杂志信息网-创作、查重、发刊有保障。

基于移动场景融合的阅读推荐模型研究

更新时间:2009-03-28

阅读推荐APP一直是图书馆服务领域的关注焦点之一。随着4G网络的全面覆盖以及智能手机单机性能的不断提高,阅读推荐APP进一步受到了移动网络用户的青睐。据 《2016年中国移动网络用户研究报告》显示:目前已有超过1.5亿的中国用户使用过阅读推荐APP;但该报告也显示:由于目前阅读推荐APP存在各种问题,导致用户的忠诚度和满意度较低,持续使用意愿不强。目前,国内外专家学者基于4G网络技术,提出了一些改进措施与模型,如Bela Gipp研究了基于智能手机的自我信息发掘和阅读环境识别模型[1];Michael Hahsler等研究了跑步APP的建模与体能训练测量算法[2];Ankit Khera等研究了基于WLAN和智能手机融合的大学生阅读训练模型[3];Swapneel Shet等研究了基于社会媒体信息资源的阅读行为建议模型[4];Daniel Mican等运用神经网络研究了日常阅读偏好聚类[5];Yifan Hu等研究了通过社交媒体发掘用户阅读爱好的方法与模型[6];Yu Wang研究了运用服务器集中数字脚印的方式,进行用户阅读轨迹检测的模型[7];Joeran Bee等研究了基于数字脚印进行学龄儿童阅读监控的模型[8];John Ben Schafe研究了交互式阅读推荐APP中的身份识别问题[9];Karen Smith-Yoshimura等研究了学术数字脚印与学者研究及阅读习惯的关联模型[10];Raymond J Mooney等研究了应用数字脚印进行阅读场所推荐的模型[11]。上述方法与模型,尽管有一定的实用价值,但在实践中暴露出诸多不足。例如:难以检测高速变化的需求信息、难以对复杂的日常阅读场景进行融合、对用户的偏好及习惯挖掘不足等。基于这些问题,笔者提出了基于移动场景的阅读推荐模型 3RMF(Reading Resource Recommendation model based on Mobile scene Fusion)。

1 模型框架与处理流程

1.1 模型框架与单元

模型的结构、单元与运作流程如图1所示,其主要功能单元如下。

  

图1 模型框架与处理流程

(1)移动场景管理单元:该单元的任务是收集用户终端所生成的各类移动场景信息。通过终端操作系统提供的API,目前该单元能够采集到三类信息:表征个人的智能终端传感器信息、表征阅读群体的活动信息以及表征社会关系的社交网络信息经过处理的移动场景信息将融合,交由后台数据库管理单元存储,从而为用户需求发掘与场景匹配提供基础信息。

近年来肿瘤免疫治疗一直备受关注。本届大会日本近畿大学Kudo等 (摘要LB-2)报告,在CheckMate-040研究中Child-Pugh B级晚期HCC患者应用NIVO单抗治疗可获得持久应答,安全性情况与Child-Pugh A级患者相似,中位生存时间为7.6个月。

(2)阅读推荐单元:该单元的任务是根据用户的个体特征与阅读需求,结合用户周边的移动场景信息,为其规划、发掘和推荐最优的阅读路径。该单元通常采用两种工作模式,一是触发模式,即用户到达某一阅读场所时或搜索阅读关键词时,发掘该场景或关键词相关的适合用户的阅读,并加以推荐,提供阅读项目、阅读时间安排、整体阅读量规划等信息服务;另一种轮询模式,即定时根据用户的个性化阅读需求,采集周边阅读场景信息,为用户提供阅读推荐参考信息。

借转角要求:对于调整直线段纵向偏移误差,或曲线段实现管线的弧形铺设,采用借转角方式处理时,要符合单个PCCPL接口允许偏转角≤0.5°,单个DIP接口允许偏转角≤1.0°。

步骤3,新个体产生,即:生成随机数rand1,如果该数大于Ri时,则从鸟群的当前最优值集合中选择一个值,通过公式(4)生成新的飞鸟xnew,并得到它在当前位置的匹配度f(xnew),此时,如果f(xnew)<f(xit),设置

