1 引 言
随着大数据技术的发展、定位系统的成熟、新媒体功能的丰富、移动终端的智能化和传感器功能的不断强大, 以及这些场景化要素在移动图书馆嵌入的程度和发挥的效用的逐渐显现, 这使得其对用户信息接受的支撑维度越来越细化, 支撑功能越来越强大[1 ] 。在这种情形下, 现有理论研究和实际应用表明用户对移动图书馆信息接受感知和体验的愉悦度却并未得到显著提升, 甚至出现卸载和弃用移动图书馆的情形[2 ] 。造成这种情形的原因是移动图书馆尚未将场景要素与情境要素有效地关联与适配, 从本质上未能切实地满足不同场景的用户信息接受期望。在万物互联的今天, 流量红利时代已成为过去, 随着信息的分散化和碎片化, 信息接受的入口不再如PC时代那样重要, 取而代之的是场景[3 ] 。在不同场景中, 基于用户信息接受期望实现场景化情境配置的程度将直接影响用户在不同场景体验的愉悦度。如何测度或度量用户在不同场景信息接受体验的愉悦度, 探究影响移动图书馆场景化信息接受的关键性因素是本研究的重点。为此, 通过文献调研发现, 国内外关于信息接受的研究成果集中在以下几个方面。
(1) 技术接受模型。明均仁等在原有技术接受模型的基础上引入9个外部变量, 深入分析了用户信息接受的主要影响因素[4 ] 。
(2) 信息接受体验。Komaki等指出由于移动设备存在诸多限制, 如: 屏幕尺寸的大小、输入功能丰富性以及用户情境的变化, 为了更好地提升用户信息搜索体验的愉悦度, 利用日志分析方法对用户信息行为进行挖掘, 把握用户信息需求、信息搜索和信息接受的特征和规律[5 ] 。
(3) 情境配置优化。毕强等基于用户情境、资源情境、服务情境及技术情境4个维度, 分析了数字图书馆信息接受情境优化的原则与目标, 并运用情境分析方法从4个具体维度提出数字图书馆信息接受情境的优化方案和策略[6 ] 。
(4) 信息接受适配。王福等指出移动图书馆场景化信息接受适配功能设计应在捕捉用户需求期望、适应用户信息搜索习惯、迎合用户信息接受偏好、应用功能拓展等方面丰富其功能[7 ] 。
目前, 并未有切实的方案实现“场景-用户-情境”的有效配置[8 ] 。为此, 有必要对移动图书馆场景化信息接受体验进行有效测度, 并将用户信息接受不同维度属性画像标签化, 从而为用户进行个性化的信息推送。本研究综合采用问卷调查、日志挖掘和出声思考等方法对移动图书馆场景化信息接受体验愉悦度测度, 并进行空间向量计算, 将不同场景的用户信息接受期望进行聚类画像, 为用户进行个性化的信息推荐。
2 移动图书馆用户画像模型构建
2.1 移动应用用户画像的相关研究
用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] 。吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] 。黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] 。上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务。本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化。
2.2 移动图书馆用户画像框架构建
移动图书馆用户画像, 即用户信息标签化, 是在场景时代, 通过收集与分析用户的社会属性、生活习惯、情绪倾向、信息接受行为等之后, 建立精准的移动图书馆信息接受的用户标签。由此, 对移动图书馆同一场景的不同用户从需求维度、搜索维度和信息接受维度刻画, 有利于推进移动图书馆相似用户的识别(具有相似度较高的需求、搜索和接受), 进而为用户提供精准的个性化服务[12 ] 。为此, 从场景和情境两个层面出发, 将场景要素与情境要素基于用户信息需求期望、信息搜索习惯和信息接受偏好进行有效关联, 实现三个维度的选择性互补适配, 形成立体化的用户画像模型[13 ] , 如图1 所示。
(1) 两个维度。分别是场景维度和情境维度, 场景维度利用大数据、传感器、移动设备、社交媒体和定位系统感知用户情境, 挖掘用户信息需求期望、信息搜索习惯和信息接受偏好[14 ] ; 情境维度主要包括资源情境、技术情境、服务情境、移动情境、社交情境和终端情境, 这6个维度的情境选择性融合后可以对用户信息接受提供有效的支撑[15 ] 。
(2) 画像层次。画像层次包括数据层、中间层和用户层。其中: 数据层的数据来源于结构化数据、半结构化数据和非结构化数据, 是用户场景化信息接受的主体对象; 中间层, 借助于场景要素对用户信息需求期望、信息搜索习惯和信息接受偏好进行挖掘, 并运用关联规则和协同过滤算法进行用户画像建模; 用户层, 基于构建的用户画像模型, 并借鉴毕强等对用户情报行为的划分[16 ] , 对用户信息需求期望、信息搜索习惯和信息接受偏好三个维度进行画像, 基于用户的显性和隐性兴趣实现服务定制和服务推送[17 ] 。
(3) 画像维度。用户画像主要从信息需求期望、信息搜索习惯和信息接受偏好三个维度进行, 实现服务定制和服务推送的效用[18 ] 。
(4) 画像方法。基于技术接受模型, 综合利用问卷调查法、创设情境实验方法、出声思考法、访问日志方法和情感分析方法, 对用户信息接受体验的感知有用性和感知易用性进行测度, 探究影响移动图书馆信息接受影响关键因素, 提升用户信息接受体验的愉悦度。
3 移动图书馆用户画像理论及方法
3.1 移动图书馆用户画像理论
以上述构建的移动图书馆场景化信息接受模型为基础, 将不同用户在同一场景的信息需求、信息搜索和信息接受三个维度构成一个移动图书馆信息接受的三维向量空间模型(Vector Space Model, VSM)[19 ] , 即某个场景的信息接受。以该场景的不同用户信息接受三个维度效用融合为空间的原点, 而原点和场景信息接受效用的连线构成这个场景信息接受的空间向量, 如图2 所示。
移动图书馆某个场景的不同点代表了不同用户在该场景的信息接受向量。从原点到移动图书馆信息接受点之间的连线是该场景中不同用户信息接受效用的空间向量。每一个用户信息接受向量在需求、搜索和接受维度轴的投影代表某个用户在该场景的信息需求效用、搜索效用和接受效用[20 ] 。每个用户在某个场景的信息接受的空间向量与需求、搜索和接受三个维度轴的夹角分别代表这个场景对该用户信息需求期望被满足的程度、信息搜索习惯被调适的程度以及信息接受偏好被迎合的程度。
3.2 移动图书馆用户画像方法
将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] 。设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$。$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大。为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] 。对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$。
3.3 移动图书馆信息接受效用模型
移动图书馆信息推荐是基于向量空间的用户画像进行的, 移动图书馆信息推荐模型为用户所处的场景提供相应的资源、技术和服务。移动图书馆场景化服务信息推荐向量模型构建如公式(1)所示[25 ] 。
${{A}_{k}}=\sum\limits_{k=1}^{n}{{{M}_{k}}}i+\sum\limits_{k=1}^{n}{{{N}_{k}}}j+\sum\limits_{k=1}^{n}{{{P}_{k}}}k$ (1)
为了阐述得更加清晰, 选择其中的两个用户在某个场景的信息接受向量进行计算。设用户1的信息接受向量为a =j -2k , 用户2的信息接受向量为b =i +(1/2)j -k , 而这两个用户在同一个场景的信息接受的融合向量可以表示为C =3a -2b 。计算某个场景的两个用户信息接受向量的模和信息需求期望、信息搜索习惯和信息接受偏好。两个用户同一场景的信息接受向量融合后的表达式为: C =3a -2b =-2i +2j -4k 。
如公式(1)所示, $\sum\limits_{k=1}^{n}{{{M}_{k}}}$为不同用户在同一场景的信息需求期望, $\sum\limits_{k=1}^{n}{{{N}_{k}}}$为不同用户在同一场景的信息搜索习惯, $\sum\limits_{k=1}^{n}{{{P}_{k}}}$为不同用户在同一场景的信息接受偏好, 可以通过公式(2)计算出该场景对于用户信息需求的满足程度($\text{Cos}\alpha $)、信息搜索习惯的调适程度($\text{Cos}\beta$)以及信息接受偏好的迎合程度($\text{Cos}\gamma$)。
$\left\{ \begin{matrix} \text{Cos}\alpha =\frac{\sum\limits_{i=1}^{n}{({{M}_{i}})}}{\sqrt{\sum\limits_{i=1}^{n}{{{({{M}_{i}})}^{2}}}+\sum\limits_{j=1}^{n}{{{({{N}_{j}})}^{2}}}+\sum\limits_{k=1}^{n}{{{({{P}_{k}})}^{2}}}}} \\ \text{Cos}\beta =\frac{\sum\limits_{j=1}^{n}{({{N}_{j}})}}{\sqrt{\sum\limits_{i=1}^{n}{{{({{M}_{i}})}^{2}}}+\sum\limits_{j=1}^{n}{{{({{N}_{j}})}^{2}}}+\sum\limits_{k=1}^{n}{{{({{P}_{k}})}^{2}}}}} \\ \text{Cos}\gamma =\frac{\sum\limits_{k=1}^{n}{({{P}_{k}})}}{\sqrt{\sum\limits_{i=1}^{n}{{{({{M}_{i}})}^{2}}}+\sum\limits_{j=1}^{n}{{{({{N}_{j}})}^{2}}}+\sum\limits_{k=1}^{n}{{{({{P}_{k}})}^{2}}}}} \\\end{matrix} \right.$ (2)
如公式(2)所示, 如果两个用户在同一场景信息接受融合后的信息接受向量大小可以表示为: $\left| C \right|=\sqrt{{{(-2)}^{2}}+{{2}^{2}}+{{(-4)}^{2}}}=2\sqrt{6}$, 则信息需求的期望为$text{Cos}\alpha =(-2)/\left| C \right|=-1/(\sqrt{6})$, 信息搜索的习惯为$\text{Cos}\beta =$ $2/\left| C \right|=1/(\sqrt{6})$, 信息接受的偏好为$\text{Cos}\gamma =(-4)/\left| C \right|=$ $-2/(\sqrt{6})$[26 ] 。
4 移动图书馆信息服务推荐模型及实证
4.1 移动图书馆信息服务推荐模型
