【正文】 二元相關(guān)反饋(feedback)通常采用相關(guān)/不相關(guān)(relevance/irrele—vance),感興趣/不感興趣(interesting/uninteresting),喜歡/不喜歡(1ike/dislike)等形式,如Fab,ifWeb。評(píng)價(jià)但未被目標(biāo)用戶評(píng)價(jià)的內(nèi)容對(duì)象,即被推薦對(duì)象,aggr()表示集合函數(shù),具體實(shí)現(xiàn)取決于實(shí)際應(yīng)用,最簡(jiǎn)單的方法是取平均值,最常用的方法是取加權(quán)和,該方法考慮了用戶/./與39。(4)9袁俊華,袁琳基于推送技術(shù)的個(gè)性化定制服務(wù)模式研究2005。05,20054MontanerMetalATaxonomyofRemenderAgentsontheInternet。分類(lèi)器是～種自動(dòng)分類(lèi)方法,分類(lèi)器既用于生成用戶模型,其結(jié)構(gòu)同日寸用于模型表示,如神經(jīng)網(wǎng)絡(luò),決策樹(shù),關(guān)聯(lián)規(guī)則,貝葉斯網(wǎng)等,像Agent,Infofonder,Re.mender,WebWatcher等采用的都是自動(dòng)分類(lèi)方法。評(píng)論(annotation)~要求用戶使用文字說(shuō)明來(lái)表達(dá)自己的意見(jiàn)和興趣取向,在新聞,電影,uSellet推薦中比較常見(jiàn),如Grouplens,跟蹤用戶的行動(dòng)或挖掘系統(tǒng)的歷史記錄數(shù)據(jù)(如訪問(wèn)日志,查詢?nèi)罩?檢索歷史記錄,購(gòu)買(mǎi)歷史記錄),獲取用戶的瀏覽,訪問(wèn)和檢索,購(gòu)買(mǎi)歷,用戶無(wú)需參種反饋信息,如MyLinks,Mypages,MyBookmarks等,用戶收藏的Groupmark原型系統(tǒng),該系統(tǒng)利用書(shū)簽生成用戶模型和用戶群體,職業(yè),年齡,地理分布特性可以反映,影響用戶的興趣,需求,偏好,如LifeStyleFinder,該系統(tǒng)利用Claritas公司的PRIZM人口統(tǒng)計(jì)數(shù)據(jù)庫(kù)生成用戶模型,該數(shù)據(jù)庫(kù)根據(jù)消費(fèi)歷史,模型更能準(zhǔn)確地反映用戶的需求和興趣,更能適應(yīng)特定應(yīng)用的要求,提高推薦質(zhì)量,推薦系統(tǒng)在建立和維護(hù)用戶模型時(shí),往往會(huì)綜合使用多種方法.(InteresttOItem模式)個(gè)性化模式基于用戶個(gè)性的定向推薦服務(wù)模式,核心是建立,維護(hù),利用用戶模型.與觸發(fā)模式一樣,個(gè)性化模式運(yùn)用的也是基于內(nèi)容的推薦方法,其實(shí)現(xiàn)推薦任務(wù)的基本思路也是利用相關(guān)的信息檢索和索引技,后者利用用戶模型(文檔)反映和匯集用戶的期望,興趣,偏好等個(gè)性特征,它所提供的信息被用作相關(guān)反饋提交,用戶模型是推薦決策和檢索的依據(jù),相似度比較在用戶興趣向量表示和系統(tǒng)推薦目標(biāo)對(duì)象之間進(jìn)行.因而,個(gè)性化推薦的相似度計(jì)算可形式化描述為:=score(ContentBasedProfile(),Content(i)),其中,i分別表示用戶,系統(tǒng)空間的內(nèi)容對(duì)象,ContentBasedProfile(),Content(i)分別代表用戶興趣表示,推薦系統(tǒng)和推薦代理使用了多種方法來(lái)表示用戶的興趣,其中常用的是特征向量表示,語(yǔ)義網(wǎng),Amalthaea,ieb,Letizia,Websail,Movielens,ACRnews等使用的是特征向量表示,SitelF使用的則是語(yǔ)義網(wǎng),而Syskillamp。(7)4NelsonKG,SomersTMExploringERPSuccessFromanEnd—userPerspec.tiveSeventhAmericasConferenceonInformationSystems,20015DavidWainwright,InformationSystem:RedressingtheBalanceBetweenTechnology,StrategicandOrganizationalAnalysisInformationManagement,2004:(24)(責(zé)縭:勃陽(yáng))(上接第118頁(yè)),獲勝的推薦代理產(chǎn)生的推薦作為最佳推薦提供給用戶。17(6)l2JSBreese,.Intelligence,1998l3MukundDeshpandeandGeorgeKarypisItem—Ba.39。競(jìng)爭(zhēng)推薦系統(tǒng)運(yùn)用不同的推薦方法(推薦代理)實(shí)現(xiàn)同一1\推薦任務(wù),(下轉(zhuǎn)第12l頁(yè)}圓在構(gòu)建虛擬信息整合系統(tǒng)的過(guò)程中,將一些具有保存價(jià)值的信息資源(包括結(jié)構(gòu)化和非結(jié)構(gòu)化信息)加以整合存入信息倉(cāng)庫(kù),實(shí)現(xiàn),而,并且知識(shí)庫(kù)的建設(shè)應(yīng)該是早期信息倉(cāng)庫(kù)的苜要任務(wù),通過(guò)應(yīng)用知識(shí)整合技術(shù),將一些對(duì)決策支持與系統(tǒng)運(yùn)作有重要意義的知識(shí)信息整合起來(lái),組建知識(shí)庫(kù),并以信息集成的形式加入信息倉(cāng)庫(kù),如圖3所示.圖3信息資源整合的技術(shù)實(shí)現(xiàn)5信息資源整合的協(xié)同推進(jìn)模型