论文部分内容阅读
摘要：近年来，随着信息获取途径增多、信息量指数上升，用户需要掌握的信息相关度呈现多样化粒度结构，不仅使知识获取的程序更加复杂，也使科研人员对某些重要节点研究的知识认知游离在多数冗余信息和浅显化研究信息中。面对这些问题，基于科研情境的个性化知识推送从一定程度上解决了这些问题，将特定科研情境环境下的某些关键词、主题词以及科研情境的特征属性因素可根据相关度等算法，将知识信息推送到前端，供科研人员进行检索。
关键词：科研情境；个性化知识推送
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）17-0210-02
1研究现状
个性化推送即根据用户的注册信息、背景资料等显性信息以及搜索记录、主题相关性等隐性信息进行分析，最终将用户感兴趣的、有参考价值的信息推送给用户。
现有的研究主要分为以下几个方面：（1）基于本体的个性化推送。将本体技术引进数字化图书馆个性化推荐中，以实现语义用户兴趣模型构建、数字图书馆信息资源语义描述、基于本体的个性化推荐算法设计等环节实现最优化推荐。（2）基于情境感知的个性化推送。主要以协同过滤算法为基础，添加知识情境因素，计算情境模型的相似度并构建知识情境模型实现最优化推荐。而目前泛在学习环境下的知识推送也成为新的研究热点，随着物联网技术发展，实现个性化推送的方法和策略也将更加满足用户对系统或平台的信息需求。
2存在的问题及研究意义
（1）未考虑情境附属等因素；用户兴趣模型精度不够、进化机制不够合理，用户只有较准确表达请求才能获得较好推荐，情境感知中对知识规则及扩展也有待进一步提升。而单纯以增加语义分析来增加信息资源与用户的粘合度显然是不够的。
（2）泛在学习环境与科研情境的区别；前者主要研究网络大环境下用户获取信息中的个性化推荐，却没有反映科研情境下信息需求的各项要求。科研情境则是已科研人员为主要用户，其研究领域、科研成果等涉及科研因素的一体化模型未定义，也使得针对科研圈以及追踪科研成果方面的个性化知识推送相对较少。
忽略背景知识、环境因素甚至主题情感倾向等涉及检索对象的附属特性，就会使信息检索在依存性和关联性上产生巨大的差异性。因此，实现个性化推荐知识服务，进行科研情境下的知识推送，应成为科研机构组织为科研人员工作提供的一项有力的服务。
本文是以科研人员为角度出发，为学术用户提供嵌入式科研服务，学术用户信息搜寻行为过程能够反映他们对信息服务的需求，对用户信息搜寻行为的观察，能成为图书馆信息服务构建的重要依据，深入了解用户的搜寻特征，分析科研情境变量如何影响搜寻行为，并整理归纳代表科研情境变量的因素，使得数字图书馆更好地为科研人员服务。
对科研情境下个性化知识推送的探讨与研究，是为了让图书馆服务更好地融入学术用户的科研过程中，通过对学术用户这一特定用户群体的信息搜寻行为的理论分析，可为促进图书馆信息服务的深度发展及个性化、多样化发展做出重要的贡献，对于提高科研水平具有指导性和现实意义。
3研究方法及理论创新点
首先以问卷调查的统计数据为基础，采用SPSS统计软件进行结果分析，用描述性统计分析方法分析影响学术用户信息搜寻行为的各个阶段的科研情境因素，构建数字化图书馆中科研情境的数据特征集，其中这些信息包括用户的研究方向、研究兴趣、联系信息、成果著作、科研项目、学术地位以及心理、环境因素和思维方式等，所有这些特征被分为更为详细的子特性，所有这些信息很大程度上会影响系统的推荐。然后据此提出面向情境的学术用户信息服务对策，优化现有图书馆信息服务模式。
其次在科研情境的知识背景下设计基于科研情境的个性化知识推送模型，在一般模型结构中的推荐层增加情境信息识别、知识水平识别以及用户状态识别，使得数据获取层包含统计分析的用户配置文件，推理层将情境数据特征集进行整理归类，并赋予不同的权重值，根据信息的交互比拟和相关度计算，通过个性化推送层的机器自动问答系统将最优的搜寻信息推荐给科研用户。
地方社科院图书馆如何更好的为科研人员提供信息服务，目前大多数研究是从用户信息需求的角度定性分析影响因素后提出对策，几乎没有以科研情境为背景进行个性化知识推送，而本文引入科研情境，构建基于科研情境的数据特征集，更好的分析用户检索行为，并在个性化知识推送模型中增加多层次的推荐信息资源，为科研人员更好地进行个性化知识推送，满足其科研需求并调整其推荐模型。