在实际的移动图书馆信息服务推荐中需要分别基于不同用户信息需求期望、信息搜索习惯和信息接受偏好三个维度融合后形成的信息接受期望间的相似程度进行有效推荐。为此, 引入VSM理论, 以公式(2)为基础, 实现同一用户在某个场景的信息接受期望融合后, 形成余弦相似度的协同过滤算法进行服务推荐。用户A和用户B的信息接受余弦相似度计算如公式(3)所示。
$\text{Cos}\theta =\frac{\sum\limits_{i=1}^{3}{({{A}_{i}}\times {{B}_{i}})}}{\sqrt{\sum\limits_{i=1}^{3}{{{({{A}_{i}})}^{2}}}}\times \sqrt{\sum\limits_{i=1}^{3}{{{({{B}_{i}})}^{2}}}}}=\frac{A\cdot B}{\left| A \right|\times \left| B \right|}$ (3)
公式(3)通过对不同用户在某个场景中信息接受相似度计算, 将用户信息接受期望标签化, 其核心思想是: 对某个场景中两个用户对于某一个场景的需求满足程度、搜索调适程度和接受的调和程度进行评分, 如果这三个维度评分的相似程度较高, 那么一个用户对于一个场景的评分很有可能类似于另一个用户[27 ] 。
4.2 移动图书馆信息服务推荐实验
本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前。对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] 。具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户。实验分为4个阶段:
(1) 所选用户进行前测的问卷调查, 通过问卷调查检验所选用户是否符合本次实验的要求。
(2) 进行信息接受任务安排, 指派25名用户完成5个场景的相同任务, 其余5名用户做推荐用。
(3) 用户日志挖掘, 分析这30名用户在实验阶段内的后台行为日志以及通过录屏软件记录的细节日志, 并对其进行整合挖掘。
(4) 实验过程回忆, 每个用户除了在实验中进行出声思考外, 实验结束后再对任务完成过程进行回忆。本研究的数据采集由人工提取用户的实验音频, 并转录成文本再进行文本情感分析[31 ] 。
通过行为文本分析以及对问卷调查整理, 采用扎根理论编码对5个不同场景的信息需求的满足程度、信息搜索被调适的程度以及信息接受偏好被迎合的程度评分, 最终实验结果如表1 所示。
表1 是经过数据归一化处理后的结果, 这5个场景信息接受融合后的结果为M =3.599i +2.535j +2.735k , 这5个场景聚合后的模为$\left| M \right|=\sqrt{{{3.599}^{2}}+{{2.535}^{2}}+{{2.735}^{2}}}$=5.18, 5个场景的需求期望为$\text{Cos}\alpha =3.599/\left| M \right|$=0.695, 5个场景的信息搜索习惯为$\text{Cos}\beta =2.535/\left| M \right|$=0.489, 5个场景的信息接受偏好为$\text{Cos}\gamma =2.735/\left| M \right|$=0.528。这也体现了5个场景在对用户画像中的信息需求期望、信息搜索习惯、信息接受偏好的刻画程度[32 ] 。
4.3 移动图书馆信息服务推荐结果
在移动图书馆场景化信息接受的实际中, 需要针对某个场景对不同用户信息需求期望、信息搜索习惯和信息接受偏好进行融合, 以获得该场景宏观上对于用户信息需求期望、信息搜索习惯和信息接受偏好的支持程度, 并在[1,5]阈值范围内取整, 获得标杆的场景化信息接受的支持程度。本研究以学生宿舍晨起前的场景进行模拟推荐。其方法是通过实验中其余5个用户对该场景在信息需求、信息搜索和信息接受的满足程度进行评分, 评分的阈值为[1,5][33 ] , 5个用户对该场景的三个维度的信息接受效用评分结果如表2 所示。
由公式(1)构建的移动图书馆信息服务推送模型中, A 代表不同用户在同一场景的整体效用的融合, 25名用户宿舍晨起前场景需求、搜索和接受测试后形成的信息需求、信息搜索和信息接受的平均得分别为5、3和4, 于是形成虚拟的标杆用户的信息接受向量。由公式(3)利用Matlab编写余弦相似度的协同过滤算法, 获得学生宿舍晨起场景的用户相似度数值[34 ] : 虚拟的标杆用户和用户1的相似度为0.96887, 虚拟的标杆用户和用户2的相似度为0.88285, 用户1和用户2的相似度为0.99853。由此可知, 在被测的5个用户中, 用户1的信息接受期望接近于标杆用户[35 ] 。由此, 可以为用户1推荐其所处各个场景, 其余用户需要移动图书馆进行激发、引导和调控, 促进这些用户的信息需求期望、信息搜索习惯和信息接受偏好向标杆用户逼近。
5 移动图书馆服务推荐分析及启示
5.1 移动图书馆用户画像标签云
以上述协同过滤推荐算法为基础, 在设立的5个场景中, 运用问卷调查、用户日志挖掘、出声思考、情感分析等方法, 综合分析不同场景的用户信息接受属性, 将被测用户对5个不同场景的信息需求期望被满足的程度、信息搜索习惯被调适的程度和信息接受偏好被迎合的程度, 按照出声思考和实验后回忆的文本中词汇出现的频度, 运用Tagul标签云工具制作5个场景的标签云, 绘制了移动图书馆场景化信息接受标签云[36 ] , 并形成5个场景对应的情境配置方案, 如表3 所示。
5.2 移动图书馆服务推荐拓展
移动图书馆通过不同用户在某一场景信息接受向量的融合可以识别场景, 根据不同场景的属性特征推送给相应的用户, 满足其信息接受期望。在对某个用户信息需求期望、信息搜索习惯和信息接受偏好挖掘后, 可以掌握用户信息接受期望, 针对用户信息接受期望, 为其推荐相应的场景, 增强个性化服务的能力[37 ] 。基于上述论述, 用户画像的移动图书馆信息接受服务推荐拓展后有以下几个方面效用。
(1) 场景识别。所谓场景识别是指相似场景的识别, 在移动图书馆中的任两个场景或多个场景的信息接受在需求维度、搜索维度和信息接受维度具有相似性, 则称这两个场景或这几个场景是相似场景。由此, 可以通过用户画像, 借助一个已知场景识别一个未知场景[38 ] 。
(2) 场景推荐。所谓场景推荐是指某个用户在某两个或某几个相似场景中可能具有相似的需求期望、搜索习惯和接受偏好, 所以可以将某个用户具有信息接受畅体验的场景推荐给相似用户, 以增强信息接受的质量, 避免给用户寻找场景带来不必要的麻烦[39 ] 。
(3) 场景发现。通过场景相似度将同种属性的场景聚合成一个子群, 这样可以发现不同场景的本质特征。在聚合过程中可以发现不同场景之间的信息接受关联关系, 有利于发现隐藏的场景, 实现隐藏场景的利用[40 ] 。
6 结 语
本文利用VSM思维构建移动图书馆场景化信息接受的用户画像模型, 讨论了用户属性数据的来源和测度方法, 尝试创设情境的实验方法对学生宿舍晨起前的信息需求期望、信息搜索习惯和信息接受偏好的空间向量进行融合, 并确定学生宿舍晨起前的虚拟标杆用户, 以余弦相似度的协同过滤算法为依据, 利用Matlab编写算法实现用户在该场景的信息推荐、技术支持和接受服务等方面的细化。运用同样的方法, 对5个场景的信息接受进行标签云化, 以便进一步细化信息需求、信息搜索和信息维度, 形成细化的信息接受向量融合空间, 并对用户属性数据进一步精细刻画, 从而实现移动图书馆场景化服务创新。
作者贡献声明
毕达天: 设计研究方案, 分析实验数据, 论文最终版本修订;
王福: 撰写论文初稿, 实验及数据分析;
许鹏程: 实验数据收集与整理, 论文修改。
利益冲突声明
所有作者声明不存在利益冲突关系。
支撑数据
支撑数据由作者自存储, E-mail: raulbee@sina.com。
[1] 毕达天.userportraitrecommendationtest.csv.移动图书馆用户画像实验初始数据.
[2] 毕达天. fivescenecloudtag.csv. 移动图书馆场景化用户画像标签云数据.
参考文献
文献选项
[1]
Sama M Elbaum S Raimondi F et al .Context-Aware Adaptive Applications: Fault Patterns and Their Automated Identification
[J]. IEEE Transactions on Software Engineering , 2010 , 36 (5 ): 644 -661 .
https://doi.org/10.1109/TSE.2010.35
URL
[本文引用: 1]
[2]
Schou S Context-based Service Adaptation Platform: Improving the User Experience towards Mobile Location Services
[C]// Proceedings of International Conference on Information Networking. Busan: South Korea, IEEE , 2008 : 1 -5 .
[本文引用: 1]
[3]
朱建良 , 王鹏欣 , 傅智建 . 场景革命:万物互联时代的商业新格局 [M]. 北京 : 中国铁道出版社 , 2016 .
[本文引用: 1]
(Zhu Jianliang Wang Pengxin Fu Zhijian. Scene Revolution: A New Business Pattern in the Era of Internet of Things [M]. Beijing : China Railway Publishing House , 2016 .)
[本文引用: 1]
[4]
明均仁 , 余世英 , 杨艳妮 , 等 . 面向移动图书馆的技术接受模型构建
[J]. 情报资料工作 , 2014 (5 ): 49 -55 .
[本文引用: 1]
(Ming Junren Yu Shiying Yang Yanni et al .A Study of Mobile Library-oriented Technology Acceptance Model
[J]. Information and Documentation Services , 2014 (5 ): 49 -55 .)
[本文引用: 1]
[5]
Komaki D Hara T Nishio S How Does Mobile Context Affect People’s Web Search Behavior?: A Diary Study of Mobile Information Needs and Search Behaviors
[C]//Proceedings of International Conference on Advanced Information Networking and Applications. IEEE , 2012 : 245 -252 .
