自适应用户模型在RSS网络信息服务中的研究

摘要

互联网技术的迅猛发展带来了信息过载的问题,人们不得不花大量的时间和精力去搜索、浏览需要的信息。如何快速地从过载的信息中获取感兴趣的信息，已成为一个亟待解决的问题。个性化服务概念的提出和应用，为解决这一问题找到了途径，它为每个用户提供不同的服务，以满足他们不同的需求。用户的建模与模型更新技术，已经成为个性化服务的核心，也是当前的研究热点问题之一。而RSS信息服务在许多领域得到广泛应用，它改变了信息获取方式，并且能够为人们快捷地提供最新的信息服务。本文将重点研究自适应的用户建模技术在当前RSS信息服务中的应用,提高RSS信息服务质量。 本文提出的用户模型以向量空间模型为基础，由用户兴趣与兴趣权值的二元组构成，用户兴趣采用混合的用户兴趣模型，即长期兴趣和短期兴趣模型。人们的兴趣是以不确定的方式变化着，为了准确、及时地追踪用户模型的兴趣变化，本文运用基于Rocchio反馈方法的用户模型更新方式。提出Rocchio单次反馈和多次反馈相结合的方法，追踪用户兴趣的概念漂移，实现系统的在线学习和离线学习。在线学习提高系统的可塑性，而离线学习保证系统的稳定性，在稳定-可塑性问题上找个平衡点。 最后，通过设计和实现一个基于自适应用户模型的信息服务平台――RSS新闻内容过滤系统(RSS News Filtering)，尝试着为人们提供个性化的RSS信息服务。同时，使用面向主题的搜索引擎作为新的信息源，平台利用Google的自定义搜索引擎为用户获得更多的相关信息。实验数据表明，采用本文所提出的用户建模和更新的方法是可行的。