數字圖書館個性化主動信息服務機制研究

〔摘 要〕在分析了個性化主動信息服務模式的基礎上，構建了一個適用于數字圖書館的個性化主動信息服務通用模型，并對其中所涉及的關鍵技術進行了研究，最后對當前數字圖書館開展個性化主動信息服務存在的問題和創新策略進行了探討。

〔關鍵詞〕數字圖書館；個性化主動信息服務；通用模型；關鍵技術；創新策略

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１１．１１．０２０

〔中圖分類號〕Ｇ２５０.７６ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１（２０１１）１１－００８２－０４

Research on Personalized Active Information

Service Mechanism of Digital LibraryCui Hongyan

（School of Information Engineering，Lanzhou University of Finance and Economics，Lanzhou 730020，China）

〔Ａｂｓｔｒａｃｔ〕Firstly，analysed the personalized active information service model of digital library.And then，introduced a general personalized active information service model of digital library，and made a study of the key technologies involved of main phases.Finally，discussed the drawbacks in current and the innovation strategy for personalized active information service of digital library.

〔Ｋｅｙ ｗｏｒｄｓ〕digital library;personalized active information service;general model;key technology;innovation strategy

個性化主動信息服務（Personalized Active Information Services，PAIS）是在現代數字化網絡環境下為解決“信息過載”和“資源迷向”問題而提出的重要解決方案。它以用戶興趣、偏好和行為特征等信息為基礎，在不需要用戶指示和沒有用戶干預的情況下，通過系統推薦或推送等方式，自動按照用戶的信息需求為用戶提供相應的信息服務，并根據用戶的反饋進一步修正其信息需求，從而持續地獲取滿足用戶動態需求的信息，以最大程度的滿足用戶的個性化需求。它將信息服務系統的“被動響應”變為有針對性的“主動服務”，具有主動發布信息、主動預測需求（個性化的關鍵）、主動采集信息、主動處理信息、主動挖掘知識、主動預測仿真、主動人機交互和主動適應用戶等特征［１］，是網絡環境下信息服務向縱深發展的結果，也是當前數字圖書館信息服務發展的主流模式。

１ 數字圖書館個性化主動信息服務概述

１.１ 個性化主動信息服務模式

由于個性化主動信息服務以用戶需求為中心，以個性化服務應用為目標，是一種從信息提供者的角度為用戶量身定制的信息服務方式。因此，如何有效獲取用戶信息需求就成了個性化主動信息服務的核心和基礎，那么按照獲取方式的不同，目前數字圖書館個性化主動信息服務的模式主要有以下兩種。

１.１.１ 基于用戶定制的服務模式

基于用戶定制的服務模式是指系統根據用戶注冊或訂閱的方式直接獲取用戶個人基本信息（如用戶的性別、年齡、教育程度、從事的專業和研究方向等）和需求偏好來提供服務。通過該種模式獲取的信息稱為用戶信息，由于此類信息明確表達了用戶的信息需求，因此更有利于系統在做出相關判斷的基礎上，進行有針對性的主動信息服務。但是，此模式實施的關鍵在于用戶的主動參與，如果用戶信息的提交過于繁瑣或涉及用戶的隱私及敏感信息，那么就會導致用戶不愿使用系統或提供虛假信息的情況，從而造成系統的實際應用價值降低以及用戶信息需求表達不準確等問題。當前這種服務模式的典型應用是個性化信息定制和基于電子郵件的推送兩種形式。

１.１.２ 基于用戶跟蹤的服務模式

基于用戶跟蹤的服務模式是指不需要用戶明確提供其信息需求偏好，而是由系統通過跟蹤的方式自動收集并動態更新用戶信息需求，以提供相應的信息與服務。用戶跟蹤的方法包括顯式跟蹤和隱式跟蹤兩種。顯式跟蹤是指系統要求用戶對推薦的資源進行反饋和評價，從而達到系統自適應修改用戶信息的目的；隱式跟蹤不要求用戶提供任何信息，所有的跟蹤都由系統自動完成，隱式跟蹤又可分為行為跟蹤和日志挖掘［２］。由于這種模式充分考慮了用戶需求的變化，并主要通過用戶的行為特征（如用戶的IP地址、查詢關鍵詞、瀏覽頁面、訪問頻率、停留時間、下載次數等）來進行信息服務，不完全依賴于用戶的參與，因此，可以有效避免基于用戶定制的服務模式的某些缺點，更準確的反映用戶需求與興趣，從而進行高效、高質量的個性化主動信息服務。

