基于多源數(shù)據(jù)融合的移動商務個性化服務研究

陳志剛，方 卉

（湖北工業(yè)大學經(jīng)濟與管理學院）

伴隨著互聯(lián)網(wǎng)、移動智能終端和大數(shù)據(jù)技術(shù)的高速發(fā)展，海量的結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)不斷滲入移動商務企業(yè)的日常運作中，大量學者開始關(guān)注基于多源數(shù)據(jù)融合的移動商務個性化服務研究，使之發(fā)展成為學界探討的主流問題。移動終端具有動態(tài)感應位置、無線信息交流、情境狀態(tài)演變的特點，如何從各類智能傳感設備獲取的數(shù)據(jù)以及移動商務平臺生成的交易信息和社交網(wǎng)絡用戶實時分享的地理位置等多源數(shù)據(jù)中挖掘出對用戶集群有用的信息，提取用戶特征并對其使用行為進行感知，從而實現(xiàn)個性化的推薦與定制服務成為當前亟待研究的課題。

近幾年移動商務個性化服務在國內(nèi)外被普遍關(guān)注，應用范圍涵蓋醫(yī)療業(yè)、娛樂業(yè)、服務業(yè)等各個領(lǐng)域，而面向多源數(shù)據(jù)融合的移動商務個性化服務研究在國內(nèi)外的進展差異較大。隨著信息融合技術(shù)的不斷發(fā)展，多源數(shù)據(jù)融合（Multi-source Data Fusion）應時而生，并被各國視為重點開發(fā)的核心技術(shù)之一。Choi等人提出根據(jù)用戶的情景化偏好、互動結(jié)果等多維度計算每一個偏好屬性的權(quán)重來實現(xiàn)用戶的個性化服務。［1］Tuzhilin等人提出了一種基于數(shù)據(jù)倉庫的多維推薦方法，在傳統(tǒng)二維用戶推薦系統(tǒng)的概念上進行了全面的概要剖析和聯(lián)機分析處理以表達復雜情境的語句查詢，使用戶更加靈活的與推薦系統(tǒng)進行交互。［2］劉晶等人針對移動商務用戶位置、情境特性，提出大數(shù)據(jù)平臺下的多源關(guān)聯(lián)個性化模型，為用戶的偏好、決策提供精準的推薦服務。［3］縱觀當前的理論成果，國內(nèi)移動商務個性化服務對多源數(shù)據(jù)融合的探討不夠深入，在時下大數(shù)據(jù)平臺上提供的技術(shù)服務較少，大多依靠單一的推薦算法或有限的數(shù)據(jù)來源進行模型構(gòu)建，缺乏對多源數(shù)據(jù)的處理研究和情景應用。由于這些異構(gòu)、復雜的數(shù)據(jù)在共享發(fā)展的時代下難以實現(xiàn)關(guān)聯(lián)互享，導致形成了一個個信息孤島，因此，基于多源數(shù)據(jù)融合的移動商務個性化服務研究十分必要。

1 多源數(shù)據(jù)分析

大數(shù)據(jù)背景下，僅靠單源信息無法保障商務平臺的競爭實力，不能滿足當前階段的信息需求，因此，對多源數(shù)據(jù)的處理分析十分必要。各類終端、傳感器、瀏覽頁面等渠道所產(chǎn)生的海量數(shù)據(jù)具有不可估量的挖掘價值，但數(shù)據(jù)規(guī)模龐大，傳統(tǒng)的挖掘技術(shù)難以采集、互聯(lián)和處理，而通過多源數(shù)據(jù)的交叉融合，可以實現(xiàn)數(shù)據(jù)的精準識別與標準化管理，保證了數(shù)據(jù)在多維度上的一致性，也挖掘出大數(shù)據(jù)的潛在價值。

1.1 數(shù)據(jù)收集

傳統(tǒng)方法上，移動商務的數(shù)據(jù)收集主要集中于結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，如，用戶的個人信息、訪問日志等內(nèi)容。然而，這類數(shù)據(jù)僅是大數(shù)據(jù)的冰山一角，大量隱匿于用戶社交活動和情景環(huán)境的多模態(tài)數(shù)據(jù)（如，GPS、藍牙、評論內(nèi)容、瀏覽足跡等）尚未被挖掘利用。

