異構環境下數字資源個性化服務讀者上下文模型研究*

0 引言

目前，處于“信息迷航”和“信息過載”背景下的讀者在主動獲取信息和訂閱數字資源服務的過程中，是處于一種長期動態變化、異構終端和網絡環境的應用場景下。而基于Web環境的數字資源服務的個性化推薦，往往只關注“讀者——數字資源服務”之間的二元關聯關系，而較少考慮讀者及其所需資源所處的上下文環境（如時空信息、環境和實體、讀者狀態情況、網絡條件、軟硬件條件等等），使其個性化推薦服務在讀者所處的終端軟硬件和網絡環境不斷變化過程中并不能生成有效推薦，仍然存在不能準確、全面地向讀者推薦數字資源的問題，加大了實現精準數字資源個性化服務的困難

。

隨著數字資源個性化服務研究的深入，作為個性化推薦和個性化自適應的重要分支——個性化推薦技術，筆者認為應建立異構網絡環境（稱其為異構環境，包含終端硬件環境、軟件環境、網絡環境的異構）下的讀者上下文模型，系統、全面地了解和把握讀者的相關信息（即讀者上下文，描述讀者狀態的任何信息），并據此為讀者提供服務，才能提升推薦和自適應的精準度，提高異構網絡環境下數字資源服務的讀者滿意度。建立和完善讀者上下文模型，可以說是數字資源個性化服務系統中的基石。

1 讀者上下文模型架構

數字資源個性化服務讀者（簡稱為“讀者”）是數字資源信息服務的使用者或消費者，而讀者上下文模型作為數字資源個性化服務的基石決定了異構環境下數字資源個性化服務的滿意度。根據異構環境下數字資源個性化服務整個過程的描述，以及相應模塊的定位可知，實現數字資源個性化服務所需的四項關鍵技術分別是異構環境讀者上下文定義、基于本體的讀者上下文建模、讀者上下文獲取、讀者上下文模型更新。讀者上下文模型架構在其服務過程中共有6個功能模塊，如圖1所示。

（1）讀者上下文獲取模塊。該模塊主要用于獲取讀者上下文建模需要的相關數據，這些數據包括讀者特征相關信息、讀者環境相關信息、讀者擁有的計算資源相關信息，以及讀者向系統反饋的數字資源服務體驗信息。

除了以上縫合方式的應用，縫線橋技術也得到一定的發展。Kim等［5］的研究納入112例肩袖分層撕裂患者，根據術中發現肩袖關節側復位至足印區的張力大小分為縫線橋全層縫合組和縫線橋單獨滑囊側縫合組，其結果顯示兩組在疼痛緩解、功能恢復及再撕裂發生率上差異無明顯統計學意義，其結論說明當關節側張力大時，單獨行滑囊側的縫線橋技術同樣能獲得很好的臨床效果。Heuberer等［17］提出無結性分層系帶橋接技術（double-layer cinch bridge），其優點在于能減少縫線結對分層肩袖微循環恢復的影響，并且能同時完成分層肩袖的解剖重建，同樣能獲得滿意的臨床效果。

FOAF

是描述個人信息的常見的XML/RDF詞匯表，很容易與OWL融合，異構環境讀者特征上下文模型建立在OWL和FOAF之上，具體模型見圖3。

周圍環境類（Surroundings）描述讀者周圍的相關實體，包括讀者所在的自習室、教室、餐廳等固定區域，以及移動區域和對象（除人類和位置外的所有事物）。

蒙古馬體形矮小，其貌不揚，然而，在風霜雪雨的大草原上，其卻能不畏艱辛、縱橫馳騁、屢建奇功，鑄就了蒙古馬獨特的品格和精神。習近平總書記在考察內蒙古時指出，干事創業就要像蒙古馬那樣，有一種吃苦耐勞、一往無前的精神。

（4）基于本體的讀者上下文模型表示，即讀者上下文模型建模。采用本體論方法表示讀者上下模型，但實現數字資源的個性化服務需要將讀者上下文本體和數字資源信息服務本體進行匹配，因此系統建立的初期需要建立數字資源信息服務的本體庫，用來描述數字資源。

