首页 理论教育 用户模型的设计_智能信息系统

用户模型的设计_智能信息系统

时间:2022-06-29 理论教育 版权反馈
【摘要】:而所有的用户个体模型,均在系统运行中动态建立。最后,对于每个原型,应附加一个激活方法,它使用谓词形式,如果被一个用户满足,则确定一个证据,它建议该用户是原型类的可能成员,但不能肯定。前一步收集的用户基本信息,可被用来检测原型中的“激活方法”。

用户模型的设计_智能信息系统

8.3.4 用户模型的设计

1.建立用户模型的主要任务

建立用户模型包括两大任务:一是用户行为记录的管理,即记录每次使用登录系统以及使用系统的用户行为概要;二是建立模型库,构造和维护用户模型知识库。

(1)用户行为特征的管理

它的主要工作是收集与当前交互有关的输入信息,存入用户行为记录概要数据库(称为用户行为历史库)。它的内容包括用户对系统提问的回答(用户背景、经验等)或用户直接提供的关于当前需求的信息(如查找目标和限制)。(www.guayunfan.com)

用户行为特征包含过去的行为数据,可按用户名和时间组织。这些信息被用于构造和精练用户模型。在每次查找结束时,系统使用新收集的数据修改数据库。

(2)建立模型库

建立模型库的目标是产生和维护用户模型,它产生三个知识库:

①原型库(Stereotype Base):它包含典型用户模型的集合,描述若干用户类。一个原型模型描述具有某些相同特征的一类用户。它用于产生新的原型和个体用户模型。

②个体模型库:它存贮每个用户的模型。在查找咨询的开始阶段,系统存取个体模型库,它提供该用户的已存模型(如果系统已知该用户),咨询结束后,系统将精练后的用户模型再存回个体模型库。对于新用户,则在交互中产生临时的初始模型,存贮入库。

③用户行为历史库:如前所述,它包含过去所有的用户行为概要数据。

此项任务可分为五个子功能,它们使用特定的知识源识别和描述用户的各种特征:

①确定用户的身份:系统中,用户身份的类型是有限的,例如,可分为学术用户和非学术用户,学术用户又可细分为学生和教师。为了确定用户的身份,可利用用户的专业知识状态、以前的活动、使用信息系统的经验水平等形成假设。然后根据这种假设决定怎样采访和怎样产生有关的解释。此外,系统还必须知道用户分类标准。

②确定用户的目标:目标可是短期的(如完成学位论文),也可以是长期的。为了实现这一特定功能,系统需要知道用户目标的确定类型,它相关于用户当前的信息需求、个人背景和长期计划。

③确定用户的专业知识状态:确定用户知识的深度(如好、中、差等)以及用户具有各种知识的全面性。基于用户的专业知识,系统可以开始形成关于其他功能的假设,例如检索策略或输出要求。如果用户关于某问题的某方面具有很好的知识状态,系统可以决定,在查找中不应过分强调这个方面,因为用户可能不需要这个主题方面的太多信息。对于此功能,系统必须使用关于用户知识状态的深层知识和问题分解的知识,以便能辨别用户在各种领域中的知识状态。

④确定用户对信息系统的熟悉程度:即确定用户对系统能力与知识源的了解和使用系统的经验。如果用户无经验,系统将解释系统能力、一般的查找过程、数据库的结构、系统费用等,并具有用于引导用户的对话。如果用户具有丰富的系统经验,则不需作这些解释。为了实现这个子功能,系统需要获取关于用户经验水平方面的知识,还要知道怎样产生适合于不同水平用户的解释。

⑤确定用户的背景知识:用户具有不同的背景,例如教育、职业背景等方面,此功能努力分类用户背景的各个方面。例如,一个用户工作在与当前信息需求有关的领域,于是系统可开始构造关于用户知识状态的假设。此外用户住处也可能隐含用户的知识状态。对于此功能,系统必须知道用户可能有的背景范围和怎样分类这些背景。