(5)后台数据库管理单元:为上述4个单元提供后台数据管理服务,其数据库包含的主要内容为:阅读场景信息、用户阅读需求特征信息、阅读量表、阅读监测数据表等。

1.2 处理流程

模型的场景处理流程主要包括以下3个步骤。

步骤5,搜索终止判断,即:如果IterMax循环轮次数为0或无法生成下一轮循环,计算结束,否则返回步骤2继续循环。

(2)步骤2:阅读需求与场景融合,在该阶段里,当某个客户阅读需求或新场景进入模型的后台数据库管理单元时(可以是接入或者访问),用户与场景管理单元将为它生成一个临时的用户场景视图;退出后,将存留的信息与数据库中的场景信息融合。此时,无论用户是否进行操作,存储在数据库中的特征及其需求信息都将主动与用户与场景管理单元进行交换,移动场景管理单元将下载到当前场景中的特征信息,客户端在此场景中存留的时间越长,相关特征信息的强度越大;用户与场景管理单元也通过 “场景—用户”交互,一方面将自身的场景特征发送给数据库,另一方面不断从移动场景管理单元获取其特征与需求,用这些信息来对自身进行反馈描述,提高外部世界与用户对自身的阅读信息刻画。

20世纪50年代末,美国语言学家约瑟夫·H·格林伯格打开了语言学研究的一个新的领域——语言类型学。该理论主要的观点是在对人类语言的机制和规则进行概括总结时,必须要进行跨语言验证,而要研究任何一种语言的特点都离不开跨语言比较出的共性和类型分类的基础。我国著名英语学者许国璋也提出:“过去的研究太过于强调汉语和欧洲语言之间的差异,而忽视了两者之间的相同点。”[1]近年来,语言类型学逐渐风靡,挖掘汉语和英语之间的共性和差异,掌握两者之间的普遍特征成为潮流。

(3)步骤3:阅读推荐与推荐,在该阶段里,阅读推荐单元根据的用户场景视图与推荐阅读资源列表的匹配度,将场景根据用户的实际需求进行推荐;如匹配度较高,即使在用户离开本场景后,仍可通过服务接口单元以其它方式(邮件、短信息等)进行离线推荐,从而保证有效阅读推荐的覆盖最大化。最终,以移动场景信息作为推荐依据,将使本模型在用户与阅读路径、用户与用户,以及阅读路径与阅读路径之间进行调度与分配,从而使得阅读场景信息的应用效果最大化。

2 关键算法

2.1 阅读场景搜索算法

阅读推荐中采用的场景数据结构为:IFC定义的场景六元数据结构[9],即用户在某一时段进行或计划的阅读事件表述为:H(Happening)=<O,A,T,E,P,C>,其中数据对象的明细表述为:阅读事件标识(O:ObjectID)、阅读推荐型(A:Action)、阅读时间(T:Time,包括时间点和时间段)、阅读场景(E:Environment)、后续阅读事件指针(P:Predict,包括用户未来或后续的阅读场景)、阅读特征与需求(C:Character,用户阅读相关的关键词)。基于这种场景数据结构,当智能手机中存储了一定的场景信息时,可以根据用户当前的需求情况进行场景搜索,以确定推荐的阅读场景。模型采用了飞鸟群的智能搜索算法完成这一工作,首先对于既定的多阅读场景构成空间,有携带有场景需求的飞鸟群的数量为N,而飞鸟群中第i只飞鸟(智能代理)采用下列信息更新方法,即t时刻,飞鸟的当前位置和速度之间有以下关系:

 

在公式(1)中,fi是第i只飞鸟的信息传输频率,而fmin与fmax是信息传输频率的最大/最小值;为信息生成率,它是值域为[0,1]的数;x*为此轮场景搜索中的全局最优值。为降低计算工作量,算法中通过当前最优值的集合中随机选择,并加以随机生成率从而获得新的起始搜索位置,最终有:At为本轮搜索中飞鸟群的平均感应值(对场景搜索结果的响应程度),而ε是值域[-1,1]上均匀分布的随机生成率,