2 基于本體的異構環境讀者通用及所屬領域上下文建模

為了提高所建模型的通用性，能夠融合異構環境下不同數據源的跨域的讀者環境、讀者計算上下文，ReaderEnvironment和ReaderComputing建立為獨立上下文本體。異構環境情景上下文（Situation Context）一般通過對其他上下文推理、學習獲得，描述讀者當前所處的情景，是讀者上下文實體的一部分，根據情景上下文向讀者提供相應的數字資源服務。數字資源上下文實體描述數字資源服務分布在互聯網的任意節點上，其上下文信息由服務提供者描述，屬于來源于外部的上下文實體。通過通用讀者上下文模型，數字資源個性化服務推薦系統能夠理解讀者在什么環境下處于何種情景、能夠通過什么樣的計算資源、需要訂閱什么樣的數字資源服務。

如盡可能的利用自然光，采用高效照明光源；衛生器具的選擇上選用節水型衛生器具；空調器選用節能型等方式，暖通空調制冷在建筑中具有主動性，對建筑節能有很大的影響。

基于本體的讀者上下文建模是將異構環境下數字資源服務提供中與讀者相關的概念定義成公共的詞匯集合，并且對概念之間的關系提供形式化的、明確的描述，進而對既有事實進行推導，得出隱藏的或沒有清晰表達的新知識。另外，讀者上下文模型支持在不同領域推薦中的共享，實現跨域的數字資源服務推薦也是在建立讀者上下文模型時必須考慮的問題，即需要考慮模型的通用性和擴展性。

基于上述考慮，本節采用本體技術，建立異構環境讀者上下文模型（RCM_HE：Reader Context Model under Heterogeneous Environment）。來自于跨域的讀者上下文共享某些概念，但又有獨特的表述，因此RCM_HE采用分層的思想，分成用于獲取異構環境基本、通用概念的通用讀者上下文模型和用于獲取特定領域相關概念的領域讀者上下文模型。

在通用讀者上下文模型中，位于最頂層的上下文實體（ContextEntity）為全局概念，異構環境讀者上下文（Reader）、異構環境讀者特征上下文（ReaderCharacters）和異構環境情景上下文（SituationContext）為ContextEntity的子類（subclass）。當Reader存在于（exist In）異構環境讀者環境上下文（ReaderEnvironment）和異構環境情景上下文（SituationContext）中時，通過其擁有的異構環境讀者計算上下文（ReaderComputing）使用（uses）其所需要的數字資源（DigitalResource）。Digital Resource需要在ReaderComputing下運行（runOn），在ReaderComputing下可以負載多個DigitalResource。其他上下文實體皆可通過ContextEntity與Reader Environment和ReaderComputing相關聯，實現上下文實體間關系的描述。具體模型所圖2所示。

目前在圖書情報領域對讀者（用戶）模型、讀者（用戶）畫像已取得一些研究成果，但對讀者上下文還沒有明確的定義，更沒有關于異構環境下的讀者上下文模型。本文認為研究的側重點應在數字資源服務推薦過程中能夠對讀者的行為、偏好和需求產生影響的上下文信息才有意義。異構環境讀者上下文是描述異構環境下讀者特征信息、讀者周圍情況和計算資源情況并且影響到讀者行為和偏好的各種信息及其變化的集合。異構環境下讀者的上下文信息種類繁多、形式多樣，如何充分利用這些上下文信息實現精準的數字資源信息服務推薦是本文的最終目標，因而對復雜異構的信息進行抽象，建立統一、準確、全面描述讀者的上下文模型是本節要解決的問題。

1.2.2 瀘州地區醬香型新鮮酒糟的養分特征。試驗用酒糟來自郎酒集團醬香型酒糟，酒糟的主要成分為稻殼和高粱。對酒糟進行酸堿度、干物質、粗脂肪、粗蛋白及氨基酸含量的測定，測定結果：pH 4.4±0.1，干物質(90.3±0.2)%，粗脂肪(7.0±0.1)%，粗蛋白(26.6±0.2)%，氨基酸總量(28.5±0.2)%。

