个性化信息检索系统的用户模型研究

维普资讯 http://www.cqvip.com 个性化信息检索系统的用户模型研究　Ａ　Ｓｔｕｄｙ　ｏｎ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅ　ｏｆ　Ｐｅｒｓｏｎａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ　Ｓｙｓｔｅｍ　李爱明　（华中师范大学　武汉４３００７９）　刘　冰　（孝感学院　教感４３２０００）　摘　要　分析了传统信息检索系统实现个性化信息检索的必然性，对个性化信息检索系统的信息代理Ａｇｅｎｔ、用户模　型等相关问题进行了探讨，提出了一个基于向量空间的个性化信息检索用户模型。　关键词　用户模型　个性化信息检索系统　因此，为了更好地满足用户的查询需求，我们必须在检索　过程中考虑用户的个人兴趣偏好，建立一个个性化信息需求模　型，该模型能实现下列目标：ａ．在表达查询请求时，用户不需要　因特网上丰富的信息资源为人们获取信息提供了极大的　便利，但由于用户个体之间的差异，必然对信息服务提出不同　的要求。为了解决信息资源的有效利用与个体信息需求差异　之间的矛盾，“个性化信息服务”越来越引起人们的重视，日益　认知其信息需求的所有内容。在进行信息检索时，用户是否了　解搜索引擎的机制及数据库的组织结构，对系统的检索效率没　有影响。ｂ、系统会根据用户模型将最有价值的信息自动推荐　给用户，同时用户不必进行查询修改便可得到满意的查询结　果。Ｃ．系统为用户提供的信息更有针对性，检索结果的文档排　序与用户需求一致，这样，用户就不必浪费时间下载、阅读大量　的不相关文档。　成为情报界研究的热点问题。个性化信息服务包括个性化内　容定制服务、个性化信息检索服务、个性化界面定制服务、个性　化信息推荐服务。本文主要探讨个性化信息检索服务和基于　向量空间的用户模型。　１　传统信息检索向个性化信息检索发展的必然性　传统信息检索系统在发展初期大多基于布尔检索模型，该　模型用关键词或布尔查询表达式表示文档。对于给定的用户　查询，系统通常将数据库中的文档集合分为两部分：一部分包　为了实现以上目标，一个个性化智能信息存取系统将会满　足终端用户的需求，这意味着系统能有选择性地将真正相关的　信息传递给用户，而不是用户不时地主动寻找信息。卣于不同　含符合查询条件的文档；另一部分包含不符合查询条件的文　档。从用户的角度来说，这些文档集合中分别包含有与用户需　求相关的文档及一些与用户需求不相关的文档。对于用户的　用户的兴趣偏好大多是不同的，信息系统必须高度个性化以服　务于每个用户。　２个性化信息检索系统　２．１　个性化信息检索系统一般原理【ｌ　其原理可表述为：　查询请求，检索结果中常常不可避免地包含许多不相关文档，　使人们难以从中辨别和选择。虽然用“ＡＮＤ”操作符连接关键　词作为布尔查询式输入可减少输出文档的数量，但往往会丢失　用户提出查询请求，选择主题；用户个性Ａｇｅｎｔ确定用户兴趣；　许多相关文档，这通常不符合用户真实的信息需求。　随着网络的发展，Ｉｎｔｅｒｎｅｔ上存在大量不同类型的信息资　信息搜索程序根据用户兴趣进行信息搜索；搜集结果经过信息　过滤，按统一的相关度评级排序，组织起来返回给用户；查询到　的信息由用户挑选，组织到信息数据库中，此数据库记录用户　就某一专题所查询的网上资源，同时追踪这些资源的新变化，　加以有效管理，方便用户在本地调用信息资源，系统通过与用　源，搜索引擎作为网络信息检索工具而被人们广泛使用，但是　随着网络信息量的增加，面对用户个性化的信息需求，传统搜　索引擎日益显现其不足，具体表现在以下几个方面：ａ．