专利名称：基于用户操作记录和资源内容的信息关联方法
技术领域：
本发明涉及操作系统环境下基于用户操作记录和资源内容的信息关联方法，属于计算机软件技术领域。
背景技术：
当今用户的个人信息量越来越大，过量的信息会使人们产生浪费时间、延迟决策、无法专注于主要任务和压力等问题，可参见参考文件Waddington, P. (1997). Dyingfor Information A report on the effects of information overload in the UK andworldwide. Reuters. 1997。知识工作者，比如教授、律师和工程师等职业的人，对于信息过载的情况感受最为深刻，因为他们在日常工作中需要进行各种不同的任务，而进行任务的过程中需要查找和处理大量的信息。这就不可避免的产生了一个问题，在任务被打断或者任务切换的时候，要为获得当前任务的相关信息或者资源付出大量的精力。 信息的雪崩式增长的现状，以及目前的操作系统没有提供针对用户需要的信息管理方式，使得个人用户无法有效获取和管理个人信息的问题变得十分突出。个人信息管理就是关于如何帮助人们解决这个问题的研究领域。为用户提供完美的个人信息管理会遇到很多心理学上的挑战。这些挑战可以归结为以下的两点一，要把物品(比如文件)进行分类在认知上是非常困难的。二，用户能够记住的关于物品的细节常常不能够用于检索。当前的研究从解决这两个挑战的角度提出了许多解决方案。为用户提供更好的信息组织和呈现方式是个人信息管理的重要研究方向。OferBergman等人所实现的项目文件夹，可以文献Ofer Bergman, Ruth Beyth-Marom, Raf iNachmias,The Project Fragmentation Problem in Personal InformationManagement, CHI 2006Proceedings, 2006为参考，将用户的所有同主题信息(包括文档、邮件、收藏的页面等)存储于同一文件夹下，用户可以在同一目录下存储和找回同主题信息。除了更好地对信息进行组织和呈现之外，更强大的信息检索功能也是实现个人信息管理的重要手段。Dumais等人实现了一个Stuff!’ve Seen(SIS)系统,具体实现方法,参考 Dumais, S. T. , Cutrell, E. , Cadiz, J. J. , Jancke, G. , Sarin, R. and Robbins, D. C. (2003).Stuff I’ve Seen:A system for personal information retrieval and re-use. In Proc.SIGIR2003，72-79.。SIS的设计有两个关键的方面。一个方面是为不同组织结构的信息提供统一的标记，从而利用统一的标记实现统一的检索。另一个方面是利用比如浏览的时间、文件的作者等用户比较容易记住的上下文信息为用户提供检索。信息组织和呈现的方式需要用户预先把资源进行分类，未能从根本上把用户从繁重的交互负担中解脱出来。信息检索的方式在一定程度中减小用户查找资源的开销，但是频繁检索会使得用户的任务产生中断，不能集中精力于当前的工作。基于用户操作记录和资源内容的信息关联方法，可以为计算机用户提供一种实时而准确的资源推荐服务，解决上述存在的问题。
发明内容
本发明的目的在于提出一种资源信息关联方法。本发明主要应用在个人计算机中，根据用户过去的操作记录和访问过的资源内容，在用户查找资源之前向用户推荐相关信息，为用户节省查找信息的时间开销。为达成上述目的，本发明的技术方案是基于用户操作记录和资源内容的信息关联方法，其步骤包括I)监听用户在计算机中多个操作事件，获取资源内容和操作记录并储存于本地或远程数据库；2)将所述操作记录转化为特定格式向量，建立基于操作记录的任务模型；2-1)对所述操作记录进行时间片序列切分和向量转化； 2-2)根据隐式狄利克雷分配模型以所述操作事件为数据，同时以所述时间片为单元，建立任务模型；3)根据所述资源内容建立基于资源内容的主题模型；3-1)根据所述资源内容中提取的单词集合和词汇表，将每个资源的内容转换为词
频向量表示；3-2)将所述词频向量通过隐式狄利克雷分配模型表示，建立主题模型；4)分别计算当前资源与其他资源所述主题模型和任务模型的关联程度，完成信息关联的处理并选择关联度最高的资源返回用户。所述操作事件包括打开资源事件、关闭资源事件、由一资源切换到另一资源事件，所述资源内容包括文档和网页。所述文档有关的操作事件需要采集的属性包括时间、事件类型、资源的标题和资源的路径，与所述网页有关的操作事件需要采集的属性包括时间、事件类型、网页标题和网页 URL0所述时间片序列切分方法是i)统计操作记录中所有资源，建立每个资源在词汇表中的编号，将所述资源组成