１.２ 個性化主動信息服務模型

從以上兩種服務模式的分析可以看出，為了實現個性化主動信息服務，關鍵在于獲取準確的用戶信息，并在建立用戶興趣模型和有效整合信息資源的基礎上，進行個性化信息服務。因此，我們提出了一個適合數字圖書館的個性化主動信息服務的通用模型（如圖１），該模型以用戶需求為核心，具有針對性、可定制性、主動性、智能性、安全性等特征，不僅能充分發揮數字圖書館的主動信息服務功能，也將更好的滿足用戶的個性化和交互性需求。圖１ 數字圖書館個性化主動信息服務模型

從圖中可以看出，該模型分為用戶層、服務層、資源層3個層次，包括用戶、信息資源、個性化主動服務3個相關主體。具體的說，該模型能夠主動獲取并分析用戶需求、主動收集并加工信息、主動匹配并推薦資源，即：①通過Web技術獲取用戶信息、跟蹤用戶行為、學習用戶興趣，并建立相應的用戶模型；②收集相關信息資源，并在對資源進行分析、處理和加工的基礎上，對信息資源進行有效的整合和組織管理；③根據用戶興趣模型對信息資源進行匹配過濾，并將過濾后的結果按照用戶的需求推送給用戶。這其中涉及到了多種關鍵技術的應用，如用戶建模技術、智能Agent技術、Web數據挖掘技術、本體、個性化推薦技術、推送技術等，這些技術在一定程度上決定了個性化主動信息服務的效率和質量。下面將分別對這些技術進行介紹，并同時對它們在開展個性化主動信息服務中的應用優勢進行研究。

２ 實現個性化主動信息服務的關鍵技術

２.１ 用戶建模技術

用戶建模是指在收集用戶信息的基礎上，建立用戶模型，即用戶描述文件。用戶描述文件是對一個給定類別的用戶的形式化描述，不僅記錄了用戶各種特征的詳細說明，也可以用來推理用戶的興趣。用戶建模的主要內容包括：①定義數據并以文件或數據庫的方式組織數據以滿足系統需要；②識別當前用戶活動或用戶反饋；③加載當前用戶的用戶模板；④在用戶與系統交互的基礎上更新用戶模板。

在個性化信息服務領域，用戶模型通常是由一組向量集構成，用以表示用戶在行為模式、知識模式、興趣偏好和認知特點等，它不僅可以清晰的表示用戶對信息的需求和偏好，有針對性的過濾無關信息，也可以根據用戶活動的變化或用戶反饋更新用戶模型，從而進一步提高信息服務的質量。但是在不同的個性化服務系統中，用戶模型的表示方法有所不同，從內容上可以分為基于興趣的用戶模型和基于行為的用戶模型兩種［４］。基于興趣的用戶模型可以表示為加權矢量模型、類型層次結構模型、加權語義網模型、書簽和目錄結構等；基于行為的用戶模型可以表示為用戶瀏覽模式或訪問模式。在具體實現時可以采用基于興趣和基于行為相結合的表示方式。

２.２ 智能Agent技術

智能Agent是一種具有通信能力、感知能力和問題求解能力的，并能在不需要或很少需要人的干預與指導下持續自主的執行某一特定任務的智能軟件。其工作過程可簡單描述為：①根據用戶定義的準則自動收集用戶信息，并對用戶行為特征進行跟蹤分析；②利用其自動推理能力和自主學習能力分析和準確判斷用戶意圖，并將用戶的興趣、愛好、習慣等信息直接轉化為內部表示存放在知識庫中；③通過建立用戶模型來指導自己自動完成決策與相關搜索行為；④生成動態個性化頁面，并實現信息的主動推送。很明顯，智能Agent作為信息系統用戶的“自動助手”，具有自主性、主動性、社會性、學習性和智能性等特點，它不僅克服了傳統搜索引擎和在線瀏覽的缺陷，是開放環境下個性化主動信息服務的高級階段，也為有效整合各種服務模式，構建動態信息資源系統提供了保證。