大部分搜　索引擎是基于关键词匹配的，这种匹配完全是一种机械式的匹　配，它既不能区分关键词的同形异义，也不能联想到相关同义　户的交互，不断修正知识库和兴趣库，同时，系统对用户所确认　的信息进行内容挖掘，对用户兴趣加以预测和补充。　２．２　用户模型　用户模型常被理解为对用户在某个时间内　词，更不可能考虑到关键词所处的特殊语言环境。因此，它不　能有效地理解人们的查询请求。ｂ．用户在选择关键词或构造　相对稳定的信息需求的描述ｌ２　Ｊ。用户模型在个性化信息服务　中发挥着基础和核心作用。它根据用户提供的学习样本或主　动跟踪用户的查询行为建立用户兴趣的初始模板，再根据用户　反馈不断更新模板。　查询表达式表达其信息需求时往往面临一些困难，对于许多无　关信息，往往需要用户花大量时间浏览与选择。ｃ．传统搜索引　擎基本上都是“一个搜索适用所有用户”，对所有用户其检索结　果都是一样，不能根据不同的用户给出相应的建议，无法满足　用户的个性化需求。　在传统的信息检索系统中，仅根据用户查询语言来表达其　暂时的信息需求，这对于建立某一数据库中文档的相关度往往　作者简介：李爱明，女，１９７５年生，硕士研究生，研究方向为信息组织与信息检索。　回　维普资讯 http://www.cqvip.com 是不够的。实验表明，不同用户对同一查询可能希望有不唰的　广泛应用于个性化信息系统。　结果；同一用户在不同时期对同～查询也可能期望有不同的结　２．４　用户模型在检索过程中的运用　随着用户兴趣的表　果。这意味着在检索过程中必须考虑用户偏好模型，并且，用　示，用户模型被建立起来。在个性化信息检索系统中，用户模　户模型是动态变化的且需要不断更新Ｌ３』。信息代理在用户模　型常常通过以下方式被利用：ａ．利用用户模型来进行信息过滤：　型的构建及维护中发挥着重要的作用。　用户不需要给系统提交查询，只需系统推荐定期地将信息传递　２．３信息代理Ａｇｅｎｔ　运用传统信息检索方法很难满足上　给他（她）们。这种方法常用于个性化新闻服务或信息过滤系　述信息检索需求。为此，软件代理作为智能信息检索技术之一　统，该系统中的信息资源定期更新。ｂ．利＿旰ｊ用户模型修改用户　可用来确定个人用户偏好并应用于检索过程。在个性化信息　提问：针对用户提问不够精确或完整的问题。系统可通过模型　检索系统中，信息代理是一个计算机程序，它能够以用户模型　表示来调整提问式。Ｃ．利用用户模型重新调整输出结果：用户　的形式保存有关用户兴趣的信息，并根据用户提交的查询式和　模型被看作是对系统用户查询结果后的过滤。　用户偏好来排序文档。　Ｗｉｄｙａｎｔｏｒｏ在文献［９］中采用一个个性化新闻代理开发信　信息代理最主要的任务是构建用户模型和适直用户兴趣　息过滤系统模型，该系统中用户模型由不同的兴趣类目组成，　变化的学习算法。构建用户模型时，通常从隐性反馈和显性反　每一类包括一个正描述符，负描述符和长期描述符。正描述符　馈中收集有关用户兴趣的信息。显性反馈通常要求有用户的　和负描述符均采用一个特征向量，这个特征向量分别从文档的　参与以描述其感兴趣领域或其他相关参数，该方法简单，但增　正负反馈（正反馈表示用户对文档内容感兴趣，负反馈则相反）　加了用户的负担。另外还可通过用户对所提供信息的评价来　中获得，但长期描述符取得的特征向量则是从两种反馈类型中　获取用户兴趣。隐性反馈是基于用户行为的，它通过观察用户　获得的。每个描述符也有一个权重来代表相应描述符兴趣类　在使用系统时的行为来确定，常常不需要用户的介入。