CN103530371A - 一种便携式服务框架的实现方法 - Google Patents

Abstract

本发明公开了一种新型便捷的便携式个性化服务框架设计方法，该方法包括如下步骤：步骤1：基本框架的设计；步骤2：个性化信息的获取；步骤3：个性化信息的更新；步骤4：利用语义本体的权值扩散方法；该方法具有易于访问和扩展和无需人工干预的诸多特点，实验证明本发明可以帮助用户实现用户个性化模式管理的独立化，参与的应用程序可以共享和复用这些用户个性化信息，从而实现了更为灵活的个性化服务功能。

Description

一种便携式服务框架的实现方法

技术领域

本发明涉及计算机互联网技术领域，特别涉及一种便携式服务框架的实现方法。

背景技术

随着个性化技术的广泛使用，不同的Web站点都开始利用存储的用户兴趣信息来提供个性化的信息服务。较不区分用户兴趣特征的传统信息服务方式而言，这种个性化服务可以为用户提供更为精准的信息推荐和更有效的用户体验。然而，随着应用个性化技术的Web站点不断增多，本发明可以看到在整个Web世界中，各种不同的用户个性化模式纷纷产生，它们之间由于设计者的不同和应用领域的不同，往往具有高度的平台依赖性，也就是说，这些不同的用户个性化信息只能限制在它们所属的应用平台中，它们之间缺乏复用和共享的机制，这导致了很大的资源浪费和设计冗余。因此这些经过人们精心设计开发的大量用户个性化信息，却在宏观层面上呈现出一种整体无序和各自为政的混乱状态。

因此，便携式个性化（Portable Personality）方法的提出就是希望通过将不同应用站点上的用户个性化信息独立出来，并可以提供给更多的应用平台共享使用，甚至可以下载到用户自己的本地移动客户端，从而提供了一个更为可行高效的应用发展前景。然而，作为一种不同于一般Web个性化服务的方法，便携式个性化信息服务往往要求一个通用性强的基础框架体系，这不仅表现在用户个性化模式的设计上，而且更表现在应用平台提交和获取这些用户个性化模式的方法设计上。各个应用平台通过与该基础框架的交互，实现用户个性化模式信息的共享。

但是现有的一些便携式个性化服务框架往往需要大量的人工介入，同时在灵活性上也受到来自于不同应用平台巨大差异性的挑战，同时对参与的应用平台也具有较为严格的接口要求，因此使用难度很大。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于克服上述现有技术的不足，提出一种易于访问和扩展、无需人工干预的便携式个性化服务框架，其包含以下三部分主要设计内容：

1）异质个性化信息集成方法

它主要是指如何获取各种不同的用户个性化信息（Profiling），具体包括用户个性化信息内容的选择和集成等。大部分的已有框架都主要集中于独立的用户个性化模式构建方法。由于各个不同的应用平台所要求的信息内容差异很大，因此这里需要考虑两个问题：

一个是信息范围的选择。目前所常见的个性化信息往往都与特定的应用领域相关。当然，可以从更高的层次上将不同应用领域的信息进行进一步的整合，形成更为通用的用户个性化信息模式，然而这种做法所面临的困难也是极为明显的，主要是因为应用领域的范围太广，不同应用所产生的用户个性化模式区别也非常大，信息整合的难度和分析处理方法难以保证最终的效果。因此当前更为可行的选择是设计面向特定领域的个性化信息推荐。本发明所提出的方法依赖于这个特定领域的知识本体实现。

另一个是信息类型的选择。用户的个性化信息有很多种，比如短期兴趣信息和长期兴趣信息、静态兴趣信息和动态兴趣信息等。一般而言，这些信息与时间的联系比较紧密。本发明可以这样认为，静态信息和长期信息是指随着时间推移变化较慢的信息，而短期信息和动态信息则具有较高的时变性。因此，在用户个性化信息模式中，结合考虑时间因素非常重要。它不仅有助于识别上述特定信息内容，而且对于一般的语义信息，探究用户兴趣的演化趋势和规律都有助于提高识别的有效性。另外，利用语义概念和权值结合的方法也可以增强表达效果，特别是利用基于权值扩散的方法可以进行更为准确的兴趣获取实验。本发明采用的信息主要包含三种信息：语义信息、时间信息和权值信息。