智能Agent在個性化主動信息服務系統中的典型應用主要包括界面Agent、用戶Agent、信息Agent和推送Agent 4個部分。界面Agent負責用戶與系統的交互，進行瀏覽或查詢等操作。用戶Agent一方面負責收集分析用戶信息，建立相應的用戶模型；另一方面根據用戶行為或反饋信息自主學習用戶興趣，動態更新用戶模型。信息Agent將選取適當的搜索引擎技術，結合用戶模型在信息源中搜索與用戶需求相關的各類信息，并將存入搜索結果庫。推送Agent將對搜索結果進行過濾，去除其中與用戶需求不相關或相關性不大的信息，并屏蔽有害信息，最終通過界面Agent將符合用戶需求的信息推送給用戶。

２.３ Web數據挖掘技術

Web數據挖掘是數據挖掘技術在Web環境下的應用，是一個從大量的Web文檔集合中發現蘊含的、未知的、有潛在應用價值的、非平凡的模式的過程。該技術不僅能夠實現從網絡文檔和服務中發現和提取信息，也可以實現對Web存取模式、Web結構和規則、以及動態Web內容的查找。其處理過程包括資源發現、信息選擇、信息預處理、模式發現和模式分析5個步驟。

在實際應用中，按照挖掘對象的不同可以將Web數據挖掘分為Web內容挖掘、Web結構挖掘和Web日志挖掘3種類型。其中，由于Web日志挖掘主要是通過對用戶在訪問WWW服務器時留下的訪問記錄或行為特征進行挖掘，從而獲得相關頁面、相似用戶群體和用戶訪問模式等信息，并以此推斷或預測用戶需求和行為，因此被廣泛應用于個性化主動信息服務系統中。其工作過程［２］可簡單描述為：①清除Web日志中的無關信息，如請求失敗信息，頁圖片請求信息等，然后將剩下的數據存放到數據庫中；②將URL、動作、資源的類型、大小、請求的時間、請求者域名、用戶、服務器狀態作為維變量構建數據立方體；③進行在線分析處理，通過對數據立方體的切塊和切片，分析用戶在不同域的分布情況及用戶對資源的使用情況等；④利用各種數據挖掘方法來預測、分類和發現有意義的關系，如用戶的行為模式、用戶行為的變化、不同用戶群在使用和行為上的相似性等。

２.４ 本 體

本體用于描述事物的本質，是“共享概念模型的明確的形式化規范說明”［７］。它不僅準確地描述了概念的含義、概念之間的內在聯系，而且能夠通過邏輯推理獲取概念之間的蘊含關系，具有很強的語義表示和推理能力。用于描述本體的基本建模元語主要包括：類、屬性和關系。類是本體中的核心元素，通常代表一個范疇，可以用來表示事物的任何分類。屬性用于描述一個類區別與另一個類的特征。關系則用來描述概念間的關系和交互作用。由于本體將知識表示擴展到語義的層次上，克服了傳統關鍵詞表示的缺陷，能更好的實現語義上的信息表示與推理，達到分布式環境下知識共享和重用的目的。因此，本體在語義Web、知識處理平臺、異構系統集成、信息檢索、多Agent系統、個性化服務等領域都有重要的應用。而本體在個性化服務中的應用主要包括：提供資源庫領域知識的規范描述、內容的語義級理解；語法與語義級的互操作、基于知識的檢索、跨平臺／系統之間的通信中介等。

在個性化信息服務中，構建一個本體的基本流程為：①識別本體構建的目標和范圍，確定利用本體解決的信息服務問題；②利用本體建立領域知識概念模型；③建立概念層次結構；④定義概念、屬于和屬性；⑤本體編碼；⑥本體實例化；⑦邏輯檢測和評價；⑧文檔化。在具體的應用過程中，這些步驟不是完全獨立的，只有相互協作才能成功創建一個本體。在此基礎上，我們就可以根據用戶的個性化需求，對信息資源進行語義化表示，以保證用戶需求描述和信息資源特征之間的語義一致性，從而進一步提高人機交互的針對性。