例如：　目的兴趣水平。其信息过滤过程如下：对于给定的一个文档特　如果某用户选择了某篇文章，在一定程度上便可明确推断他　征向量，系统在用户模型中找出最相关的类目，文档分值由正　（她）对该篇文章的内容感兴趣Ｌ４ｊ。如果用户迅速返回，即既未　相似性（正描述符与文档向量的相似性）和负相似性（负描述符　保存目标文档，又未进一步链接，就认为用户对此不感兴趣。　与文档向量的相似性）的差异来决定，文档分值越大，文档就越　Ｌｉｅｂｅｍａｎ建立了一个帮助用户浏览Ｗｅｂ信息的信息代理　接近用户需求。系统将具有最大分值的前　个文档推荐给用　ＬｅｔｉｚｉａＬ５』，Ｌｅｔｉｚｉａ可准确地监控用户浏览行为以形成一个用户　户。该方法的缺点是用户不能提问表达他（她）不同于用户兴　模型，并搜索潜在的推荐兴趣页。Ｌｅｔｉｚｉａ系统可在用户浏览时　趣的ｆＩ缶时信息需求。　向用户建议其可能感兴趣的链接，这些链接往往与用户当前访　文献［３］提出在向量空间模型中利用用户模型来修改提问　问的页面内容相关。　的方法。在他们的方法中，不再考虑提问和模型两个最初的实　隐性反馈的优点是可使信息代理更具友好性，然而，对于　体，仅仅是被修改的提问影响检索过程，提问和模板的不同线　用户兴趣解释的模糊性可能造成检索结果不精确，例如：标引　性依附性以其简明和直观而被学习。文献［１０］中介绍了一种　人员在处理某一不太熟悉领域的文档时，可能认为某一相关文　基于布尔信息检索模式的模型，该模型以其简单和直观的提问　档与用户模型无关。另外，阅读时间因素也起很大作用。如果　形式而著称。对于用户的提问查询，系统检索结果中包含有一　某用户在读一篇文章时从没有中断过，那么有可能认为该文章　系列的文档，用户根据查询提问或用户标记的相关性文档创建　与用户模型无关。因而，通过隐性反馈观察用户行为和解释用　用户模型，然后利用用户模型根据从文档到模型的距离升序排　户兴趣是一个非常艰难的任务。　列文档。　相反地，虽然显性反馈方法需要用户的合作，但在实践中　笔者认为，根据用户模型所标明的用户偏好传递用户信息　比较容易实现，其与隐性反馈相比具有的优点是从用户那儿获　是上述各类方法的共同点。但是，在所有模型中，均未考虑提　得的信息比较明确可信。使用该方法时，用户在分析系统推荐　问与用户模型的非线性依赖性，即用户稳定的兴趣和他们ｆＩ缶时　后，表明自己感兴趣的文档，然后对这些文档进行综合或通过　信息需求的动态关系。这也是我们以后的研究方向之一。　统一的方法来建构用户模型。文献［６］中的ＷｅｂＭａｔｅ是一个帮　助用户有效浏览和搜索ｗｅｂ的代理，ＷｅｂＭａｔｅ通过多维加权变　３信息检索系统中用户模型的构建　量记录用户在不同领域的兴趣。当用户给予积极反馈时，领域　在本节中，我们基于传统向量空间模型提出一个信息检索　成为一个信息代理自动学习的主胚。在该系统中，如果领域数　系统模型，并说明怎样在系统中引入用户模型，此模型根据其　还在它的上限之下，用户反馈后，一个新的领域分类被建立起　检索函数影响检索过程。同时也提出一个建构和修改用户模　来，如果领域数达到最大限，将被学习的文档会以最大的相似　型的算法。　性来修改向量。在文献［７］中作者主张用户以一个专门的主题　首先让我们为该模型做一些假设。假设１：对于用户查询，　对页面进行排序，系统基于网页内容和页面级别学习用户模　系统结果提供的是～系列文档，其中第一个文档与用户查询提　型，通过模型预测用户是否对页面感兴趣。他们凋研了大量的　问和用户偏好最相关，用户在分析了系统结果后，可能接受它，　主题，针对每个主题学习不同的用户模型。