基于用户情境本体的网络社区用户推送服务的方法

摘要

本发明公开了一种基于用户情境本体的网络社区用户推送服务的方法，建立本体化用户情境模型，并对用户综合情境信息进行更新与合成，根据当前用户综合情境的匹配程度向用户进行服务推送；其具体步骤包括：步骤1，本体化用户情境模型的建立；步骤2，用户综合情境信息的更新与合成；步骤3，情境相似性匹配；步骤4，应用服务推送。本发明通过建立本体化用户综合情境模型，对用户活动有关的特征信息加以描述，可以更好地了解网络社区用户的兴趣，以此为基础，通过用户综合情境的更新与合成，并对情境本体树的相似性进行匹配，实现了将用户应用服务推送给相关用户，能够很好地应用与当前网络社区个性化信息服务中。

说明书

技术领域

本发明属于互联网社区个性化服务技术领域，具体涉及一种基于用户情境本 体的网络社区用户推送服务的方法。

背景技术

随着互联网社区网站的飞速发展，通过收集和分析用户的信息来学习用户 的兴趣和行为,建立对用户兴趣的描述，研究不同用户的兴趣，主动为用户推荐 最需要的资源，从而实现个性化推荐服务是目前互联网社区发展的一个重要方 面。

目前个性化推荐服务分主要为基于内容推荐、协同过滤推荐、基于知识推荐、 基于效用推荐、基于关联规则推荐、混合推荐系统几种方式。其中基于内容的推 荐根据项目相关属性特征的定义，实现基于项目属性及其项目之间关联关系和用 户的个人喜好的个性化推荐。基于协同过滤推荐根据和自己有着相似爱好的邻居 用户所喜欢的项目，自己也同意喜欢的原理来进行推荐，能为用户发现新的感兴 趣的项目。基于知识推荐是在统一的语义互联环境中获得用户知识和项目知识， 通过功能知识的推理或语义匹配项用户推荐。基于效用推荐是建立在对用户使用 项目的效用基础上的，其核心问题是怎么为用户创建一个效用函数，然后代入用 户和项目等参数根据效用值排序向用户推荐排名靠前的项目。基于关联规则的推 荐技术是以关联规则为基础，把已应用项目作为规则头，推荐项目作为规则体， 挖掘数据集中项和项的之间可能存在的相关性，从而将有相关性的项目推荐给用 户。

由于用户的需求受当时用户所处的环境、浏览网页信息、天气变化以及用户 情绪的影响，上述几种方法都不能根据网络社区用户兴趣的用户情境，为用户推 荐用户所需要的资源，不能很好的应用于当前网络社区个性化信息服务中。

发明内容

本发明的目的是提供一种基于用户情境本体的网络社区用户推送服务的方 法，解决了现有方法不能根据网络社区用户兴趣的用户情境，为用户推荐用户所 需要的资源的问题。

本发明所采用的技术方案是：基于用户情境本体的网络社区用户推送服务的 方法，建立本体化用户情境模型，并对用户综合情境信息进行更新与合成，根据 当前用户综合情境的匹配程度向用户进行服务推送；其具体步骤如下：