在本文中，針對用戶行為的數(shù)據(jù)收集分為顯性數(shù)據(jù)收集和隱性數(shù)據(jù)收集兩部分。① 顯性數(shù)據(jù)是指用戶在網(wǎng)絡訪問或現(xiàn)實生活中通過信息或商務交易等一系列活動所產(chǎn)生的特征數(shù)據(jù)（行為特征及個人信息），具有顯著的分析價值，能夠直接被電商平臺采集、存儲和運用。如，電信營業(yè)廳會對前來辦理業(yè)務的用戶登記個人信息，包括其姓名、電話、住址等基本內(nèi)容，并且會結(jié)合用戶以往或現(xiàn)有的業(yè)務數(shù)據(jù)為其提供新的服務方案；線上線下商家可以通過問卷調(diào)查或詢問交流來獲取用戶的消費滿意度，了解用戶當前的消費喜好和未來的購物傾向。② 隱性數(shù)據(jù)是指用戶在社交網(wǎng)絡、頁面平臺等環(huán)境下實時留下的情景數(shù)據(jù)（自然情景、社會情景、應用情景），與用戶動態(tài)的興趣愛好及心理狀態(tài)密切相關(guān)，需要通過特征化處理和關(guān)聯(lián)運算來挖掘數(shù)據(jù)背后隱藏的價值，其收集主要通過各種智能穿戴設備、移動終端等多模傳感器獲得。如，手機、腕表上的GPS定位功能可以挖掘用戶的運動軌跡，利用空間位置的相似程度來分析用戶的行為特征；微信、Facebook等社交軟件能夠借助網(wǎng)絡平臺分享的朋友圈、通訊錄等情境信息，融合用戶評論、發(fā)表內(nèi)容以及瀏覽痕跡來挖掘其社交行為，進而預測其個人需求。

1.2 數(shù)據(jù)清洗

在經(jīng)過用戶數(shù)據(jù)收集的階段后便進入到數(shù)據(jù)清洗。當前，大數(shù)據(jù)時代的數(shù)據(jù)清洗分為三個方面：數(shù)據(jù)濾重、數(shù)據(jù)除雜和數(shù)據(jù)糾正（見圖1）。海量用戶數(shù)據(jù)的來源多樣、結(jié)構(gòu)各異，存在噪聲和冗余的干擾，需要對這些多源數(shù)據(jù)進行過濾來糾正錯誤、排除雜質(zhì)，保證數(shù)據(jù)的一致與完整。如，用戶在社交平臺（微博、臉書）更新的評論、說說、收藏等內(nèi)容，其中可能包含移動商務平臺所需的用戶偏好、個性特征。當然，大量的數(shù)據(jù)可能是異構(gòu)、零碎的，且不易被完整清洗，因此，從多維度、多來源去融合各類數(shù)據(jù)才能獲得高價值的用戶信息。

圖1 多源數(shù)據(jù)收集－清洗模型

1.3 數(shù)據(jù)融合

多源數(shù)據(jù)融合被定義為一種處理多格式、多維度的同質(zhì)或異構(gòu)數(shù)據(jù)的綜合信息技術(shù)，通過對數(shù)據(jù)多層的分析，使不同的數(shù)據(jù)優(yōu)勢互補和去除冗余，獲得魯棒性高、可信度強的目標數(shù)據(jù)。HU Jiaqi提出了基于數(shù)據(jù)層、特征層、相似度層和決策層的四層數(shù)據(jù)融合思路。［4］李廣建等人總結(jié)了大數(shù)據(jù)環(huán)境下信息融合的理論框架，包括形式上的多元表示、語法結(jié)構(gòu)的相關(guān)聯(lián)系等，利用唯一識別、異構(gòu)加權(quán)等手段實現(xiàn)多源信息融合進而投入到企業(yè)的生產(chǎn)運作中。［5］基于多源數(shù)據(jù)融合的理論基礎，移動商務用戶的數(shù)據(jù)融合可以優(yōu)化為三個環(huán)節(jié)：首先，對用戶數(shù)據(jù)（實時與非實時數(shù)據(jù)）進行清洗，包括用戶的個人信息、行為數(shù)據(jù)和情景數(shù)據(jù)；其次，對清洗后的用戶離線數(shù)據(jù)和預測數(shù)據(jù)進行特征提取，確定特征向量，并與知識庫（用戶、商品及情景知識）中的信息匹配；最后根據(jù)行為向量得出最終的決策判斷，建立融合多源數(shù)據(jù)的用戶行為模型（見圖2）。

