引用本文
尉萌. 利用演化模式做文献推荐* . 现代图书情报技术, 2014, 30(4): 20-27
Wei Meng. Literature Recommendation Using Evolution Patterns. New technology of library and information service, 2014, 30(4): 20-27  
Permissions
Copyright©2014, 《现代图书情报技术》编辑部
《现代图书情报技术》编辑部
利用演化模式做文献推荐*
尉萌
武汉大学信息管理学院 武汉 430072; 空军工程大学图书馆 西安 710051
基金:*本文系国家青年自然科学基金项目”基于在线判别学习的鲁棒视觉跟踪算法研究”(项目编号: 61203268)的研究成果之一。;
摘要

【目的】引导读者就某一话题由浅入深、循序渐进地进行文献的检索与阅读。【应用背景】文献推荐服务一直是数字图书馆的核心业务之一, 对读者进行文献的查询和检索起着重要的作用。【方法】提出一种基于用户搜索行为演化模式的文献推荐方法(CALL)。从文献库与检索日志中提取文献、读者与检索日志特征; 将文献分为n个阅读阶段, 利用最长公共子序列算法从三个特征中寻找到文献阅读序列, 并将超过一定长度与频率的文献序列作为推荐结果。【结果】在真实文献库与检索日志数据集上进行广泛实验, 验证所提出方法的准确性、执行效率与可扩展性等方面的性能, 达到丰富数字图书馆文献推荐的目的。【结论】本研究可以增强现有数字图书馆的文献推荐工作的性能与效率, 促使文献推荐工作向多样化方向发展。

关键词: 演化模式; 数字图书馆; 文献推荐
中图分类号:P393 文章编号:2014-4-20-27
Literature Recommendation Using Evolution Patterns
Wei Meng
School of Information Management, Wuhan University, Wuhan 430072, China; Air Force Engineering University Library, Xi#cod#x02019;an 710051, China
Fund:
Abstract

[Objective] To help users retrieve and read the literature of one topic from the shallower to the deeper.[Context] Literature recommendation service is one of the core businesses in digital library, and it plays an important role in literature searching and querying for the readers.[Methods] This paper introduces a user searching behaviour Common evolution pAtterns based Literature retrievaL method (CALL for short). First, it extracts the features of literature, readers and retrieval logs, then it clusters the literature into n stages, further uses longest common subsequence method to mine the frequent article name sequences that are greater than the thresholds of length and frequency, finally it outputs the frequent subsequences from the above stage as the recommendation results.[Results] The author conducts extensive experiments on real literature and retrieval log datasets, and results demonstrate the accuracy, efficiency and scalability of the methods. And it can enrich the performance of recommendation of digital library.[Conclusions] The proposed methods can greatly enhance the efficiency of the existing literature recommendation systems, and make the direction of literature recommendation be diversified.

Keyword: Evolution pattern; Digital library; Literature recommendation
1 引 言

近年来, 随着网络的飞速发展和数据管理技术的快速进步, 科技文献也逐步以电子资源的形式出现于数字图书馆之中[ 1]。由于文献数目庞大, 科技工作者很难在短时间内检索到对自己有重要意义的文献。为了提高科技工作者对文献的检索质量, 文献推荐[ 2]服务应运而生, 其主要是根据用户的兴趣特点推荐符合用户要求的文献。推荐服务在一定程度上节约了科技工作者的宝贵时间, 方便科技工作者了解所从事的科研领域的趋势、方向和成果。

目前, 已经做了大量的推荐算法研究方面的工作[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13], 也产出了一些优秀的研究成果。陈祖琴等[ 2]提出了适用于进行相关文献推荐的改进的混合加权关联规则[ 14]挖掘算法; 陈青松[ 4]提出了通过对检索结果中论文的参考文献进行统计和适当分析向研究者提供一个专门针对特定研究课题并有科学排序的”一站式” 文献推荐方法; 张琪等[ 6]提出了基于情景感知的科技

