基于本體的農村信息化服務平臺用戶模型

國帥 司海平

摘要：農業是我國社會經濟發展的支柱性產業之一，農村作為農業活動的基地，其信息化建設將推動傳統農業的種植生產、監控管理、市場營銷等飛速發展。以農村信息化服務平臺為研究對象，圍繞此平臺利用OWL、Protégé軟件構建農業領域本體，基于農業領域本體與平臺用戶注冊信息構建用戶初始模型，計算用戶對平臺資源的初始興趣度;然后利用正面學習與反饋學習方法，從用戶日志與用戶反饋中獲取用戶對平臺資源的動態需求，進而對初始興趣度進行更新，以更為準確地貼合用戶動態知識需求，構建動態變化的用戶模型。

關鍵詞：領域本體;農村信息化服務;用戶模型

中圖分類號： S126文獻標志碼： A文章編號：1002-1302（2020）13-0251-05

收稿日期：2019-08-13

基金項目：河南省科技惠民計劃（編號：152207110002）。

作者簡介：國帥（1995—），男，河南汝南人，碩士研究生，從事農業信息技術研究。E-mail：631768265@qq.com。

通信作者：司海平，博士，副教授，從事農業信息化、農業大數據、計算機應用技術研究。E-mail：pingsss@126.com。農村信息化服務平臺是智慧農業的重要構成部分，也是適應“三農”（指農業、農村、農民）發展和精準扶貧要求的農村信息化支撐體系，依托數據庫管理技術對農業領域的銷售動態、市場供求、政策法規、農業情報、科普知識、實用技術等進行整合集成與統籌管理，為農技人員、涉農企業、批發市場、種養專業戶以及廣大農民提供個性化、交互式的農業綜合信息檢索服務[1]。農村綜合信息服務平臺所面向的服務對象眾多，所管理的涉農信息龐雜、所服務的地域廣泛、所面對的信息需求多樣，如何為平臺用戶提供精準的農業信息服務，有效滿足平臺用戶特定的知識需求是當前農村信息化服務平臺面臨的關鍵問題。當前，計算機領域內常用的檢索引擎普遍以用戶輸入的關鍵詞為數據庫檢索對象，以關鍵詞的文字正則匹配為核心算法[2]，缺乏對關鍵詞的語義理解與關聯，更無法針對用戶動態、個性的知識需求提供有效的信息服務，檢索結果的通用性導致面向特定用戶的信息泛濫，用戶感興趣的信息會淹沒、流失在海量信息資源中[3]。

用戶模型是以用戶的身份職業、知識結構、興趣偏好以及動態需求等為核心所構建的用戶畫像，是綜合描述用戶個體差異化特性的模型。基于用戶模型所推薦的信息資源更具針對性與個性化，更為貼合用戶的實際、潛在的知識檢索需求，是當前應對海量信息精準檢索與推薦、提高檢索結果與用戶需求之間重合度的重要方法。當前用戶模型構建方法主要分為手工定制、示例建模與自動建模三大類，其中手工定制與示例建模均須依賴用戶操作，一方面用戶操作的主觀能動性直接關系到模型刻畫的準確度，另一方面用戶參與會降低建模效率，難以實時動態更新用戶需求描述模型。自動建模是系統根據用戶的各類行為，如檢索、瀏覽、下載等，對用戶的需求興趣點進行捕捉，構建反映用戶行為特點與潛在需求的用戶模型，其建模客觀性與建模效率均較高，且能夠根據用戶源源不斷的行為對用戶需求模型進行更新與優化，是個性化推薦系統中最常用的用戶模型構建方法。基于本體的用戶建模方法是一種典型的自動建模方法，依托對領域內知識的概念化與共享化實現信息的共享與重用，本研究將基于本體的用戶建模方法引入到農村信息化服務平臺中，以期為涉農信息的精準檢索與個性化推薦提供服務支撐。

1農業領域本體構建

1.1本體

本體是對共享概念模型的明確的形式化規范說明，多著眼于某一特定領域，對領域內的知識進行抽象與概念化，使其更具歸納性地對領域內的信息以及信息之間的關聯關系進行描述與表達，在不同交流體之間得以有效共享與重用。某一專業領域的本體庫受到其固定的知識范圍、明確的知識概念等因素影響，本體庫的體量以及復雜程度相對有限，通常采用自上而下的構建方法對本體庫進行構建[4]。當前在本體庫構建中常用的本體描述語言包括資源描述框架（resource description framework，簡稱RDFS）、本體交換語言（ontology exchange language，簡稱XOL）、網絡本體語言（web ontology language，簡稱OWL）等，其中，OWL是萬維網聯盟（world wide web consortium，簡稱W3C）推薦的語義網技術棧的核心技術之一，在全球廣域網（world wide web，簡稱Web）環境與場景下應用較為普遍，且具有較強的本體表達能力，作為RDFS的拓展版，其預定義詞匯功能為用戶更為準確地表達專業領域的實體、屬性及其相互關系提供了良好的渠道[5]。