一词汇表;ii)定义米样向量Aj=Ia1, a2,…，an,. . . , aN}用于表不第j次米样时所有资源的状态，其中a = (O, I)，η为操作事件对应资源编号，N为资源总数，j为第j次采样；
miii)根据周期c对时间片进行采样，得到切分时间片序列I =Σ為，其中，力
/=I
向量总个数，i为采样次数，t为时间片的长度，c为采样周期。所述资源内容的提取包括去除标点符号、中文分词、去除停用词、统计词汇表，得到词频向量，通过上述操作每个资源的内容转换为词频向量。优选地，在所述任务模型中，得到给定时间片的任务分布概率和给定任务的资源分布概率及任务关于某个资源的发生的分布概率。优选地，在所述主题模型中，得到给定资源的主题分布概率和给定主题的单词分布概率。优选地,计算关联程度的方法是根据Kullback-Leibler模型距离计算当前资源与其他资源在所述任务模型和主题模型的概率分布的相似性，进行加权得到总的距离。
优选地，所述任务模型和主题模型的学习中通过Gibbs采样进行参数估计。优选地,所述用户计算机安装Windows或者Android系统。本发明的积极效果为本发明提出了一种资源关联及推荐方法。根据用户对个人计算机中的操作历史记录和操作中涉及的资源内容，自动挖掘基于操作历史记录的任务模型和基于资源内容的主题模型，能够在用户使用资源时，自动推荐可能与该资源相关的其他资源，且期间无需任何额外操作。本发明旨在节省用户对文件的查询时间，尽可能保证用户任务的一致性，有效地减轻用户切换任务时的负担。
图I是本发明基于用户操作记录和资源内容的信息关联方法的实施例中系统结构框图； 图2是本发明实施例中信息采集模块的流程图；图3是本发明实施例中信息管理模块的流程图；图4是本发明基于用户操作记录和资源内容的信息关联方法对操作事件进行时间片切分的示例；图5是本发明基于用户操作记录和资源内容的信息关联方法对资源内容进行预处理的流程图；图6是本发明任务模型与隐式狄利克雷分配(LDA)模型的对应关系图；图7是本发明的推荐模块流程图；图8是本发明的推荐系统界面实例。
具体实施例方式发明原理本发明根据用户对个人计算机中的操作历史记录和操作中涉及的资源内容，自动挖掘用户的基于操作记录的任务模型和基于资源内容的主题模型，然后结合任务模型和主题模型衡量信息之间的关联关系，在用户使用资源时为用户找出与当前资源最相关的其他资源并呈现给用户，在整个过程中无需用户进行任何额外操作。a)在操作系统环境下，监听用户对两个或多个目标资源的操作事件，获取资源的内容。b)对用户的操作记录历史数据做时间片序列的切分和转换，然后利用隐式狄利克雷分配模型具体算法可参见[Blei 2002]Blei, D. M. , Ng, A. Y. , &Jordan, Μ. I. (2002).Latent Dirichlet allocation.In Advances in NeuralInformation ProcessingSystems 14. MITPress, Cambridge, MA, 2002.建立基于操作记录的任务模型。c)对用户的操作记录中涉及的资源做内容抽取、预处理和词频向量化，然后利用隐式狄利克雷分配模型建立基于资源内容的主题模型。d)根据基于操作记录的任务模型和基于资源内容的主题模型对资源的相关性进行衡量。步骤a所述用户操作事件包括打开资源事件、关闭资源事件、由一个资源切换到另一个资源事件。步骤a通过下述方式实现对所述两个或多个目标资源的监听监听用户的操作事件；将所述(上述的三种事件)事件转换为交互数据；将操作事件中涉及的资源的内容转换为内容数据；由所述交互数据筛选用户对两个或多个目标资源所作的操作；所述交互数据和内容数据可整体储存于本地或远程数据库备用。综合而言，本发明方法可以通过以下方式实施I)利用信息采集模块监听用户在计算机中的操作事件，获取操作事件中涉及的资源的内容,并将操作事件和资源内容发送到信息管理模块。2)利用信息管理模块接收来自信息采集模块的操作事件和资源内容，记录到数据库，并响应数据预处理模块的数据查询请求。 3)利用数据预处理模块对查询得到的操作数据和资源内容进行过滤和转换，然后把特定格式的操作数据和资源内容传给数据挖掘模块。4)数据挖掘模块对操作数据经过预定算法的学习之后，生成任务模型；对资源内容经过预定算法的学习之后，生成主题模型。然后把生成的任务模型和主题模型传给推荐模块。5)推荐模块在得到两种模型后，根据指定的推荐策略，为当前资源筛选出最相关的前N个资源进行推荐。