文献协同推荐方法; 赖院根[ 7]构建了网络环境和海量数据背景下的科技文献跨语言推荐模型。在新闻文章推荐方面, 文献[8]提出了先确定新闻类别再推荐相应的新闻两阶段个性化推荐方法。文献[9]提出了基于评论实体和感情的多样化相关新闻推荐方法。对于冷启动问题, 即如何给新用户推荐, 文献[10]通过少量的一步一步地对新用户提问来提炼用户的偏好。社交网络推荐方面, 文献[11]提出了结合情景信息和社会关系等信息的推荐方法。大多数现有方法只根据单一领域来做推荐, 其实跨领域的信息也是很有用的。文献[12]提出了一种跨领域推荐的方法, 由于矩阵分解模型只能应用于二维数据, 作者采用张量分解模型来做推荐。鉴于现有方法很少对非流行的事物做推荐, 文献[13]提出了一种多样化推荐方法。

现有大部分推荐方法的出发点是文献的关联和用户的兴趣, 但是没有考虑大多数研究者由浅入深的研究过程所阅读的文献是什么, 而这正是入门研究者所需要的。为此, 本文提出了一种基于演化模式[ 15]的文献推荐方法(Common evolution pAtterns based Litera-ture retrievaL method, CALL)。此演化模式主要是指用户就一个话题由浅入深、由入门、进阶到精通的过程中, 每个阶段所阅读文献集合的演化过程。如果能挖掘出话题的演化模式, 无疑会大大增强现有文献系统文献推荐工作的效率。同时, 经过实验验证, 此方法有较好的有效性和扩展性, 且优于现有的方法。

2 符号与定义

给出本文所用到的符号, 如表1所示:

表1 本文所用到的符号

介绍本文核心的定义如下:

定义1 演化模式: 给定文献集合A, 以及关于某一话题Topic由浅入深的文献阅读阶段p1(a11, a12, …, a1o), p2(a21, a22, …, a2p), …, pn(an1, an2, …, anq), 那么PTopic(p1, p2, …, pn | p1 < p2 < … < pn)就是文献的演化模式。

定义2 文献特征: 与文献关系密切的特征叫做文献特征。可分为文献内容特征 (如分类号、关键词、代码等)和文献外表特征(如题名、作者、发表期刊等)。

定义3 读者特征: 即读者的信息。可分为读者个人特征信息(如个人编号、学历、研究兴趣等)和读者行为特征信息(如检索词、检索次数、下载的文献等)。

定义4 检索特征: 检索过程中产生的信息。可分为检索外表特征信息(如检索者编号、检索时间等)和检索内容特征信息(如检索词、检索次数、检索文献编号等)。

本文的研究问题是: 给定一个用户ui, 一个文献的数据库A以及检索日志R, 挖掘出就某一个话题Topic的研究文献的演化模式PTopic(p1, p2,…, pn | p1 < p2 < … < pn), 接着根据用户所处的研究阶段来推荐相应阶段的研究文献集合pi, 同时辅助地推荐其他阶段文献pj (j != i)。

3 研究框架与方法
3.1 文献特征提取

文献特征分为内容特征和外表特征两类, 且每一类的维度都比较大。为了减少处理时间且不降低其代表文献的准确度, 本文在内容特征方面选取文献编号(AID)、检索词(Keyword List)、研究话题(Topic)和分类(Domain), 在外部特征方面选取所发表的期刊(Journal)。从内容特征里后三项可以确定该文献在某个研究话题(Topic)下所处的阅读阶段pi; 从发表的期刊(Journal)可以推断出该文献的难易程度, 进而确定该文献阅读阶段pi所应该阅读的排名。上述确定阅读阶段pi中文献的阅读顺序隐含地体现在LCS[ 16]中, 具体细节与实现见第4节。综上, 文献特征的提取过程就是寻找如下五元组的过程:

A:=(AID, , Topic, Domain, Journal)

3.2 读者特征提取

读者特征分为个人特征和行为特征两类, 同样每一类的维度都比较大。为了减少处理复杂度, 本文在个人特征方面选取读者编号UID(由于读者利用网络进行文献的检索, 且一般不用图书证登录检索系统, 所以简单地利用IP地址来代替UID)、研究领域(Domain), 在行为特征方面选取检索所用的关键词(Keyword List)。用UID号来标示不同的读者, 研究领域(Domain)与关键词(Keyword List)共同确定读者所处的研究阶段pi。综上, 读者特征的提取过程就是寻找如下三元组的过程:

U:=(UID, Domain, )