此外，根據讀者所屬領域的不同，將通用讀者上下文模型進行擴展后形成領域讀者上下文模型，通過定義描述領域的詞匯來實現。例如按照讀者群體類型分類的高校學生群體、青年讀者群體、老年讀者群體、特殊殘疾人讀者群體，就高校學生群體而言，學生讀者可以分為遠程讀者和本地讀者，本地讀者可以面對面收看教師授課，遠程讀者可以通過遠程服務收看教師授課。應用領域發生變化時，通過繼承、插拔通用讀者上下文本體的概念實現動態的領域上下文轉換。依據讀者所屬領域的不同形成領域讀者上下文能夠更加精確地描述讀者所處狀態，更精細地描述讀者的特征、環境信息，從而提供更精準的數字資源推薦服務。而上層本體概念又被所有領域所共享，領域本體之間通過映射實現概念的共享。這種分層結構既有抽象，又有具體；既能縮小本體規模，又有利于對上下文的處理和推理。

3 異構環境讀者特征定義及其上下文建模

（2）讀者上下文模型生成模塊。依據讀者上下文模型的模式將讀者信息寫入讀者上下文模型，并且生成讀者上下文的本體實例。

網絡環境類（NetworkEnvironment）描述讀者終端所處的網絡環境特征，如網絡類型、網絡帶寬、QoS、接入模式、網絡類型、資費、服務質量、能夠支持的接入設備類型等信息。現在讀者使用的數字資源服務均承載在多種異構的網絡上，包括電信網（CommunicationNetwork）、廣播電視網（TelevisionNetwork）和互聯網（Internet）三個子類，具有網絡并存的特點。這些網絡環境上下文決定了數據傳輸速率、傳送方式和讀者所使用的終端設備。

讀者社會關系類（ReaderSocialRela）描述影響讀者態度的師長、親戚、朋友、同事、同學等社會關系，通過對社會關系的推理獲得讀者的興趣愛好、習慣和偏好等部分信息，這里重點研究與數字資源推薦相關的讀者社會關系上下文，該類數據也可以通過FOAF本體獲得，在一段時期內，該類數據較為穩定。

讀者行為類（ReaderBehavior）描述異構環境下讀者在什么樣的環境下利用什么樣的計算設備使用什么數字資源的若干歷史記錄，包括工作、生活、學習等與數字資源個性化服務相關的行為。讀者使用數字資源的若干事件（Event），每個事件中又包含讀者的一個或多個動作（Activity）。本概念需要與環境、計算本體相關聯以獲取相關的時間、位置、網絡、軟件、終端設備等信息。處于不同時期讀者的行為也可能存在差異，如大學時期的讀者經常在教室中利用筆記本電腦閱讀專業電子書籍，可通過引用讀者的基本信息類，獲取讀者相關特征。

讀者行為習慣類（ReaderHabit）通常描述的是讀者在訂閱或接受數字資源服務時習慣使用的終端、網絡和位置等。這是對讀者行為記錄（也可以是推理）的抽象結論。讀者行為習慣具有一定的動態性，可以是讀者某一時期對環境和計算上下文的依賴程度，如大學生經常在教室使用筆記本電腦閱讀專業電子書、在宿舍經常用手機打游戲或者看電影，可以得出此時的讀者習慣是“經常在教室使用筆記本電腦、在宿舍使用手機”。

讀者興趣愛好類（ReaderHobby）描述描述長期和短期內讀者分別對什么樣的數字資源感興趣。有些興趣具有一定的穩定性，如處于某個特征（比如大學生喜歡運動類、娛樂類數字資源）的讀者興趣愛好具有一定的穩定性。而不同環境下的讀者對數字資源的興趣也會不同，有些興趣具有一定的動態性，如某讀者長期喜歡體育運動類數字資源，而某個時期對看電影感興趣，所以該類應該包含讀者特征和環境信息。這里還需要考慮一個情景問題，比如在上課時間的自主學習情景下，大學生在教室內使用筆記本電腦查閱課程知識點，用情景類（Situation）描述，通過引用BDI

本體對情景類進行詳細描述。

2）污水流速為0.2 m/s對水側換熱系數的影響很大，換熱系數由4 368增大到5 545 W/m2·K，增大約27%，而后當污水流速再增大到0.25 m/s，水側換熱系數約6 048 W/m2·K，增大為僅9%.說明從0.2 m/s后，污水速度提高對水側換熱系數影響趨勢不太明顯.