1.2農業領域本體

對于農業這一專業領域，本體庫是依據農業實體中的相關概念與特征對農業領域進行抽象模型構建而形成的庫。當前聯合國糧食及農業組織（FAO）已面向不同農業子領域如漁業、食品安全、植物等定義了多個本體庫[6]，但是面向農村信息化服務平臺應用的專門農業領域本體庫尚未構建。面向農村信息化服務平臺應用的農業領域本體庫的構建首先需要對本體描述語言進行選擇與確定，考慮到平臺中農業信息資源的存儲環境多為Web端，OWL自身也具備優質的、豐富的知識表達能力以及靈活的數據建模能力[7]，因此，本研究選擇OWL作為農業領域本體描述語言，并基于此構建農業領域本體庫，具體實現流程如下：

1.2.1概念抽象對平臺中農業領域的實體重要概念與主要特征進行描述，主要包括生產對象、農機設備、涉農技術、生產過程等，對上述概念進一步細化，生產對象包括作物、動物、土壤等，農機設備包括耕耘機、插秧機、播種機、脫粒機、抽水機、拖拉機、收割機、打捆機等，涉農技術包括作物種植技術、動物養殖技術、土壤培育技術等，生產過程包括動物生產過程等。

1.2.2概念定義對“1.2.1”節中抽象出的概念進行定義，在本體庫中，所有的類都是物品Thing類的子類，上述概念生產對象、農機設備、涉農技術、生產過程的類分別定義為Object、Equipment、Technology、Process，上述概念所具備的屬性與詳細描述見表1。

1.2.3約束條件定義在“1.2.2”節對農業領域相關實體及其屬性定義的基礎上，須要對其實體之間的約束條件進行定義，例如Object類中的勞動手段與Technology類中的涉農技術二者之間是互為互逆關系的，通過對實體及其屬性構建約束條件，可以更為精確地描述農業領域本體庫。

1.2.4本體庫構建在農業領域的實體、屬性、約束條件等定義的基礎上，本研究采用Protégé軟件對本體進行編輯，以OWL為本體描述語言，構建面向農村信息化服務平臺的農業領域本體庫。

（1）本體類定義。

Object類定義：

###http：//www.Object_kq.com#Object

：Objectrdf：typeowl：Class.

Equipment類定義：

###http：//www.Object_kq.com#Equipment

：Equipmentrdf：typeowl：Class.

Technology類定義：

###http：//www.Object_kq.com#Technology

：Technologyrdf：typeowl：Class.

Process類定義：

###http：//www.Object_kq.com#Process

：Process rdf：typeowl：Class.

（2）部分對象屬性定義。

勞動手段objectTechnology對象屬性定義：

###http：//www.movie_kq.com#directMovie

：objectTechnologyrdf：typeowl：ObjectProperty;

owl：inverseOf：technologyObject

rdfs：domain：Technology;

rdfs：range：Object;

（3）部分數據屬性定義。

生產對象類型objectType數據屬性定義：

###http：//www.movie_kq.com#objectType

：objectTyperdf：typeowl：DataProperty;

rdfs：domain：Object;

rdfs：rangexsd：enum;

農機設備使用年限equipmentYear數據屬性定義：

###http：//www.movie_kq.com#equipmentYear

：equipmentYearrdf：typeowl：DataProperty;

rdfs：domain：Equipment;

rdfs：rangexsd：DateTime;

1.2.5創建本體實例“1.2.1”節至“1.2.4”節步驟可以實現基于OWL與Protégé的農業領域本體庫構建，在本體庫具體應用中，須要對本體與屬性進行實例化，創建農業領域本體實例。

2基于本體的用戶模型構建思路

用戶模型是對用戶知識結構與興趣愛好的綜合描述，一方面用戶模型要在初始階段為每個用戶個體建立1個初始模型，此初始模型源起于用戶知識結構，另一方面用戶模型應當伴隨著用戶興趣偏好的變化而動態更新，以更為精準地捕獲用戶個性化需求。基于這一認知，本研究農村信息化服務平臺用戶模型的構建思路如下。