主要创新点：（1）归纳出信息搜寻行为的三个特征：信息搜寻行为的动机、信息搜寻行为的活动及类型、信息搜寻行为的途径。即主动、被动及互动搜寻行为变量的定义，从科研人员信息搜寻行为的逐次具体化的层面出发详细分析。（2）在情境模型基础上，定义三个科研情境变量：情境知识、搜寻行为和认知水平来分析解释搜寻行为中知识的最优解。（3）建立科研情境下个性化知识推送关系框架图，以科研情境因素为检索的主要特征性，将根搜索赋予科研情境等关节点，搜寻遍历主题节点使得检索更加便利。
4基于科研情境的个性化知识推送模型
基于科研情境的个性化知识推荐模型分为：数据获取层、知识加工层、个性化推荐层和用户界面层总共四层。数据资源来自各类数据库以及互联网中对信息的挖掘检索，知识加工层则在科研情境下对获取的知识进行了更为细致的分类，分别为情境知识、用户的搜寻行为以及个人的认知能力三个部分。情境知识中组织、社会以及文化的情境因素一定程度上决定了个人的认知水平中的关键因素，而用户的搜寻行为也使得知识在获取加工的过程中的重要程度及影响因子不尽相同，即是否主动搜索某一主题还是为了解释某科研方面的疑虑和难点的被动搜索，又或者是网络互动方式中的知识获取都成为不可或缺的重要因素。由此可见，将知识维度粒度细分，以交叉比拟和互为定义权值的方法将知识加工层的信息进行分析，将最优的知识推荐给个性化推送层，通过机器自动问答系统直接反应到用户层面。
5结束语
综上所述，基于科研情境的个性化知识推送不仅使网络信息资源实现了集中一体化，也实现了情境知识、搜寻行为、认知水平等多方面因素影响下的个性化检索方式，在各类搜索引擎以及信息检索技术更加趋于多样化的将来，以个性化知识推送为主要的途径将极大的为科研人员研究提供了便利性。
参考文献：
[1] 陈卫.基于本体的数字化图书馆个性化推荐模型构建研究[D].湖北工业大学硕士学位论文，2015.
[2] 仵雪婷.基于知识情境的知识个性化推送技术的研究与应用[D].南昌大学硕士学位论文，2010.
[3] 牛意熹.基于知识情境的数字图书馆个性化推荐系统的研究[D].南昌大学硕士学位论文，2014.
[3] 陈伟.科研情境下学术用户信息搜寻行为研究 [D].南京农业大学硕士学位论文，2012.
关键词：科研情境；个性化知识推送
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）17-0210-02
1研究现状
个性化推送即根据用户的注册信息、背景资料等显性信息以及搜索记录、主题相关性等隐性信息进行分析，最终将用户感兴趣的、有参考价值的信息推送给用户。
现有的研究主要分为以下几个方面：（1）基于本体的个性化推送。将本体技术引进数字化图书馆个性化推荐中，以实现语义用户兴趣模型构建、数字图书馆信息资源语义描述、基于本体的个性化推荐算法设计等环节实现最优化推荐。（2）基于情境感知的个性化推送。主要以协同过滤算法为基础，添加知识情境因素，计算情境模型的相似度并构建知识情境模型实现最优化推荐。而目前泛在学习环境下的知识推送也成为新的研究热点，随着物联网技术发展，实现个性化推送的方法和策略也将更加满足用户对系统或平台的信息需求。
2存在的问题及研究意义
（1）未考虑情境附属等因素；用户兴趣模型精度不够、进化机制不够合理，用户只有较准确表达请求才能获得较好推荐，情境感知中对知识规则及扩展也有待进一步提升。而单纯以增加语义分析来增加信息资源与用户的粘合度显然是不够的。
（2）泛在学习环境与科研情境的区别；前者主要研究网络大环境下用户获取信息中的个性化推荐，却没有反映科研情境下信息需求的各项要求。科研情境则是已科研人员为主要用户，其研究领域、科研成果等涉及科研因素的一体化模型未定义，也使得针对科研圈以及追踪科研成果方面的个性化知识推送相对较少。
忽略背景知识、环境因素甚至主题情感倾向等涉及检索对象的附属特性，就会使信息检索在依存性和关联性上产生巨大的差异性。因此，实现个性化推荐知识服务，进行科研情境下的知识推送，应成为科研机构组织为科研人员工作提供的一项有力的服务。