步骤1，本体化用户情境模型的建立；

步骤2，用户综合情境信息的更新与合成；

步骤3，情境相似性匹配；

将源情境本体树和目标本体树在子属性树切分之后，依次对子属性树进行匹 配计算，求得源情境本体树根结点与目标情境本体树根结点的相似度；

步骤4，应用服务推送；

将所有源情境与目标情境的相似度按照从高到低进行排序，将Top-N用户应 用的服务推荐给当前用户。

其中，步骤1中用户情境模型用本体概念树表示，本体概念树中的每一个节 点表示了用户情境项的某一个元素；

用户情境模型形式化的表达为：UC_i＝(Dim₁(Attr₁₁,Attr₁₂,Attr₁₃),Dim₂,...)，

其中UC表示用户的情境，Dim_i表示情境的第i个维度，Attr_ij表示情境维度 i的第j个属性，若干个情境信息项和其属性是每个情境维度的构成要素。

其中，步骤2中用户综合情境信息表示为：其中f(t)给每 一个用户情境赋予一个权重，表示用户兴趣变化的逐步遗忘，用来更新用户的情 境信息；

其中，f(t)为非线性逐步遗忘函数，表示为：

（1-ζ≤f(t)≤1，min≤t≤max,0≤ζ≤1）。

t：进入当前情境信息的时间，通过用户点击当前浏览网页的绝对时间与参 照时间的时间间隔来衡量；

max:max(context_time-start_time)最大时间间隔；

min:min(context_time-start_time)最小时间间隔；

start_time：参照时间，即用户刚开始浏览一系列网页时的最初的开始时间；

context_time：用户进入当前情境的绝对时间用户浏览当前网页点击时间来衡 量；

t_浏览：指当前浏览网页情境的浏览时间间隔；

t_min浏览：指浏览商品网页的最小的浏览时间间隔；

t_max浏览：指浏览商品网页的最大的浏览时间间隔；

ζ为时间遗忘系数，它反映了f(t)的遗忘能力，ζ越大，遗忘越快，反之越 慢。

其中，步骤2中，用户综合情境信息的合成需要考虑到用户的情境属性， 情境属性包括标量属性和数量属性，标量属性需计算每一个属性对应的综合情 境，合成公式为：

$\frac{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)}{n}$

数量属性通过计算所有的浏览的网页与相应网页的权量乘积的总和与相应 权重的和的比值得到，合成公式为：

$\frac{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)\times p_i}{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)}$

其中p_i表示第i个浏览网页对应的属性值；f(t_i)表示第i个网页对应属性的 遗忘权重值。

其中，步骤3中对子属性树进行匹配计算步骤如下：

（1）取目标情境和源情境的任一子属性树，其中源情境子属性本体树用Q 表示，目标情境子属性本体树用T表示；

（2）获取T中的某一概念Ti，如果其存在转向（3），否则结束；

（3）在Q中查找与Ti对应的概念Qi，如果其存在则转向（4），否则转向 （2）；

（4）计算概念Ti和Qi所包含的属性相似度Pi；

（5）给（4）计算的每个属性相似度Pi赋予不同的权重Wi；

（6）算所有的属性相似度的加权和得到综合相似度Sim（Q，T）=∑Wi*Pi；

（7）计算库中所有源情境子属性本体树与目标情境子属性本体树的综合相 似度Sim（Q，T）；

（8）找到该子属性本体树的父节点概念，再重复（1）～（7）步骤，直至 求得最后的源情境本体树根结点与目标情境本体树根结点的相似度。

其中，步骤3中源情境本体树和目标本体树在子属性书的切分过程中会形 成叶子属性节点树和非叶子属性节点树，叶子属性节点树是由一个节点构成的 树，非叶子属性节点树是由多个节点构成的链表树；

叶子属性节点树的相似度是求对应的相同的属性的取值的相似度，即源情 境的任一属性节点v和目标情境v′对应属性节点的相似度S(v,v′)，根据情境的属性 取值类型的不同分为标量属性叶子节点的相似度、数量属性叶子节点的相似度和 范围属性叶子节点的相似度；

非叶子属性节点树的相似度包括名称相似度、属性相似度、实例相似度和结 构相似度。

标量属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=\left(\begin{array}{cc}1,& (N_v=N_{v^{\prime }})\\ 0,& (N_v\ne N_{v^{\prime }})\end{array}\right),$

数量属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=1-\frac{|N_v-N_{v^{\prime }}|}{N_{v^{\prime }}},$

范围属性叶子节点的相似度在计算之前，首先对用户的区间[r^l,rⁿ]进行规范 化得到范围属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=1-\sqrt{{(p^l-p^{l^{\prime }})}^2+{(p^n-p^{n^{\prime }})}^2}.$

名称相似度的公式为：

其中，Sim_名称(X,Y)指概念X和Y的名称相似度，x和y分别表示X和Y具有 的同义词集合，|x∩y|指同义词集合x和y的交集的节点个数，|x-y|指属于集合x 但不属于集合y的个数，|y-x|指属于集合y但不属于集合x的元素个数，α为比 例因子，指集合x和y不相交的元素个数的比例；

属性相似度的公式为：

Sim_属性(xi,yj)＝w₁s₁(xi,yj)+w₂s₂(x_i,y_j)+w₃s₃(x_i,y_j)，

其中，x_i和y_j分别指概念X和Y的属性，Sim_属性(x_i，y_j)指两个属性间的相似度。 w₁，w₂，w₃分别指对应于s₁，s₂，s₃即属性名称、数据类型和实例的权重，且实例相似度的公式为：

其中，Sim_实例(X,Y)指X，Y两个概念的实例相似度，p(X,Y)指任意一个实例属 于X也属于Y的概率，指属于X但不属于Y的概率，指属于Y但不 属于X的概率；

结构相似度的公式：

Sim_结构(X,Y)＝Sim_祖先节点(X,Y)×Sim_子孙节点(X,Y)，

其中，

Sim_结构(X,Y)指X，Y两个概念的结构相似度，Sim_祖先节点(X,Y)指X，Y两个概念的祖 先节点的相似度，Ancestor(x)指概念节点x的祖先节点的集合，Ancestor(y)指概念 节点x的祖先节点的集合；Sim_子孙节点(X,Y)指X，Y两个概念的子孙节点的相似度， Child(x)指概念x的子孙节点集合，Child(y)指概念y的子孙节点集合。