4 異構環境讀者環境定義及其上下文建模

OWL-Time

是W3C空間數據工作組發布的OWL時間本體正式推薦標準，是目前最具有代表性的本體，也是OWL本體不可或缺的一部分。該本體提供了一組標準的詞匯，描述瞬時、時間段等信息。對數字資源推薦影響較大的是時間段和持續時間等信息，從有利于上下文處理和推理角度考慮，本文對OWL-Time進行簡化，保留瞬時時間概念，去除瞬時拓撲關系及其相關的其他信息。GLOSS-Location

是目前僅有的關注符號位置的空間描述本體，具有較好的通用性和擴展性，本文參照該本體并對其進行簡化，具體的模型見圖4。

時間空間類（TimeAndLocation）描述與讀者相關的時間、地點、網絡和郵件地址、線路軌跡等環境信息。時間本體由瞬時時間（Instant）、區間時間（Interval）、持續區間（Duration）、非零持續時間（ProperInterval）、間斷區間（GapInterval）、日歷（CalendarClock）組成。這里重點描述一下間斷區間的應用場景，如某位讀者正在閱讀某個數字資源，期間來了一個朋友的信息并且回復。空間本體主要用位置進行描述，包括地理位置、符號位置和區域三個子類。其中區間位置和符號位置在數字資源個性化服務中應用最為廣泛，區間位置包括移動區域（如自行車、公交車、輪船、火車、飛機、地鐵、私家車等等）和固定區域（如操場、花園、小樹林等室外區域和教室、書房、咖啡廳、圖書館等室內區域），符號位置通常是一個用符號表示的區域。

（3）讀者上下文模型更新模塊。對讀者行為、興趣愛好等隨時間變化的讀者上下文進行重新估計和修正，通常采用統計學習或者機器學習的方法。

開創新時代實現人民對美好生活向往的宏大歷史偉業—兼論十九大報告對唯物史觀的繼承和發展……………………………方世南 羅志勇（7）

自然環境類（PhysicalCondition）描述讀者所處的自然條件下的環境信息，包括物理條件和天氣兩個子類；物理條件主要描述讀者所處環境的噪音、溫度、濕度等與閱讀環境相關的物理條件，天氣描述讀者所處地理位置的風級風向、降雨情況、能見度、光照度等自然因素（來源于外部本體）。

5 異構環境讀者計算定義及其上下文建模

自動化流水線施工中管片蒸汽養護制度的研究和實踐……………………………………………… 李剛，曹桂生（2-241）

我國大多數農民利用秸稈、薪柴的方式還停留在最原始的直接燃燒的狀態，這樣不僅農作物秸稈不能充分燃燒，浪費資源，而且對環境造成嚴重污染，危害人們身心健康[4]。生物質成型燃料的能量密度相當于中質煙煤，但成型燃料燃燒排放的CO2來自于秸稈光合作用吸收的CO2，吸收和排放達到平衡，基本實現零排放，其它有毒有害氣體排放量也遠小于煤。生物質成型燃料本身體積較小，接觸到的空氣充足，可以充分燃燒，相對于煤來說，燃燒特性明顯改善，利用效率顯著提高[5]。生物質秸稈固體成型燃料包括顆粒燃料、塊狀燃料和棒狀燃料，其中顆粒燃料因其自身特性，具有流動性強、燃燒效率高等優點，從而得到廣泛應用。

讀者基本信息類（ReaderPersonInfo）描述讀者基本屬性，包括姓名、年齡、身高、體重、學歷、職業等一般穩定不變的個人數據，這類數據通常通過引用FOAF本體獲得，在OWL中可以使用“owl:equivalentClass”與“owl:equivalentProperty”實現等價類、等價屬性的引用。同樣，在本文的異構環境讀者上下文模型中涉及到來源于外部跨域的任何上下文信息類都可以通過上述OWL中的兩個標識符實現等價類和等價屬性的應用，這樣既能實現跨域上下文本體間的無縫融合，又能保持各域上下文本體的獨立。