2）用户个性化模式的信息表达

它也被称为用户个性化信息的存储和内容管理功能（Content Management），通常需要结合语义分析和知识发现等技术，以期获取更准确的用户兴趣特征。目前常见的方法有向量空间模型和本体等方法。不论哪一种方法，语义分析技术已经得到了广泛的应用和结合。

关于便携式用户个性化模式的数据存储模型，基于SPARQL的RDF三元组模型具有易于扩展、兼容异质数据类型和结构灵活等诸多特点，该方法以Web服务（Web Service）方法来提供用户个性化信息的展示服务。但是该方法却需要人工制作一个领域本体，以此作为全部用户个性化信息基本结构的存储框架。本发明采用的是一种自动构建思路。

服务器端的用户个性化信息不仅仅是一个单独的信息储存体，而且是一个很好的数据发现信息源。利用语义发现等技术，从中可以获取到更多有价值的潜在用户兴趣特征。同时，借助于在用户个性化本体结构中权值扩散方法也可以更有效的表达和发掘用户兴趣需求。本发明所提出的方法结合了向量空间模型和本体的方法，在基本表达结构上采用了向量空间模型，在兴趣权值计算上，则采用了基于自动构造领域本体的权值扩散方法。

3）用户模式信息的获取与管理

它也被称之为用户个性化信息分发管理（Profile Distribution），藉此各种应用平台都可以直接快速的获取指定用户的个性化兴趣特征。在传统的独立应用领域中，常见的用户模式信息获取方法主要有手工录入和自动获取两种方式，其中自动获取又可以分为显式获取方式和隐式获取方式。在便携式个性化管理平台中，由于它自身依赖于其他应用提供的用户模式信息，所以采用了由各个应用平台主动提交和用户自行修改两种方式。具体的提交方法采用是Web请求修改模式，该方法具有平台无关性和易于访问的特点。虽然很多便携式个性化都采用移动客户端或者分布式的存储个性化信息的模式，但是很难对其实现完整统一的个性化信息管理，因此本发明采用服务器端集中存储并利用Web请求的访问方法，它可以方便实现各个平台对用户个性化模式信息的获取，从而实现了便携式的特点。

本发明考虑到用户隐私保护的要求，应用平台只有在登录获取合法认证后，才可以提交信息。同时，提交信息主要包含两种类型：第一种是新增信息，直接将应用平台自己存储的用户个性化模式信息按照既定格式提交，第二种是查询信息，直接通过Web服务（Web Service）方法获取指定用户的个性化模式信息。本发明没有采用更新和删除的操作，这是因为通过不断的新增信息和采用结合时间信息的权值扩散方法，可以渐变动态的获取到用户最新的兴趣特征，这些显然不能通过武断的删除和直接更新可以实现。对于用户自行修改方法而言，也增加了是否愿意使用个性化模式的选择和浏览自己用户个性化模式的功能。

方法流程：

本发明提出一种便携式服务框架的实现方法，该方法的具体设计步骤为：

步骤1：基本框架的设计

附图1给出了总体框架结构，包含了用户管理、应用管理和个性化信息管理三大模块。其中用户管理模块的主要功能是分配ID用以标记不同用户的个性化信息，用户以此ID来在不同应用平台间获取自身的个性化特征，也可以下载该个性化模型到本地端，并据此实现本地应用的个性化服务。应用管理模块主要面向各个应用平台，也提供诸如分配ID的服务，服务器端藉此来识别有效的信息更新请求。个性化信息管理模块是其中最为重要的一个模块，主要面向各个应用平台，功能是获取这些应用平台提交的用户个性化信息，进行信息更新和查询，同时服务器端还提供必要的数据处理和分析功能，以期在这些个性化信息中发现和提取最能反映用户主要兴趣特征的信息。

