[论文解读] A semantically enriched web usage based recommendation model

C. Ramesh, K. Venkateswara Rao+1 more|arXiv (Cornell University)|Nov 10, 2011

Recommender Systems and Techniques参考文献 9被引用 3

一句话总结

本文提出了一种语义增强的网络使用挖掘框架，通过将基于本体的语义建模与序列模式挖掘相结合，以提升网络推荐的质量。通过将频繁的导航模式作为本体实例提取，而非原始的页面访问记录，该模型能够生成更智能、更具上下文感知能力的推荐，证明了语义增强可提升模式的相关性与个性化网络服务的系统功能。

ABSTRACT

With the rapid growth of internet technologies, Web has become a huge repository of information and keeps growing exponentially under no editorial control. However the human capability to read, access and understand Web content remains constant. This motivated researchers to provide Web personalized online services such as Web recommendations to alleviate the information overload problem and provide tailored Web experiences to the Web users. Recent studies show that Web usage mining has emerged as a popular approach in providing Web personalization. However conventional Web usage based recommender systems are limited in their ability to use the domain knowledge of the Web application. The focus is only on Web usage data. As a consequence the quality of the discovered patterns is low. In this paper, we propose a novel framework integrating semantic information in the Web usage mining process. Sequential Pattern Mining technique is applied over the semantic space to discover the frequent sequential patterns. The frequent navigational patterns are extracted in the form of Ontology instances instead of Web page views and the resultant semantic patterns are used for generating Web page recommendations to the user. Experimental results shown are promising and proved that incorporating semantic information into Web usage mining process can provide us with more interesting patterns which consequently make the recommendation system more functional, smarter and comprehensive.

研究动机与目标

• 解决传统网络使用挖掘方法仅依赖低层次访问日志而缺乏领域知识的局限性。
• 克服传统推荐系统因缺乏语义上下文而导致发现模式质量不佳的问题。
• 将领域特定的语义信息（通过本体）整合到网络使用挖掘流程中，以提升推荐的相关性。
• 开发一种将用户导航序列转化为语义模式的框架，以实现更有意义的推荐。
• 通过结合使用行为与语义关系，提升网络推荐系统的全面性与智能性。

提出的方法

• 使用本体对网络导航序列进行建模，将用户行为表示为语义实例，而非原始的页面访问记录。
• 在语义空间中应用序列模式挖掘技术，以发现频繁的导航模式。
• 将用户访问模式表示为领域特定本体的实例，以保留语义上下文与关系。
• 利用生成的语义模式，基于用户行为与领域知识生成个性化网页推荐。
• 从使用日志中构建语义导航模式的知识库，以支持更丰富的推理与推荐逻辑。
• 将语义模型与推荐引擎集成，优先推荐语义一致且上下文相关的优质内容。

实验结果

研究问题

• RQ1 如何有效将语义信息整合到网络使用挖掘中，以提升推荐质量？
• RQ2 当以语义空间表示而非原始页面访问记录时，频繁导航模式具有哪些特征？
• RQ3 通过本体引入领域知识在多大程度上提升了网络推荐的相关性与全面性？
• RQ4 与传统基于使用的方法相比，语义增强是否能带来更富有意义且功能更强的推荐模式？
• RQ5 使用本体实例在多大程度上提升了网络推荐系统的可解释性与性能？

主要发现

• 将语义信息整合到网络使用挖掘中，可产生更有趣且上下文相关性更强的导航模式。
• 作为本体实例提取的语义模式，相较于传统的基于页面访问的序列，能更丰富地表示用户行为。
• 所提出的模型通过利用领域知识与语义关系，生成了更具功能性和全面性的推荐。
• 实验结果表明，语义增强显著提升了网络使用挖掘中发现模式的质量与相关性。
• 该框架在通过语义上下文提供更智能、更个性化的网络体验方面，展现出减少信息过载的潜力。
• 本体的使用使推荐系统在泛化与推理方面表现更优，超越了简单的共访问频率分析。