圖2 多源數(shù)據(jù)融合模型

2 用戶行為感知

近年來，手機網(wǎng)民的數(shù)量不斷增加，互聯(lián)網(wǎng)上大量關(guān)于商品信息基于文本、圖像的數(shù)據(jù)交融復雜，使得用戶對智能終端多元個性化的服務愈加重視。相關(guān)研究發(fā)現(xiàn)，移動用戶的興趣喜好與其使用行為聯(lián)系密切，移動商務用戶行為感知即是通過對用戶行為活動的研究分析，來感知并預測其行為意向，從而掌握用戶特征，實現(xiàn)個性化推薦的手段。

通過對知網(wǎng)、萬方等數(shù)據(jù)庫中有關(guān)用戶接受行為文獻的整理發(fā)現(xiàn)，在移動商務初始接受階段，常用的理論及模型有理性行為理論（TRA）、創(chuàng)新擴散理論（IDT）、規(guī)劃行為理論（TPB）、技術(shù)接受模型（TAM）、價值接受模型（SVAM）和整合型科技接受模式（UTAUT）。而在持續(xù)使用階段，期望確認模型（ECM）及其擴展架構(gòu)是主要的分析手段。當前，大多學者認為影響用戶使用態(tài)度的因素不外于有用性、易用性、主觀規(guī)范和信念，而態(tài)度決定了其行為意圖，促使實際行為的產(chǎn)生。然而，伴隨著研究的不斷深入，人們發(fā)現(xiàn)用戶的需求態(tài)度是多維復雜甚至是有沖突的，可能在初始接受階段用戶傾向于移動商務的高效便捷，但在持續(xù)使用階段可能更傾向于其成本、風險的大小。［6］當用戶的心理發(fā)生改變，或自身特性具有差異時，僅依靠上述理論模型顯然已不能適應用戶不斷改變的需求。因此，近年來不少學者在用戶行為感知的研究中引入情景因素，通過利用實體的情景信息、感知當前情景（地理位置、情緒狀態(tài)、目標和任務等）來識別用戶的動態(tài)特征，有效應對用戶需求的實時變化。為了實現(xiàn)規(guī)范的感知并收集用戶的情景數(shù)據(jù)加以利用，采取基于本體的語義描述，形成統(tǒng)一的語義化用戶情景。依據(jù)本體的表示技術(shù)能夠?qū)⒂脩粽Z義信息轉(zhuǎn)化成共識的形式化信息，從而全面、有序地闡述用戶的行為模式。因此，在用戶行為模型構(gòu)建中，可以借助本體與情景結(jié)合的感知方法，來設計基于情景本體的行為感知模型。① 通過傳感設備、互聯(lián)網(wǎng)或其他數(shù)據(jù)源來收集用戶的情景數(shù)據(jù)，包括在線情景（空間位置、瀏覽交易、評論轉(zhuǎn)發(fā)）和離線情景（個性特征、知識服務信息、社交環(huán)境、歷史行為記錄）；② 對獲取的情景數(shù)據(jù)采取語義化處理，將統(tǒng)一的情景本體與商品本體關(guān)聯(lián)融合，并進行用戶相似度計算，以提高本體的解釋力度；③ 構(gòu)建情景本體模型，通過分析不同用戶的情景狀態(tài)來了解用戶態(tài)度，解釋其行為意圖，最終感知用戶的動態(tài)行為（見圖3）。

圖3 基于用戶情景本體的行為感知模型

3 個性化推薦算法

隨著移動商務逐漸被人們熟知，業(yè)務規(guī)模不斷擴大，用戶想要在海量信息中找到心儀的商品十分困難。因此，為了能夠更好地滿足用戶需求，電商開始利用個性化推薦技術(shù)向用戶推薦其可能感興趣的產(chǎn)品，并將推薦結(jié)果及時精準地進行反饋。目前，常用的推薦算法有四種。① 協(xié)同過濾算法：通過對不同對象（用戶或商品）之間的相似度計算，選取與目標對象最貼近的匹配對象，根據(jù)匹配對象的偏好特征對目標對象實施個性化推薦。② 基于內(nèi)容特征的推薦算法：通過用戶已經(jīng)購買或瀏覽過的商品相似性，向其推薦特征相似的商品。③ 基于關(guān)聯(lián)規(guī)則的推薦算法：根據(jù)用戶的行為數(shù)據(jù)（已經(jīng)購買的或瀏覽、收藏的商品）生成關(guān)聯(lián)規(guī)則，向用戶推薦當前環(huán)境下的關(guān)聯(lián)商品。如，許多電商網(wǎng)站會利用關(guān)聯(lián)規(guī)則對用戶的消費行為進行挖掘，將分析后的常買商品捆綁銷售，既方便了用戶的交易過程也促進了商品銷量。④ 混合推薦算法：結(jié)合多種技術(shù)理論的優(yōu)點，彌補了單一算法的不足，形成優(yōu)勢互補?；旌贤扑]算法的種類有很多，可以是協(xié)同過濾和基于內(nèi)容相結(jié)合的推薦算法，也可以是關(guān)聯(lián)規(guī)則和協(xié)同過濾相融合的推薦算法。而在大數(shù)據(jù)時代下，僅靠傳統(tǒng)的推薦算法不能應對多源數(shù)據(jù)的復雜性，需要利用大數(shù)據(jù)分析算法，如，聚類、神經(jīng)網(wǎng)絡、Web數(shù)據(jù)挖掘、回歸分析等來增強計算的可信度，使用戶獲得最精準的個性化推薦服務。因此，本文提出了融合關(guān)聯(lián)規(guī)則和聚類分析的推薦算法。

