[发明专利]一种获取用户和文档个性化特征的方法和系统

说明书

本发明提出了一种获取用户和文档个性化特征的方法和系统。所述方法通过用户访问文档的信号，来自动地更新用户和文档的个性化特征。用户的个性化特征，依据所述用户访问过的文档的个性化特征进行更新；文档的个性化特征，依据访问过该文档的用户的个性化特征进行更新。根据获取的用户和文档的个性化特征，可在搜索引擎中实现个性化的文档排序；根据用户和文档的个性化特征，可在社交网络中实现个性化的信息过滤和筛选。本发明还提出了一种获取用户和文档个性化特征的系统。本发明方法能够提高搜索引擎的查准率和社交网络检索信息的效率。另外本发明方法能够提高网页排名算法的反作弊能力。

技术领域

本发明涉及互联网领域，具体来说涉及一种获取用户和文档个性化特征的方法和系统。

背景技术

搜索引擎和社交网络是互联网上获取信息的主要工具。这两种工具存在一个共同的缺点，即不能根据用户的个性化特征来进行信息的过滤和筛选。例如，不同的用户在同一个搜索引擎中输入相同的关键字，其返回的搜索结果是相同的，与哪个用户提交的搜索查询无关；不同的用户在同一个社交网络中建立相同的关系网络，其获得的信息也是相同的，与哪个用户建立的关系网络无关。

搜索引擎是利用信息检索技术进行大规模的网页收集、索引、排序，以及根据排序结果将网页呈现给查询用户的应用程序。搜索引擎的核心技术是排序算法，最著名的是谷歌的PageRank算法。该算法的输入是由网页设计者根据其主观意愿构建的网页链接关系。尽管它充分反映了网页设计者的个人偏好和对网页链接关系的理解，但是它却无法反映出搜索引擎的使用者——用户的个人偏好。由于从事不同行业或具有不同爱好的用户对同一个网页的重要性评价通常是不同的，而PageRank等现有排序技术无法对这种不同进行区分，它们对不同的用户只能给出唯一的网页排名，这是现有搜索技术的缺点。一个可行的技术解决方案是结合用户和网页的个性化特征来改进搜索结果，使得每个网页的排名不仅依赖于网页之间的链接关系，而且依赖于提交搜索查询的用户的个性化特征和被查询网页的个性化特征。有分析表明，借助用户和网页的个性化特征，能够提高搜索引擎的查准率，减少用户对无效信息的扫描和浏览。

社交网络是互联网上人们彼此之间进行沟通的平台。在社交网络中，用户通过自己建立的关系网络来获取信息，例如通过关注(follow)他人和加好友等操作来获取他人发布的信息。被关注的人和加为好友的人越多，用户获得的信息也越多。由于担心有重要的或者有趣的信息被遗漏，用户通常会在社交网络中关注更多的人或者加入更多的好友。但是，当关系网络中的用户数量超过邓巴数(Dunbar)150之后，微博和脸谱(Facebook)等社交网络会逐渐成为对用户进行“信息轰炸”的服务。其原因是现有社交网络技术要求用户必须接收其关系网络中的所有用户发布的所有信息，而不能按信息类别有选择地接收这些信息，这是现有社交网络技术的缺点。一个可行的技术解决方案是让用户获得的信息不仅依赖用户建立的关系网络，而且依赖用户的个性化特征和获取的信息的个性化特征。这将有助于对社交网络上的海量信息进行有效地过滤和筛选，提高社交网络的信息检索效率。为了叙述方便，我们通常把用户在社交网络上获得的每条信息(如一条微博)，也看作一个文档，它有唯一的网络地址。

要实现上述两个技术解决方案，其必要条件是能够获取用户和网页文档的个性化特征。但是在互联网上获取用户和网页文档的个性化特征通常是困难的，主要有以下几个难点。第一是个性化信息的自动获取问题。据估算目前互联网上有数千亿个网页和二十亿用户，手工维护网页文档和用户的个性化特征是不现实的。如何自动获取用户和网页文档的个性化特征是一个难题。第二是个性化信息的更新问题。随着时间的推移，用户的兴趣爱好、工作地点、从事的行业和教育程度等个人信息会发生改变，但是要求大多数用户实时地更新其个性化信息是困难的。第三是个性化信息的语义差异问题。在用户设置的个性化特征中，术语不同但语义相同的个性化特征，难以对其进行有效归类。第四是个性化信息的完备性问题。用户在网站上提供的个人信息通常比较简略。例如对用户兴趣爱好的描述通常是喜欢音乐、打棒球或看书等几项内容，而要求用户全面地描述出其感兴趣的领域是困难的。