步骤2：个性化信息的获取

1）存储模型

本发明采用了RDF数据存储表达方法，同时在该XML模型中通过增加节点权值形成加权XML模型，这些权值可以表征用户兴趣程度的大小。

2）信息内容的选择

本发明利用了语义信息、时间信息和权值信息三种主要信息。具体语义信息为应用平台中存储的与用户兴趣相关的关键词信息，时间信息采取两种方式获取，即应用平台主动提交和根据访问日志自动获取，权值信息为反映关键词重要性次序的序列信息，即应用平台根据自身对用户兴趣特征的判断，提交的关键词重要性次序信息。用户信息采用加权XML模型存储方式，它的基本Schema如下所示：

其中，UserProfile为根节点，里面包含多个User节点，代表着不同的用户，每个User节点下包含多个Application节点，代表着当前用户所使用的不同应用平台，每个Application下包含多个Field节点，代表着资源属性，属性值分别由不同的应用平台各自定义，这些属性构成了应用平台获取用户兴趣特征的基本依据，每个Field下包含多个Keyword节点，每一个Keyword节点代表着当前用户在当前应用平台上当前资源属性下的一个关键词，它有两个重要数值参数，分别是时间值和序列权值。其中序列权值取值范围为5到1，数值大小表示着重要性次序。兴趣扩散方法将会利用时间信息对序列权值做必要的处理，改变原始的离散整型数据形态。

在宏观上，每位用户的便携式个性化模式虽然都由多个应用提交生成，但是本发明最终会按照属性汇总，所关注的只是这些数据中的属性及其包含语义信息、时间信息和权值信息在内的属性值。用户便携式个性化模式的总体示意结构如附图2所示。这些不同用户模式中的相同属性在横向上形成一个属性域，如图2中的“属性m2”，利用这个属性域就可以得到所有用户在该域上的兴趣特征，并据此发现和分析每位用户的主要兴趣特征。

3）信息内容的选择

应用平台对信息的提交方法采用了以Web请求的方式直接向服务器端提供数据信息，基本数据内容有5个，分别是应用平台自身ID、用户ID、时间信息、属性名称信息和关键词信息，如：

http://ServerIP/SetInterests?userid=X&time=X&label=X&keyword=X1&keyword=X2

其中，取值皆用X代替。应用平台ID可以通过Web请求的IP自动标识，而关键词的次序特征可以在Web请求的查询字符串中直接体现。为了限定一次请求提交的数据量，本方法只取查询字符串中前5个关键词。

所有提交信息都会按照用户ID、应用ID、属性和时间进行汇总，每个汇总的信息单元都为一个向量模型。随着记录信息的不断增加，如果同一汇总信息单元存在相同关键词，则利用平均次序权值作为该关键词的最终权值。这就形成了在服务器端用户个性化模式的基本表达形态。

步骤3：个性化信息的更新

由于服务器端存储的大量信息单元，每个信息单元的属性值数量也很大，因此，必须对现有的用户个性化信息进行处理，找出其中最有价值的主要兴趣特征。

本发明设计了一种反映关键词之间联系度的新领域本体计算方法，如下式所示：

${\mathrm{relation}}_{\mathrm{keyqordi},\mathrm{keywordj}}=\frac{\underset{\mathrm{dock}}{\mathrm{\Σ}}({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\×{\mathrm{weight}}_{\mathrm{keywordj},\mathrm{dock}})}{\underset{\mathrm{dock}}{\mathrm{\Σ}}\left({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\right)}$

步骤4：利用语义本体的权值扩散方法

最终的用户主要兴趣特征发现方法是一种利用语义本体的权值扩散方法，该方法可以在不同时间片之间的关键词之间反复进行权值的扩散传递，并且引入了时间衰减和迭代计算方法，因此称之为“基于时间片的震荡方法”，该方法流程图如附图3所示。