操作事件中的资源包括但不限于下列类型的资源文档、网页。信息采集模块的工作方法为I)采集用户在计算机上的操作事件和内容，不同的操作事件需要采集不同的属性。与文档有关的操作事件需要采集的属性包括时间、事件类型、资源的标题和资源的路径，与网页有关的操作事件需要采集的属性包括时间、事件类型、网页标题和网页URL。2)将采集到的操作事件和资源内容发送到信息管理模块。信息管理模块的工作方法为I)接收信息采集模块发来的操作事件和资源内容，并在数据库中加以保存。2)响应来自数据预处理模块的数据查询请求，把请求中所规定时间段的操作事件和资源内容发给数据预处理模块。预处理模块可以分为两部分，一部分负责对操作事件的历史数据进行预处理，另一部分对资源内容进行预处理。对操作事件进行预处理的工作方法如下将用户的操作事件的历史数据用时间片切分，将每个时间片中的操作事件转化为词频的方式去表示。首先需要统计操作数据中涉及到的所有资源，所有资源组成一个词汇表，每个资源在词汇表中拥有唯一的编号。操作事件利用其所操作资源对应的标号来表示。这里需要定义两个参数，一个是时间片的长度t，另一个是采样周期C，表示每过周期c的时间就采样一次，这里t和c的单位都定义为秒。还有，需要定义采样的向量、=Ia1, a2,...，an，. . .，aN}，其中a = (O. I)，η为操作事件对应资源的编号，N为资源的总个数，j表示第j次采样，反映了第j次采样时所有资源的状态。以周期c来采样时间片t，我们可以得到
m
m个向量A，其中 r我们最终定义K = Y-4,其中K是时间片序列，表示了时间片内每个
Coτ=1 9资源的运行状态，i表示第i次采样，m表示时间片内的采样次数。上述方式以时间片为单元，以时间片中的操作事件为数据，实现了时间片序列到词频向量的转换。对资源内容进行预处理的工作方法如下I)去除标点符号标点符号没有实际意义，对内容分析会产生负面影响，可以采用过滤器的方法把它去除，标点符号的原来位置以空格取代。2)中文分词利用中文分词程序对资源内容进行分词。3)去除停用词·
停用词指的是文章中出现的频率比较高，但是却没有什么实际意义的词，主要是一些副词、虚词和语气词等，比如“还”，“的”、“啊”(参考自，化柏林.知识抽取中的停用词处理技术.现代图书情报技术.2007年，第8期，48-51)。这些词在数据挖掘的过程中会产生干扰效果，所以必须删除。删除的方法是依据停用词表，把在停用词表出现的单词删除后，被删词的原位置以空格代替。4)统计词汇表，得到词频向量统计所有文章的所有不同单词，组成词汇表，每个单词在词汇表中具有唯一的编号。经过分词后，每个资源的内容是一个单词的集合。对每个资源，根据其单词集合和词汇表，将每个资源的内容转换为词频向量来表示。数据挖掘模块的工作方法为在得到向量化的数据之后，经过隐式狄利克雷分配模型的学习以后，可以得到分布概率。在任务模型中，得到的是给定时间片的任务分布概率和给定任务的资源分布概率，同时得到任务关于某个资源的发生的分布概率。在主题模型中，得到的是给定资源的主题分布概率和给定主题的单词分布概率。推荐模块的工作方法为为当前资源推荐相关资源的依据是资源之间的关联程度。基本途径是利用资源之间的关联程度对资源进行排序。推荐模块从数据挖掘模块中得到任务模型和主题模型，这两种模型分别从操作和内容两个不同的角度对资源之间的关联程度进行了衡量。推荐模块对这两种关联程度进行加权得到一个总的关联程度，然后根据总的关联程度进行排序和推荐。在任务模型中实现的是时间片序列-任务-资源与隐式狄利克雷分配模型中的文章-主题-单词的对应，而衡量资源之间的关联程度，也就相当于衡量单词之间的关联程度。单词之间的关联程度可以从它们在各个主题的相似程度上去衡量。设有单词W1和w2，它们的关联程度可以通过条件主题分布P(Z| W1)和P(Zlw2)来衡量。在主题模型中衡量资源之间的关联程度，就是衡量文章之间的关联程度。在隐式狄利克雷分配模型中，文章相当于从维度很高的词的向量降到了维度比较低的主题向量。所以，计算两个文章之间的相似性，可以通过它们的主题概率分布来计算。衡量两个分布的差别的标准方法是计算它们的KL距离可参考如下的方式来实现Steyvers, M.，&Griffiths，T. (2007). Probabilistic Topic Models. InT. Landauerj DMcNamaraj S. Dennis, and W. Kintschj editors, Latent Semantic Analysis: ARoad to Meaning. Laurence Erlbaum, In Press·。Kullback-Leibler 距离，也口 1I KL 差异(Kullback-Leibler divergence),它衡量的是相同事件空间里两个概率分布的差异情况。假设两个概率分布分别是P和q，它们的KL距离可以用下面的式子来计算