本文是以科研人员为角度出发，为学术用户提供嵌入式科研服务，学术用户信息搜寻行为过程能够反映他们对信息服务的需求，对用户信息搜寻行为的观察，能成为图书馆信息服务构建的重要依据，深入了解用户的搜寻特征，分析科研情境变量如何影响搜寻行为，并整理归纳代表科研情境变量的因素，使得数字图书馆更好地为科研人员服务。
对科研情境下个性化知识推送的探讨与研究，是为了让图书馆服务更好地融入学术用户的科研过程中，通过对学术用户这一特定用户群体的信息搜寻行为的理论分析，可为促进图书馆信息服务的深度发展及个性化、多样化发展做出重要的贡献，对于提高科研水平具有指导性和现实意义。
3研究方法及理论创新点
首先以问卷调查的统计数据为基础，采用SPSS统计软件进行结果分析，用描述性统计分析方法分析影响学术用户信息搜寻行为的各个阶段的科研情境因素，构建数字化图书馆中科研情境的数据特征集，其中这些信息包括用户的研究方向、研究兴趣、联系信息、成果著作、科研项目、学术地位以及心理、环境因素和思维方式等，所有这些特征被分为更为详细的子特性，所有这些信息很大程度上会影响系统的推荐。然后据此提出面向情境的学术用户信息服务对策，优化现有图书馆信息服务模式。
其次在科研情境的知识背景下设计基于科研情境的个性化知识推送模型，在一般模型结构中的推荐层增加情境信息识别、知识水平识别以及用户状态识别，使得数据获取层包含统计分析的用户配置文件，推理层将情境数据特征集进行整理归类，并赋予不同的权重值，根据信息的交互比拟和相关度计算，通过个性化推送层的机器自动问答系统将最优的搜寻信息推荐给科研用户。
地方社科院图书馆如何更好的为科研人员提供信息服务，目前大多数研究是从用户信息需求的角度定性分析影响因素后提出对策，几乎没有以科研情境为背景进行个性化知识推送，而本文引入科研情境，构建基于科研情境的数据特征集，更好的分析用户检索行为，并在个性化知识推送模型中增加多层次的推荐信息资源，为科研人员更好地进行个性化知识推送，满足其科研需求并调整其推荐模型。
主要创新点：（1）归纳出信息搜寻行为的三个特征：信息搜寻行为的动机、信息搜寻行为的活动及类型、信息搜寻行为的途径。即主动、被动及互动搜寻行为变量的定义，从科研人员信息搜寻行为的逐次具体化的层面出发详细分析。（2）在情境模型基础上，定义三个科研情境变量：情境知识、搜寻行为和认知水平来分析解释搜寻行为中知识的最优解。（3）建立科研情境下个性化知识推送关系框架图，以科研情境因素为检索的主要特征性，将根搜索赋予科研情境等关节点，搜寻遍历主题节点使得检索更加便利。
4基于科研情境的个性化知识推送模型
基于科研情境的个性化知识推荐模型分为：数据获取层、知识加工层、个性化推荐层和用户界面层总共四层。数据资源来自各类数据库以及互联网中对信息的挖掘检索，知识加工层则在科研情境下对获取的知识进行了更为细致的分类，分别为情境知识、用户的搜寻行为以及个人的认知能力三个部分。情境知识中组织、社会以及文化的情境因素一定程度上决定了个人的认知水平中的关键因素，而用户的搜寻行为也使得知识在获取加工的过程中的重要程度及影响因子不尽相同，即是否主动搜索某一主题还是为了解释某科研方面的疑虑和难点的被动搜索，又或者是网络互动方式中的知识获取都成为不可或缺的重要因素。由此可见，将知识维度粒度细分，以交叉比拟和互为定义权值的方法将知识加工层的信息进行分析，将最优的知识推荐给个性化推送层，通过机器自动问答系统直接反应到用户层面。
5结束语
综上所述，基于科研情境的个性化知识推送不仅使网络信息资源实现了集中一体化，也实现了情境知识、搜寻行为、认知水平等多方面因素影响下的个性化检索方式，在各类搜索引擎以及信息检索技术更加趋于多样化的将来，以个性化知识推送为主要的途径将极大的为科研人员研究提供了便利性。
参考文献：
[1] 陈卫.基于本体的数字化图书馆个性化推荐模型构建研究[D].湖北工业大学硕士学位论文，2015.
[2] 仵雪婷.基于知识情境的知识个性化推送技术的研究与应用[D].南昌大学硕士学位论文，2010.
[3] 牛意熹.基于知识情境的数字图书馆个性化推荐系统的研究[D].南昌大学硕士学位论文，2014.
[3] 陈伟.科研情境下学术用户信息搜寻行为研究 [D].南京农业大学硕士学位论文，2012.