用户知识的获取方法

8.3.2　用户知识的获取方法

用户知识的获取方法有三种，即人工学习、数据挖掘和机器学习。

1.人工学习方式

用户知识的人工学习是指由用户在人机交互界面的提示下，人工地提供一定数量的自身相关知识，系统将对这些知识进行分析处理，并据此创建用户模型。人工学习是使用最为广泛的显性方法，主要针对静态的用户知识，其优点是简单易行，但也有一定的局限性:首先用户可能无法准确地回答系统的提问或描述自身的兴趣知识;其次，用户模型一旦确立，就很少对其进行修改，如果用户的兴趣在检索过程中发生转变，这种学习方式将无法适应。

2.数据挖掘方式

用户在使用系统的过程中，会具有一些表现其相关知识的行为特征，如访问某信息资源的频率、逗留时间、对资源进行收藏、加入书签以及对检索结果的反馈等。用户知识的数据挖掘方式是指系统通过对用户行为的观察，从中挖掘出潜在的、有用的相关用户知识，再经过长期的调整和完善，形成比较准确的用户模型。通常有以下数据挖掘方法^［5］:

(1)用户知识的关联分析。对用户知识的关联分析有两方面的内容:一是如何提取用户的信息需求;二是获得用户需求的数据后，如何利用数据挖掘技术对这些数据进行处理，以获取潜在的用户知识。关联分析就是辨别这些用户行为之间是否存在某种关联关系，其结果是产生反映用户行为特征的关联规则。例如，在网页页面设计当中也可运用用户的点击频率、内容及相关页面，了解用户的偏好和习惯，并用关联分析的方法来获取潜在用户知识，这有助于决定搜索页面的设计和相关知识的链接。

(2)组合分析法。由于用户的兴趣是时常变化的，用户的行为信息所反映的用户信息需求往往是多条线索混合在一起的，这给识别用户的行为特征带来了很大的困难。这种问题的解决，一般需要在用户使用之前预先指定一个主题，但这就增加了用户的负担，而且仅用关联法也很难获得用户相关信息。而人工神经元网络和决策树的方法结合起来能较好地从相关性不强的多变量中选出重要的变量，并从中分析出用户的行为特征。

(3)分类预测。用户知识的获取可以由用户主动填写，用户主动设定信息需求可以通过设定关键词或主题词来完成。通过分类填表法可将用户的信息需求较客观地表达出来。表格的设计可以采用预先分类的方法，将用户的记录分配到已定义好的类中去，从而构造出用户信息的分类模型，利用此模型可将用户数据库中的数据映射到相应的子集中，进行数据预测。这是一种简单实用的方法，但不足之处是难以制作一份完整的分类调查表，将用户的真实意图全部表达出来。

3.机器学习方式

机器学习方式是根据用户使用智能信息系统消耗的时间和操作的动作，或是通过探测用户环境，进行需求偏好的捕获。其基本过程是通过观察获取用户信息，即观察用户与系统交互中的行为、使用的系统命令和参数，然后根据观察到的事实进行推理，获得未知的用户知识，最后从已知实例集合，执行基于实例的推理，激发原型库中的模型，推导出当前用户的初始模型，并在用户使用过程中不断修改用户模型。它主要针对动态的用户知识，由于这种方式不会对用户造成过多的负担，而且可以动态和客观地反映用户兴趣，因而目前已成为用户知识学习的主要方法类型。