权利要求
1.基于用户操作记录和资源内容的信息关联方法，其步骤包括 1)监听用户在计算机中多个操作事件，获取资源内容和操作记录并储存于本地或远程数据库； 2)将所述操作记录转化为特定格式向量，建立基于操作记录的任务模型； 2-1)对所述操作记录进行时间片序列切分和向量转化； 2-2)根据隐式狄利克雷分配模型以所述操作事件为数据，同时以所述时间片为单元，建立任务模型； 3)根据所述资源内容建立基于资源内容的主题模型； 3-1)根据所述资源内容中提取的单词集合和词汇表，将每个资源的内容转换为词频向量表示; 3-2)将所述词频向量通过隐式狄利克雷分配模型表示，建立主题模型； 4)分别计算当前资源与其他资源所述主题模型和任务模型的关联程度，完成信息关联的处理并选择关联度最高的资源返回用户。
2.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，所述操作事件包括打开资源事件、关闭资源事件、由一资源切换到另一资源事件，所述资源内容包括文档和网页。
3.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，与所述文档有关的操作事件需要采集的属性包括时间、事件类型、资源的标题和资源的路径，与所述网页有关的操作事件需要采集的属性包括时间、事件类型、网页标题和网页URL。
4.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，所述时间片序列切分方法是 i)统计操作记录中所有资源，建立每个资源在词汇表中的编号，将所述资源组成一词汇表； ii)定义米样向量Aj=Ia1,a2,…，an,…，aN}用于表不第j次米样时所有资源的状态，其中a = (O，I)，η为操作事件对应资源编号，N为资源总数，j为第j次采样； iii)根据周期c对时间片进行采样，得到切分时间片序列ι= 其中，《 =丄为向量二 IC总个数，I为采样次数，t为时间片的长度，C为采样周期。
5.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，所述资源内容的提取包括去除标点符号、中文分词、去除停用词、统计词汇表，得到词频向量，通过上述操作每个资源的内容转换为词频向量。
6.如权利要求I所述的用户操作记录和资源内容的信息关联方法，其特征在于，在所述任务模型中，得到给定时间片的任务分布概率和给定任务的资源分布概率及任务关于某个资源的发生的分布概率。
7.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，在所述主题模型中，得到给定资源的主题分布概率和给定主题的单词分布概率。
8.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，计算关联程度的方法是根据Kullback-Leibler模型距离计算当前资源与其他资源在所述主题模型和任务模型的概率分布的相似性，进行加权得到总的距离。
9.如权利要求6所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，所述任务模型和主题模型的学习中通过Gibbs采样进行参数估计。
10.如权利要求I所述的基于用户操作记录和资源内容的信息关联方法，其特征在于，所述用户计算机安装Windows或者Android系统。
全文摘要
本发明涉及基于用户操作记录和资源内容的信息关联方法，首先根据用户对个人计算机中的操作历史记录和操作中涉及的资源内容，自动挖掘用户的基于操作记录的任务模型和基于资源内容的主题模型，然后结合任务模型和主题模型衡量信息之间的关联关系，最后在用户使用资源时为用户找出与当前资源最相关的其他资源并推荐给用户，在整个过程中无需用户进行任何额外操作。本发明的自动挖掘基于操作历史记录的任务模型和基于资源内容的主题模型，能够在用户使用资源时，自动推荐可能与该资源相关的其他资源，且期间无需任何额外操作。本发明旨在节省用户对文件的查询时间，尽可能保证用户任务的一致性，有效地减轻用户切换任务时的负担。
文档编号G06F9/44GK102915335SQ201210345320
公开日2013年2月6日 申请日期2012年9月17日 优先权日2012年9月17日
发明者杨智强, 殷钊, 王衡, 汪国平 申请人:北京大学