有益效果：

1、本发明具有易于访问和扩展和无需人工干预的诸多特点。

2、本发明可以帮助用户实现用户个性化模式管理的独立化，参与的应用程序可以共享和复用这些用户个性化信息，实现了更为灵活的个性化服务功能。

附图说明

图1为本发明便携式用户个性化模式管理框架总体结构图。

图2为本发明用户便携式个性化模式的结构示意图。

图3为本发明方法的流程图。

具体实施方式

以下结合说明书附图对本发明创造作进一步的详细说明。

步骤1：基本框架的设计

附图1给出了总体框架结构，包含了用户管理、应用管理和个性化信息管理三大模块。其中用户管理模块的主要功能是分配ID用以标记不同用户的个性化信息，用户以此ID来在不同应用平台间获取自身的个性化特征，也可以下载该个性化模型到本地端，并据此实现本地应用的个性化服务。应用管理模块主要面向各个应用平台，也提供诸如分配ID的服务，服务器端藉此来识别有效的信息更新请求。个性化信息管理模块是其中最为重要的一个模块，主要面向各个应用平台，功能是获取这些应用平台提交的用户个性化信息，进行信息更新和查询，同时服务器端还提供必要的数据处理和分析功能，以期在这些个性化信息中发现和提取最能反映用户主要兴趣特征的信息。便携式个性化框架本身并没有说明如何管理和利用这些信息，相反对于这些功能的使用却是各个应用自己需要关注的内容。

步骤2：个性化信息的获取

1）存储模型

本发明采用了RDF数据存储表达方法，主要原因是RDF方式可以采用XML作为基本数据模型，同时支持目前Web网络下的大数据存储要求，在数据更新和并发性处理上有着传统关系模型不可比拟的优势。更为重要的是它主要由资源属性和属性值两部分组成，这样本发明可以通过资源属性来很好的区分用户不同类型的个性化兴趣特征。同时，本发明在该XML模型中通过增加节点权值形成加权XML模型，这些权值可以表征用户兴趣程度的大小。

2）信息内容的选择

本发明利用了语义信息、时间信息和权值信息三种主要信息。具体语义信息为应用平台中存储的与用户兴趣相关的关键词信息，时间信息采取两种方式获取，即应用平台主动提交和根据访问日志自动获取，权值信息为反映关键词重要性次序的序列信息，即应用平台根据自身对用户兴趣特征的判断，提交的关键词重要性次序信息。之所以采用次序信息而非各个应用平台提交的权值信息，主要因为不同平台计算用户兴趣权值的方法往往差异很大，数值本身缺乏较强的通用性，但是有效方法的最终结果应该具有一致性，尤其是表征用户兴趣的不同关键词之间的重要性次序关系，因此该方法即可以有效的表征用户不同兴趣的大小，同时也可以消除不同应用平台计算方法带来的影响。用户信息采用加权XML模型存储方式，它的基本Schema如下所示：

其中，UserProfile为根节点，里面包含多个User节点，代表着不同的用户，每个User节点下包含多个Application节点，代表着当前用户所使用的不同应用平台，每个Application下包含多个Field节点，代表着资源属性，属性值分别由不同的应用平台各自定义，这些属性构成了应用平台获取用户兴趣特征的基本依据，每个Field下包含多个Keyword节点，每一个Keyword节点代表着当前用户在当前应用平台上当前资源属性下的一个关键词，它有两个重要数值参数，分别是时间值和序列权值。其中序列权值取值范围为5到1，数值大小表示着重要性次序。兴趣扩散方法将会利用时间信息对序列权值做必要的处理，改变原始的离散整型数据形态。

在宏观上，每位用户的便携式个性化模式虽然都由多个应用提交生成，但是本发明最终会按照属性汇总，所关注的只是这些数据中的属性及其包含语义信息、时间信息和权值信息在内的属性值。用户便携式个性化模式的总体示意结构如附图2所示。这些不同用户模式中的相同属性在横向上形成一个属性域，如图2中的“属性m2”，利用这个属性域就可以得到所有用户在该域上的兴趣特征，并据此发现和分析每位用户的主要兴趣特征。

3）信息内容的选择

应用平台对信息的提交方法采用了以Web请求的方式直接向服务器端提供数据信息，基本数据内容有5个，分别是应用平台自身ID、用户ID、时间信息、属性名称信息和关键词信息，如：

http://ServerIP/SetInterests?userid=X&time=X&label=X&keyword=X1&keyword=X2

其中，取值皆用X代替。应用平台ID可以通过Web请求的IP自动标识，而关键词的次序特征可以在Web请求的查询字符串中直接体现。为了限定一次请求提交的数据量，本方法只取查询字符串中前5个关键词。