3.3 检索日志特征提取

检索日志特征分为外表特征和内容特征两类, 同样每一类的维度都比较大。为了简化处理又不降低处理结果的准确度, 本文在外表特征方面选取检索者编号(UID)、检索时间(Time), 在内容特征方面选取文献编号(AID)和检索所用的关键词(Keyword List)。从读者编号UID和检索时间Time可以推断出该研究者的研究年限, 文献编号AID和检索所用的关键词(Keyword List)可以确定此文献在某个研究话题下所处的研究阶段pi。综上, 检索日志特征的提取过程就是寻找如下四元组的过程:

LS:=(UID, Time, AID, )

3.4 文献演化模式挖掘

挖掘文献演化模式需要首先提取A、U和LS三组特征, 接着按照文献特征A将文献分为n个类别(具体细节见第4节), 然后分别找出n个阶段的LS和这些文献在LS中的阅读先后顺序的最长公共子序列(LCS), 最后归结出在某Topic下的演化模式:

PTopic(p1(a11, a12,…, a1o), p2 (a21, a22, …, a2p), …, pn(an1, an2,…, anq))

3.5 结果推荐

首先分析检索者的个人特征U, 利用特征U中的Keyword List和特征LS中的Time确定该检索者大致所处的研究阶段pi, 然后将pi阶段的文章推荐给检索者, 同时辅助将其他阶段的文章及其阶段名列于pi阶段的文章之后。

3.6 算法描述

给出基于演化模式的文献推荐方法的算法描述, 如下所示:

算法1 基于演化模式的文献推荐方法(CALL)

Input: 图书馆文献数据库D, 图书馆文献检索记录R

Output: 演化模式P

(1) 扫描图书馆文献数据库D;

(2) while D.next != null

(3) 提取文献特征A:=(AID, Journal, Topic, Domain, );

(4) 扫描图书馆文献检索记录R;

(5) while R.next != null

(6) 提取读者特征U:=(UID, Domain, );

(7) 提取检索日志特征LS:=(UID, T, AID,

);

(8) 将同一Domain中关于同一Topic的文献集合A分为n个阶段; //见第4.1节

(9) while (a = A.next) != null

(10) if a和ci的(Domain, Topic, )相符合

(11) ci.add(a);

(12) for i=0; i

(13) p = LCS(LS ∈ ci); //见第4.2节

(14) if p.length >= T if p not in pi p.count ++; P.pi.add(p); else p.count ++; //T为长度阈值

(15) for i=0; ii.size(); j++ if pi.get(j). count < F pi.remove(j); j--; //F为频度阈值

(16) if U.keywords∈pi

(17) return (pi, pj (j != i));

其中, (1)至(3)行扫描文献数据库D, 提取文献特征A; (4)至(7)行扫描检索日志R, 提取读者特征U和检索特征LS; (8) 至 (11)行将同一领域Domain下的同一话题Topic的文献分成n个阶段, 并将每一阶段的文献加入集合ci; (12)至(15)行在属于同一阶段ci的检索日志LS中寻找有关文献阅读先后顺序的最长公共子序列LCS[ 17], 具体实现见4.2节; (16)至(17)行根据检索者的特征Ui推荐相应阶段的文献集合, 同时辅助推荐其他阶段所应该阅读的文献。

3.7 复杂度

目前内存已经比较大, 所以本文只关注时间复杂度, 略去空间复杂度。CALL算法响应时间TCALL主要由4部分组成, 分别为: 文献数据库D的扫描时间TD、文献检索记录R的扫描时间TR、文献特征A的分类时间TA、公共演化模式LCS的挖掘时间TLCS。即TCALL = TD + TR + TA + TLCS。其中TD∝|D|, TR∝|R|, TA∝|A|kt (k为分类个数, t为迭代次数, k << |A|, t << |A|), TLCS∝|n2m2| (n为行数, m为列数)。由于n ∝|R|, m∝|A|, 所以TCALL∝|R|2|A|2, 即公共演化模式LCS的挖掘时间TLCS占响应时间TCALL的绝大部分。