同样地，文献［８］中　也可能做出一些调整，然后将它作为用户反馈传给系统。假设　提出的Ｆａｂ要求让用户来排序页面，基于页面等级和内容来发　２：每个用户反绩可能（但不必）影响该用户以后的检索过程。　现用户模型。目前，显性反馈作为建构用户模型的信息资源被　３．Ｉ　基于向量空间挂型的信息捡索　向量空间模型的基本　回　维普资讯 http://www.cqvip.com ｌ　元素是”维空间向量Ｖ　在信息检索系统中，文献和查询都用　列ｏ“。换句话说，对于任意两个文档　：，　ｒ　，如果．ｒ：＞　（　：　向量来表示，向量中第ｉ个元素表示描述文档或查询的第　个索　在Ｌｆ　之前），其中ｉ＜　，那么（ｆ（Ｐ　，　ｒ：　）≤　（Ｐ　，　ｒ：）。通常，　引词的权重。向量常由表达式“＝（ｗ　，ｗ　…，ｔ　）或“＝　模型Ｐ　用以下公式计算：　（（　，ｗ　），（“２，ｗ　）…，（“　，ｗ　））来描述。设　∈Ｖ　可　定义一个距离函数（ｆ（１１，　）或一个相似函数Ｓ（ｚ　，　）。另外，在　∑ｗ　：　Ｐ　＝—　一　（２）　基于向量空间模型的信息检索系统中，假设有查询提问ｑ和文　∑ｗ　档－ｒ，便可建立检索函数，‘（ｑ，Ｔ）。　ｊ　１　向量空间模型的检索函数根据向量的相似函数或距离函　其中，ｗ　一，ｗ　表示模型向量中特定文档的各个文档参　数定义　１　３］。一般地，相似函数和距离函数的相互关系可表示为：　数，由系统根据条件　＜　ｄ（Ｐ　，　）≤（ｆ（Ｐ’　）设置，由于　Ｓ（“，　）＝Ｍ　一ｄ（“，　），　篇幅的原因，我们不展开说明计算ｗ　一，ｗ　的算法。　其中Ｍ，．＝ＭＡＸ　ｄ（ｄ，ｂ）　。，ｂ∈Ｖ，ａ≠ｂ　（１）　第５步　在第二次提问查询时，用户将查询ｑ　递交给系　如果空间向量Ｖ　是标准的，那么Ｍ　．＝１，这样Ｓ（　）＝　统，此时，系统以查询ｑ　和阶段模型Ｐ　为基础，根据下面的函　１一ｄ（“，　）。此外，ｆ（ｑ，ｄ）＝ｄ（ｑ，ｄ）。那么传统向量空间模型　数来排序文档。　可用＜ｘ，Ｑ，（ｆ＞三元变量表示，此时，ｘ代表文档，Ｑ代表查　（ｑ　，Ｐ’，　）＝口ｌ・　（Ｐ　，Ｘｉ）＋Ｊ９・　（ｑ　，　）　（３）　询提问，（ｆ表示距离函数。　其中，ａ　，Ｊ９（ａ．＜Ｊ９）参数表示提问和用户模型在检索函数　经典向量空间模型的一个重要局限性是以向量形式表示　中的影响因子。在结果中，用户将得到系统结果输出序列Ｏ　＝　的用户查询，由赋予权重的关键词组成，对于系统的终端用户　（　，　；，・一，　）。　来说，构建这样的提问式比直观的布尔查询要困难得多。在布　第６步　第３步、第４步创建阶段模型Ｐ　的过程与建构模　尔查询中，索引词（关键词）用逻辑操作符ＡＮＤ，ＯＲ，ＮＯＴ来连　型Ｐ‘相同。　接，而且给索引词分配权值是由专家们来完成的。对于此问题，　第７步　以此类推，ｔ时刻的检索过程描述如下：用户已经　可通过广义向量空间模型予以解决　，该模型主张将每个布尔　得到ｔ个阶段模型，Ｐ　，Ｐ　，…，Ｐ　，并将ｑ…查询递交给系统，系　查询统一转换为向量空间的向量，这样，用户可向基于向量空　统根据检索函数排序文档　间模型的信息检索系统递交一个布尔查询。本文将不涉及有关　，（ｑ　，Ｐ‘，Ｐ　，…，Ｐ　，ｚ　）＝　转换的问题，但我们仅假设查询、相似文档和用户模型在向量　∑　・ｄ（Ｐ　，Ｘｉ）＋Ｊ９・ｄ（ｑ…，Ｘｉ）　（４）　空间中是以向量来表示的。　＾＝ｌ　为了将用户模型集成到检索过程中，有必要介绍广义向量　其中，口ｌ，口２，…，口　，Ｊ９（口ｌ＜口２＜…＜口　；∑口　＜Ｊ９）参数　＾＝ｌ　空间模型，该模型引入了用户模型Ｐ和检索函数＿厂。