[本文引用: 1]
[6]
毕强 , 王福 . 移动图书馆场景化信息接受创新路径研究
[J]. 情报理论与实践 , 2018 , 41 (6 ): 1 -7 .
[本文引用: 1]
(Bi Qiang WangFu Research on Innovation Path of Scenario-based Information Acceptance in Mobile Library
[J]. Information Studies: Theory & Application , 2018 , 41 (6 ): 1 -7 .
[本文引用: 1]
[7]
王福 , 聂兰渤 , 郝喜凤 . 移动图书馆场景化信息接受适配功能设计研究
[J]. 图书馆建设 , 2018 (3 ): 65 -71, 80 .
[本文引用: 1]
(Wang Fu Nie Lanbo Hao Xifeng Study on Adaptative Function Design of the Mobile Library Scenario Information Acceptance
[J]. Library Development , 2018 (3 ): 65 -71, 80 .)
[本文引用: 1]
[8]
王福 . 移动图书馆信息接受情境功能适配性机理模型构建研究
[J]. 情报理论与实践 , 2017 , 40 (9 ): 61 -66 .
[本文引用: 1]
(Wang Fu Construction of the Mechanism Model of Information Acceptance Context Adaptation for Mobile Library
[J]. Information Studies: Theory & Application , 2017 , 40 (9 ): 61 -66 .)
[本文引用: 1]
[9]
黄文彬 , 徐山川 , 吴家辉 , 等 . 移动用户画像构建研究
[J]. 现代情报 , 2016 , 36 (10 ): 54 -61 .
[本文引用: 1]
(Huang Wenbin Xu Shanchuan Wu Jiahui et al .The Profile Construction of the Mobile User
[J]. Journal of Modern Information , 2016 , 36 (10 ): 54 -61 . )
[本文引用: 1]
[10]
吴明礼 , 杨双亮 . 用户画像在内容推送中的研究与应用
[J]. 电脑知识与技术 , 2016 , 12 (32 ): 255 -259 .
[本文引用: 1]
(Wu Mingli Yang Shuangliang Research and Application of User Portrait in Content Push
[J]. Computer Knowledge and Technology , 2016 , 12 (32 ): 255 -259 .)
[本文引用: 1]
[11]
黄文彬 , 吴家辉 , 徐山川 , 等 . 数据驱动的移动用户行为研究框架与方法分析
[J]. 情报科学 , 2016 , 34 (7 ): 14 -20, 40 .
Magsci
[本文引用: 1]
摘要
随着智能设备的高度普及化， 移动用户产生了海量移动数据。数据驱动的移动用户行为还原与挖掘， 能够为用户提供深度个性化服务， 成为数据挖掘的热点之一。相关研究的目的和方法差异较大并缺乏统一的研究框架， 本文在 2005~2015年间发表在国内外重要期刊和会议上的相关文献中筛选出近 50篇有关键影响的论文， 经过系统梳理和分析， 建构了数据驱动的移动用户行为研究框架， 主要包括： 移动数据的类型、 移动用户行为模式分析、移动用户画像的建构和移动用户画像的深度应用。并且系统梳理了移动用户行为研究的方法， 总结了当前研究的主要难题和研究方向。
(Huang Wenbin Wu Jiahui Xu Shanchuan et al .Data-driven Mobile User Behavior Analysis Framework and Methods
[J]. Information Science , 2016 , 34 (7 ): 14 -20, 40 .)
Magsci
[本文引用: 1]
摘要
随着智能设备的高度普及化， 移动用户产生了海量移动数据。数据驱动的移动用户行为还原与挖掘， 能够为用户提供深度个性化服务， 成为数据挖掘的热点之一。相关研究的目的和方法差异较大并缺乏统一的研究框架， 本文在 2005~2015年间发表在国内外重要期刊和会议上的相关文献中筛选出近 50篇有关键影响的论文， 经过系统梳理和分析， 建构了数据驱动的移动用户行为研究框架， 主要包括： 移动数据的类型、 移动用户行为模式分析、移动用户画像的建构和移动用户画像的深度应用。并且系统梳理了移动用户行为研究的方法， 总结了当前研究的主要难题和研究方向。
[12]
唐斌 . 图书馆精准服务: 内涵、机制与应用
[J]. 图书馆工作与研究 , 2017 (5 ): 9 -13 .
[本文引用: 1]
(Tang Bin Precise Service of Library: Connotation, Mechanism and Application
[J]. Library Work and Study , 2017 (5 ): 9 -13 .)
[本文引用: 1]
[13]
胡媛 , 毛宁 . 基于用户画像的数字图书馆知识社区用户模型构建
[J]. 图书馆理论与实践 , 2017 (4 ): 82 -85, 97 .
[本文引用: 1]
(Hu Yuan Mao Ning User Modeling of Digital Library Knowledge Community Based on User Portrait
[J]. Library Theory and Practice , 2017 (4 ): 82 -85, 97 )
[本文引用: 1]
[14]
叶莎莎 , 杜杏叶 . 移动图书馆用户需求理论研究
[J]. 图书情报工作 , 2014 , 58 (16 ): 50 -56 .
[本文引用: 1]
(Ye Shasha Du Xingye Research on User Needs Theory of the Mobile Library
[J]. Library and Information Service , 2014 , 58 (16 ): 50 -56 .)
[本文引用: 1]
[15]
邱瑾 , 吴丹 . 协同信息检索用户行为研究方法综述
[J]. 信息资源管理学报 , 2012 , 2 (1 ): 74 -81 .
Magsci
[本文引用: 1]
摘要
<p>随着信息技术的发展，协同信息检索的用户行为研究已逐渐成为信息科学领域新的研究热点。本文对协同信息检索的用户行为领域的研究方法进行了分析，介绍了该领域的几种数据收集方法、数据分析方法以及它们的特点、使用情况，从而为该领域的实证研究提供借鉴。</p>
(Qiu Jin Wu Dan Research Mehods in Study of User Behaviors of Collaborative Information Retrieval
[J]. Journal of Information Resources Management , 2012 , 2 (1 ): 74 -81 .)
Magsci
[本文引用: 1]
摘要
<p>随着信息技术的发展，协同信息检索的用户行为研究已逐渐成为信息科学领域新的研究热点。本文对协同信息检索的用户行为领域的研究方法进行了分析，介绍了该领域的几种数据收集方法、数据分析方法以及它们的特点、使用情况，从而为该领域的实证研究提供借鉴。</p>
[16]
毕强 , 贾春华 . 论情报接受的基本规律
[J].情报科学 , 1994 , 15 (5 ): 5 -13 .
[本文引用: 1]
(Bi Qiang Jia Chunhua On the Basic Law of Information Receiving
[J]. Information Science , 1994 , 15 (5 ): 5 -13 .)
[本文引用: 1]
[17]
刘树栋 , 孟祥武 . 基于位置的社会化网络推荐系统
[J]. 计算机学报 , 2015 , 38 (2 ): 322 -336 .
[本文引用: 1]
(Liu Shudong Meng Xiangwu Recommender Systems in Location-Based Social Networks
[J]. Chinese Journal of Computers , 2015 , 38 (2 ): 322 -336 .)
[本文引用: 1]
[18]
雷万保 , 程园 , 崔珞琨 , 等 . 基于服务关联模型的云服务权重计算算法
[J]. 信息化研究 , 2014 , 40 (1 ): 23 -27 .
[本文引用: 1]
(Lei Wanbao Cheng Yuan Cui Luokun et al .Weight Computing for Cloud Services Based on Service Correlation Model
[J]. Informatization Research , 2014 , 40 (1 ): 23 -27 .)
[本文引用: 1]
[19]
郭顺利 , 李秀霞 . 基于情境感知的移动图书馆用户信息需求模型构建
[J]. 情报理论与实践 , 2014 , 37 (8 ): 64 -68, 73 .
[本文引用: 1]
(Guo Shunli Li Xiuxia Construction of User Information Requirement Model for Mobile Library Based on Context Awareness
[J]. Information Studies: Theory & Application , 2014 , 37 (8 ): 64 -68, 73 .)
[本文引用: 1]
[20]
王福 , 彭正玲 . 基于情境的移动图书馆信息搜索特征及其规律研究
[J]. 图书馆建设 , 2017 (8 ): 62 -68, 73 .
[本文引用: 1]
(Wang Fu Peng Zhengling Research on the Information Search Characteristics and Rules of Mobile Library Based on the Context
[J]. Library Development , 2017 (8 ): 62 -68, 73 .)
[本文引用: 1]
[21]
武澎 , 王恒山 . 基于特征向量中心性的社交信息超网络中重要节点的评判
[J]. 情报理论与实践 , 2014 , 37 (5 ): 107 -113 .
[本文引用: 1]
(Wu Peng Wang Hengshan Evaluation of Key Nodes of Social Information Super-network Based on Eigenvector Centrality
[J]. Information Studies: Theory & Application , 2014 , 37 (5 ): 107 -113 .
[本文引用: 1]
[22]
王福 . 移动图书馆信息接受情境对用户信息行为的作用机理研究
[J]. 国家图书馆学刊 , 2018 (1 ): 19 -30 .
[本文引用: 1]
(Wang Fu Research on the Interaction Mechanism Between the Context of Information Acceptance and User Information Behavior in Mobile Library
[J]. Journal of the National Library of China , 2018 (1 ): 19 -30 .)
[本文引用: 1]
[23]
王福 , 陈晓华 . 移动图书馆信息接受情境多维度融合及服务聚合研究
[J]. 情报杂志 , 2017 , 36 (6 ): 173 -180 .
[本文引用: 1]
(Wang Fu Chen Xiaohua Research on Multi-dimension Fusion of Mobile Library Information Acceptance Context and Service Aggregation
[J]. Journal of Intelligence , 2017 , 36 (6 ): 173 -180 .)