2.1構建初始用戶模型

本研究中，領域本體中蘊藏了農業領域的實體、屬性與實體關系等信息，可以通過三元組較為全面、準確地對農業領域實體進行表達與描述，例如農業領域中的Object類與Technology類，二者各自有各自的屬性，同時二者又通過“勞動手段”等對象屬性進行關聯，構成了農業領域知識結構，同時也被作為奠定用戶知識結構的基礎。

初始用戶模型在農業領域知識結構的基礎上增加用戶個性化信息。對于農村信息化服務平臺而言，游客僅能對平臺的概括性、介紹性信息進行瀏覽，不是平臺的深度用戶，也非本研究關注的研究對象。平臺中的重要資源、數據與服務均面向注冊用戶，本研究以此類深度用戶為研究對象，用戶個性化信息來源于農村信息化服務平臺中詳細的用戶注冊信息，包括用戶的職業、年齡、電話、所在地區、研究關注方向等，隱藏了用戶個性化特征，例如用戶的職業隱性反映其興趣，研究關注方向可通過與領域本體概念的相似度計算顯性反映用戶對資源的興趣度。

2.2用戶模型更新

初始用戶模型是基于農業領域知識以及用戶注冊信息構建的基礎性、固化性、具有一定個體代表性的用戶模型。用戶模型更新需要在此初始用戶模型的基礎上進行優化更新，以更為精準、動態地捕捉用戶知識需求。用戶模型更新的學習方法主要包括正面學習、觀察學習、反饋學習等，對于農村信息化服務平臺而言，主要以正面學習與反饋學習為學習方法，一方面，通過平臺實時監測、自動保存的用戶日志正面反映用戶對平臺的歷史查詢檢索行為，包括檢索關鍵詞、關鍵詞所屬興趣領域、平臺資源瀏覽時間。另一方面，通過用戶對平臺資源的反饋信息，如“點贊”“評論”等，作為統計數據表達用戶對某資源的關注度。

3基于本體的農村信息化服務平臺用戶模型構建

3.1構建初始用戶模型

面向農村信息化服務平臺的初始用戶模型（UModel）可表達如下：

UModel={Uinfo，Rinfo，Interest}。（1）

式中：Uinfo為用戶信息;Rinfo為平臺資源信息;Interest為用戶對平臺資源的興趣度。

用戶信息由用戶注冊信息構成，可表達如下：

Uinfo={Uname，Uphone，Uage，Uregion，Ujob，Ustudy}。（2）

式中：Uname為用戶姓名;Uphone為用戶聯系方式;Uage為用戶年齡;Uregion為用戶所在區域;Ujob為用戶職業;Ustudy為用戶所關注的研究方向。

平臺資源信息為農村信息化服務平臺所存儲與管理的資源信息，可表達如下：

Rinfo={Notion，Resource，Similarity}。（3）

式中：Notion為本研究所構建的農業領域本體中的概念;Resource為農村信息化服務平臺中管理的資源與數據;Similarity為資源與概念之間的語義相似度。

3.1.1資源與概念之間的相似度計算資源與概念的相似度計算主要步驟如下。

3.1.1.1平臺資源映射到低維向量空間中采用嵌入式轉化模型（translating embedding，簡稱TransE）作為平臺資源關鍵信息的表示學習方法[8]，將平臺資源關鍵信息所映射的實體與關系嵌入到一個低維向量空間中，實現實體與關系的向量化表示，其表達式如下：

Resource=（V，E）。（4）

式中：Resource為農村信息化服務平臺中管理的資源與數據，V為平臺資源中的實體集合（節點集合），E為平臺資源中實體間關系的集合（邊集合）。

定義基本單元三元組（vh，r，vi），vh與vi為平臺資源關鍵信息的實體（首、尾節點），其中，h和i是首、尾節點編碼，r為2個實體（節點）之間的關聯關系。將三元組中的實體與關系映射到一個低維向量空間中，希望得到的情況是：首節點的向量與關聯關系向量之間相加接近尾節點向量，其表達式如下：