傳 感 環 境 類（SensingEnvironment）描 述讀者用于實現交互環境中的傳感設備情況，如監控設備、語音設備及其他傳感設備。在傳感設備中包括傳感器類（Sensor）和傳感網絡類（SensorNetworks），傳感器類描述讀者周圍具有的傳感器信息，分為室內傳感器類（IndoorSensor）和個人感器類（PersonalSensor），室內傳感器類主要描述室內溫度和濕度、視頻、語音等傳感器設備，個人傳感器類描述讀者獨自擁有的體溫、拍照、醫療等傳感器設備。

User Agent Profile（UAP）

專注于無線通訊領域設備特征的描述，目前是描述設備上下文本體比較少見的本體之一，與本文研究的異構網絡環境具有很高的契合度，在該本體的基礎上，對其進行調整與擴展，建立異構環境下讀者計算上下文模型，見圖5。

終端設備及能力類（DeviceAndCapacity）描述讀者當前可用的終端計算設備情況，包括終端硬件類（TerminalHardware）和終端軟件類（TerminalSoftware）。終端硬件類描述設備類型、CPU、存儲、內存、網絡模塊、顯示器、主板等硬件設施情況。運行在硬件上的終端軟件類（如系統軟件、應用軟件）與終端設備類型、型號有關，可提供包括平臺類（Platform）、應用子類（Application）平臺，以及操作系統子類（OperatingSystem）等終端訪問和運行環境，能夠支持文本、音樂、視頻、語音等信息的遠程數字資源服務。

數字資源服務類（Service）描述讀者使用的遠程付費和免費的服務，一般情況下該服務在遠程采用OWL進行描述，在異構環境讀者計算上下文模型中只需引用遠程的服務描述即可。

“這里飛濺的墨水是真的。我是把四張照片合成在一起的，不過每一滴墨水的位置都沒有動。”thingswithstories.tilda.ws

6 異構環境讀者上下文獲取

異構環境讀者上下文獲取是在數字資源個性化服務過程中對讀者相關數據的采集，該獲取可以通過多種方式，具體分為以下三類

。

6.1 通過顯式（Explicitly）方式采集

通過直接接觸相關實體和上下文信息源，通過明確的詢問、感知、服務調用等方法收集讀者相關的上下文信息。根據異構環境讀者上下文定義，讀者基本信息可以通過設計網頁直接由讀者填寫，也可以通過服務調用從其它已經存在讀者基本信息的系統中獲取。讀者社會關系在系統建立初期可以通過設計網頁由讀者直接設定，也可以通過服務調用從相關的社交平臺獲取。部分的讀者行為可通過顯式方式設定，其行為習慣及興趣愛好也可以通過顯式方式設定。異構環境讀者環境上下文中全部的讀者時空環境和讀者自然環境、部分讀者周圍環境均可以采用顯式方式獲取，如位置可通過北斗/GPS進行定位、餐廳可通過地圖服務獲取、氣溫濕度可通過互聯網服務調用獲取。異構環境讀者計算上下文中全部的讀者終端的網絡環境上下文、讀者所處的感知環境上下文、讀者終端設備及設備能力上下文和讀者終端數字資源服務上下文都可以通過系統調用、接口程序、互聯網服務等顯式方式獲取。

淺閱讀是走向深閱讀過程中的起步階段。在這個階段，閱讀主體可以大致擬出閱讀的提綱或思維導圖，至少在腦中會形成對閱讀內容的總體印象，判斷出下一步需要詳讀的部分和略讀的部分。

6.2 通過隱式（Implicitly）方式采集

通過已有數據或者環境間接提取上下文，不需與讀者或上下文信息源直接交互。部分異構環境讀者特征上下文可以通過隱式方式獲取，如通過讀者登錄信息獲取讀者姓名、兩位讀者經常在相同時間段登錄系統可以判定為同學朋友關系、通過讀者登錄系統時間和瀏覽數字資源情況獲取讀者在某段時間的行為、通過讀者經常性使用的終端設備類型獲取讀者使用什么終端設備進行數字資源訪問的行為習慣、通過讀者的評價獲取讀者對數字資源的感興趣程度。部分異構環境讀者環境上下文可通過隱式方式獲取，如時間上下文可通過讀者登錄日志和交互日志的時間戳獲取、通過讀者登錄的網址可獲取讀者的位置和周圍實體（如教室、自習室等）、通過相近網址相近時間登錄的讀者所提供的當前自然環境可獲取讀者的當前自然環境。部分異構環境讀者計算上下文可通過隱式方式獲取，如通過相近網址相近時間登錄的讀者所提供的終端網絡環境可獲取讀者的終端網絡環境、通過相近網址相近時間登錄的讀者所提供的感知環境上下文可獲取讀者的感知環境、通過讀者訪問數字資源日志可獲取讀者終端能夠支持的和正在使用的部分數字資源服務。