[本文引用: 1]
[24]
党永杰 , 郑世珏 , 明均仁 . 多维视角下移动图书馆用户偏好模型构建研究
[J]. 情报理论与实践 , 2016 , 39 (1 ): 104 -108 .
[本文引用: 1]
(Dang Yongjie Zheng Shiyu Ming Junren Research on the Construction of Mobile Library User Preference Model from Multi-Dimensional Perspective
[J]. Information Studies: Theory & Application , 2016 , 39 (1 ): 104 -108 .)
[本文引用: 1]
[25]
马甲林 , 刘金岭 , 金春霞 . 基于概念簇的文本分类算法
[J]. 图书情报工作 , 2013 , 57 (15 ): 132 -136, 82 .
[本文引用: 1]
(Ma Jialin Liu Jinling Jin Chunxia Text Classification Algorithm Based on Concept Clusters
[J]. Library and Information Service , 2013 , 57 (15 ): 132 -136, 82 .)
[本文引用: 1]
[26]
滕广青 , 毕强 . 基于概念格的数字图书馆用户用法细分——数字图书馆用户使用方法的关联规则挖掘
[J]. 现代图书情报技术 , 2010 (3 ): 8 -12 .
[本文引用: 1]
(Teng Guangqing Bi Qiang Usage-based Market Segmentation of Digital Library Users Based on Concept Lattice——Association Rule Mining of Digital Library Users’ Usage
[J]. New Technology of Library and Information Service , 2010 (3 ): 8 -12 .)
[本文引用: 1]
[27]
刘峰 , 李煜 , 吕学强 , 等 . 查询主题分类方法研究
[J]. 现代图书情报技术 , 2015 (4 ): 10 -17 .
[本文引用: 1]
(Liu Feng Li Yu Lv Xueqiang et al .Research on Query Topic Classification Method
[J]. New Technology of Library and Information Service , 2015 (4 ): 10 -17 .)
[本文引用: 1]
[28]
王素芳 , 白晋铭 , 黄晨 . 高校图书馆信息共享空间服务质量评估研究——以浙江大学为例
[J]. 大学图书馆学报 , 2017 , 35 (2 ): 26 -38 .
[本文引用: 1]
(Wang Sufang Bai Jinming Huang Chen Service Quality Evaluation on Information Commons of Academic Library——A Case Study of Zhejiang University
[J]. Journal of Academic Libraries , 2017 , 35 (2 ): 26 -38 .)
[本文引用: 1]
[29]
吴丹 , 刘畅 , 李翼 . 用户步行导航过程中的情感变化研究
[J]. 数据分析与知识发现 , 2017 , 1 (5 ): 42 -51 .
[本文引用: 1]
(Wu Dan Liu Chang Li Yi Changing Sentiments of Pedestrian Navigation System Users
[J]. Data Analysis and Knowledge Discovery , 2017 , 1 (5 ): 42 -51 .)
[本文引用: 1]
[30]
鲍钰 . 基于Web日志的个性化搜索引擎模型的发现
[J]. 计算机应用研究 , 2009 , 26 (5 ): 1806 -1809 .
[本文引用: 1]
(Bao Yu Discover Personalized Search Engine Model by Mining Weblogs
[J]. Application Research of Computers , 2009 , 26 (5 ): 1806 -1809 .)
[本文引用: 1]
[31]
夏文忠 , 单长吉 . 基于流通日志和协同过滤的个性化资源推荐
[J]. 重庆科技学院学报:自然科学版 , 2015 , 17 (4 ): 112 -114 .
[本文引用: 1]
(Xia Wenzhong Shan Changji Personalized Resource Recommendation Based on Current Log and Collaborative Filtering
[J]. Journal of Chongqing University of Science and Technology:Natural Sciences Edition , 2015 , 17 (4 ): 112 -114 .)
[本文引用: 1]
[32]
吕成戍 , 王维国 , 丁永健 . 基于KNN-SVM的混合协同过滤推荐算法
[J]. 计算机应用研究 , 2012 , 29 (5 ): 1707 -1709 .
[本文引用: 1]
(Lv Chengshu Wang Weiguo Ding Yongjian Hybrid Collaborative Filtering Algorithm Based on KNN-SVM
[J]. Application Research of Computers , 2012 , 29 (5 ): 1707 -1709 .)
[本文引用: 1]
[33]
李爱国 , 汪社教 , 孟祥保 . 图书馆用户信息模型框架构建
[J]. 图书情报工作 , 2015 , 59 (13 ): 13 -19 .
[本文引用: 1]
(Li Aiguo Wang Shejiao Meng Xiangbao Construction of the Library User Information Model Frame
[J]. Library and Information Service , 2015 , 59 (13 ): 13 -19 .)
[本文引用: 1]
[34]
郭宇 , 王晰巍 , 杨梦晴 . 网络社群知识消费用户体验评价研究——基于扎根理论和BP神经网络的分析
[J]. 情报理论与实践 , 2018 , 41 (3 ): 117 -122, 141 .
[本文引用: 1]
(Guo Yu Wang Xiwei Yang Mengqing Evaluation on Users’ Experience of Knowledge Consumption in Network Community Based on Grounded Theory and BP Neural Network Analysis
[J]. Information Studies: Theory & Application , 2018 , 41 (3 ): 117 -122, 141 .)
[本文引用: 1]
[35]
王福 , 梁玉芳 . 移动图书馆用户信息行为对情境的作用机理研究
[J]. 图书馆 , 2018 (7 ): 76 -83 .
[本文引用: 1]
(Wang Fu Liang Yufang A Study on the Mechanism of Users’ Information Behavior to the Context for Mobile Library
[J]. Library , 2018 (7 ): 76 -83 .)
[本文引用: 1]
[36]
张继东 . 基于情景化偏好的移动社交网络信息服务自适应建模研究
[J]. 现代情报 , 2017 , 37 (12 ): 70 -73, 78 .
[本文引用: 1]
(Zhang Jidong Research on Self-adaptive Model of Information Services Based on Contextualized Preference Under the Environment of Mobile Social Network
[J]. Journal of Modern Information , 2017 , 37 (12 ): 70 -73, 78 .)
[本文引用: 1]
[37]
徐鸿雁 . 基于视频场景分析的背景音乐自动推荐方法
[J]. 计算机应用 , 2014 , 34 (S1 ): 268 -269, 326 .
[本文引用: 1]
(Xu Hongyan Scene Analysis Based Automatic Background Music Recommendation for Personal Videos
[J]. Journal of Computer Applications , 2014 , 34 (S1 ): 268 -269, 326 .
[本文引用: 1]
[38]
张振亚 , 程红梅 , 张曙光 . 基于六度分离理论的机会发现场景构造方法
[J]. 模式识别与人工智能 , 2011 , 24 (3 ): 332 -339 .
Magsci
[本文引用: 1]
摘要
场景构造是机会发现过程中的关键活动之一．文中基于六度分离理论对事件的相关矩阵进行了p阶扩展，在对机会发现场景的结构进行形式化描述的基础上，提出机会发现活动中基于事件的p阶扩展相关矩阵，采用聚类分析的方法进行机会发现场景中事件簇构造，进而实现机会发现场景构造的思想与方法．对机会发现场景构造方法性能的评估进行探讨，明确了以效率系数作为机会发现场景构造方法的评估标准．实验表明，基于相关矩阵的机会发现场景构造具有较高的精度和效率系数，而基于3阶扩展矩阵的机会发现场景构造更适合在线机会发现的情形．
(Zhang Zhenya Cheng Hongmei Zhang Shuguang An Approach to Construction of Scenario Map in Chance Discovery Based on Six Degrees of Separation Theory
[J]. Pattern Recognition and Artificial Intelligence , 2011 , 24 (3 ): 332 -339 .)
Magsci
[本文引用: 1]
摘要
场景构造是机会发现过程中的关键活动之一．文中基于六度分离理论对事件的相关矩阵进行了p阶扩展，在对机会发现场景的结构进行形式化描述的基础上，提出机会发现活动中基于事件的p阶扩展相关矩阵，采用聚类分析的方法进行机会发现场景中事件簇构造，进而实现机会发现场景构造的思想与方法．对机会发现场景构造方法性能的评估进行探讨，明确了以效率系数作为机会发现场景构造方法的评估标准．实验表明，基于相关矩阵的机会发现场景构造具有较高的精度和效率系数，而基于3阶扩展矩阵的机会发现场景构造更适合在线机会发现的情形．
[39]
王东波 . 图书馆场景服务的要素分析与内容实现
[J]. 图书馆学研究 , 2017 (1 ): 60 -64 .
[本文引用: 1]
(Wang Dongbo Factor Analysis and Content Realization of Library Scene Service
[J]. Research on Library Science , 2017 (1 ): 60 -64 .)
[本文引用: 1]
[40]
毕达天 , 王福 . 基于信息接受情境的移动图书馆场景构建
[J]. 情报理论与实践 , 2018 , 41 (6 ): 14 -21 .
[本文引用: 1]
(Bi Datian Wang Fu Scene Construction of Mobile Library Based on Information Acceptance Context
[J]. Information Studies: Theory & Application , 2018 , 41 (6 ): 14 -21 .)
[本文引用: 1]
Context-Aware Adaptive Applications: Fault Patterns and Their Automated Identification
1
2010
... 随着大数据技术的发展、定位系统的成熟、新媒体功能的丰富、移动终端的智能化和传感器功能的不断强大, 以及这些场景化要素在移动图书馆嵌入的程度和发挥的效用的逐渐显现, 这使得其对用户信息接受的支撑维度越来越细化, 支撑功能越来越强大[1 ] .在这种情形下, 现有理论研究和实际应用表明用户对移动图书馆信息接受感知和体验的愉悦度却并未得到显著提升, 甚至出现卸载和弃用移动图书馆的情形[2 ] .造成这种情形的原因是移动图书馆尚未将场景要素与情境要素有效地关联与适配, 从本质上未能切实地满足不同场景的用户信息接受期望.在万物互联的今天, 流量红利时代已成为过去, 随着信息的分散化和碎片化, 信息接受的入口不再如PC时代那样重要, 取而代之的是场景[3 ] .在不同场景中, 基于用户信息接受期望实现场景化情境配置的程度将直接影响用户在不同场景体验的愉悦度.如何测度或度量用户在不同场景信息接受体验的愉悦度, 探究影响移动图书馆场景化信息接受的关键性因素是本研究的重点.为此, 通过文献调研发现, 国内外关于信息接受的研究成果集中在以下几个方面. ...