所有提交信息都会按照用户ID、应用ID、属性和时间进行汇总，每个汇总的信息单元都为一个向量模型。随着记录信息的不断增加，如果同一汇总信息单元存在相同关键词，则利用平均次序权值作为该关键词的最终权值。这就形成了在服务器端用户个性化模式的基本表达形态。

步骤3：个性化信息的更新

由于服务器端存储的大量信息单元，每个信息单元的属性值数量也很大，因此，必须对现有的用户个性化信息进行处理，找出其中最有价值的主要兴趣特征。该方法包括：

1）充分考虑时间信息的作用，这体现在两个方面：时间久远的关键词在表达用户兴趣程度方面效果应当予以衰减，而最新出现的关键词则更能体现用户当前的兴趣需求。

2）充分考虑关键词之间的语义联系。传统的方法往往会对同一个时间片上的关键词集合借助语义方法进行处理，由于关键词之间的语义联系不仅存在于同一时间片上，而且还会存在在不同的时间片之间。事实上，不同时间片上出现的各个关键词往往更能代表着用户兴趣的演变趋势，那些在连续时间片上始终具有较高权值的关键词显然最能反映用户的主要兴趣特征。

为此，本发明设计了一种反映关键词之间联系度的新领域本体计算方法。常见的计算关键词联系方法主要利用TF/IDF方法，该方法主要建立在词频信息分析的基础之上。本发明提出的方法是对传统有向亲和系数（Directional Affinity，DAff）方法的修正。传统方法只考虑出现数量的共现关系，忽略了对关键词自身有效性的表达。如一个文档中虽然同时出现了关键词A和关键词B，共现频次为1，但是如果两个关键词在该文档中都不是重要关键词，则单纯以共现频次来考察关键词共现权值的方法就无法表达这一特征。因此，在传统有向亲和系数方法基础上，结合关键词联系度的测量方法，提出了一种利用关键词权值替换频次并结合有向亲和系数的新方法，如下式所示：

${\mathrm{relation}}_{\mathrm{keyqordi},\mathrm{keywordj}}=\frac{\underset{\mathrm{dock}}{\mathrm{\Σ}}({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\×{\mathrm{weight}}_{\mathrm{keywordj},\mathrm{dock}})}{\underset{\mathrm{dock}}{\mathrm{\Σ}}\left({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\right)}$

该值综合考虑了共现频次和关键词自身权值的影响程度，能够较好的反映出共现关键词之间的联系度。同时它具有不对称性，在实际计算中，本发明对任何两两关键词A和B，都需考虑A和B的共现权值，及其B和A的共现权值。通过实验结果可以发现，该方法在识别具有相似语义和概念联系的关键词对方面具有很大的优势。

步骤4：利用语义本体的权值扩散方法

最终的用户主要兴趣特征发现方法是一种利用语义本体的权值扩散方法，该方法可以在不同时间片之间的关键词之间反复进行权值的扩散传递，并且引入了时间衰减和迭代计算方法，因此称之为“基于震荡时间片的用户主要兴趣识别方法”，该方法的流程图如附图3所示。

Claims (4)

1.一种便携式服务框架的实现方法，其特征在于，所述方法包括如下步骤：

步骤1：基本框架的设计；

所述的框架结构包含用户管理、应用管理和个性化信息管理三大模块；其中用户管理模块的主要功能是分配ID用以标记不同用户的个性化信息，用户以此ID来在不同应用平台间获取自身的个性化特征，也可以下载该个性化模型到本地端，并据此实现本地应用的个性化服务；应用管理模块主要面向各个应用平台，也提供诸如分配ID的服务，服务器端藉此来识别有效的信息更新请求；个性化信息管理模块是其中最为重要的一个模块，主要面向各个应用平台，是获取这些应用平台提交的用户个性化信息，进行信息更新和查询，同时服务器端还提供必要的数据处理和分析功能，以期在这些个性化信息中发现和提取最能反映用户主要兴趣特征的信息；