检索函数，　代表某个用户模型与提问在检索函数中的影响因子。最终系统　的功能是为每个文档分配一个检索值，它依赖于文档的相对位　显示结果序列ｏ　‘＝（ｚ　，ｚ　，…，ｚ　）并输出，用户对结果　置、查询提问和用户模型。我们可以用＜ｘ，Ｑ，Ｐ，ｄ，ｆ＞五元　评价判断并反馈为结果Ｏ“，此时，第ｔ＋１个阶段模型便建立　变量表示信息检索的扩展向量空间模型，其中ｘ代表文档，Ｑ　起来。　代表查询提问，ｄ表示距离函数，Ｐ表示一系列的用户模型，，表　３．３　实例　若有三个文档分别用向量表示为ｚ。＝｛０．７；Ｏ．　示检索函数。　５；Ｏ．９｝；ｚ２＝｛０．９；Ｏ．５；Ｏ．７｝；ｚ３＝｛０．７；Ｏ．９；Ｏ．５｝；假设递交　３．２信息检索系统中用户模型的构建　文献［１１］提出的信　第一次查询ｑ‘后，用户对结果进行排序为（ｚ。，ｚ　，ｚ３），这表明　息检索模型及文献［１２］提出的对模型的修改，都是利用用户模　用户对第一个关键词和第三个关键词感兴趣，但相比而言，认　型表示用户兴趣，在用户的最初反馈之后开始构建用户模型，　为第三个关键词更为重要一些。因此，ｚ。排在ｚ　的前面，系统　并在其后的反馈中不断修改。在此模型中，我们假设经过每次　设定参数值ｗｌ＝１；ｗ２＝０．９；ｗ３＝０；因此我们就能计算出模　的用户反馈后均可构建一个阶段用户模型，用户兴趣由所有一　型Ｐ‘＝｛０．７９５；０．５００；Ｏ．８０５｝（运用公式２计算）。　系列的阶段模型来表示。　信息检索和用户模型构建过程如下：　假定经过一段时间，在第ｔ次检索过程中，用户排序文档为　第１步　用户将查询提问ｑ‘递交给信息检索系统。　｛　，ｚ　，　。｝，这表明用户的偏好发生了改变，表现为对第一个　第２步　最初，ｔ＝１（用户没有自己的模型），系统根据距　和第二个关键词感兴趣（但第一个关键词更为重要些），则被修　离函数，　（ｑ‘，　）＝ｄ（ｑ　，　）按升序排序文档，结果序列ｏ　＝　改后的模型为Ｐ　＝｛０．８０５；０．６８９；０．６０５｝，它代表用户当前的　（　：，　，…，　！　）作为查询提问ｑ‘的结果被输出。　兴趣。　任一类检索函数，（ｑ　，Ｐ‘，Ｐ　，…，Ｐ　，ｏＣｉ）可以是扩展向　第３步　在系统提交的结果序列Ｏ　基础上，用户根据自己　量空间模型进一步检索的某个兴趣主题，因为该类的每个函数　的评价判断，重新排序文档，形成新的序列Ｏ“＝（　・　，．ｒ：，…，　具有一些从直观的检索函数中得来的特征属性，如：函数，考　ｒ　），并把它作为用户反馈递交给系统。　虑用户在前面做出的所有反馈，这意味着系统提供的文档排序　第４步　阶段模型Ｐ　通过以下方法从序列Ｏ“中创建：如　不仅考虑用户查询而且考虑用户在过去表明的所有偏好。　果我们根据文档到模型Ｐ　的距离来排序文档，就会得到结果序　因为。ｌ＜。２…＜口　，越到后面，用户反馈对（下转第１２６页）　固　维普资讯 http://www.cqvip.com 量评价是一种比较重要和可行的方法。　中国电子杂志社的万锦垫于２００３年１２月在北京召开的　中国科学文献计量与评价研究学术研讨会上提出了根据电子　期刊下载统计数据建立期刊评价模型的观点，并指出可以利　用电子期刊的下载影响因子来评价期刊质量．具体步骤如下：　ａ．建立期刊下载量模型。统计出近两年所有待评价期刊　道路，为ＯＡ期刊的最终用户提供直观、客观、系统的评价结　果供选择ＯＡ资源做参考．同时促进ＯＡ期刊向高质高量的　方向发展。　