Context-based Service Adaptation Platform: Improving the User Experience towards Mobile Location Services
1
2008
... 随着大数据技术的发展、定位系统的成熟、新媒体功能的丰富、移动终端的智能化和传感器功能的不断强大, 以及这些场景化要素在移动图书馆嵌入的程度和发挥的效用的逐渐显现, 这使得其对用户信息接受的支撑维度越来越细化, 支撑功能越来越强大[1 ] .在这种情形下, 现有理论研究和实际应用表明用户对移动图书馆信息接受感知和体验的愉悦度却并未得到显著提升, 甚至出现卸载和弃用移动图书馆的情形[2 ] .造成这种情形的原因是移动图书馆尚未将场景要素与情境要素有效地关联与适配, 从本质上未能切实地满足不同场景的用户信息接受期望.在万物互联的今天, 流量红利时代已成为过去, 随着信息的分散化和碎片化, 信息接受的入口不再如PC时代那样重要, 取而代之的是场景[3 ] .在不同场景中, 基于用户信息接受期望实现场景化情境配置的程度将直接影响用户在不同场景体验的愉悦度.如何测度或度量用户在不同场景信息接受体验的愉悦度, 探究影响移动图书馆场景化信息接受的关键性因素是本研究的重点.为此, 通过文献调研发现, 国内外关于信息接受的研究成果集中在以下几个方面. ...
1
2016
... 随着大数据技术的发展、定位系统的成熟、新媒体功能的丰富、移动终端的智能化和传感器功能的不断强大, 以及这些场景化要素在移动图书馆嵌入的程度和发挥的效用的逐渐显现, 这使得其对用户信息接受的支撑维度越来越细化, 支撑功能越来越强大[1 ] .在这种情形下, 现有理论研究和实际应用表明用户对移动图书馆信息接受感知和体验的愉悦度却并未得到显著提升, 甚至出现卸载和弃用移动图书馆的情形[2 ] .造成这种情形的原因是移动图书馆尚未将场景要素与情境要素有效地关联与适配, 从本质上未能切实地满足不同场景的用户信息接受期望.在万物互联的今天, 流量红利时代已成为过去, 随着信息的分散化和碎片化, 信息接受的入口不再如PC时代那样重要, 取而代之的是场景[3 ] .在不同场景中, 基于用户信息接受期望实现场景化情境配置的程度将直接影响用户在不同场景体验的愉悦度.如何测度或度量用户在不同场景信息接受体验的愉悦度, 探究影响移动图书馆场景化信息接受的关键性因素是本研究的重点.为此, 通过文献调研发现, 国内外关于信息接受的研究成果集中在以下几个方面. ...
1
2016
... 随着大数据技术的发展、定位系统的成熟、新媒体功能的丰富、移动终端的智能化和传感器功能的不断强大, 以及这些场景化要素在移动图书馆嵌入的程度和发挥的效用的逐渐显现, 这使得其对用户信息接受的支撑维度越来越细化, 支撑功能越来越强大[1 ] .在这种情形下, 现有理论研究和实际应用表明用户对移动图书馆信息接受感知和体验的愉悦度却并未得到显著提升, 甚至出现卸载和弃用移动图书馆的情形[2 ] .造成这种情形的原因是移动图书馆尚未将场景要素与情境要素有效地关联与适配, 从本质上未能切实地满足不同场景的用户信息接受期望.在万物互联的今天, 流量红利时代已成为过去, 随着信息的分散化和碎片化, 信息接受的入口不再如PC时代那样重要, 取而代之的是场景[3 ] .在不同场景中, 基于用户信息接受期望实现场景化情境配置的程度将直接影响用户在不同场景体验的愉悦度.如何测度或度量用户在不同场景信息接受体验的愉悦度, 探究影响移动图书馆场景化信息接受的关键性因素是本研究的重点.为此, 通过文献调研发现, 国内外关于信息接受的研究成果集中在以下几个方面. ...
面向移动图书馆的技术接受模型构建
1
... (1) 技术接受模型.明均仁等在原有技术接受模型的基础上引入9个外部变量, 深入分析了用户信息接受的主要影响因素[4 ] . ...
面向移动图书馆的技术接受模型构建
1
... (1) 技术接受模型.明均仁等在原有技术接受模型的基础上引入9个外部变量, 深入分析了用户信息接受的主要影响因素[4 ] . ...
How Does Mobile Context Affect People’s Web Search Behavior?: A Diary Study of Mobile Information Needs and Search Behaviors
1
2012
... (2) 信息接受体验.Komaki等指出由于移动设备存在诸多限制, 如: 屏幕尺寸的大小、输入功能丰富性以及用户情境的变化, 为了更好地提升用户信息搜索体验的愉悦度, 利用日志分析方法对用户信息行为进行挖掘, 把握用户信息需求、信息搜索和信息接受的特征和规律[5 ] . ...
移动图书馆场景化信息接受创新路径研究
1
2018
... (3) 情境配置优化.毕强等基于用户情境、资源情境、服务情境及技术情境4个维度, 分析了数字图书馆信息接受情境优化的原则与目标, 并运用情境分析方法从4个具体维度提出数字图书馆信息接受情境的优化方案和策略[6 ] . ...
移动图书馆场景化信息接受创新路径研究
1
2018
... (3) 情境配置优化.毕强等基于用户情境、资源情境、服务情境及技术情境4个维度, 分析了数字图书馆信息接受情境优化的原则与目标, 并运用情境分析方法从4个具体维度提出数字图书馆信息接受情境的优化方案和策略[6 ] . ...
移动图书馆场景化信息接受适配功能设计研究
1
... (4) 信息接受适配.王福等指出移动图书馆场景化信息接受适配功能设计应在捕捉用户需求期望、适应用户信息搜索习惯、迎合用户信息接受偏好、应用功能拓展等方面丰富其功能[7 ] . ...
移动图书馆场景化信息接受适配功能设计研究
1
... (4) 信息接受适配.王福等指出移动图书馆场景化信息接受适配功能设计应在捕捉用户需求期望、适应用户信息搜索习惯、迎合用户信息接受偏好、应用功能拓展等方面丰富其功能[7 ] . ...
移动图书馆信息接受情境功能适配性机理模型构建研究
1
2017
... 目前, 并未有切实的方案实现“场景-用户-情境”的有效配置[8 ] .为此, 有必要对移动图书馆场景化信息接受体验进行有效测度, 并将用户信息接受不同维度属性画像标签化, 从而为用户进行个性化的信息推送.本研究综合采用问卷调查、日志挖掘和出声思考等方法对移动图书馆场景化信息接受体验愉悦度测度, 并进行空间向量计算, 将不同场景的用户信息接受期望进行聚类画像, 为用户进行个性化的信息推荐. ...
移动图书馆信息接受情境功能适配性机理模型构建研究
1
2017
... 目前, 并未有切实的方案实现“场景-用户-情境”的有效配置[8 ] .为此, 有必要对移动图书馆场景化信息接受体验进行有效测度, 并将用户信息接受不同维度属性画像标签化, 从而为用户进行个性化的信息推送.本研究综合采用问卷调查、日志挖掘和出声思考等方法对移动图书馆场景化信息接受体验愉悦度测度, 并进行空间向量计算, 将不同场景的用户信息接受期望进行聚类画像, 为用户进行个性化的信息推荐. ...
移动用户画像构建研究
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
移动用户画像构建研究
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
用户画像在内容推送中的研究与应用
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
用户画像在内容推送中的研究与应用
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
数据驱动的移动用户行为研究框架与方法分析
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
数据驱动的移动用户行为研究框架与方法分析
1
2016
... 用户画像在移动应用领域的研究已展开, 如: 黄文彬等采用频繁模式挖掘、构建概率矩阵、计算熵等方法, 从用户基站日志中所包含的地理位置信息中构建移动用户行为画像, 为个性化服务提供参考[9 ] .吴明礼等为解决大数据场景下推送服务的准确度, 通过分析移动用户的行为数据, 并利用Spark集群的并行计算, 结合时间和空间两个维度对用户画像, 了解什么样的人在什么时间、什么地点喜欢做什么事, 从而为其提供更为精准的推送服务[10 ] .黄文彬等选取2005年-2015年发表在国内外重要期刊和会议上的50篇文献, 建构数据驱动的移动用户行为研究框架, 主要包括: 移动数据类型、移动用户行为模式分析、移动用户画像模型的建构和移动用户画像的深度应用[11 ] .上述研究成果对移动图书馆创新服务的启示是需要对用户进行画像, 移动图书馆只有通过画像掌握不同场景的用户信息接受期望, 才能更好地为用户提供精准化服务.本研究从移动图书馆的场景、情境两个层面出发, 构建移动图书馆场景化信息接受用户画像模型, 切实掌握用户在不同场景中的信息需求特征, 对不同场景的属性特征进行标签化. ...
图书馆精准服务: 内涵、机制与应用
1
... 移动图书馆用户画像, 即用户信息标签化, 是在场景时代, 通过收集与分析用户的社会属性、生活习惯、情绪倾向、信息接受行为等之后, 建立精准的移动图书馆信息接受的用户标签.由此, 对移动图书馆同一场景的不同用户从需求维度、搜索维度和信息接受维度刻画, 有利于推进移动图书馆相似用户的识别(具有相似度较高的需求、搜索和接受), 进而为用户提供精准的个性化服务[12 ] .为此, 从场景和情境两个层面出发, 将场景要素与情境要素基于用户信息需求期望、信息搜索习惯和信息接受偏好进行有效关联, 实现三个维度的选择性互补适配, 形成立体化的用户画像模型[13 ] , 如图1 所示. ...