 

感应值Ai与信息传输频率Ri通过下式(5)、(6)进行刷新,有:感应衰减系数

 

基于上述,整个阅读场景搜索的基本过程可以如下构建:

原料白条鸭购自北京金星鸭业有限公司北京鸭养殖场,选取同一品种(北京填鸭)、相同喂养年龄(39日龄)、相同喂养条件、同一批宰杀且体重相近(2.2±0.5kg)的鸭子。速冻至中心温度为-30℃后运回实验室,于-20℃冷库中冷冻储存。

步骤1,初始化,包括fmin,fmax,γ,A,α,R0,并设定最终搜索的循环轮次数IterMax(智能手机运算能力有限,通常设定为10)等参数的配置,引导进入场景搜索过程。

由于目前的中国债券市场中中国债券市场交易业务并未形成正式的交易平台,各项管理制度和法律政策并未得到有效改善。因此中国债券市场应该集中力量,借助于政府有关部门的力量,加强市场监管,全面构建一个健康合理科学的中国债券市场交易平台。这将全面,彻底地为中国债券市场创造一个合法,公平的国际交易平台,为中国债券市场的进一步发展提供动力。

(4)进行剪力墙浇筑工作时,可以选择长条流水的方式进行分段浇筑。具体而言,可以将约30mm后的水泥砂浆进行浇筑处均匀铺设,然后再采用分层浇筑的方式,对混凝土进行振捣操作。若剪力墙混凝土浇筑需要连续进行,则需要对其进行间歇时间的相应控制,并在混凝土上层浇筑完成后,确保本段混凝土浇筑工作能够相应完成。对于建筑结构门窗不问的混凝土施工缝,则需要加强接缝的振捣操作,以使得混凝土的严密性可以得到充分保障。

步骤2,新搜索产生,通过公式(1)、(2)、(3)式生成个体的新位置,并得到计算飞鸟个体对该位置的匹配度

(4)用户与场景管理单元:通过用户行为与移动场景的信息融合,通过移动互联网中的 “场景—用户”自动交互方法,实现移动场景信息与用户阅读需求/特征互表述,进而对场景与用户特征/需求进行深入刻画。作为反馈,其服务器将采集移动客户端发来的实时场景信息、历史数据中相关阅读的场景信息,以及用户的历史阅读活动信息,最终完成场景融合,并较为完整的表述与刻画用户当前的阅读场景信息。

步骤4,新个体判断,即:如果rand2>Ai,并且有f(xit)<f(x*),则成为本轮的全局最优值,将通过公式(5)和公式(6)式刷新Ri和Ai之值。

(1)步骤1:移动客户端场景生成,在该阶段里,移动场景管理单元对用户的个体、群体以及社会活动进行监测,从而得到较为完整的、微观的客户端用户场景信息序列。移动客户端通过对该序列进行挖掘,得到用户的个性化阅读需求与个体特征信息,并对客户端产生的场景进行信息融合,主要是将多个数据源关联起来,从中提取相关的数据,进而对获取的场景元素进行研究和理解,通过融合模板对数据进行梳理与清理,最终通过 “场景—用户”信息转换,构建可用的信息结构,将零散的数据组合成场景信息,为移动客户端的个性化阅读推荐工作提供移动终端场景信息集。

上述步骤为基本搜索过程,当系统处于空闲(CPU占用率较低时),可以采用下列搜索优化,提高搜索结果的匹配程度和精确度;该优化主要是基于最优邻居理论,即在当前最优值xr周边可能存在全局最优值xf,此时,可以将公式(2)式里的飞行速度vit做下列优化,

(1) 工程海域的潮流周期为12 h,为典型的半日潮。工程海域潮流运动受风向以及近岸辐射状沙洲地形综合影响,其中,南、中、北三个水道的潮流分布呈椭圆状,潮流流向受南北两侧沙洲引导,与深槽方向趋近,且流向受潮汐影响,呈往复流特征。潮流传递呈典型驻波状态。

