论文部分内容阅读
摘要：在大数据、云计算、数据挖掘、人工智能等现代网络技术的飞速发展的科技背景之下，公共文化服务平台的建设缺乏互联网新技术的应用，网站服务不够便捷，不能更好的把握用户需求，不能为公众提供更优质的的公共文化服务。尤其是，当前公共文化服务平台的建设缺乏对个性化服务的集成，不能有效的满足用户的个性化需求。针对此问题，该文提出在公共文化服务集成平台中集成协同过滤技术为用户提供个性化活动推荐，同时基于知识本体，利用本体在语义查询扩展方面的优势为用户提供当前浏览活动相关的文化资料推荐。
关键词：公共文化服务；个性化推荐；协同过滤；本体
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）04-0247-03
Research And Implementation Of Personalized Recommendation System Based on Ontology
DONG Lin-lin， YANG Chuan-long， HUANG Xue-bo
（School of Computer Engineering， Qingdao Technological University， Qingdao 266033， China）
Abstract：In big data， cloud computing， data mining， artificial intelligence and modern network technology the rapid development of science and technology under the background of application， the construction of public cultural service platform for the lack of new technology of the Internet， web service is not convenient， can better grasp of user needs， can provide better public cultural services for the public. In particular， the current construction of public cultural service platform lacks the integration of personalized services， and can not effectively meet the user’s personalized needs. Therefore， to solve this problem， this paper proposes integrated collaborative filtering recommendation to provide users with personalized activities in public cultural service integration platform Based on knowledge， ontology， semantic query expansion in the advantage of providing the information related to the current browsing activities for users to recommend the use of ontology.
Key words： Public cultural services； Personalized recommendation； Collaborative filtering； Ontology
1 概述
現如今，为满足人们的个性化需求，个性化推荐技术已经广泛的应用在电子商务、社交网络、各种视频音乐网站等领域，例如 Amazon，淘宝，豆瓣等，都在不同程度上采用了个性化推荐系统[1]。由于个性化推荐技术能够很好的满足用户个性化需求，能够发掘用户潜在兴趣，因此，将个性化推荐服务集成到公共文化服务平台显得尤为重要。
2 个性化推荐系统总体架构
综合分析公共文化服务集成平台的用户需求以及实际应用场景，本文提出个性化推荐系统包含包含两部分：一是针对文化活动的推荐，二是针对当前用户浏览的文化活动内容而进行的文化资料的推荐。
对于文化活动的推荐着重突出个性化，强调用户兴趣偏好。因而需要利用用户的历史浏览行为数据，然后利用协同过滤推荐技术给用户进行文化活动推荐；对于文化资料的推荐着重突出文化活动主题相关性，期望做到的是推荐与当前活动主题具有语义相关的文化资料。
综合分析，本文提出的个性化推荐系统总体框架设计如图1所示。
其中，个性化活动的推荐采用协同过滤技术实现，首先通过收集用户的行为数据，比如用户的活动点赞数据、收藏活动的数据、参加活动记录数据等，形成用户的偏好模型，也就是用户-活动评分矩阵，然后应用协同过滤算法给用户进行活动推荐。在用户浏览文化活动详情时，系统会根据用户当前浏览的活动主题利用本体进行语义扩展，查询检索出与当前浏览活动相关的文化资料推荐给用户。
3 基于协同过滤的文化活动推荐
协同过滤推荐主要是利用群体的观点为当前活动用户来产生推荐项目，借助过去的用户行为记录，计算各个用户之间兴趣偏好的相似度，找出与当前用户兴趣偏好接近的邻居用户，并通过这些邻居用户组成的相似用户组的建议来产生对当前用户的推荐[2]。在文化活动的推荐中，协同推荐可以为当前用户找到有着相似兴趣背景或者相似文化需求的用户群体，通过相似用户群体推荐得到相关文化活动。 Directory dire = FSDirectory.open（new File（Constants.INDEX_STORE_PATH））；