图书馆精准服务: 内涵、机制与应用
1
... 移动图书馆用户画像, 即用户信息标签化, 是在场景时代, 通过收集与分析用户的社会属性、生活习惯、情绪倾向、信息接受行为等之后, 建立精准的移动图书馆信息接受的用户标签.由此, 对移动图书馆同一场景的不同用户从需求维度、搜索维度和信息接受维度刻画, 有利于推进移动图书馆相似用户的识别(具有相似度较高的需求、搜索和接受), 进而为用户提供精准的个性化服务[12 ] .为此, 从场景和情境两个层面出发, 将场景要素与情境要素基于用户信息需求期望、信息搜索习惯和信息接受偏好进行有效关联, 实现三个维度的选择性互补适配, 形成立体化的用户画像模型[13 ] , 如图1 所示. ...
基于用户画像的数字图书馆知识社区用户模型构建
1
... 移动图书馆用户画像, 即用户信息标签化, 是在场景时代, 通过收集与分析用户的社会属性、生活习惯、情绪倾向、信息接受行为等之后, 建立精准的移动图书馆信息接受的用户标签.由此, 对移动图书馆同一场景的不同用户从需求维度、搜索维度和信息接受维度刻画, 有利于推进移动图书馆相似用户的识别(具有相似度较高的需求、搜索和接受), 进而为用户提供精准的个性化服务[12 ] .为此, 从场景和情境两个层面出发, 将场景要素与情境要素基于用户信息需求期望、信息搜索习惯和信息接受偏好进行有效关联, 实现三个维度的选择性互补适配, 形成立体化的用户画像模型[13 ] , 如图1 所示. ...
基于用户画像的数字图书馆知识社区用户模型构建
1
... 移动图书馆用户画像, 即用户信息标签化, 是在场景时代, 通过收集与分析用户的社会属性、生活习惯、情绪倾向、信息接受行为等之后, 建立精准的移动图书馆信息接受的用户标签.由此, 对移动图书馆同一场景的不同用户从需求维度、搜索维度和信息接受维度刻画, 有利于推进移动图书馆相似用户的识别(具有相似度较高的需求、搜索和接受), 进而为用户提供精准的个性化服务[12 ] .为此, 从场景和情境两个层面出发, 将场景要素与情境要素基于用户信息需求期望、信息搜索习惯和信息接受偏好进行有效关联, 实现三个维度的选择性互补适配, 形成立体化的用户画像模型[13 ] , 如图1 所示. ...
移动图书馆用户需求理论研究
1
2014
... (1) 两个维度.分别是场景维度和情境维度, 场景维度利用大数据、传感器、移动设备、社交媒体和定位系统感知用户情境, 挖掘用户信息需求期望、信息搜索习惯和信息接受偏好[14 ] ; 情境维度主要包括资源情境、技术情境、服务情境、移动情境、社交情境和终端情境, 这6个维度的情境选择性融合后可以对用户信息接受提供有效的支撑[15 ] . ...
移动图书馆用户需求理论研究
1
2014
... (1) 两个维度.分别是场景维度和情境维度, 场景维度利用大数据、传感器、移动设备、社交媒体和定位系统感知用户情境, 挖掘用户信息需求期望、信息搜索习惯和信息接受偏好[14 ] ; 情境维度主要包括资源情境、技术情境、服务情境、移动情境、社交情境和终端情境, 这6个维度的情境选择性融合后可以对用户信息接受提供有效的支撑[15 ] . ...
协同信息检索用户行为研究方法综述
1
2012
... (1) 两个维度.分别是场景维度和情境维度, 场景维度利用大数据、传感器、移动设备、社交媒体和定位系统感知用户情境, 挖掘用户信息需求期望、信息搜索习惯和信息接受偏好[14 ] ; 情境维度主要包括资源情境、技术情境、服务情境、移动情境、社交情境和终端情境, 这6个维度的情境选择性融合后可以对用户信息接受提供有效的支撑[15 ] . ...
协同信息检索用户行为研究方法综述
1
2012
... (1) 两个维度.分别是场景维度和情境维度, 场景维度利用大数据、传感器、移动设备、社交媒体和定位系统感知用户情境, 挖掘用户信息需求期望、信息搜索习惯和信息接受偏好[14 ] ; 情境维度主要包括资源情境、技术情境、服务情境、移动情境、社交情境和终端情境, 这6个维度的情境选择性融合后可以对用户信息接受提供有效的支撑[15 ] . ...
论情报接受的基本规律
1
1994
... (2) 画像层次.画像层次包括数据层、中间层和用户层.其中: 数据层的数据来源于结构化数据、半结构化数据和非结构化数据, 是用户场景化信息接受的主体对象; 中间层, 借助于场景要素对用户信息需求期望、信息搜索习惯和信息接受偏好进行挖掘, 并运用关联规则和协同过滤算法进行用户画像建模; 用户层, 基于构建的用户画像模型, 并借鉴毕强等对用户情报行为的划分[16 ] , 对用户信息需求期望、信息搜索习惯和信息接受偏好三个维度进行画像, 基于用户的显性和隐性兴趣实现服务定制和服务推送[17 ] . ...
论情报接受的基本规律
1
1994
... (2) 画像层次.画像层次包括数据层、中间层和用户层.其中: 数据层的数据来源于结构化数据、半结构化数据和非结构化数据, 是用户场景化信息接受的主体对象; 中间层, 借助于场景要素对用户信息需求期望、信息搜索习惯和信息接受偏好进行挖掘, 并运用关联规则和协同过滤算法进行用户画像建模; 用户层, 基于构建的用户画像模型, 并借鉴毕强等对用户情报行为的划分[16 ] , 对用户信息需求期望、信息搜索习惯和信息接受偏好三个维度进行画像, 基于用户的显性和隐性兴趣实现服务定制和服务推送[17 ] . ...
基于位置的社会化网络推荐系统
1
2015
... (2) 画像层次.画像层次包括数据层、中间层和用户层.其中: 数据层的数据来源于结构化数据、半结构化数据和非结构化数据, 是用户场景化信息接受的主体对象; 中间层, 借助于场景要素对用户信息需求期望、信息搜索习惯和信息接受偏好进行挖掘, 并运用关联规则和协同过滤算法进行用户画像建模; 用户层, 基于构建的用户画像模型, 并借鉴毕强等对用户情报行为的划分[16 ] , 对用户信息需求期望、信息搜索习惯和信息接受偏好三个维度进行画像, 基于用户的显性和隐性兴趣实现服务定制和服务推送[17 ] . ...
基于位置的社会化网络推荐系统
1
2015
... (2) 画像层次.画像层次包括数据层、中间层和用户层.其中: 数据层的数据来源于结构化数据、半结构化数据和非结构化数据, 是用户场景化信息接受的主体对象; 中间层, 借助于场景要素对用户信息需求期望、信息搜索习惯和信息接受偏好进行挖掘, 并运用关联规则和协同过滤算法进行用户画像建模; 用户层, 基于构建的用户画像模型, 并借鉴毕强等对用户情报行为的划分[16 ] , 对用户信息需求期望、信息搜索习惯和信息接受偏好三个维度进行画像, 基于用户的显性和隐性兴趣实现服务定制和服务推送[17 ] . ...
基于服务关联模型的云服务权重计算算法
1
2014
... (3) 画像维度.用户画像主要从信息需求期望、信息搜索习惯和信息接受偏好三个维度进行, 实现服务定制和服务推送的效用[18 ] . ...
基于服务关联模型的云服务权重计算算法
1
2014
... (3) 画像维度.用户画像主要从信息需求期望、信息搜索习惯和信息接受偏好三个维度进行, 实现服务定制和服务推送的效用[18 ] . ...
基于情境感知的移动图书馆用户信息需求模型构建
1
2014
... 以上述构建的移动图书馆场景化信息接受模型为基础, 将不同用户在同一场景的信息需求、信息搜索和信息接受三个维度构成一个移动图书馆信息接受的三维向量空间模型(Vector Space Model, VSM)[19 ] , 即某个场景的信息接受.以该场景的不同用户信息接受三个维度效用融合为空间的原点, 而原点和场景信息接受效用的连线构成这个场景信息接受的空间向量, 如图2 所示. ...
基于情境感知的移动图书馆用户信息需求模型构建
1
2014
... 以上述构建的移动图书馆场景化信息接受模型为基础, 将不同用户在同一场景的信息需求、信息搜索和信息接受三个维度构成一个移动图书馆信息接受的三维向量空间模型(Vector Space Model, VSM)[19 ] , 即某个场景的信息接受.以该场景的不同用户信息接受三个维度效用融合为空间的原点, 而原点和场景信息接受效用的连线构成这个场景信息接受的空间向量, 如图2 所示. ...
基于情境的移动图书馆信息搜索特征及其规律研究
1
... 移动图书馆某个场景的不同点代表了不同用户在该场景的信息接受向量.从原点到移动图书馆信息接受点之间的连线是该场景中不同用户信息接受效用的空间向量.每一个用户信息接受向量在需求、搜索和接受维度轴的投影代表某个用户在该场景的信息需求效用、搜索效用和接受效用[20 ] .每个用户在某个场景的信息接受的空间向量与需求、搜索和接受三个维度轴的夹角分别代表这个场景对该用户信息需求期望被满足的程度、信息搜索习惯被调适的程度以及信息接受偏好被迎合的程度. ...
基于情境的移动图书馆信息搜索特征及其规律研究
1
... 移动图书馆某个场景的不同点代表了不同用户在该场景的信息接受向量.从原点到移动图书馆信息接受点之间的连线是该场景中不同用户信息接受效用的空间向量.每一个用户信息接受向量在需求、搜索和接受维度轴的投影代表某个用户在该场景的信息需求效用、搜索效用和接受效用[20 ] .每个用户在某个场景的信息接受的空间向量与需求、搜索和接受三个维度轴的夹角分别代表这个场景对该用户信息需求期望被满足的程度、信息搜索习惯被调适的程度以及信息接受偏好被迎合的程度. ...