参考文献　１　李　武开放获取出版的两种主要实现途径大学图书馆学报，２００５；（４）　２　Ｔｈｏｍ￣ｎ　ＩＳＩ公司公布关于开放获取期刊影响力的报告现代图书情报技　文章的被下载数量，并按期刊名称排序；统计出每种期刊被下　载的总次数；对被下载过的期刊增加级别属性；对每一类期刊　按照被下载的总次数倒排序；确定期刊下载量梯度模型。　术，２００５；（３）　３　Ｓｔｅｖｅ　Ｌａｗｒｅｎｃｅ　Ｆｒｅｅ　Ｏｎｌｉｎｅ　Ａｖａｉｌａｂｉｌｉｔｙ　Ｓｕｂｓｔａｎｔｉａｌｌｙ　Ｉｎｃｒｅａｍｓ　ａ　Ｐａｐｅｒ’ｓ　ｌｍｒ　ｐａｃｔ．ｈｔｔｐ：／／ｗｗｗ　ｎａｔｕｒｅ　ｃｏｍ／ｎａｔｕｒｅ／ｊｏｕｒｎａｌ／ｖ４１１／ｎ６８３７／ｆｕｌｌ／４１１５２ｌａ０　ｈｔｍｌ　ｂ．建立期刊下载影响因子模型。对ａ中初步确定的期刊　下载量梯度中的每类中的期刊，用期刊近两年的文章被下载　的总次数除以该刊近两年发表的文章总数，得出该刊最新的　下载影响因子，再利用下载影响因子评价期刊。　５　总　结　４　Ｐｅｔｅｒ　Ｓｕｂｅｒ　Ｏｐｅｎ　Ａｃｃｅｓｓ　Ｎｅｗｓ　ｈｔｔｐ：／／ｗｗｗ．ｅａｒｌｈａｍ．ｅｄｕ／ｐｅｔｅｒｓ／ｆｃ￣／ｌｏｓ・　ｂｌｇ　ｈｔｏｍｌ　５蒋颖因特同学术资源评价：标准与方法．图书情报工作，１９９８；（１１）　６王崇德．文献计量学引论桂林：广西师范大学出版社。１９９７　７　Ａｎａｌｙｔｉｃａｌ￣ｉｅｎｃｅｓ　ｈｔｔｐ：／／ｗｗｗ　ｊｓｔａｇｅ　ｊｓｔ　ｇｏ　ｊｐ／ｂｒｏｗｓｅ／ａｎａｌｓｃｉ　８袁毅．核心网站评选的理论与方法北京：北京图书馆出版杜，２００５　ＯＡ期刊的综合评价是个系统工程，应该在推广之初就　９　Ｍｉｃｈａｅｌ　Ｊ　Ｋｕｒｔｚ　Ｗｏｒｌｄｗｉｄｅ　Ｕｓｅ　ａｎｄ　Ｉｍｐａｃｔ　ｏｆ　ｔｈｅ　ＮＡＳＡ　Ａｓｔｒｏｐｈｙｓｉｃｓ　Ｄａｔａ　Ｓｙｓｔｅｍ　Ｄｉｇｉｔａｌ　Ｌｉｂｒａｒｙ．Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ａｍｅｒｉｃａｎ　Ｓｏｃｉｅｔｙ　ｆｏｒ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　启动这项工作。当前研究人员只能从理论上进行相关的评价　．指标探讨，部分国外的科研人员在学科范围内的小部分期刊　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２００５；５６（１）　１０　Ｍｉｃｈａｅｌ　Ｊ．Ｋｕｒｔｚ　Ｔｈｅ　Ｂｉｂｌｉｏｍｅｔｒｉｃ　Ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　Ａｒｔｉｃｌｅ　Ｒｅａｄｅｒｓｈｉｐ　Ｉｎｆｏｒｍａ—　中进行相关的质量比较与评价，当将指标体系推广到整个　ＯＡ期刊集合时进行具体的评价实施时就会遇到很多难以解　决的问题，譬如核心的各类使用统计数据的获取困难等。因　此当前最重要的就是要成立与确定相关机构的职能、操守，同　时督促各ＯＡ期刊发行单位配合该评价机构定期提供相关元　数据及使用统计数据，让ＯＡ期刊的评价直接走向规范化的　ｌ上接第１２３页）检索过程的影响越大。　每次的用户查询总是优先于所有的阶段模型（　ａ　＜　）。　ｔｉｏｎ　Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ａｍｅｒｉｃａｎ　Ｓｏｃｉｅｔｙ　ｆｏｒ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，　２００５；５６（２）　１　１　Ｂｏｌｌｅｎ　Ｊ．Ｖａｎ　ｄｅ　Ｓｏｍｐｅ１．