２.５ 個性化推薦技術

個性化推薦是通過建立用戶與信息資源之間的二元關系，利用已有的選擇過程或相似性關系挖掘每個用戶的潛在興趣，并在建立用戶模型的基礎上，根據用戶模型尋找與之匹配的信息，進而實現有針對性的主動信息服務，其本質是信息的選擇性過濾，主要包括基于內容過濾的推薦、基于協同過濾的推薦和基于混合過濾的推薦3種形式［８］。基于內容的過濾是通過比較資源與用戶描述文件來推薦資源，具有簡單、有效的優點，而矢量模型計算精度較低，難以區分資源內容的品質和風格，且不能為用戶發現新的感興趣的資源，只能發現與用戶已有興趣相似的資源也是其突出的缺點。基于協同的過濾是根據用戶的相似性來推薦資源。由于該方式是根據相似用戶來推薦資源的，所以能為用戶發現新的感興趣的資源，但稀疏性和系統的擴展性仍是基于協作過濾的兩個難點問題。混合過濾將很好的克服各種技術的缺點，利用它們各自優點來達到一個較好的推薦效果，如基于內容的協作過濾［９］、基于用戶與項目的預測融合的過濾［１０］、基于混合項目和用戶評分的過濾［１１］等。很明顯，由于個性化推薦作為一個用來描述尋找符合用戶興趣的信息處理過程，充分體現了個性化主動信息服務的核心理念，即面向用戶而非面向檢索，因此它不僅是目前解決信息過載問題最有效的工具，也是使用戶形成依賴的信息知新的重要方式。

２.６ 信息推送技術

信息推送（Push）技術是一種信息發布和獲取技術，是信息服務機構或網絡公司通過一定的技術標準或協議，主動從網上的信息資源或信息加工者那里獲取信息，然后針對用戶不同的知識背景或檢索習慣等個性特征，通過一定的方式向用戶發送信息的新型信息服務方式。它是一種按照用戶指定的時間間隔或根據發生的事件有目的地按時將用戶感興趣的信息自動推送到用戶的計算機中的數據發布技術。根據推送性能的強弱和推送原理的差異，Push技術的實現方式主要有3種：Web服務器擴展——CGI方式、客戶代理方式和推送服務器方式［１２］。

由于Push技術可以根據用戶的需求，有針對性、目的性的將用戶所需要的相關信息（包括更新信息）主動、及時的發送到用戶的計算機上。因此，作為實現網上個性化主動信息服務的關鍵技術，它不僅可以有效提高信息獲取的深度，也可以進一步提高用戶獲取信息的效率和質量。基于Push技術的主動信息服務的基本工作流程為：①在獲取用戶需求信息的基礎上，建立用戶需求數據庫；②通過對網上信息的搜索、收集、評價、篩選和加工，建立信息索引數據庫；③通過Push服務器將信息推送給用戶。

３ 數字圖書館個性化主動信息服務存在的問題與創新策略分析３.１ 存在的主要問題

數字圖書館個性化主動信息服務作為一種以用戶為中心的、用戶可操作的信息服務模式，它的應用在一定程度上極大地推動了數字圖書館的服務改革與創新，但在面臨用戶的實際需求和具體的實現過程中仍存在一些需要注意和解決的問題：①缺乏有效的信息資源組織機制和工具，用戶無法實現對信息資源的有效重組和個性化集成。②沒有完全從用戶需求出發，且缺乏對用戶的整體研究，使得個性化服務還停留在簡單的個人信息整合和信息推送層面，未能從根本上解決信息過載的問題。③個性化主動服務功能單一，不能為需求各異的用戶提供完善的個性化服務和專業用戶需要的智能化的主動深度推薦。④缺乏有效的反饋與評價機制，導致其服務與應用水平較低。⑤缺乏有效的用戶安全與隱私保護機制，使個性化主動信息服務的進一步發展和應用受到一定程度的制約。⑥缺乏有效的開放機制，人為的隔斷了通過網絡建立起來的數字資源共享體系，并在一定程度上限制和阻礙了個性化服務的深化與發展。