2.构造用户模型的基本步骤

主要原型模型的构造是在系统设计时进行的,直接包含在系统的知识库中;然后在系统运行中,根据需要从它们推导新的、较特殊的原型。而所有的用户个体模型,均在系统运行中动态建立。下面主要讨论关于新用户类的原型模型和个体模型的动态建立过程。

(1)原型模型的构造

一个原型是一个用户类的描述,它不描述用户的所有特征,仅描述一类用户所具有的重要的相同特征,因此它仅提供一个类成员的部分描述。原型可使用框架方法表示,它包含说明型和过程型知识。从结构方面出发,一个原型具有与用户模型类似的组织结构(用户行为特征除外),它的基本结构如图8-6。

图8-6

槽的结构对于所有的原型都是固定的,槽可有多个值,每个槽可是以下三种类型:

●识别槽:获得它的值必须满足一个给定谓词,来识别一个用户是否是原型类的成员。这些槽所包含的信息是分类用户的判别标准。

●默认槽:它们包含一个用户类的典型特征。这种槽值是固定的、预先定义的。

●继承槽:它的内容是空的,它们可以从其父辈或祖先那儿继承值。

每个原型的槽可以附加以下过程:

●获取方法:它们表示获取有关用户信息的技术。

●证实方法:它们用于检查获取信息的语义限制,确保用户模型的局部正确性和总体的一致性。

●识别方法:它们与识别槽有关,负责评估有关谓词,确保当前用户应具备的充分必要条件。

最后,对于每个原型,应附加一个激活方法,它使用谓词形式,如果被一个用户满足,则确定一个证据,它建议该用户是原型类的可能成员,但不能肯定。这种谓词可归入识别槽。一般情况下,需要满足识别方法中所有谓词的要求,方可确定一个类成员。

所有原型一起就构成层次分类结构。如果A类包含在B类中,则说B表示一个上位类,A表示一个下位类。A可从B继承所有的默认值、识别槽及所有的附加过程。此外,它还可具有自己的特殊槽和方法。这种分类关系可用于构成原型库,并支持从现有原型的专化来产生新的原型。

(2)个体用户模型的动态构造

建立模型的操作从用户进入系统时开始,系统首先查找个体用户模型库,如果没有该用户的模型,则为新用户。系统必须从零开始建立当前用户的模型,处理分为五个步骤:

①通过交互获取信息。这一步骤通过一定范围的系统驱动对话,获取用户的基本信息。例如,关于教育和专业背景知识就在本步骤获取。一般来说,使用的模型建立技术要适合于用户信息分析,可综合运用获取过程和单一析取方式。

②激活原型。前一步收集的用户基本信息,可被用来检测原型中的“激活方法”。原型库中被激活的所有原型称为活动原型,它们可作为构造当前用户模型的开始点。

③辨别原型。本步骤仅考虑活动原型集合,目标是识别一个原型,它能够作为构造当前用户模型的核心。系统逐个检查活动原型:如果所有识别方法的评估均为真,保留它;否则丢弃(注意:测试“识别方法”时,要求有关的“获取方法”已执行并求得有关识别槽的值)。通过以上处理,活动原型集合目前包含的所有原型可用于当前用户(注意:这个集合决不会为空,因为根原型框架可用于任何用户)。系统从这个集合选择最适合于当前用户特点的原型,将它作为核心开始构造该用户的初始模型。选择最合适原型的标准是选最专化的原型。

④精练模型。辨别原型后即开始本步骤,目标是逐渐扩展、精练刚建立的初始模型或以前构造的用户模型。系统重复执行以下两个主要活动:i)应用合适的获取方法,收集或产生与用户有关的新信息;ii)应用有关的证实方法检查和纠正新信息的一致性。模型精练工作直到当前咨询结束为止。

⑤结束工作。当咨询结束时,当前用户的模型已初次完成,连同用户标识名一起存入用户模型库。本次检索行为被用户行为历史库保存。

如果系统已知当前用户,即该用户模型已包含在个体模型库中,那么建立用户模型的操作有所不同,步骤①~③由另两个新的活动替代。在这种情况下,建立模型的操作包含四个步骤:

①检索模型。如果系统识别当前用户为已知用户,就从用户个体模型库检索该用户的模型。

②用户行为信息的处理。本步骤主要是处理当前用户的行为特征,以便推导或精练模型中某些槽的典型值(如个人特征、查找要求等)。该任务应用学习方法或统计处理,识别用户特征的有意义的模式。处理中所需要的用户历史信息可从用户行为历史库中抽取。本步骤的结果是已修改的用户模型,并将在当前咨询中进一步精练。

③精练模型,同上。

④结束工作,同上。

3.用户模型的更新

一般来说,用户的兴趣会随着时间的推移呈现出不同的变化。从信息系统使用者的角度看,特定领域的用户兴趣变化大体可以分为两类:一类是渐进式变化,用户兴趣随着时间的递推逐渐发生改变,是一个缓慢持续的过程;另一类是突发式变化,用户兴趣随着某个事件的发生而突然发生变化。针对这两类兴趣变化,产生了两种用户模型更新的方法:用户的相关度反馈和用户模型高级交互[11]。

(1)用户的相关度反馈

用户相关度反馈是利用用户对系统的反馈信息(用户对对象的评价)来观察用户的兴趣是否发生了变化,用户通过反馈处理器对用户模型进行更新。其基本结构如图8-7所示。

图8-7 相关度反馈

利用相关度反馈的好处是用户只需与返回给用户的对象而不用与对象以外的数据(比如用户模型中的属性值或者用户模型的其他内部表示)进行交互,并且这种反馈(交互)是可以自动进行的,并不强制用户进行交互,通常称这种交互为隐含反馈(Implicit Feedback)。比如,系统可以观察用户对返回给他的对象是否查看、保存等操作来估计用户对对象的评价。

但这种方式具有一定的时滞性,也就是说用户模型必须经过一段时间后才能反映用户兴趣的变化。图8-8表示兴趣呈渐进式变化时,实际兴趣变化和模型兴趣(用户模型所表现出来的用户兴趣)变化之间的差异,模型兴趣变化相对于实际兴趣变化有一定的滞后,特别是当兴趣变化比较快的时候,这种差异就更加明显。

图8-8 渐进式变化-相关度反馈

用相关度反馈作为用户模型的更新方法,适合于兴趣渐进式缓慢变化的情况。因此,基于向量空间和概念的用户模型可以采用这种方法更新。

(2)用户模型高级交互

与用户相关度反馈方法不同,用户模型高级交互不是自动完成的,而是把这种交互任务交由用户手动地去完成。对于这种方法,长期以来颇有争论,比如,在基于规则的方法中,如果需要用户手动地去完成用户模型的高级交互,那么用户必须建立新的规则,对于用户来说这个确实比基于相关度反馈方法要复杂得多,但是它有利于用户更好地监测他们的用户模型,使用户模型能及时反映他们的兴趣变化。

由于突变兴趣变化是由事件引起的,虽然系统无法马上检测到,但是用户能注意到引起事件的原因,并且可以在兴趣发生变化时或者变化前对用户模型进行更新,它避免了在用户相关度反馈中由于学习造成的学习期间系统准确率的下降。但是,用户模型高层交互的有效程度在很大程度上取决于用户模型采用的数据结构。如果用户兴趣和模型中兴趣的内部表示有很好的一一对应关系,那么,通过此种方法的更新就非常有效。比如,用户模型用一条Query来表示用户的一个兴趣,那么当用户兴趣变化时,直接更新这条Query就可以了,但是如果用从全文检索提取的关键字权重向量来表示,那么就不能实现这种有效的更新。因而这种方法对渐进式变化的用户兴趣效果不好。

用户模型的高层交互能使用户对突变兴趣进行有效的处理,对于渐进兴趣变化则存在着较大的错误区。因此,基于行为规则和固定模式的人机接口能采用这种方法实现用户模型的更新。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