6.3 通過推理（Inferring）方式采集

通過統計分析或者數據挖掘技術獲取上下文。部分讀者基本信息可以通過推理方式獲取，當個性化服務推薦平臺無法顯式、隱式地獲取讀者從事的職業（學生、教師、工程師等等）時，可以通過使用數據挖掘方法對讀者訪問的數字資源進行統計分析來獲得讀者的職業，如使用分類器提取出各職業的特點，進而劃分為不同的職業類別，再將讀者映射到給定的類別中即可。常見的實現分類器的算法有NBC（樸素貝葉斯分類）算法、LR（邏輯回歸）算法、ID3（決策樹）算法、SVM（支持向量機）算法、KNN（K最近鄰近）算法、ANN（人工神經網絡）算法。讀者社會關系可以基于社會網絡拓撲特征進行預測，如基于共同鄰接節點（即共鄰節點）之間的相似度計算兩個節點之間是否存在關系，相似度計算采用樸素貝葉斯模型更為準確

；再如可以選取讀者特征屬性計算讀者的相似度，將相似度高的讀者預測為朋友，比較典型的特征是讀者的位置，同時采用隨機森林、支持向量機、樸素貝葉斯等分類模型推理朋友關系

。讀者行為習慣、興趣愛好可以使用數據挖掘方法獲取，例如通過讀者對數字資源的檢索、瀏覽次數，經過聚類后可得出某個專業人士的“熱門數字資源”

，常見的聚類算法如K-Means（K均值）聚類、均值漂移聚類（MeanShift）、基于密度的聚類方法（DBSCAN）、高斯混合聚類、凝聚層級聚類（HAC）、圖團體檢測（GCD）等算法。異構環境讀者環境上下文、計算上下文中的網絡環境和感知環境上下文也可以通過聚類方法獲得，如可以根據已知的讀者環境信息，通過位置將讀者進行聚類，從而推理出未知的讀者環境信息。

7 讀者上下文模型更新

讀者上下文模型更新主要指讀者上下文的更新，分為隨時更新和周期更新。當環境上下文隨著讀者地點的改變可隨時進行更新，這類更新通過顯示、隱式或者觸發推理系統方式進行更新。周期更新的上下文又可分為固定周期更新和不固定周期更新，如學生讀者年齡、年級等按照自然年份進行固定周期性的更新，而讀者行為和興趣愛好的更新周期一般不固定。這里重點研究不固定周期讀者上下文更新的周期選擇問題，而上下文的獲取仍然采用上述異構環境讀者上下文獲取方式進行獲取。

不固定周期更新的讀者行為習慣和興趣愛好上下文信息通常與時間聯系緊密，讀者既可能有長期形成的行為習慣和興趣愛好，也可能有短期內頻繁做出的行為和感興趣的數字資源。所以，在對讀者這類上下文信息進行更新時，既要考慮長期讀者行為習慣和興趣愛好，又要考慮短期讀者行為習慣和興趣愛好

。本文通過按照時間序列選取樣本的辦法實現不固定周期讀者上下文的更新，這里以興趣愛好為例。對于讀者的長期興趣愛好，應用讀者較長一段時間內形成的興趣樣本確定；而對于讀者的短期興趣愛好，應由讀者較短一段時間內形成的興趣樣本確定；然后再由數據挖掘算法對讀者興趣愛好進行挖掘，如神經網絡