 

其中,。此时,为避免泛全局搜索带来的大量系统开销,可以进一步将搜索范围优化到部分空间中进行,有:

 

在公式(8)里,Iter为当前搜索轮次,而为随机偏置数,值域为[0,1]。飞鸟的搜索速度采用公式(9)式进行优化,其中有εmax和εmin最大与最小加权惯性值。由此,在搜索循环的前期全局搜索占到主导地位,从而保证了搜索的全面性和覆盖度,而在搜索循环的后期,全局最优值可以引导搜索过程进入到局部全面搜索中去,从而提高搜索精度和匹配度,后续的实验证明了该算法性能良好。

1.5 资料收集 征得院科研专家伦理委员会的同意和骨科主任的同意,由课题组负责人对所有参与课题的人员进行培训,使之对测量工具统一认识,以降低测量偏差。取得患者知情同意后,运用测量工具分别收集手术减压后及减压后2 h的指标情况。收集工作由课题小组人员负责。

 
 

在上述三个式子中,η是飞鸟种群的变异因子,而F是种群的扩展系数,F0是其初始化指标。(12)式中的xr1,xr2,xr3为本轮搜索的最优值集合中抽取的三个飞鸟位置。基于上述,可以对步骤3中进行进一步的优化:

步骤3新个体生成与变异,即生成随机数rand1,如果该数大于时,则从本轮次搜索的最优值集合中抽取某一个飞鸟,通过公式(4)生成新的飞鸟个体xnew,并得到它在新位置的匹配度f(xnew),如果f(xnew)<f(xit)设置xit=xnew。反之,如果,需要从此轮次搜索的最优值集合中随机抽取三个飞鸟xr1,xr2,xr3,通过公式(10)、(11)、(12)进一步生成新飞鸟 xnew,并得到它在新位置的匹配度f(xnew),如果f(xnew)<f(xit)设置xit=xnew。至此,在步骤3中,总会有新的飞鸟xnew产生,从而提高了飞鸟种群多样性,提高了算法对阅读场景空间的搜索效果。

2.2 阅读需求与场景的聚类匹配算法

由于移动网络用户的活动范围极大,其中能够获取的场景数量极多,而其阅读需求往往是多样化的,为此3RMF模型中不但设计了适用于场景搜索的子算法,而且针对设计了用于汇聚用户阅读需求与场景的匹配算法。该算法的表述如下:

新媒体新技术使信息的传递更加便捷和快速,海量的信息交换优势使高校的思想政治理论课获得了新鲜的养料,最新、最快、最热的教育动态和真实的教学案例都能够通过新媒体新技术加以收集,使思想政治理论课有更加多样化的资料来源,能够及时地更新思想政治理论课教学的信息、方向与内容。学生作为思想政治理论课的学习主体,还可以利用自媒体中的信息资源重新安排自己的学习结构和知识体系,提高学习的主动性。在网上浏览的过程中,学生还可以隐性地接受思想政治教育,促使大学生将网络信息与教学内容紧密地联系起来。

首先设定其目标函数描述,

 

该式中,0≤uij≤1,i=1,2,…,n;j=1,2,…,c; 且符合以及进一步得:该子算法处理的场景或用户需求数据集定义为X={xi|i=1,2,…,n},其聚类集合的数量c(c≥2&c<其中的两个集合U和V定义如下:vj是第j个分类的核心,而uij是xi归于j的模糊隶属度,w为模糊聚类的权值。由于上述目标函数获取过程的稳定性较差,因此本模型对其进行了修改,进一步改进(13)为下列目标函数:

 

该式中,0≤uij≤1,1≤i≤n,1≤j≤c; 且有 0<和1≤i≤n。 进一步有:Ii是xi归于边缘场景集合的隶属度;而Fi是xi归于非核心场景集合的隶属度;w1是均值聚类的权值;w2是边缘函数权值;w3是非核心场景集合权值。