4 技术实现
4.1 演化模式挖掘技术

实际上, 演化模式阶段(阅读阶段)是一个变动的事物, 具体学科与研究方向都有所不同且各个阶段有可能是重合的。为了简化研究, 本文将阅读阶段分为入门、进阶与提高三个阶段。确定了阅读阶段以后, 接下来的任务是找到各个阶段的特征, 这个特征表现在文章中就是关键词。对于一个研究话题, 首先找到相关文献, 利用文本分词技术[ 18]将这些文献进行分词和词频统计; 选取具有代表性的词作为一个研究方向的特征词库, 并人工确定每个阶段的关键词; 将各篇文献的关键词与各个阶段的关键词比较相似度, 并将文献归入相似度大的阶段。对于确定各个阶段文献的阅

读顺序, 本研究按照各个阶段超过一定长度T和一定频率F的最长公共子序列LCS[ 17]所具有的顺序来推荐。而LCS[ 17]所给出的文献aj在pi阶段的阅读排名正是期刊(Journal)确定该文献阅读阶段pi所应该阅读的排名的体现, 因为关于某一研究方向的科普性文章和基础理论文章都适合在入门阶段阅读, 那么先阅读哪一个, 由在检索日志R中占大多数的文章检索记录确定, 而这个大多数又是通过挖掘LCS[ 17]来确定的。

4.2 最长公共子序列(LCS)挖掘

解决办法参考博客[ 17], 具体算法见算法2。算法的输入为两个字符序列s1和s2(si中的每个字符代表一篇文献), 输出为从给定字符序列中随意地(不一定连续)去掉若干个字符(可能一个也不去掉)后所形成的字符序列LCS。引进二维数组c[][], 用c[i][j]记录s1[i]与s2[j]的LCS的长度, b[i][j]记录c[i][j]是通过哪一个子问题的值求得的, 以决定搜索的方向。自底向上进行递推计算, 那么在计算c[i][j]之前, c[i-1][j-1], c[i-1][j]与c[i][j-1]均已计算出来。根据s1[i] = s2[j]还是s1[i] != s2[j], 就可以计算出c[i][j]。

算法2 最长公共子序列 (LCS)

Input: 阶段ci的两个文献序列s1, s2

Output: 最长公共子序列LCS

①getLength(s1.length, s2.length);

②display(b, s1, s1.length, s2.length, lcs);

getLength(s1.length, s2.length)

③b[][], c[][];

④for i=1; i

⑤for j=1; j

⑥ if s1[i] == s2[j]

⑦ c[i][j] = c[i-1][j-1] + 1; b[i][j] = 1;

⑧ else if c[i-1][j] >= c[i][j-1]

⑨ c[i][j] = c[i-1][j]; b[i][j] = 0;

⑩ else

(10) c[i][j] = c[i][j-1]; b[i][j] = -1;

(11) return b;

display(b, s1, s1.length, s2.length, lcs)

(12) if s1.length==0

(13) return null;

(14) if b[i][j] == 1

(15) display(b, s1, s1.length-1, s2.length-1, lcs);

lcs.add(s1[i]);

(16) if b[i][j] == 0

(17) display(b, s1, s1.length-1, s2.length, lcs);

(18) if b[i][j] == -1

(19) display(b, s1, s1.length, s2.length-1, lcs);

(20) return lcs;

5 实验评估

实验的所有算法采用Java语言实现, 编译环境是Eclipse 4.2.2和JDK7.0.150.3, 执行环境是Intel Core i3-3220 3.30 GHz处理器, 4.0GB内存, 1TB硬盘, Windows 7操作系统。

5.1 实验设置

实验数据来自武汉大学图书馆论文管理系统-万方数据库, 挑选200篇图书馆与情报科学领域的文献以及10 000个检索者对这些文献的检索记录。对文献编号和检索记录进行重新整理, 首先给每篇文献一个编号(编号范围为0到199间的整数), 将每个检索者对200篇文章检索的先后顺序以文献编号的先后列出来, 且每一个检索者的检索记录列在一行, 编号间用逗号分开。将200篇文献分为3个阅读阶段, 然后将相应阶段的检索记录从上述的检索记录中分离出来, 存入3个文件中。

5.2 实验结果分析

本文从执行效率和结果准确性两方面验证推荐算法的有效性。为了测试提出方法的扩展性, 需要设计3个实验, 其中用到3个参数, 分别为行数(L, 即检索者个数)、列数(C, 即检索文献个数)和阈值(T, 即至少要有多少列)。

(1) 实验1: 选取1 000条检索记录L, 变化的文献个数C(从20到200, 每次增加20), 阈值为固定值(10列)。实验结果如图1所示:

图1 仅列变时的执行效率

可以看出, 当列数处于20到60列之间时, 执行时间的增速比较快; 当列数处于60到180列之间时, 执行时间的增速相对比较缓慢; 当列数处于180到200列之间时, 执行时间的增速又有所增加。总体来说, 随着列数的增长, 执行时间的增速在逐步降低, 可以看出推荐算法CALL有较好的可扩展性。

(2) 实验2: 选取1 000条检索记录L, 变化的文献个数C(从20到200, 每次增加20), 阈值为变动值(C×0.5列)。实验结果如图2所示:

图2 列和阈值变时的执行效率

实验2与实验1实验条件的唯一不同点是实验2采用变化的阈值。从图2可以看出, 实验2在与实验1相同行列数条件下, 执行时间都要比实验1有所减少, 原因是实验2的阈值在不停地增长, 这使得算法可以较早地去除那些不需要的结果, 从而提高了执行效率。

(3) 实验3: 选取变化的检索记录L(从1 000到10 000,每次增加1 000), 200篇文献, 阈值为固定值(100列)。实验结果如图3所示:

图3 仅行变时的执行效率

可以看出, 当行数处于1 000到4 000行之间时, 执行时间的增速比较慢; 当行数处于4 000到9 000行之间时, 执行时间的增速相对比较快; 当行数处于 9 000到10 000行之间时, 执行时间的增速又有所减少。总体来说, 随着行数的增长, 执行时间的增速有所增加, 但是增加的速度不是太大, 可见推荐算法CALL有较好的可扩展性。

(4) 实验4: 选用60篇图书馆与情报科学领域的文献(即60列), 10 000个检索者对这些文献的检索日志(即10 000行)。经过推荐算法的执行以后, 将文献分为3个阅读阶段, 每个阶段大概20篇。让10位图书馆与情报科学领域的研究生对推荐结果打分, 每位研究生分别对相对应的3个阶段文献的排序打分(0到1分, 精确到小数点后1位), 打分情况如表2所示:

表2 10位研究生对推荐结果的打分

可以看出, 阶段0的最低分为0.5, 最高分为0.9, 平均分为0.75; 阶段1的最低分为0.5, 最高分为0.9, 平均分为0.74; 阶段2的最低分为0.6, 最高分为0.8, 平均分为0.74。前两个阶段方差比较大, 满意度不太统一; 最后一个阶段比较小, 满意度比较集中。总体来说, 推荐结果是比较令人满意的。

(5) 实验5: 选用30到120篇图书馆与情报科学领域的文献(即30到120列), 10 000个检索者对这些文献的检索日志(即10 000行)。经过推荐算法的执行以后, 将文献分为3个阅读阶段, 每个阶段大概10到40篇, 然后将推荐结果和事先定义好的阅读顺序比对, 符合要求的文献篇数如表3所示:

表2 推荐结果 (符合要求篇数/阶段篇数)

可以看出, 推荐结果准确度总体在75%以上, 阅读阶段文献数量比较少时, 准确度高达90%, 随着阅读阶段文献数量的增长, 推荐精确度在缓慢下降。总体来说, 推荐结果准确度比较高。

6 结语

随着科技文献的电子化发展, 相关研究者如何在海量的科技文献中获取相关研究话题由浅入深的各个阶段最适合的阅读文献成为亟待解决的重要问题。为此, 本文提出了一种基于演化模式的文献推荐方法。首先提取文献、读者和检索日志的特征, 接着在三组特征的基础上挖掘相关研究话题下的由浅入深的各个阶段所应阅读的文献, 然后以简单明了的形式展现于检索者面前, 最后通过实验验证了本文所提出方法的可行性与有效性。