３.２ 創新策略分析

從上面的分析可以看出，數字圖書館個性化主動信息服務的目標應始終定位在“堅持以人為本的服務理念，不斷優化館藏結構，改進服務方式和服務內容，強化自身各項設施建設，廣泛開展各項特色服務活動”上，并以此為基礎進行改革與創新。具體來說主要包括以下幾個方面：①在服務環境方面，圖書館應通過優化設計，為用戶營造友好、安全、舒適的私人學習空間或適合交流、討論的合作空間，以滿足不同用戶群體的需求。②在服務方式方面，圖書館應該支持在高度復雜和不斷變化的信息環境中給不同用戶提供不同的個性化信息服務，或開展有效的用戶自服務，以突出其核心價值。③在資源利用方面，應不斷優化和整理信息資源，加大數字資源的建設力度，減少對實體資源利用的依賴，以更好的實現數字資源的無縫穩定獲取。④加強與國內外圖書館及相關專業機構、社團等的合作，在拓展外部資源利用的同時，最大程度的實現資源共建與共享。

４ 結束語

個性化主動信息服務是當前數字圖書館發展的重要趨勢，也是吸引用戶參與數字圖書館建設的關鍵所在，它將有效提高圖書館的服務質量和信息資源的使用效益。因此，各級各類圖書館可以在已有服務的基礎上，不斷完善系統的個性化主動服務功能和強化系統與用戶間的交互性，并通過深入研究用戶需求，使用戶在高效便捷的使用信息和享受服務的同時，能真正成為信息資源的組織者，這種以“用戶為中心”的人性化服務方式必將為圖書館帶來新的生機與活力，也必將促進國內圖書館事業更好更快的發展。

參考文獻

［１］黃國忠.基于智能信息推拉技術的主動信息服務［Ｊ］.情報雜志，2005，(10):59-61.

［２］曾春，邢春曉，周立柱.個性化服務技術綜述［Ｊ］.軟件學報，2002，13(10):1952-1961.

［３］Volokh，E.Personalization and privacy.Communications of the ACM，2000，43(8):84-88.

［４］Wu，Y.H.，Chen，Y.C.，Chen，A.L.P.Enabling personalized recommendation on the web based on user interests and behaviors.In:Klas，W.，ed.Proceedings of the 11th International Workshop on Research Issues in Data Engineering.Los Alamitos，CA:IEEE CS Press，2001：17-24.

［５］Michael Wooldridge，Nicholas R Jennings.Intelligent agent theory and practice［Ｊ］.Knowledge Engineering Review，1995，10(2):115-152.

［６］Foltz P W，Dumais S T.Personlized Information Delivery:An analysis of Information filtering methods［Ｊ］.Communications of the ACM，1992，35(12):51-60.

［７］Studer R，Benjamins V R，Fensel D.Knowledge Engineering:Principles and Methods［Ｊ］.Data and Knowledge Engineering，1998，(1-2):161-197.

［８］Gediminas Adomavicius，Alexander Tuzhilin，Toward the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Extensions［Ｃ］∥IEEE Transactions on Knowledge and Data Engineering，2005，17(6):734-749.

［９］Balabanovic，M.，Shoham，Y.Fab:content-based，collaborative recommendation［Ｊ］.Communications of the ACM，1997，40(3):66-72.

［１０］Jun Wang，Arjen P.deVries，Marcel J.T.Reinders，Unifying User-based and Item-based Collaborative Filtering Approaches by Similarity Fusion［Ｃ］∥Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval Pages:501-508.

［１１］Rong Hu，Yansheng Lu，A Hybrid User and Item Based Collaborative Filtering with Smoothing on Sparse Data［Ｃ］∥16th International Conference on Artificial Reality and Telexistence—Workshop（ICAT’06），2006:184-189.

［１２］焦玉英，索傳軍.基于“推”模式的網絡信息服務及相關技術研究［Ｊ］.情報學報，2001，20(2):193-199.