基于特征向量中心性的社交信息超网络中重要节点的评判
1
2014
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
基于特征向量中心性的社交信息超网络中重要节点的评判
1
2014
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
移动图书馆信息接受情境对用户信息行为的作用机理研究
1
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
移动图书馆信息接受情境对用户信息行为的作用机理研究
1
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
移动图书馆信息接受情境多维度融合及服务聚合研究
1
2017
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
移动图书馆信息接受情境多维度融合及服务聚合研究
1
2017
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
多维视角下移动图书馆用户偏好模型构建研究
1
2016
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
多维视角下移动图书馆用户偏好模型构建研究
1
2016
... 将移动图书馆信息接受的信息需求期望、信息搜索习惯和信息接受偏好被满足程度的空间视为移动图书馆信息接受效用的向量空间[21 ] , 把同一场景的不同用户的信息接受效用表示为向量的坐标形式: s =ai +bj +ck , 其中a 代表某个场景S 中不同用户信息需求x 被满足的程度, b 代表某个场景S 中不同用户信息搜索习惯y 被调适的程度, c 代表某个场景S 中用户信息接受偏好z 被迎合的程度, i 代表信息需求维度的单位, j 代表信息搜索维度的单位, k 代表信息接受维度的单位[22 ] .设U 1 (x 1 ,y 1 ,z 1 ), U 2 (x 2 ,y 2 ,z 2 )为移动图书馆同一场景的两个用户的信息接受效用向量, 两个向量间的距离为$\left| {{U}_{1}}{{U}_{2}} \right|=\sqrt{{{({{x}_{2}}-{{x}_{1}})}^{2}}+{{({{y}_{2}}-{{y}_{1}})}^{2}}+{{({{z}_{2}}-{{z}_{1}})}^{2}}}$.$\left| {{U}_{1}}{{U}_{2}} \right|$越小, 说明两个用户在这个场景的信息接受的相似度越大.为了更好地计算需求方向、搜索方向和接受方向的效用, 设${{U}_{1}}$的模为$\left| {{U}_{1}} \right|=\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, ${{U}_{2}}$的模为$\left| {{U}_{2}} \right|=\sqrt{{{x}_{2}}^{2}+{{y}_{2}}^{2}+{{z}_{2}}^{2}}$, $\left| {{U}_{1}} \right|$, $\left| {{U}_{2}} \right|$分别表示两个用户在某个场景中信息接受效用的大小[23 ] .对于用户${{U}_{1}}$而言, 其信息接受向量$O{{U}_{1}}$与需求方向(X轴)之间的夹角余弦: $\text{Cos}\alpha ={{x}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是指用户${{U}_{1}}$场景化信息需求的期望; 其接受向量$O{{U}_{1}}$与搜索方向(Y轴)之间的夹角余弦: $\text{Cos}\beta ={{y}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上而言是用户信息搜索的习惯; 其接受向量$O{{U}_{1}}$和接受方向(Z轴)之间的夹角余弦: $\text{Cos}\gamma ={{z}_{1}}/\sqrt{{{x}_{1}}^{2}+{{y}_{1}}^{2}+{{z}_{1}}^{2}}$, 从本质上讲是用户信息接受的偏好[24 ] , 且$\text{Co}{{\text{s}}^{2}}\alpha +\text{Co}{{\text{s}}^{2}}\beta +\text{Co}{{\text{s}}^{2}}\gamma =1$. ...
基于概念簇的文本分类算法
1
2013
... 移动图书馆信息推荐是基于向量空间的用户画像进行的, 移动图书馆信息推荐模型为用户所处的场景提供相应的资源、技术和服务.移动图书馆场景化服务信息推荐向量模型构建如公式(1)所示[25 ] . ...
基于概念簇的文本分类算法
1
2013
... 移动图书馆信息推荐是基于向量空间的用户画像进行的, 移动图书馆信息推荐模型为用户所处的场景提供相应的资源、技术和服务.移动图书馆场景化服务信息推荐向量模型构建如公式(1)所示[25 ] . ...
基于概念格的数字图书馆用户用法细分——数字图书馆用户使用方法的关联规则挖掘
1
... 如公式(2)所示, 如果两个用户在同一场景信息接受融合后的信息接受向量大小可以表示为: $\left| C \right|=\sqrt{{{(-2)}^{2}}+{{2}^{2}}+{{(-4)}^{2}}}=2\sqrt{6}$, 则信息需求的期望为$text{Cos}\alpha =(-2)/\left| C \right|=-1/(\sqrt{6})$, 信息搜索的习惯为$\text{Cos}\beta =$ $2/\left| C \right|=1/(\sqrt{6})$, 信息接受的偏好为$\text{Cos}\gamma =(-4)/\left| C \right|=$ $-2/(\sqrt{6})$[26 ] . ...
基于概念格的数字图书馆用户用法细分——数字图书馆用户使用方法的关联规则挖掘
1
... 如公式(2)所示, 如果两个用户在同一场景信息接受融合后的信息接受向量大小可以表示为: $\left| C \right|=\sqrt{{{(-2)}^{2}}+{{2}^{2}}+{{(-4)}^{2}}}=2\sqrt{6}$, 则信息需求的期望为$text{Cos}\alpha =(-2)/\left| C \right|=-1/(\sqrt{6})$, 信息搜索的习惯为$\text{Cos}\beta =$ $2/\left| C \right|=1/(\sqrt{6})$, 信息接受的偏好为$\text{Cos}\gamma =(-4)/\left| C \right|=$ $-2/(\sqrt{6})$[26 ] . ...
查询主题分类方法研究
1
... 公式(3)通过对不同用户在某个场景中信息接受相似度计算, 将用户信息接受期望标签化, 其核心思想是: 对某个场景中两个用户对于某一个场景的需求满足程度、搜索调适程度和接受的调和程度进行评分, 如果这三个维度评分的相似程度较高, 那么一个用户对于一个场景的评分很有可能类似于另一个用户[27 ] . ...
查询主题分类方法研究
1
... 公式(3)通过对不同用户在某个场景中信息接受相似度计算, 将用户信息接受期望标签化, 其核心思想是: 对某个场景中两个用户对于某一个场景的需求满足程度、搜索调适程度和接受的调和程度进行评分, 如果这三个维度评分的相似程度较高, 那么一个用户对于一个场景的评分很有可能类似于另一个用户[27 ] . ...
高校图书馆信息共享空间服务质量评估研究——以浙江大学为例
1
2017
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
高校图书馆信息共享空间服务质量评估研究——以浙江大学为例
1
2017
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
用户步行导航过程中的情感变化研究
1
2017
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
用户步行导航过程中的情感变化研究
1
2017
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
基于Web日志的个性化搜索引擎模型的发现
1
2009
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
基于Web日志的个性化搜索引擎模型的发现
1
2009
... 本研究创设情境实验是在高校进行的, 而高校用户每日离不开的5个场景分别是: 宿舍晨起前、上午上课或自习、中午餐厅就餐、下午上课或自习以及晚上宿舍休息前.对于某个场景的不同用户信息需求的测量采用前测和后测问卷调查方法获得[28 ] , 对于信息搜索采用访问日志方法获得[29 ] , 对于信息接受偏好采用出声思考法获得[30 ] .具体方法是从辽宁、吉林和河南等地选择30名云舟知识服务用户.实验分为4个阶段: ...
基于流通日志和协同过滤的个性化资源推荐
1
2015
... (4) 实验过程回忆, 每个用户除了在实验中进行出声思考外, 实验结束后再对任务完成过程进行回忆.本研究的数据采集由人工提取用户的实验音频, 并转录成文本再进行文本情感分析[31 ] . ...
基于流通日志和协同过滤的个性化资源推荐
1
2015
... (4) 实验过程回忆, 每个用户除了在实验中进行出声思考外, 实验结束后再对任务完成过程进行回忆.本研究的数据采集由人工提取用户的实验音频, 并转录成文本再进行文本情感分析[31 ] . ...
基于KNN-SVM的混合协同过滤推荐算法
1
2012
... 表1 是经过数据归一化处理后的结果, 这5个场景信息接受融合后的结果为M =3.599i +2.535j +2.735k , 这5个场景聚合后的模为$\left| M \right|=\sqrt{{{3.599}^{2}}+{{2.535}^{2}}+{{2.735}^{2}}}$=5.18, 5个场景的需求期望为$\text{Cos}\alpha =3.599/\left| M \right|$=0.695, 5个场景的信息搜索习惯为$\text{Cos}\beta =2.535/\left| M \right|$=0.489, 5个场景的信息接受偏好为$\text{Cos}\gamma =2.735/\left| M \right|$=0.528.这也体现了5个场景在对用户画像中的信息需求期望、信息搜索习惯、信息接受偏好的刻画程度[32 ] . ...
基于KNN-SVM的混合协同过滤推荐算法
1
2012
... 表1 是经过数据归一化处理后的结果, 这5个场景信息接受融合后的结果为M =3.599i +2.535j +2.735k , 这5个场景聚合后的模为$\left| M \right|=\sqrt{{{3.599}^{2}}+{{2.535}^{2}}+{{2.735}^{2}}}$=5.18, 5个场景的需求期望为$\text{Cos}\alpha =3.599/\left| M \right|$=0.695, 5个场景的信息搜索习惯为$\text{Cos}\beta =2.535/\left| M \right|$=0.489, 5个场景的信息接受偏好为$\text{Cos}\gamma =2.735/\left| M \right|$=0.528.这也体现了5个场景在对用户画像中的信息需求期望、信息搜索习惯、信息接受偏好的刻画程度[32 ] . ...