Ｔｏｗａｒｄ　Ａｌｔｅｎａｔｒｉｖｅ　Ｍｅｔｒｉｃｓ　ｏｆ　Ｊｏｕｒｎａｌ　Ｉｍｐａｃｔ：Ａ　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　Ｄｏｗｎｌｏａｄ　ａｎｄ　Ｃｉｔａｔｉｏｎ　ｄａｔａ（ｐｄｆ　３４ｐｐ）．Ａｒｘｉｖ．ｏｒｇ。ｃｓ．ＤＬ／　０５０３００７，０３　Ｍａｒｃｈ　２００５，ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ。２００５；　４１（６）　责编：梅阳）　一—　・・—　－—　一—　一＋　ｍｅａｔｓ　ｉｎ　Ｉｎｆｏｒｍａｒｉｏｎ　Ｒｅｔｒｉｅｖａ１．Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ＆Ｍａｎａｇｅｍｅｎｔ．１９９０　２６（７）　４　Ｓｔａｄｎｙｋ　１．Ｋａｓ＊Ｒ．Ｍｏｄｅｌｉｎｇ　Ｕｓｅｒｓ’Ｉｎｔｅｒｅｓｔｓ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｆｉｌｔｅｒｓ．Ｃｏｍｍｕ．　根据上述用户模型创建方法，在反馈过程中，用户必须对　所有文档重新排序，这在现实中似乎是不可能的。然而，在这　种情况下，可使用一种可接受的排序策略：假设一位用户对某　两个文档无偏好，他（她）就不会对这些文档的排序情况产生兴　ｎｉｃａｔｉｏｎｓ　ｏｆ　ｔｈｅ　ＡＣＭ，１９９２；（３５）　５　Ｌｉｅｂｅｒｍａｎ　Ｈ．Ｌｅｔｉｚｉａ：Ａｎ　Ａｇｅｎｔ　ｔｈａｔ　Ａｓｓｉｓｔｓ　Ｗｅｂ　Ｂｒｏｗｓｉｎｇ．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｍｏｎｔｒｅａｌ，１９９５　６　Ｃｈｅｎ　Ｌ。Ｓｙｅａｒｎ　Ｋ　Ｗｅｂｍａｔｅ—Ｐｅｒｓｏｎａｌ　Ａｇｅｎｔ　ｆｏｒ　Ｂｒｏｗｓｉｎｇ　ａｎｄ　Ｓｅａｒｃｈｉｇ　Ｉｎ：ｏ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｓｅｃｏｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｕｔｏｎｏｍｏｕｓ　Ａｇｅｎｔｓ，Ｓｔ．　Ｐａｕｌ，ＭＮ，Ｍａｙ，ＡＣＭ　Ｐｒｅｓｓ，Ｎｅｗ　Ｙｏｒｋ，１９９８　趣，用户则可对少量的文档进行排序并把其作为反馈的一部　分，同时系统也认为用户对这些文档非常感兴趣。因此，这些　文档将会被移到重新排序序列的顶端（根据步骤３）。作为系统　推荐，所有其它文档可保持原来的同样序列。　４结论　７　Ｐａｚｚａｎｉ　Ｍ．Ｂｉｌｌｓｕｓ　Ｄ　Ｌｅａｒｎｉｎｇ　ａｎｄ　Ｒｅｖｉｓｉｎｇ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅ：Ｔｈｅ　Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　Ｉｎｔｅｒｅｓｔｉｎｇ　Ｗｅｂ　Ｓｉｔｅｓ．Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ．１９９７　８　Ｂａｌａｂａｎｏｖｉｃ　Ｎ　Ａｎ　Ａｄａｐｔｉｖｅ　Ｗｅｂ　Ｐａｇｅ　Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　Ｓｅｒｖｉｃｅ．