3.1 關(guān)聯(lián)規(guī)則算法

根據(jù)韓家煒等［7］的觀點，關(guān)聯(lián)規(guī)則定義為：假設是項的集合。建立一個商務活動的數(shù)據(jù)集A，其中的每個對象E均從屬于集合C，因此每項活動都有與之對應的標識符ECA。運用關(guān)聯(lián)規(guī)則討論活動A的支持度，即A中同時發(fā)生M和N的概率；活動A的置信度即是在發(fā)生M的前提下，又發(fā)生了N的條件概率。關(guān)聯(lián)規(guī)則的價值程度取決于其是否達到設定的最小支持與置信度閾值，如果符合這兩種標準則證明規(guī)則是有意義的。用一個簡單的例子說明。下表是用戶商務交易的數(shù)據(jù)集A，含有6個對象。項集C={碗，筷子，水杯，盤子}。

表 用戶商務交易的數(shù)據(jù)集A

根據(jù)關(guān)聯(lián)規(guī)則可得：碗和筷子，活動a、b、c、d、f包含碗，活動 a、b、f同時包含碗和筷子，M^N=3，A=6，支持度 （M^N）/A=0.5；M=5，置信度（M^N）/M=0.6。當設置最小支持度 minα=0.5，最小置信度minβ=0.6，則說明用戶購買碗和筷子的動機是具有聯(lián)系的。

3.2 聚類分析算法

聚類分析（ClusterAnalysis）是針對目標事物的具體特征，依據(jù)設定的劃分標準將目標事物歸類為相似特質(zhì)的群體分析方法，使得同一組內(nèi)的數(shù)據(jù)性質(zhì)相似，而不同群組的數(shù)據(jù)性質(zhì)各有差異。最常見的分類方法是依據(jù)數(shù)據(jù)樣本間距進行分組，用A＝{ai|i=1,2,…,n}代表數(shù)據(jù)集，其中，ai用c維特征向量ai=（ai1,ai2,…,aic）來表示，aih（h=1,2,…,c）表示c個描述屬性B1，B2，…，Bc的實際數(shù)值，通過樣本間距映射其相似程度。樣本ai和aj的間距為c（ai,aj），通常用歐氏距離、曼哈頓距離和明考斯基距離來進行計算。

3.3 混合算法

關(guān)聯(lián)規(guī)則的兩大要素是置信度和支持度，置信度代表規(guī)則的可信程度，支持度表示規(guī)則前后項均在數(shù)據(jù)集中顯現(xiàn)的概率，要素概率越大說明其間的關(guān)聯(lián)性越強。大數(shù)據(jù)環(huán)境下，各類數(shù)據(jù)海量的積累、算法的迭代導致執(zhí)行時間逐漸加長，關(guān)聯(lián)規(guī)則數(shù)量的激增也會促使虛假無用規(guī)則的產(chǎn)生。而聚類算法正好可以克服關(guān)聯(lián)規(guī)則的缺點，依靠改進數(shù)據(jù)集和區(qū)域細分來提高算法的精確性。［8］基于聚類分析與關(guān)聯(lián)規(guī)則融合的推薦算法，首先，要分析用戶的交易、瀏覽等行為，根據(jù)其特征相似度對用戶采取分類，使得偏好相同的用戶聚集在同一類別中；其次，對用戶在行為過程中產(chǎn)生的數(shù)據(jù)進行預處理分類，其結(jié)果即為算法的輸入值，產(chǎn)生的數(shù)據(jù)集被區(qū)域細化，方便了下一步的數(shù)據(jù)關(guān)聯(lián)；最后，對每類數(shù)據(jù)關(guān)聯(lián)處理，產(chǎn)生的關(guān)聯(lián)規(guī)則一定是事物集中用戶共同偏好的規(guī)則，減少迭代的頻數(shù)，提高推薦的準確性。