源情境本体树根结点与目标情境本体树根结点的相似度的计算由名称、属 性、实例及结构四种相似度的综合计算得到，计算公式为：

Sim(X,Y)＝αSim_名称(X,Y)+βSim_属性(X,Y)+γSim_实例(X,Y)+θSim_结构(X,Y)

其中，α，β，γ，θ分别表示从本体概念名称、属性、实例及结构方面的相 似度对综合结果产生的影响系数。

本发明的有益效果是：本发明通过建立本体化用户综合情境模型，对用户活 动有关的特征信息加以描述，可以更好地了解网络社区用户的兴趣，以此为基础， 通过用户综合情境的更新与合成，并对情境本体树的相似性进行匹配，实现了将 用户应用服务推送给相关用户，能够很好地应用与当前网络社区个性化信息服务 中。

附图说明

图1是本发明情境本体子属性树匹配的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于用户情境本体的网络社区用户推送服务的方法，通过建立本体化用 户情境模型，并对用户综合情境信息进行更新与合成，根据当前用户综合情境的 匹配程度向用户进行服务推送。用户情境主要是用来描述与用户活动有关的特征 信息，它可以是用户基本信息、地点、天气、时间或者与应用程序相关的物理或 虚拟的社会、业务等因素，也可以是应用主题用户的心理、个人喜好、情绪等内 部的信息。

该方法的具体步骤如下：

步骤1，本体化用户情境模型的建立；

由于用户情境包括不同角度的情境，而每种情境又由不同的属性或者若干的 情境要素构成，即情境具有多维度的层次结构，用户情境信息层次结构可对应于 本体概念树，本体概念树中的每一个节点表示了用户情境项的某一个元素；

用户情境模型形式化的表达为：UC_i＝(Dim₁(Attr₁₁,Attr₁₂,Attr₁₃),Dim₂,...)，

其中，UC表示用户的情境，Dim_i表示情境的第i个维度，Attr_ij表示情境维 度i的第j个属性，若干个情境信息项和其属性是每个情境维度的构成要素。

步骤2，用户综合情境信息的更新与合成；

用户的行为具有一定的连续性，而用户当前的情境信息仅仅反映了用户短时 间内的信息需求，随着时间的不断积累用户的情境信息也不断的积累变化形成用 户的历史情境uc(t....)，即当前用户的综合情境是由历史情境和当前情境两部分构 成的。历史情境是随着时间的积累形成的，为以后的情境信息提供了基础，而当 前情境则是当前获取的用户情境信息。

用户综合情境信息表示为：其中f(t)给每一个用户情境赋 予一个权重，表示用户兴趣变化的逐步遗忘，用来更新用户的情境信息；

f(t)为非线性逐步遗忘函数，表示为：

（1-ζ≤f(t)≤1，min≤t≤max,0≤ζ≤1）。

t：进入当前情境信息的时间，通过用户点击当前浏览网页的绝对时间与参 照时间的时间间隔来衡量；

max:max(context_time-start_time)最大时间间隔；

min:min(context_time-start_time)最小时间间隔；

start_time：参照时间，即用户刚开始浏览一系列网页时的最初的开始时间；

context_time：用户进入当前情境的绝对时间用户浏览当前网页点击时间来衡 量；

t_浏览：指当前浏览网页情境的浏览时间间隔；

t_min浏览：指浏览商品网页的最小的浏览时间间隔；

t_max浏览：指浏览商品网页的最大的浏览时间间隔；

ζ为时间遗忘系数，它反映了f(t)的遗忘能力，ζ越大，遗忘越快，反之越 慢；

用户综合情境信息的合成需要考虑到用户的情境属性，情境属性包括标量 属性和数量属性；

（1）标量属性：需计算每一个属性对应的综合情境，合成公式为：

$\frac{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)}{n};$

（2）数量属性：通过计算所有的浏览的网页与相应网页的权量乘积的总和 与相应权重的和的比值得到，合成公式为：

$\frac{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)\times p_i}{\underset{i=1}{\overset{n}{\Sigma }}f\left(t_i\right)},$