参考文献
[1] 杨艳, 李建中. 数字图书馆中基于文献拓扑的个性化推荐技术[J]. 计算机研究与发展, 2004, 41(S): 472-477.
(Yang Yan, Li Jianzhong. Topology-based Paper Recommendation in Digital Library[J]. Journal of Computer Research and Development, 2004, 41(S): 472-477. ) [本文引用:2]
[2] 陈祖琴, 张惠玲, 葛继科, 等. 基于加权关联规则挖掘的相关文献推荐[J]. 现代图书情报技术, 2007(10): 57-61.
(Chen Zuqin, Zhang Huiling, Ge Jike, et al. Related Document Recommending Based on Weighted Association Rule Mining[J]. New Technology of Library and Information Service, 2007 (10): 57-61. ) [本文引用:3] [CJCR: 1.073]
[3] 王磊. 协同推荐技术及其在科技文献个性化推荐系统中的应用研究[D]. 南京: 南京理工大学, 2007.
(Wang Lei. Collabo-rative Recommendation and Its Application in Personalized Recommendation System of Scientific Literatures[J]. Nanjing: Nanjing University of Science and Technology, 2007. ) [本文引用:1] [CJCR: 0.5327]
[4] 陈青松. 期刊网针对特定课题的文献推荐策略[J]. 图书情报知识, 2009(6): 70-74.
(Chen Qingsong. Reference Reco-mmendation Strategy of Digital Resources Related to a Topic[J]. Document, Information & Knowledge, 2009(6): 70-74. ) [本文引用:2] [CJCR: 1.169]
[5] 黄珍. 基于数据挖掘的文献自动推荐研究[D]. 武汉: 华中师范大学, 2009.
(Huang Zhen. Research of Reference Auto-matic Recommendation Based on Data Mining[D]. Wuhan: Central China Normal University, 2009. ) [本文引用:1]
[6] 张琪, 章颖华. 情境感知的科技文献协同推荐方法研究[J]. 现代图书情报技术, 2012(2): 10-17.
(Zhang Qi, Zhang Yinghua. Research on an Approach of Context Aware Collaborative Recommend for Scientific & Technical Literatures[J]. New Technology of Library and Information Service, 2012 (2): 10-17. ) [本文引用:2] [CJCR: 1.073]
[7] 赖院根. 科技文献跨语言推荐模型研究[J]. 中国图书馆学报 [本文引用:2]
[8] 2012, 38(2): 70-77.
(Lai Yuangen. Study on Cross-language Personalized Recommendation of Academic Literatures[J]. Journal of Library Science in China, 2012, 38(2): 70-77. ) [本文引用:1] [CJCR: 2.697]
[9] Li L, Wang D, Li T, et al. SCENE: A Scalable Two-Stage Personalized News Recommendation System [C]. In: Procee-dings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR). 2011: 125-134. [本文引用:1]
[10] Abbar S, Amer-Yahia S, Indyk P. Real-Time Recommendation of Diverse Related Articles[C]. In: Proceedings of the 22nd International World Wide Web Conference (WWW). 2013: 1-12. [本文引用:1]
[11] Zhou K, Yang S H, Zha H. Functional Matrix Factorizations for Cold-Start Recommendation [C]. In: Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR). 2011: 315-324. [本文引用:1]
[12] Liu X, Aberer K. SoCo: A Social Network Aided Context- Aware Recommender System [C]. In: Proceedings of the 22nd Interna-tional World Wide Web Conference (WWW). 2013: 781-802. [本文引用:1]
[13] Chen W, Hsu W, Lee M L. Making Recommendations from Multiple Domains[C]. In: Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2013: 892-900. [本文引用:1]
[14] Niemann K, Wolpers M. A New Collaborative Filtering Approach for Increasing the Aggregate Diversity of Recomm-ender Systems[C]. In: Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2013: 955-963. [本文引用:1]
[15] Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules in Large Databases [C]. In: Proceedings of the 20th International Conference on Very Large Data Bases (VLDB). 1994: 487-499. [本文引用:1]
[16] Han J, Pei J, Yin Y. Mining Frequent Patterns without Cand idate Generation [C]. In: Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (SIGMOD). 2000: 1-12. [本文引用:1]
[17] Hirschberg D S. Algorithms for the Longest Common Subsequence Problem[J]. Journal of the ACM (JACM), 1977, 24(4): 664-675. [本文引用:5]
[18] 最长公共子序列[EB/OL]. [2013-12-18]. http://blog.csdn.net/yysdsyl/article/details/4226630. (LCS [EB/OL]. [2013-12-18]. http://blog.csdn.net/yysdsyl/article/details/4226630 [本文引用:1]
[19] 分词系统[EB/OL]. [2013-12-18]. https://code.google.com/p/ictclas4j/. (ICTCLAS4j [EB/OL]. [2013-12-18]. [本文引用:1]