法來計算“圖”中2頂點之間的相關(guān)概率[5]。初始化各頂點的初始概率值：用戶u頂點的初始游走概率α=1，文獻頂點的初始訪問概率β=0，定義“邊”的權(quán)重為1，然后運用迭代公式處理。

3.2算法實施

第一步，運用隨機游走的路徑選擇方式，從用戶un頂點開始，在“用戶-文獻”二分圖中隨機選擇“邊”e游走到下一個頂點[6]。到達一個頂點后，首先計算概率α=1-d判斷是否繼續(xù)游走。若繼續(xù)游走：則又按照隨機路徑選擇的方式，在當前頂點上選擇一條“邊”e向下一個頂點游走，到達后繼續(xù)計算概率α重復(fù)下去。若計算出的概率α為停止：則回到用戶un頂點，重新進行下一輪游走。針對某用戶un經(jīng)過這樣多次隨機游走后，將每篇文獻頂點的被訪問到的概率迭代到一起，就能獲得一個收斂的穩(wěn)定值。通過對文獻訪問概率排序，提取概率最高的30篇用戶un未產(chǎn)生行為的文獻，就能預(yù)測到與某用戶高度相關(guān)的、有需求文獻。

4.2實驗結(jié)果

本實驗采用CiteULike提供的數(shù)據(jù)集，該數(shù)據(jù)集含有1800多用戶對1.2萬篇文獻的行為數(shù)據(jù)，其中包含“用戶-文獻”無向圖數(shù)據(jù)6萬多條。未人為去除噪音數(shù)據(jù)，計算結(jié)果能體現(xiàn)真實行為情況。對計算模型匯總的隨機游走參數(shù)α，在多次測試計算中對比認為取0.87為最佳。

將本文構(gòu)建的計算模型對訓(xùn)練樣本進行計算，得出的推薦列表通過評價公式驗證，其結(jié)果如下表1所示：

通過與理想狀態(tài)下的樸素貝葉斯、K-NN算法比較，本模型的準確率和召回率差異不是太大，能較好實現(xiàn)對用戶行為的分析和預(yù)測。覆蓋率為14.6%說明計算模型能較好挖掘長尾文獻。通過實驗，發(fā)現(xiàn)數(shù)據(jù)維度的向量大小與時間、空間復(fù)雜度有很大關(guān)系。

5總結(jié)

本文針對海量學(xué)術(shù)文獻的檢索過程中，科研用戶常遇到信息過載等現(xiàn)象而無法較好獲取適合自身需求的文獻的問題。結(jié)合當前大數(shù)據(jù)、機器學(xué)習(xí)技術(shù)中的二分圖模型算法，分析多用戶對文獻的使用行為，發(fā)現(xiàn)用戶未來的文獻需求。實驗結(jié)果反映算法能較好完成預(yù)測質(zhì)量，達到向用戶推薦文獻的要求。能幫助用戶解決信息過載問題，發(fā)掘相對較低流行度文獻，體現(xiàn)科研內(nèi)容價值。下一步研究中：一方面，可通過增加文獻內(nèi)容特征，提高計算準確率；另一方面，可運用基于位置敏感的LSH（哈希函數(shù)）來降低運算的空間、時間復(fù)雜度。

參考文獻：

[1] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應(yīng)用，2012，48（7）：66-76.

[2] 肖詩伯，楊玉梅，蘭鷹，等.基于多標簽屬性的學(xué)術(shù)文獻推薦研究[J].情報探索，2015，（04）：8-10.

[3] 張宏毅，王立威，陳瑜希， 等.概率圖模型研究進展綜述[J].軟件學(xué)報，2013，（11）：2476-2497.

[4] 劉建偉，黎海恩，羅雄麟， 等.概率圖模型表示理論[J].計算機科學(xué)，2014，41（9）：1-17.

[5] 原福永，蔡紅蕾. 一種在信任網(wǎng)絡(luò)中隨機游走的推薦算法[J].現(xiàn)代圖書情報技術(shù)，2014，30（10）：70-75.

[6] 趙悅. 概率圖模型學(xué)習(xí)理論及其應(yīng)用[M].北京：清華大學(xué)出版社，2012：52-61

[7] 劉建國，周濤，郭強， 等. 個性化推薦系統(tǒng)評價方法綜述[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2009，6（3）：1-10.