IndexWriterConfig iwc=new IndexWriterConfig（Version.LUCENE_4_10_2，analyzer）；
IndexWriter iw = new IndexWriter（dire， iwc）；
LuceneIndex.addDoc（iw）；
iw.close（）；
以上是索引的創建过程，利用关键词进行文化资料的查询过程，包括打开文件存储位置、创建搜索器、进行关键词查询等步骤，核心代码如下所示：
Directory dire = FSDirectory.open（new File（Constants.INDEX_STORE_PATH））；
IndexReader ir = DirectoryReader.open（dire）；
IndexSearcher is = new IndexSearcher（ir）；
TopDocs td = is.search（query， 1000）；
System.out.println（"共为您查找到" td.totalHits "条结果"）；
ScoreDoc[] sds = td.scoreDocs；
for （ScoreDoc sd ： sds） {
System.out.println（）；
Document d = is.doc（sd.doc）；
System.out.println（d.get（"path"） "：[" d.get（"path"） "]"）；
System.out.println（d.get（"name"））；
System.out.println（sd.score）；
}
5 结论
本文分析了公共文化服务集成平台集成个性化推荐服务的重要性，并给出了个性化推荐服务集成方案。基于现实用户使用场景分析，提出的个性化推荐服务包含两部分：文化活动推荐以及与该文化活动相关的文化资料的推荐。其中，对于文化活动的推荐采用基于用户行为偏好的协同过滤算法进行推荐；对于文化资料推荐，通过引入基于本体的查询扩展，解决文化资料检索过程中语义扩展问题。
参考文献：
[1] 冯蓓蓓. 个性化推荐系统综述[J]. 科技展望， 2017， 27（12）.
[2] 程光华. 融合内容过滤和协同过滤的智能推荐系统[D]. 东南大学， 2010.
[3] 安维， 刘启华， 张李义. 个性化推荐系统的多样性研究进展[J]. 图书情报工作， 2013， 57（20）：127-135.
[4] 沈西挺，董智佳.反映用户兴趣变化的协同过滤算法[J].计算机应用与软件，2013（6）：295-297.
[5] 曾维明. 基于领域本体的语义检索及个性化推荐算法研究[D]. 南京理工大学， 2010.
[6] 潘志文， 邓丹君. 基于Lucene的web信息检索系统的设计与实现[J]. 软件， 2014（5）：37-37.
关键词：公共文化服务；个性化推荐；协同过滤；本体
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）04-0247-03
Research And Implementation Of Personalized Recommendation System Based on Ontology
DONG Lin-lin， YANG Chuan-long， HUANG Xue-bo
（School of Computer Engineering， Qingdao Technological University， Qingdao 266033， China）
Abstract：In big data， cloud computing， data mining， artificial intelligence and modern network technology the rapid development of science and technology under the background of application， the construction of public cultural service platform for the lack of new technology of the Internet， web service is not convenient， can better grasp of user needs， can provide better public cultural services for the public. In particular， the current construction of public cultural service platform lacks the integration of personalized services， and can not effectively meet the user’s personalized needs. Therefore， to solve this problem， this paper proposes integrated collaborative filtering recommendation to provide users with personalized activities in public cultural service integration platform Based on knowledge， ontology， semantic query expansion in the advantage of providing the information related to the current browsing activities for users to recommend the use of ontology.