4 面向多源數(shù)據(jù)的移動商務個性化服務實現(xiàn)方案

實現(xiàn)用戶的個性化服務即是通過前期用戶特征數(shù)據(jù)的多源收集、融合，對其行為進行感知進而向不同用戶提供差異化的服務過程。如，最常見的手機APP定制，用戶的私人行程記事、健康飲食等應用均可以輕易實現(xiàn)，讓用戶不斷獲得比自身需求更多的個性化服務，真正做到比用戶更了解自己。

4.1 面向多源數(shù)據(jù)的云計算平臺

實現(xiàn)個性化服務最重要的是推薦系統(tǒng)的構(gòu)建，包括算法（數(shù)據(jù)處理與推薦算法）和平臺架構(gòu)的搭建。大數(shù)據(jù)環(huán)境下，移動商務用戶數(shù)據(jù)結(jié)構(gòu)各異、數(shù)量龐大，具有在空間、語義全面共享的屬性，需要高技術(shù)的計算平臺支撐。大量云計算環(huán)境中，Hadoop分布式計算平臺以其高效性和高可靠性使得用戶能夠便捷構(gòu)建并運行處理多源數(shù)據(jù)。Hadoop最核心的組成部分是分布式文件系統(tǒng)（Hadoop Distributed File System，HDFS） 和 Map Reduce引擎，位于底部的HDFS用于存儲集群節(jié)點的全部數(shù)據(jù)，它的上層Map Reduce則用于創(chuàng)建索引。當前，為了從網(wǎng)絡數(shù)據(jù)膨脹的環(huán)境下實現(xiàn)海量多源數(shù)據(jù)的挖掘，基于Hadoop平臺的提出能夠為多源數(shù)據(jù)的分析與存儲提供有效保障，為移動商務企業(yè)在大數(shù)據(jù)時代站穩(wěn)腳跟提供可靠助力。

4.2 移動商務個性化服務方案設計

綜上所述，本文設計了基于Hadoop處理平臺、Map Reduce計算框架和大數(shù)據(jù)可視化分析的個性化定制方案，其核心部分包括數(shù)據(jù)采集、數(shù)據(jù)融合、算法實現(xiàn)和應用服務這四個模塊（見圖4）。

圖4 面向多源數(shù)據(jù)的移動商務個性化服務實現(xiàn)方案

（1）數(shù)據(jù)采集。① 通過部署在低廉硬件上的HDFS分布式文件系統(tǒng)，對來源于PC機、移動終端、云終端和傳感器的用戶數(shù)據(jù)日志進行實時處理、更新。HDFS包容繼承式的文件結(jié)構(gòu)，文件系統(tǒng)之間的屬性特征極為相似，用戶可以將文件存儲到創(chuàng)建的目錄中，也能將文件在不同目錄中轉(zhuǎn)移與重命名。② HDFS系統(tǒng)內(nèi)的DFS Shell接口可以讓用戶接觸其中的數(shù)據(jù)，高吞吐量的特性允許大數(shù)據(jù)集的程序輕松被訪問。

（2）數(shù)據(jù)融合。利用MapReduce對采集的多源數(shù)據(jù)進行融合處理。① 清洗用戶數(shù)據(jù)，濾掉噪音、消除冗余；② 采取標準化處理，統(tǒng)一規(guī)范數(shù)據(jù)結(jié)構(gòu)；最后，交互分析數(shù)據(jù)特征，實現(xiàn)信息轉(zhuǎn)換與組合，挖掘出最有用的用戶行為數(shù)據(jù)。MapReduce可以利用普通的服務器構(gòu)建不等數(shù)量節(jié)點的計算集群，能夠在集群節(jié)點上自主劃分計算數(shù)據(jù)并進行處理，由系統(tǒng)對數(shù)據(jù)定位、容錯優(yōu)化等計算任務中細小繁瑣的內(nèi)容，減輕了系統(tǒng)開發(fā)人員的工作。并且它依據(jù)計算機語言設計Lisp的概念，搭建簡易的運行與計算接口，結(jié)合Map和Reduce兩種函數(shù)程序?qū)崿F(xiàn)了大數(shù)據(jù)集的編程與并行計算任務。