Ｐｒｃｅｏｅｄｉｎｇｓ　ｏｆ　１ｓｔ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｕｔｏｎｏｍｏｕｓ　Ａｇｅｎｔｓ，１９９７　９　Ｗｉｄｙａｎｔｏｒｏ　Ｄ　Ｈ　Ｄｙｎａｍｉｃ　Ｍｏｄｅｌｉｎｇ　ａｎｄ　Ｌｅａｒｎｉｎｇ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅ　ｉｎ　Ｐｅｒ￣ｎａｌ　Ｎｅｗｓ　在本文中，我们集中探讨了个性化信息检索系统中用户模　型的相关问题，以及基于向量空间模型构建个性化信息检索用　Ａｇｅｎｔ　Ｍａｓｔｅｒ　Ｔｈｅｓｉｓ，Ｄｅｐｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ。Ｔｅｘａｓ　Ａ＆Ｍ　Ｕｎｉｖｅｒｓｉｔｙ。　１９９９　户模型的原理与方法。笔者认为，系统检索效率的提高来自用　户模型的引入和检索函数的利用。后续研究工作将着重于检　１０　Ｄａｎｉｌｏｗｉｃｚ　Ｃ　Ｍｏｄｅｌｉｎｇ　ｏ　Ｕｓｅｒ　Ｐｒｅｆｅｒｅｎｃｅｓ　ａｎｄ　Ｎｅｅｄｓ　ｉｎ　Ｂｏｏｌｅａｎ　Ｒｅｔｒｉｅｖａｌ　Ｓｙｓｔｅｍｓ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ＆Ｍａｎａｇｅｍｅｎｔ．１９９４　１１　Ｄａｎｉｌｏｗｉｃｚ　Ｃ。Ｎｇｕｙｅｎ　Ｈ　Ｃ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ｒｅｔｒｉｅｖａｌ　Ｓｙｓｔｅｍｓ　Ｐｒｏ・　ｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｉＳｅｎｔｉｆｉｃ　Ｓｃｈｏｏｌ　ｌＳＡＴ．２００１　１２　Ｄａｎｉｌｏｗｉｃｚ　Ｃ，Ｎｇｕｙｅｎ　Ｈ　Ｃ　Ｕｓｉｎｇ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅｓ　ｉｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｉｎｆｏｒｍａｔｉｏｎ　ｒｅ．　ｔｒｉｅｖａｌ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＩＳＭＩＳ　２００２　Ｃｏｎｆｅｒｅｎｃｅ，ＬＮＡＩ　２３６６，Ｓｐｒｉｎｇｅｒ，　２００２　索函数的确定以及模型的修改方法以实现检索效率的最大化。　参考文献　１杨刚华基于Ａｇｅｎｔ的个性化信息检索系统硕士论文　２　Ｄａｎｉｌｏｗｉｃｚ　Ｃ　Ｍｏｄｅｌｓ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ　Ｓｙｓｔｅｍｓ　Ｗｉｔｈ　Ｓｐｅｃｉａｌ　Ｒｅ￣ｒｄ　ｔｏ　Ｕｓｅｒｓ’Ｐｒｅｆｅｒｅｎｃｅｓ　Ｓｃｉｅｎｔｉｆｉｃ　Ｐａｐｅｒｓ　ｏｆ　ｔｈｅ　Ｍａｉｎ　Ｌｉｂｒａｒｙ　ａｎｄ　Ｓｃｉｅｎｔｉｆｉｃ　Ｉｎｆｏｒ．　１３　Ｗｏｎｇ　Ｓ　Ｋ　Ｍ，Ｚｉａｒｋｏ　Ｗ．Ｏｎ　Ｍｏｄｅｌｉｎｇ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ　Ｃｏｎｃｅｐｔｓ　ｉｎ　ｍａｔｉｏｎ　Ｃｅｎｔｅｒ　ｏｆ　ｔｈｅ　Ｗｒｏｃｌａｗ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ　Ｎｏ．６，Ｍｏｎｏｇｒａｐｈｓ　Ｎｏ　Ｖｅｃｔｏｒ　Ｓｐａｃｅｓ．ＡＣＭ　Ｔｒａｎｓａ．ｃｔｉｏｎｓ　Ｏ１１　Ｄａｔａｂａｓｅ　Ｓｙｓｔｅｍｓ，１９８７　３，Ｗｒｏｃｌａｗ（１９９２）　３　Ｍｙａｅｎｇ　Ｓ　Ｈ，Ｋｏｒｆｈａｇｅ　Ｒ　Ｒ　Ｉｎｔｅｇｒａｔｉｏｎ　ｏｆ　Ｕｓｅｒ　Ｐｒｏｆｉｌｅｓ：Ｍｏｄｅｌｓ　ａｔｔｄ　Ｅｘｐｅｒｉ一　（责编：梅王京）　囡