vh+r≈vi。（5）

vh+r越接近vi，則表明實體與關系在低維向量空間中的嵌入越準確。根據上述思想，構建三元組中實體與關系嵌入低維向量空間準確度的評價函數，其表達式如下：

f（vh，r，vi）=‖vh+r-vi‖。（6）

式中：f（vh，r，vi）為準確度評價函數，其值越小，表明準確度越高。

式（6）為針對某一三元組構建的準確度評價函數，而對于平臺資源向量化表示而言，需要對所有三元組的準確度評價函數進行綜合，則面向所有樣本的目標函數可表達為：

L=∑（h，r，t）∈S∑（h;，r，t;）∈S（h，r，t）′max [0，f（vh，r，vi）-f（v;h，r，v;t）+γ]。（7）

式中：S為正確的三元組集合（正樣本）;S（h，r，t）′為錯誤的三元組集合（負樣本），正樣本直接從領域本體中構造獲得，負樣本則通過從領域本體中構造獲得正確的三元組后再對其中的任一特征（首節點實體、尾節點實體、實體間關系）進行修改，模擬構造出錯誤的樣本;γ用于在向量空間中表達正、負樣本之間的間距，其值越大表明在向量空間中，正、負樣本可以更好地被區分與隔離開，在TransE中γ值通常設置為1;h;為錯誤的首節點實體編碼;t;為錯誤的尾節點實體編碼;L為對領域本體中的所有三元組進行遍歷。最終計算得到的準確度與正負樣本間距之和，對于正樣本而言，f（vh，r，vi）越靠近0表明準確度越高，對于負樣本而言，f（v;h，r，v;t）越靠近無窮大表明錯誤的三元組準確度非常差。

模型訓練旨在通過正樣本與負樣本在模型中的迭代運算，對目標函數中的相關參數進行優化，最終使得目標函數的值達到用戶預先設定的目標值（目標函數收斂）0或者迭代次數達到用戶預先設定的迭代次數[9]。本研究引入反向傳播（back propagation，簡稱BP）算法對模型進行訓練，將同等數量的正樣本與負樣本作為輸入數據輸入到初始模型中，引入隨機梯度下降算法對模型進行迭代運算，使得模型可以以更快的速度收斂。

隨機梯度下降算法的核心理念是，考慮到模型訓練過程中巨大的樣本量，隨機梯度下降算法從大量樣本中隨機抽取一定的樣本作為本次迭代運算的訓練樣本集，利用有限的訓練樣本集對模型進行訓練，對模型參數進行優化，提高模型訓練與收斂的效率，其實現步驟如下。

步驟1：設置最大迭代次數與收斂值，初始化模型優化參數（γ等），準備好正、負訓練樣本集N;步驟2：從訓練樣本集中抽取m個樣本，構成本次迭代訓練樣本集;步驟3：計算偏導數，估算目標值下降梯度;步驟4：對初始化模型參數γ進行更新;步驟5：重復步驟2至步驟4，直到下降后的目標值低于初始設置的收斂值或者迭代次數超過初始設置的最大迭代次數。

是綜合描述用戶個體差異化特性的模型。本研究將基于本體的用戶建模方法引入到農村信息化服務平臺中，首先基于農業領域本體與用戶注冊信息構建初始用戶模型，接著利用實時監測的用戶日志與用戶反饋對初始用戶模型進行更新優化，為涉農工作人員提供個性化的平臺資源。

參考文獻：

[1]張源媛. 供給側改革背景下農業信息化建設研究[J]. 經濟論壇，2019（5）：63-68.

[2]黃利斌. 基于本體的農業知識庫檢索關鍵技術研究[D]. 長沙：湖南農業大學，2017.

[3]何勝，馮新翎，武群輝，等. 基于用戶行為建模和大數據挖掘的圖書館個性化服務研究[J]. 圖書情報工作，2017，61（1）：40-46.

[4]李貫峰. 基于本體的農業知識建模研究[J]. 軟件導刊，2016，15（12）：65-67.

[5]蘇玉寧，姜藝，陳賀勝，等. 基于Ontology的農業科學領域知識庫構建[J]. 江蘇農業科學，2018，46（5）：194-198.

[6]趙嫦花，米春橋. 大數據時代基于本體的農業信息融合方法研究[J]. 懷化學院學報，2017，36（5）：41-45.

[7]周義剛. 基于本體分子的動態知識檢索模型及可視化呈現[J]. 圖書館學研究，2018（11）：48-56.

[8]阮懷偉，胡松華，陳艷平，等. 基于本體的興趣模型和語義相似度計算方法的研究[J]. 電腦知識與技術，2018，14（20）：183-185.

[9]魏同，李紹穩，耿凡凡，等. 基于領域本體的用戶興趣模型構建方法研究[J]. 計算機技術與發展，2017，27（3）：65-69.張凈，張濤，郭洪波. 基于窄帶物聯網的中藥材種植智能測控系統設計[J]. 江蘇農業科學，2020，48（13）：256-264.doi：10.15889/j.issn.1002-1302.2020.13.052