（3）算法實現(xiàn)。利用Hadoop批處理系統(tǒng)和可視化工具對大數(shù)據(jù)環(huán)境下的多源用戶數(shù)據(jù)進行挖掘處理。大數(shù)據(jù)挖掘算法主要包括6種：① 分類是將目標對象按照性質(zhì)特征進行劃分，使得各數(shù)據(jù)項能夠匯聚到對應類別中，通常被用于數(shù)據(jù)分類、偏好預測；② 聚類所面對的類別是未知的，跨類別的數(shù)據(jù)相似度很低而同類型的數(shù)據(jù)關(guān)聯(lián)度很高；③ 回歸分析反映了數(shù)據(jù)變量之間的相關(guān)性及相關(guān)強度，可運用于預測預報、誤差控制的研究；④ 關(guān)聯(lián)規(guī)則的結(jié)果是挖掘數(shù)據(jù)項之間的交互關(guān)系，然后依靠單個數(shù)據(jù)項推測出相關(guān)的隱藏對象，通常被用于用戶的需求預測；⑤神經(jīng)網(wǎng)絡是模擬人思維的人工智能技術(shù)，其特點在于大量神經(jīng)元匯聚而來的網(wǎng)絡系統(tǒng)能實現(xiàn)信息的自行處理和分布式存儲，具有較高的學習與泛化優(yōu)勢；⑥Web數(shù)據(jù)挖掘是利用挖掘技術(shù)從海量的網(wǎng)絡知識中找出隱藏的、有價值的信息與模式，對Web頁面的內(nèi)容架構(gòu)和活動信息實施全面的分析處理，具有高并行性、實時動態(tài)性等特點。

大數(shù)據(jù)處理中，最為常見的可視化工具有Processing和Gephi。Processing是數(shù)據(jù)可視化過程中的經(jīng)典工具，根據(jù)程序員編寫的基本數(shù)據(jù)代碼并編譯為Java語言即可執(zhí)行于系統(tǒng)平臺上，讓用戶能夠便捷享受聲光具備的交互體驗。Gephi是基于Java語言的數(shù)據(jù)可視化分析工具，可以處理大規(guī)模數(shù)據(jù)集，主要用于探索性信息挖掘、分層圖表構(gòu)建、社交環(huán)境分析等方面。

（4）應用服務。平臺的前端應用即是移動商務個性化服務，通過個性化的推薦、推送、檢索來實現(xiàn)用戶的偏好定制。［9］個性化推薦是依據(jù)收集的用戶數(shù)據(jù)，向用戶提供建議，幫助他們找到合適的商品并作出決策。推薦的內(nèi)容要符合用戶實時的情景狀態(tài)，能夠精準感知用戶的行為，同時兼具新穎性和及時性。如，用戶最近經(jīng)常在網(wǎng)站上瀏覽護膚品，推薦服務便可以根據(jù)用戶的年齡、收入以及以往的購買偏好來進行。個性化推送是通過移動終端向用戶推送可能感興趣的商品及服務，吸引新客戶并留住老客戶。個性化檢索是為了讓用戶在輸入查詢內(nèi)容后得到準確的需求信息，并且能夠在用戶表述之外為其顯示關(guān)聯(lián)的知識內(nèi)容。如，用戶在搜索引擎中輸入“奶粉”，需要判斷用戶想買的是嬰兒奶粉、成人奶粉還是中老年鈣奶等，并且除了滿足用戶的檢索需求，還可以向用戶提供可能接受的關(guān)聯(lián)結(jié)果。［D］．Troy：RensselaerPolytechnicInstitute，2008.

［參考文獻］

［5］李廣建，化柏林．大數(shù)據(jù)環(huán)境下多源信息融合的理論與應用探討［J］．圖書情報工作，2015（16）：5－10.

［6］程曉璐．移動商務用戶接受模型研究［J］．江蘇商論，2010（33）：26.

［7］（加）Jiawei Han，et al．數(shù)據(jù)挖掘：概念與技術(shù)［M］．范明，孟小峰，譯．北京：機械工業(yè)出版社，2012.

［8］孫世文．基于關(guān)聯(lián)規(guī)則和聚類分析的個性化推薦系統(tǒng)的研究與實現(xiàn)［D］．長春：吉林大學，2015.

［9］柳益君，等．大數(shù)據(jù)挖掘在高校圖書館個性化服務中應用研究［J］．圖書館工作與研究，2017（5）：23－29.