、LDA

等。下面介紹短期興趣樣本的選擇。

令讀者閱讀數字資源序列DR=（R

,R

,…R

）是隨時間推進的有限數字資源組成的序列，序列DR中的每個數字資源 R

(1 ≤r≤s )表示第r個閱讀的數字資源；設在數字資源R

中最能體現其主題的關鍵字的有限集合為KY

={K

, K

,…K

}，其中 K

(1 ≤i≤n)為數字資源 R

的一個關鍵字。利用滑動窗口模型確定短期興趣樣本，將DR分成若干批次，設每個窗口SW

由固定數量m個最近批次組成，可以表示成SW

={B

, B

,…,B

}，該窗口大小m為。批次B

包含固定數量的數字資源，即B

= {R

, R

,…R

}。窗口SW

滑動時將最新的批次加入，同時刪除最舊的批次，生成新的窗口SW

，這里的 B

, B

,… ,B

稱為SW

和SW

的公共批次。

圖6描述了一個讀者閱讀文獻的示例，示例中，每一行表示一篇文獻和表明文獻主題的關鍵字。該文獻將序列分為3個批次{B

, B

,B

}，其中每個滑動窗口包含2個批次，共有2個滑動窗口，分別為SW（

B

,B

）和SW（

B

,B

）。SW

為初始滑動窗口，通過移除最舊批次，增加新批次，形成SW

窗口。

8 結語

目前，數字資源服務環境從傳統的Web環境向異構環境過渡，數字資源訪問從固定時間、固定地點向隨時隨地轉變，數字資源服務從群體服務向個性化服務轉化，在異構環境下隨時隨地向讀者提供精準、高滿意度的個性化數字資源服務成為當前迫切需要解決的難題，而解決該問題首先需要一個能夠全面、準確描述讀者上下文信息的異構環境讀者上下文模型。因此，本文在已有用戶模型、用戶畫像、用戶興趣模型等相關研究的基礎上，提出面向異構環境的讀者上下文模型。首先根據異構環境下數字資源個性化服務過程，準確定位讀者上下文模型；接著對異構環境下讀者上下文信息進行分類和定義，并在此基礎上采用本體技術對讀者特征、環境、計算上下文進行建模；再提出利用感知技術、機器學習、數據挖掘、推理等技術獲取讀者上下文信息；最后采用滑動窗口模型更新讀者上下文模型。

本文僅從理論、邏輯上探討了構建異構環境下讀者上下文模型的基本思想，沒有實現具體軟件系統，缺乏真實環境下對模型的實證分析和驗證。而建立在讀者上下文模型上的數字資源個性化服務、自適應等模型仍然需要進一步從理論和實踐上加以深入研究，才能夠指導個性化數字資源服務系統的實現和運營。

[1]張龍昌,張心悅,王曉明.異構環境下跨域個性化數字資源信息服務模型[J].圖書館學研究,2020(16):71-80.

[2]BRICKLEY D,MILLER L.FOAF vocabulary specification 0.99[EB/OL].[2019-03-10].http://xmlns.com/foaf/spec.

[3]PERICH F.MoGATU BDI ontology[EB/OL].[2019-03-10].http://mogatu.umbc.edu/bdi/.

[4]HOBBS J R,PAN P. Time Ontology in OWL[EB/OL].[2017-10-19].https://www.w3.org/TR/2017/REC-owl-time-20171019/.

[5]COUTAZ J, DEARLE A, DUPUY-CHESSA S , et al.Working document on gloss ontology[J]. University of St Andrews,2010.

[6]ALLIANCE O M.User Agent Profile (UAP)[J].Open Mobile Alliance Ltd,2006.

[7]ADOMAVICIUS G,TUZHILIN A.Context-aware recommender systems[J]. Springer-Verlag, 2011, 217-253.

[8]王立才,孟祥武,張玉潔.上下文感知推薦系統[J].軟件學報,2012(1):1-20.

[9]伍杰華.基于樹狀樸素貝葉斯模型的社會網絡關系預測[J].計算機應用,2013,33(11):3134-3137.

[10]羅惠,郭斌,於志文,等.基于網絡拓撲和地理特征融合的朋友關系預測模型[J].計算機科學,2014(6):43-47.

[11]張恒,章成志,周清清.高校圖書館用戶群體的閱讀偏好：對“熱門圖書”數據的考察[J].圖書館論壇,2020,40(5):132-141.

[12]王鴻偉,過敏意.刻畫長短期用戶興趣的基于會話的推薦系統[J].中國科學:信息科學,2020,50(12):1867-1881.

[13]李巖,劉志輝,高影繁.面向科研人員興趣畫像的多語作者主題模型研究[J].情報學報,2020,39(6):601-608.