图书馆用户信息模型框架构建
1
2015
... 在移动图书馆场景化信息接受的实际中, 需要针对某个场景对不同用户信息需求期望、信息搜索习惯和信息接受偏好进行融合, 以获得该场景宏观上对于用户信息需求期望、信息搜索习惯和信息接受偏好的支持程度, 并在[1,5]阈值范围内取整, 获得标杆的场景化信息接受的支持程度.本研究以学生宿舍晨起前的场景进行模拟推荐.其方法是通过实验中其余5个用户对该场景在信息需求、信息搜索和信息接受的满足程度进行评分, 评分的阈值为[1,5][33 ] , 5个用户对该场景的三个维度的信息接受效用评分结果如表2 所示. ...
图书馆用户信息模型框架构建
1
2015
... 在移动图书馆场景化信息接受的实际中, 需要针对某个场景对不同用户信息需求期望、信息搜索习惯和信息接受偏好进行融合, 以获得该场景宏观上对于用户信息需求期望、信息搜索习惯和信息接受偏好的支持程度, 并在[1,5]阈值范围内取整, 获得标杆的场景化信息接受的支持程度.本研究以学生宿舍晨起前的场景进行模拟推荐.其方法是通过实验中其余5个用户对该场景在信息需求、信息搜索和信息接受的满足程度进行评分, 评分的阈值为[1,5][33 ] , 5个用户对该场景的三个维度的信息接受效用评分结果如表2 所示. ...
网络社群知识消费用户体验评价研究——基于扎根理论和BP神经网络的分析
1
2018
... 由公式(1)构建的移动图书馆信息服务推送模型中, A 代表不同用户在同一场景的整体效用的融合, 25名用户宿舍晨起前场景需求、搜索和接受测试后形成的信息需求、信息搜索和信息接受的平均得分别为5、3和4, 于是形成虚拟的标杆用户的信息接受向量.由公式(3)利用Matlab编写余弦相似度的协同过滤算法, 获得学生宿舍晨起场景的用户相似度数值[34 ] : 虚拟的标杆用户和用户1的相似度为0.96887, 虚拟的标杆用户和用户2的相似度为0.88285, 用户1和用户2的相似度为0.99853.由此可知, 在被测的5个用户中, 用户1的信息接受期望接近于标杆用户[35 ] .由此, 可以为用户1推荐其所处各个场景, 其余用户需要移动图书馆进行激发、引导和调控, 促进这些用户的信息需求期望、信息搜索习惯和信息接受偏好向标杆用户逼近. ...
网络社群知识消费用户体验评价研究——基于扎根理论和BP神经网络的分析
1
2018
... 由公式(1)构建的移动图书馆信息服务推送模型中, A 代表不同用户在同一场景的整体效用的融合, 25名用户宿舍晨起前场景需求、搜索和接受测试后形成的信息需求、信息搜索和信息接受的平均得分别为5、3和4, 于是形成虚拟的标杆用户的信息接受向量.由公式(3)利用Matlab编写余弦相似度的协同过滤算法, 获得学生宿舍晨起场景的用户相似度数值[34 ] : 虚拟的标杆用户和用户1的相似度为0.96887, 虚拟的标杆用户和用户2的相似度为0.88285, 用户1和用户2的相似度为0.99853.由此可知, 在被测的5个用户中, 用户1的信息接受期望接近于标杆用户[35 ] .由此, 可以为用户1推荐其所处各个场景, 其余用户需要移动图书馆进行激发、引导和调控, 促进这些用户的信息需求期望、信息搜索习惯和信息接受偏好向标杆用户逼近. ...
移动图书馆用户信息行为对情境的作用机理研究
1
... 由公式(1)构建的移动图书馆信息服务推送模型中, A 代表不同用户在同一场景的整体效用的融合, 25名用户宿舍晨起前场景需求、搜索和接受测试后形成的信息需求、信息搜索和信息接受的平均得分别为5、3和4, 于是形成虚拟的标杆用户的信息接受向量.由公式(3)利用Matlab编写余弦相似度的协同过滤算法, 获得学生宿舍晨起场景的用户相似度数值[34 ] : 虚拟的标杆用户和用户1的相似度为0.96887, 虚拟的标杆用户和用户2的相似度为0.88285, 用户1和用户2的相似度为0.99853.由此可知, 在被测的5个用户中, 用户1的信息接受期望接近于标杆用户[35 ] .由此, 可以为用户1推荐其所处各个场景, 其余用户需要移动图书馆进行激发、引导和调控, 促进这些用户的信息需求期望、信息搜索习惯和信息接受偏好向标杆用户逼近. ...
移动图书馆用户信息行为对情境的作用机理研究
1
... 由公式(1)构建的移动图书馆信息服务推送模型中, A 代表不同用户在同一场景的整体效用的融合, 25名用户宿舍晨起前场景需求、搜索和接受测试后形成的信息需求、信息搜索和信息接受的平均得分别为5、3和4, 于是形成虚拟的标杆用户的信息接受向量.由公式(3)利用Matlab编写余弦相似度的协同过滤算法, 获得学生宿舍晨起场景的用户相似度数值[34 ] : 虚拟的标杆用户和用户1的相似度为0.96887, 虚拟的标杆用户和用户2的相似度为0.88285, 用户1和用户2的相似度为0.99853.由此可知, 在被测的5个用户中, 用户1的信息接受期望接近于标杆用户[35 ] .由此, 可以为用户1推荐其所处各个场景, 其余用户需要移动图书馆进行激发、引导和调控, 促进这些用户的信息需求期望、信息搜索习惯和信息接受偏好向标杆用户逼近. ...
基于情景化偏好的移动社交网络信息服务自适应建模研究
1
2017
... 以上述协同过滤推荐算法为基础, 在设立的5个场景中, 运用问卷调查、用户日志挖掘、出声思考、情感分析等方法, 综合分析不同场景的用户信息接受属性, 将被测用户对5个不同场景的信息需求期望被满足的程度、信息搜索习惯被调适的程度和信息接受偏好被迎合的程度, 按照出声思考和实验后回忆的文本中词汇出现的频度, 运用Tagul标签云工具制作5个场景的标签云, 绘制了移动图书馆场景化信息接受标签云[36 ] , 并形成5个场景对应的情境配置方案, 如表3 所示. ...
基于情景化偏好的移动社交网络信息服务自适应建模研究
1
2017
... 以上述协同过滤推荐算法为基础, 在设立的5个场景中, 运用问卷调查、用户日志挖掘、出声思考、情感分析等方法, 综合分析不同场景的用户信息接受属性, 将被测用户对5个不同场景的信息需求期望被满足的程度、信息搜索习惯被调适的程度和信息接受偏好被迎合的程度, 按照出声思考和实验后回忆的文本中词汇出现的频度, 运用Tagul标签云工具制作5个场景的标签云, 绘制了移动图书馆场景化信息接受标签云[36 ] , 并形成5个场景对应的情境配置方案, 如表3 所示. ...
基于视频场景分析的背景音乐自动推荐方法
1
2014
... 移动图书馆通过不同用户在某一场景信息接受向量的融合可以识别场景, 根据不同场景的属性特征推送给相应的用户, 满足其信息接受期望.在对某个用户信息需求期望、信息搜索习惯和信息接受偏好挖掘后, 可以掌握用户信息接受期望, 针对用户信息接受期望, 为其推荐相应的场景, 增强个性化服务的能力[37 ] .基于上述论述, 用户画像的移动图书馆信息接受服务推荐拓展后有以下几个方面效用. ...
基于视频场景分析的背景音乐自动推荐方法
1
2014
... 移动图书馆通过不同用户在某一场景信息接受向量的融合可以识别场景, 根据不同场景的属性特征推送给相应的用户, 满足其信息接受期望.在对某个用户信息需求期望、信息搜索习惯和信息接受偏好挖掘后, 可以掌握用户信息接受期望, 针对用户信息接受期望, 为其推荐相应的场景, 增强个性化服务的能力[37 ] .基于上述论述, 用户画像的移动图书馆信息接受服务推荐拓展后有以下几个方面效用. ...
基于六度分离理论的机会发现场景构造方法
1
2011
... (1) 场景识别.所谓场景识别是指相似场景的识别, 在移动图书馆中的任两个场景或多个场景的信息接受在需求维度、搜索维度和信息接受维度具有相似性, 则称这两个场景或这几个场景是相似场景.由此, 可以通过用户画像, 借助一个已知场景识别一个未知场景[38 ] . ...
基于六度分离理论的机会发现场景构造方法
1
2011
... (1) 场景识别.所谓场景识别是指相似场景的识别, 在移动图书馆中的任两个场景或多个场景的信息接受在需求维度、搜索维度和信息接受维度具有相似性, 则称这两个场景或这几个场景是相似场景.由此, 可以通过用户画像, 借助一个已知场景识别一个未知场景[38 ] . ...
图书馆场景服务的要素分析与内容实现
1
... (2) 场景推荐.所谓场景推荐是指某个用户在某两个或某几个相似场景中可能具有相似的需求期望、搜索习惯和接受偏好, 所以可以将某个用户具有信息接受畅体验的场景推荐给相似用户, 以增强信息接受的质量, 避免给用户寻找场景带来不必要的麻烦[39 ] . ...
图书馆场景服务的要素分析与内容实现
1
... (2) 场景推荐.所谓场景推荐是指某个用户在某两个或某几个相似场景中可能具有相似的需求期望、搜索习惯和接受偏好, 所以可以将某个用户具有信息接受畅体验的场景推荐给相似用户, 以增强信息接受的质量, 避免给用户寻找场景带来不必要的麻烦[39 ] . ...
基于信息接受情境的移动图书馆场景构建
1
2018
... (3) 场景发现.通过场景相似度将同种属性的场景聚合成一个子群, 这样可以发现不同场景的本质特征.在聚合过程中可以发现不同场景之间的信息接受关联关系, 有利于发现隐藏的场景, 实现隐藏场景的利用[40 ] . ...
基于信息接受情境的移动图书馆场景构建
1
2018
... (3) 场景发现.通过场景相似度将同种属性的场景聚合成一个子群, 这样可以发现不同场景的本质特征.在聚合过程中可以发现不同场景之间的信息接受关联关系, 有利于发现隐藏的场景, 实现隐藏场景的利用[40 ] . ...
, 许鹏程