基于上述,将新生成的用户阅读需求或场景集xk∈Rr(k=1,2,…,n)通过函数Ø(x)映射到高维的核心场景空间里,即可得到新集合Ø(xi)r(i=1,2,…,n)来构造隶属度的核函数 K(x,y)=Ø(x)·Ø(y),x,y∈Rr,K(x,y)=exp其中σ是测度指标,而集合中场景元素之间的距离标准差可表述为:

 

该式里:是场景或需求元素xi相对中心均值的距离,而为所有di值的均值,最终,二者可以描述为:此时的聚类优化问题可以表达为:

 

式中 0≤uij≤1,1≤i≤n,1≤j≤c; 1≤k≤c;1≤i≤n。而其实,通过拉格朗日迭代进行计算,此时可以通过阈值划分将场景与需求聚类到各子空间:

此外,为提高飞鸟算法中个体更新带来的搜索效果,本算法进行了下列改进,

 

此时,其中:

学生之间的性格差异使学生在谈话过程中会有不同的表现。对于性格内向的学生教师要加以引导,当其想要表达自己想法的时候教师要给其机会,当其不知道该如何表达时教师要利用不同的话题从同的角度进行引导。对于性格外向善于表达的学生教师要倾听并帮助其进行分析,提高谈话效率和质量。

 

此时,算法的实际性能可以根据公式(16)进行分析:当该式里的参数的同时,则该子算法的稳定性将与公式(14)类似;而当参数时,则该子算法的稳定性超过公式(14),而处理性能与公式(14)接近。

3 仿真实验与结果分析

为了验证3RMF的模型性能,将其与文献[7]中的开源阅读规划模型RSCP(Reading Sign Controlling Process)进行了对比。实验对比的用户群组为2组,共计144名,随机抽取的某省图书馆读者;两组用户的安卓手机中均通过 “我爱图书馆”APP加载和运行阅读推荐模型,其中运行3RMF模型的群组为A组,而运行RSCP模型的为B组,为了跟踪用户对模型的操作和应用情况,经允许在用户的手机中安装了AnCRed后台程序对模型所涉及的节点、路径、输入、输出、CPU与内存占用率等信息进行了为期50天(7周)的记录,最终的实验内容与结果分析如下:

实验中采用用户阅读需求覆盖度、推荐匹配度,以及系统资源开销(CPU占用率)三个重要指标来对比两种模型的性能。

(3)服务接口单元:该单元在移动客户端中运行,它将为阅读推荐APP等软件提供阅读推荐列表,并根据客户端的实际场景环境,以APP嵌入广告、网页广告、短信息等形式发布给用户。

图2中显示了3RMF与RSCP两个模型在50天中的平均用户阅读需求覆盖度情况,该指标的定义为:某一段时间中,阅读推荐模型提供的推荐图书馆阅读资源信息在用户整体使用的阅读信息中所占的比例。从图2中可以看出,在50天实验里,A组(3RMF模型)的用户阅读需求覆盖度从总体来看远超B组(RSCP);此外,与RSCP模型相比,3RMF模型的场景融合速度更快,更新效果更好,所以在图2中,A组的覆盖度上升速度更快,而在达到峰值之后,其覆盖度平稳区也超过了B组。

图3中显示了3RMF与RSCP两个模型在50天中的平均推荐匹配度(也称之为推荐精确度),该指标的定义为:阅读推荐模型推荐给用户的阅读信息,并被采纳的信息,占到其总体推荐信息的比例。从图3中可以看出在50天实验里,A组(3RMF模型)的推荐匹配度较高,其中有接近50%的阅读推荐匹配度超过了RSCP模型达到20%以上;此外,与RSCP模型相比,3RMF模型的通过稳定性优化的匹配算法精度更高、稳定性更好,因此在图3中,A组的推荐匹配度在达到峰值之后,其推荐匹配度平稳区也超过了B组。

2017年4月9日,瑞华所通过邮件将合并报表数据发送给天成控股,这份文件显示,天成控股2016年合并净利润亏损9700万元。

无损探伤是检测锅炉、压力容器的各种原材料及焊缝是否存在危险性缺陷或非允许缺陷的现代检验技术.显然,构成锅炉、压力容器原材料或焊缝的内在质量如果得不到保证,必将危机整台设备的安全可靠性.

