关联规则

对“个性化检索”研究现状的分析
—基于关键词的关联规则挖掘
学号：103789000000246
姓名：徐孝娟
专业:情报学
摘要：基于文献研究个性化检索，对其进行关键词关联规则挖掘，并依据规则进行文献内容分析，得出个性化检索研究的现状与总体特征，通过与学术界网站评价研究热点内容进行对比，发现个性化检索的研究主要在在个性化检索领域的研究主要集中在把本体理论引入，以解决检索词歧义等问题，让检索词更贴近自然语言，并考虑用户模型、用户兴趣，让用户直接参与进来，用户的兴趣通过关联规则挖掘，从而使查询更加精确，提高查询准确率。

关键词：情报学；网站评价；关联规则挖掘；研究现状
分类号：G350
随着计算机技术和互联网的迅速发展，网站的数量在空前的增长，越来越多的信息和服务通过互联网发布，而网站的质量决定了网民获取信息和服务的质量。

中国互联网络信息中心(CNNIC)发布的《第26次中国互联网络发展状况统计报告》[1]报告显示，截至2010年6月中文网站数量达363万家，年增长率达到17．3%。

网站数量的增加一方面加剧了网站之间的竞争，另一方面也加大了用户选择合适的信息来源的难度。

这些问题的出现吸引了不同学科领域学者从不同角度对网站信息的个性化进行研究，对这些研究的探究直接影响用户获取信息和服务质量的提高和未来发展。

1研究方法
1．1关联规则内涵
Apriori算法[2]是最著名的关联规则算法，它的主要思想是首先寻找所有的频繁项集，即满足s不小于mins的项集，然后通过用户给定的minc，在每个最大频繁项集中，寻找confidence不小于minc的关联规则。

关联规则的基本概念如下：
○1设I = {i1，i2，…，im}是项的集合，其中元素称为项，包含k个项的项集称为k项目集。

记B为交易T的集合，这里交易T是项的集合，并且T属于I。

○2规则XY在交易数据库D中的支持度(S)是交易中包含X和Y的交易数与所有交易数之比，表示在规则中发现的频度，记为S (XY)，即S(XY) = P(X∪Y)。

○3规则XY在交易数据库D中的置信度(C)是指包含X和Y的交易数与包含X 交易数之比，表示规则的强度，记为C (XY)，即C (XY) = P( Y | X)。

○4频繁项目集，指满足用户给定支持度的项目集，关联规则挖掘的重点耗时的工作便是找出所有频繁项目集。

○5最小支持度阈值mins，表示数据项集在统计意义上的最低主要性；最小置信度阈值minc，表示规则的最低可靠性。

最小支持度和最小置信度的选取应根据数据的情况和用户的需要设定。

关联规则挖掘求解问题的步骤：预处理与挖掘任务有关的数据，根据具体问题的要求对数据库进行相应的处理，从而生成规格化的数据库；从数据库D中找到所有支持度大于最小支持度的项集，这些项集称为频繁项集；使用b中找到的频繁项集产生期望的规则R，这些规则必须满足最小置信度，形成输出规则。

1．2关联规则应用意义
关联规则是数据挖掘的主要技术之一，是知识发现的一个环节，用于从大量数据中的项集之间发现有趣的关联或相关联系，从而达到认识事物客观规律的技术方法。

随着对大量数据的不停收集与存储，数据库中挖掘关联规则显得越来越重要。

关联规则挖掘的思想可以应用到文献计量学，例如对关键词之间的关联程度进行分析，如果某两个或多个关键词频繁出现在同一篇文献的关键词集中，则说明这两个或多个关键词具有一定的关联。

本研究意在通过找出有关网络评价文献中的高频词，从而分析当前网络评价的研究现状。

本文中笔者对支持度（S）和置信度（C）这两个指标的解释[9]为：S是指同时包含XY两个高频关键词的文献数与总研究文献数之比，反映了这方面内容研究的普遍性。

C是指同时包含XY两个高频关键词的文献数与包含X的文献数之比，反映了关注该问题的概率。

2数据获取与处理
2．1数据获取
2010年12月24日笔者以中国知网和万方作为数据库，把“个性化检索”作为题名进行检索，共检索到文献56篇，剔除重复和不相关的还有45篇，这45篇文章共包含关键词99个，利用excel统计关键词后，用ucinet工具进行共现分析[11]（如图1）。

图1关键词共现
从图1笔者得出○1个性化检索方面的文章主题主要集中在个性化检索；个性化服务；个性化；搜索引擎；信息检索；Agent；用户兴趣模型；本体论。

说明我国学者在近几年来对这些方面的研究颇多。

○2对计算机应用和多媒体在图中是独立的小模块，通过抽取文件可知，这两个关键词分别在2009年3月和2010年4月提出，说明这两个课题刚刚被学者关注，是新兴的领域。