步骤2：个性化信息的获取；

1）存储模型；

本发明采用了RDF数据存储表达方法，同时在该XML模型中通过增加节点权值形成加权XML模型，这些权值可以表征用户兴趣程度的大小；

2）信息内容的选择；

本发明利用了语义信息、时间信息和权值信息三种主要信息；具体语义信息为应用平台中存储的与用户兴趣相关的关键词信息，时间信息采取两种方式获取，即应用平台主动提交和根据访问日志自动获取，权值信息为反映关键词重要性次序的序列信息，即应用平台根据自身对用户兴趣特征的判断，提交的关键词重要性次序信息；

3）信息内容的选择；

应用平台对信息的提交方法采用了以Web请求的方式直接向服务器端提供数据信息，基本数据内容有5个，分别是应用平台自身ID、用户ID、时间信息、属性名称信息和关键词信息；

所有提交信息都会按照用户ID、应用ID、属性和时间进行汇总，每个汇总的信息单元都为一个向量模型；随着记录信息的不断增加，如果同一汇总信息单元存在相同关键词，则利用平均次序权值作为该关键词的最终权值，这就形成了在服务器端用户个性化模式的基本表达形态；

步骤3：个性化信息的更新；

由于服务器端存储的大量信息单元，每个信息单元的属性值数量也很大，因此，必须对现有的用户个性化信息进行处理，找出其中最有价值的主要兴趣特征；

步骤4：利用语义本体的权值扩散方法；

最终的用户主要兴趣特征发现方法是一种利用语义本体的权值扩散方法，该方法可以在不同时间片之间的关键词之间反复进行权值的扩散传递，并且引入了时间衰减和迭代计算方法。

2.根据权利要求1所述的一种便携式服务框架的实现方法，其特征在于，所述方法的框架设计包括：

1）异质个性化信息集成方法；

所述方法包括用户个性化信息内容的选择和集成；所述方法采用的信息包含三种信息：语义信息、时间信息和权值信息；

2）用户个性化模式的信息表达；

结合语义分析和知识发现技术；

便携式用户个性化模式的数据存储模型是基于SPARQL的RDF三元组模型，以Web服务方法来提供用户个性化信息的展示服务；

服务器端的用户个性化信息是信息储存体，也是数据发现信息源；利用语义发现技术，借助于在用户个性化本体结构中权值扩散方法；结合向量空间模型和本体的方法，在基本表达结构上采用了向量空间模型，在兴趣权值计算上，采用基于自动构造领域本体的权值扩散方法；

3）用户模式信息的获取与管理；

采用由各个应用平台主动提交和用户自行修改两种方式；具体提交方法采用的是Web请求修改模式；采用服务器端集中存储并利用Web请求的访问方法；应用平台只有在登录获取合法认证后，才可以提交信息；提交信息包含两种类型：第一种是新增信息，直接将应用平台自己存储的用户个性化模式信息按照既定格式提交，第二种是查询信息，直接通过Web服务方法获取指定用户的个性化模式信息；没有采用更新和删除的操作。

3.根据权利要求1所述的一种便携式服务框架的实现方法，其特征在于，所述方法的步骤2中包括：每位用户便携式个性化模式是按照属性汇总；所关注的是数据的属性及其包含语义信息、时间信息和权值信息在内的属性值。

4.根据权利要求1所述的一种便携式服务框架的实现方法，其特征在于，所述方法的步骤3中包括：一种反映关键词之间联系度的新领域本体计算方法，如下式所示：

${\mathrm{relation}}_{\mathrm{keyqordi},\mathrm{keywordj}}=\frac{\underset{\mathrm{dock}}{\mathrm{\Σ}}({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\×{\mathrm{weight}}_{\mathrm{keywordj},\mathrm{dock}})}{\underset{\mathrm{dock}}{\mathrm{\Σ}}\left({\mathrm{weight}}_{\mathrm{keywordi},\mathrm{dock}}\right)}$

Images