图4可知显示了3RMF与RSCP两个模型在50天中的平均CPU占用率,该指标的定义为阅读推荐模型在运行过程中,每台智能手机对其随机进行10次CPU占用率记录,每天24点智能手机汇总占用率记录,并求平均,最终智能手机将该数据汇总至本组中心服务器,并由其求平均值。从图4中可以看出在50天实验里,尽管A组(3RMF模型)的覆盖度和匹配度均较高,但并未带来过多的系统资源开销,其CPU占用率在大多数情况下低于RSCP模型,体现了良好的性价比,究其原因,主要是3RMF模型获取的场景数据更为丰富、算法处理效率更高,从而避免了大量的重复计算,从而保证了模型的适用性和可移植性。

  

图2 用户阅读需求覆盖度

  

图3 阅读推荐匹配度

  

图4 CPU占用率

4 结语

针对当前阅读推荐APP存在的问题,提出了基于移动场景融合的阅读推荐模型研究。在实验中,该模型表现出较高的用户需求覆盖度和推荐匹配度,且性价比良好,能够为用户提供较为精准和个性化的阅读推荐,具有一定的应用前景。但限于实验环境与软硬件条件,该模型还需要在规模更大的场景中进行实验;未来的研究内容包括综合兴趣图谱与电子地图的融合及阅读路径规划应用、用户阅读社交网络信息发掘与应用、群体用户阅读推荐算法等。

参考文献:

[1]Bela Gipp,J·ran Beel,Christian Hentschel.Scienstein:A Research Paper Recommender System[J].Journal of Libraries,2017,23(1):39-45.

[2]Michael Hahsler.Recommenderlab:A Framework for Developing and Testing Recommendation Algorithms[J].Journal of Digital Libraries,2016,3(8):55-94.

[3]Ankit Khera.Online Library Recommendation System[J].Journal of Computers,2016,11(9):375-426.

[4]Swapneel Sheth,Nipun Arora,Christian Murph.weHelp:A Reference Architecture for Social Recommender Systems [J].Journal of User Interface Software,2017,9(4):23-49.

[5]Daniel Mican,Loredana Mocean,Nicolae Tomai.Building a Social Recommender System by Harvesting Social Relationships and Trust Scores Between Users[J].Journal of Libraries,2016,10(5):62-101.

[6]Yifan Hu,Yehuda Koren,Chris Volinsky.Collaborative Filtering for Implicit Feedback Datasets for Libraries [J].Journal of Digital Information Processing,2015,13(2):235-276.

[7]Yu Wang.User Data Analytics and Recommender System for DiscoveryEngine [D].Sweden:RoyalInstitute ofTechnology,Stockholm,2015.

(3) 通过对多支管末端的关阀水锤分析,分水口处的水锤压力偏高,设置可调式减压阀可有效降低分水口处的水锤升压。设计人员在多支管管道系统设计时,应关注此问题,确保支管的运行安全。

[8]Joeran Beel,Bela Gipp,Akiko Aizawa.DLib:Recommendations-asa-Service(RaaS)for Academia [J].Journal of Information System,2015,1(12):190-216.

[9]John Ben Schafer,Joseph A Konstan,John Riedl.Meta-recommendation Systems:User-controlled Integration of Diverse Recommendations[J].Journal of Information Service,2015,10(8):323-351.

[10]Karen Smith-Yoshimura,Rose Holley.Recommendations and Readings:Social Metadata for Libraries,Archives,and Museums[J].Journal of Network Information System,2016,11(4):66-97.

[11]Raymond J Mooney,Loriene Roy.Content-Based Book Recommending Using Learning for Text Categorization [J].International Journal of Electronic Libraries,2014,3(12):195-210.

 
林淑贞
《农业图书情报学刊》2018年第02期文献
100%安全可靠
7X18小时在线支持
支付宝特邀商家
不成功全额退款