其中p_i表示第i个浏览网页对应的属性值；f(t_i)表示第i个网页对应属性的 遗忘权重值。

步骤3，情境相似性匹配；将源情境本体树和目标本体树在子属性树切分之 后，依次对子属性树进行匹配计算，求得源情境本体树根结点与目标情境本体树 根结点的相似度。

对子属性树进行匹配计算步骤如下，如图1所示：

（1）取目标情境和源情境的任一子属性树，其中源情境子属性本体树用Q 表示，目标情境子属性本体树用T表示；

（2）获取T中的某一概念Ti，如果其存在转向（3），否则结束；

（3）在Q中查找与Ti对应的概念Qi，如果其存在则转向（4），否则转向 （2）；

（4）计算概念Ti和Qi所包含的属性相似度Pi；

（5）给（4）计算的每个属性相似度Pi赋予不同的权重Wi；

（6）算所有的属性相似度的加权和得到综合相似度Sim（Q，T）=∑Wi*Pi；

（7）计算库中所有源情境子属性本体树与目标情境子属性本体树的综合相 似度Sim（Q，T）；

（8）找到该子属性本体树的父节点概念，再重复（1）～（7）步骤，直至 求得最后的源情境本体树根结点与目标情境本体树根结点的相似度。

源情境本体树和目标本体树在子属性树的切分过程中会形成叶子属性节 点树和非叶子属性节点树，叶子属性节点树是由一个节点构成的树，非叶子属 性节点树是由多个节点构成的链表树；

叶子属性节点树的相似度是求对应的相同的属性的取值的相似度，即源情 境的任一属性节点v和目标情境v′对应属性节点的相似度S(v,v′)，根据情境的属性 取值类型的不同分为标量属性叶子节点的相似度、数量属性叶子节点的相似度和 范围属性叶子节点的相似度。

（1）标量属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=\left(\begin{array}{cc}1,& (N_v=N_{v^{\prime }})\\ 0,& (N_v\ne N_{v^{\prime }})\end{array}\right),$

（2）数量属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=1-\frac{|N_v-N_{v^{\prime }}|}{N_{v^{\prime }}},$

（3）范围属性叶子节点的相似度在计算之前，首先对用户的区间[r^l,rⁿ]进行 规范化得到范围属性叶子节点的相似度的计算公式为：

$\mathrm{Sim}(v,v^{\prime })=1-\sqrt{{(p^l-p^{l^{\prime }})}^2+{(p^n-p^{n^{\prime }})}^2}.$

非叶子属性节点树的相似度包括名称相似度、属性相似度、实例相似度和结 构相似度。

（1）名称相似度的公式为：

其中，Sim_名称(X,Y)指概念X和Y的名称相似度，x和y分别表示X和Y具有 的同义词集合，|x∩y|指同义词集合x和y的交集的节点个数，|x-y|指属于集合x 但不属于集合y的个数，|y-x|指属于集合y但不属于集合x的元素个数，α为比 例因子，指集合x和y不相交的元素个数的比例。

（2）属性相似度的公式为：

Sim_属性(xi,yj)＝w₁s₁(x_i,y_j)+w₂s₂(x_i,y_j)+w₃s₃(x_i,y_j)，

其中，x_i和y_j分别指概念X和Y的属性，Sim_属性(x_i，y_j)指两个属性间的相似度。w₁， w₂，w₃分别指对应于s₁，s₂，s₃即属性名称、数据类型和实例的权重，且

（3）实例相似度的公式为：

其中，Sim_实例(X,Y)指X，Y两个概念的实例相似度，p(X,Y)指任意一个实例属 于X也属于Y的概率，指属于X但不属于Y的概率，指属于Y但不 属于X的概率。

（4）结构相似度的公式：

Sim_结构(X,Y)＝Sim_祖先节点(X,Y)×Sim_子孙节点(X,Y)，

其中，

Sim_结构(X,Y)指X，Y两个概念的结构相似度，Sim_祖先节点(X,Y)指X，Y两个概念的祖 先节点的相似度，Ancestor(x)指概念节点x的祖先节点的集合，Ancestor(y)指概念 节点x的祖先节点的集合；Sim_子孙节点(X,Y)指X，Y两个概念的子孙节点的相似度， Child(x)指概念x的子孙节点集合，Child(y)指概念y的子孙节点集合。

源情境本体树根结点与目标情境本体树根结点的相似度的计算由名称、属 性、实例及结构四种相似度的综合计算得到，计算公式为：

Sim(X,Y)＝αSim_名称(X,Y)+βSim_属性(X,Y)+γSim_实例(X,Y)+θSim_结构(X,Y)，

其中，α，β，γ，θ分别表示从本体概念名称、属性、实例及结构方面的相 似度对综合结果产生的影响系数。

步骤4，应用服务推送；

将所有源情境与目标情境的相似度按照从高到低进行排序，将Top-N用户应 用的服务推荐给当前用户。