Key words： Public cultural services； Personalized recommendation； Collaborative filtering； Ontology
1 概述
現如今，为满足人们的个性化需求，个性化推荐技术已经广泛的应用在电子商务、社交网络、各种视频音乐网站等领域，例如 Amazon，淘宝，豆瓣等，都在不同程度上采用了个性化推荐系统[1]。由于个性化推荐技术能够很好的满足用户个性化需求，能够发掘用户潜在兴趣，因此，将个性化推荐服务集成到公共文化服务平台显得尤为重要。
2 个性化推荐系统总体架构
综合分析公共文化服务集成平台的用户需求以及实际应用场景，本文提出个性化推荐系统包含包含两部分：一是针对文化活动的推荐，二是针对当前用户浏览的文化活动内容而进行的文化资料的推荐。
对于文化活动的推荐着重突出个性化，强调用户兴趣偏好。因而需要利用用户的历史浏览行为数据，然后利用协同过滤推荐技术给用户进行文化活动推荐；对于文化资料的推荐着重突出文化活动主题相关性，期望做到的是推荐与当前活动主题具有语义相关的文化资料。
综合分析，本文提出的个性化推荐系统总体框架设计如图1所示。
其中，个性化活动的推荐采用协同过滤技术实现，首先通过收集用户的行为数据，比如用户的活动点赞数据、收藏活动的数据、参加活动记录数据等，形成用户的偏好模型，也就是用户-活动评分矩阵，然后应用协同过滤算法给用户进行活动推荐。在用户浏览文化活动详情时，系统会根据用户当前浏览的活动主题利用本体进行语义扩展，查询检索出与当前浏览活动相关的文化资料推荐给用户。
3 基于协同过滤的文化活动推荐
协同过滤推荐主要是利用群体的观点为当前活动用户来产生推荐项目，借助过去的用户行为记录，计算各个用户之间兴趣偏好的相似度，找出与当前用户兴趣偏好接近的邻居用户，并通过这些邻居用户组成的相似用户组的建议来产生对当前用户的推荐[2]。在文化活动的推荐中，协同推荐可以为当前用户找到有着相似兴趣背景或者相似文化需求的用户群体，通过相似用户群体推荐得到相关文化活动。 Directory dire = FSDirectory.open（new File（Constants.INDEX_STORE_PATH））；
IndexWriterConfig iwc=new IndexWriterConfig（Version.LUCENE_4_10_2，analyzer）；
IndexWriter iw = new IndexWriter（dire， iwc）；
LuceneIndex.addDoc（iw）；
iw.close（）；
以上是索引的創建过程，利用关键词进行文化资料的查询过程，包括打开文件存储位置、创建搜索器、进行关键词查询等步骤，核心代码如下所示：
Directory dire = FSDirectory.open（new File（Constants.INDEX_STORE_PATH））；
IndexReader ir = DirectoryReader.open（dire）；
IndexSearcher is = new IndexSearcher（ir）；
TopDocs td = is.search（query， 1000）；
System.out.println（"共为您查找到" td.totalHits "条结果"）；
ScoreDoc[] sds = td.scoreDocs；
for （ScoreDoc sd ： sds） {
System.out.println（）；
Document d = is.doc（sd.doc）；
System.out.println（d.get（"path"） "：[" d.get（"path"） "]"）；
System.out.println（d.get（"name"））；
System.out.println（sd.score）；
}
5 结论
本文分析了公共文化服务集成平台集成个性化推荐服务的重要性，并给出了个性化推荐服务集成方案。基于现实用户使用场景分析，提出的个性化推荐服务包含两部分：文化活动推荐以及与该文化活动相关的文化资料的推荐。其中，对于文化活动的推荐采用基于用户行为偏好的协同过滤算法进行推荐；对于文化资料推荐，通过引入基于本体的查询扩展，解决文化资料检索过程中语义扩展问题。
参考文献：
[1] 冯蓓蓓. 个性化推荐系统综述[J]. 科技展望， 2017， 27（12）.
[2] 程光华. 融合内容过滤和协同过滤的智能推荐系统[D]. 东南大学， 2010.
[3] 安维， 刘启华， 张李义. 个性化推荐系统的多样性研究进展[J]. 图书情报工作， 2013， 57（20）：127-135.
[4] 沈西挺，董智佳.反映用户兴趣变化的协同过滤算法[J].计算机应用与软件，2013（6）：295-297.
[5] 曾维明. 基于领域本体的语义检索及个性化推荐算法研究[D]. 南京理工大学， 2010.
[6] 潘志文， 邓丹君. 基于Lucene的web信息检索系统的设计与实现[J]. 软件， 2014（5）：37-37.