2．2数据预处理
通过excel获得原始数据，对原始数据通过ucinet工具进行处理，可以得到关键词词频排序表，我们以top15作为研究对象，对top15相关的数据进行关联
规则挖掘，得出top15中关键词的共现表，即表1（由于本体和ontology是一个概念，在下文的支持度和置信度计算中将二者合为一个关键词）。

本文主要是对个性化的现状进行分析，因此在对关联规则的计算，只计算单方向的，例如只计算个性化检索→用户兴趣的置信度和支持度，不在计算用户兴趣→个性化检索的置信度和支持度。

由图1可知，个性化检索关键词在各学科领域的研究还是比较集中的，因此根据需要，定义较低的阈值即可。

笔者给本研究的最小置信度为20%，最小支持度为4%。

通过对关联候选关键词的置信度和支持度进行计算，得出满足条件的规则，如表2。

3规则结果分析
从表2可知：
○1当学者写文献时，提到有个性化的关键词，就经常会涉及到本体论、分类、信息检索、文本分类这几个关键词，从这几个关键词可以得出本体论和文本分类方法经常被用到个性化检索的研究中。

○2规则个性化检索→用户兴趣，支持度占到了22．22%，说明当前学者在研究个性化检索时，用户兴趣是经常被考虑到的因素，这和笔者阅读文献中所获取的内容是一致的；置信度占到了58．82%，说明一提到个性化检索→用户兴趣在含有个性化检索关键词的文献中研究占得比例较大，学者关注的多。

○3用户兴趣和IETM、本体论，结合○1○2说明用户兴趣与个性化检索、本体论、IETM这些的联系比较密切，在笔者阅读的文献中，当设计一个个性化检索系统时，本体论是当前比较热的方法，而用户兴趣是要考虑的重要因素，因此几个关键词关系密切和实际符合。

○4个性化检索与关联规则的规则说明在进行用户兴趣模型研究时，要考虑各个兴趣之间的关联性；个性化服务与用户模型、信息检索，说明在网站数量激增的时代，越来越多的用户在获取信息服务时需要个性化服务，这直接吸引了学者对这方面的研究，这也是置信度和支持度高的原因。

总的来说，在个性化检索领域的研究主要集中在把本体理论引入，以解决检索词歧义等问题，让检索词更贴近自然语言，并考虑用户模型、用户兴趣，让用户直接参与进来，用户的兴趣通过关联规则挖掘，从而使查询更加精确，提高查询准确率。

4推论与结语
笔者通过对文献关键词的提取，发现在个性化检索领域，本体方法引入，如何更好的构建本体数据库是继续用解决的问题；用户兴趣是目前考虑最多的因素，而用户兴趣的获取途径以及获取的内容涉及到用户的隐私，如何能够在获取用户兴趣模型的同时不影响用户的隐私将是以后研究的重点。

本文的创新点在于将关联规则挖掘的方法引入到文献计量学中来对学科的研究热点进行分析，但由于时间和能力有限本文只研究了以题名个性化检索方面的文献，而对个性化搜索，个性化自动推送等相关的题名并未检索和研究，所得
结论有一定的局限性。

关于个性化方面文献的研究以及研究方法的改进有待于今后进一步加强。

参考文献：
[1]中国互联网络中心.第26次中国互联网络发展状况统计报告[R].2010
[2]徐洁磐.数据仓库与决策支持系统[M].北京：科学出版社，2005
[3]向阳，张巍．基于事务数据库的关联规则采掘算法研究[J]．山东大学学报(自然科学版)，
2001，20(2)：55-59
[4]JiaweiHan，MichelineKamber.数据挖掘概念与技术[M].北京:机械工业出版社，2001
[5]卲峰晶，于忠清.数据挖掘原理与算法[M].北京:中国水利水电出版社，2003
[6]张玉林等.一类表间多层次关联规则挖掘算法研究[J].管理工程学报，2002，16(2)：53-56
[7]彭仪普，熊拥军.关联挖掘在文献借阅历史数据分析中的应用[J].情报杂志，
2005(8):40-45
[8]罗凤莉.基于关联规则挖掘的图书流通信息分析[J].晋图学刊，2007(2):33-36
[9]赵艳芝.对“个性化检索”研究现状的分析-基于关键词的关联规则挖掘.2008，52(7)：
102-105
[10]蔡会霞等.关联规则的数据挖掘在高校图书馆系统中的应用[J].南京工业大学学报，
2005，27(1):85-88
[11]钱峰.基于SPSS知识地图的国内数据挖掘研究现状分析[J].情报科学.2008，26(6)：
924-928
[12]Fayyad UM，Piatetsky Shapiro G，Smyth P.Advances in knowledge discovery and data
mining[M].California: AAAI/MITPress，1996。