[发明专利]基于任务分解的个性化知识主动推送方法

摘要

本发明提供了一种基于任务分解的个性化知识主动推送方法，涉及知识密集型企业知识资源管理与应用方法。本方法包含设计过程任务活动模型的构建、基于领域本体的知识需求模型构建、用户特征建模构建和进行个性化知识主动推送。通过工作流引擎进行任务分解，将工作业务流程与知识关联；采用概念语义三级扩展方法进行概念扩展；并提供知识过滤和排序方法，实现基于任务分解的个性化知识主动推送。本发明可获取尽可能详细的知识需求，形成更为完整和丰富的知识需求集，能够符合用户偏好进行个性化知识主动推送，知识推送加速知识流动，提高知识的效用和服务效率，真正实现知识源于业务并应用于业务的目标，从而提高企业知识利用效率和知识创新能力。

主权项

一种基于任务分解的个性化知识主动推送方法，其特征在于，包括以下步骤：步骤1：构建设计过程任务活动模型，将设计任务分解为不同的子任务，将子任务与所需的知识资源进行关联；步骤2：构建基于领域本体的知识需求模型，包括领域本体构建和基于领域本体的语义扩展；所述的基于领域本体的语义扩展中，通过中文分词方法形成初始知识推送集，再采用概念语义三级扩展方法获取最终的知识推送集；其中，概念语义三级扩展方法的步骤如下：步骤a：将中文分词方法形成的初始知识推送集中的本体概念与构建的领域本体关联，形成待扩展概念需求集CS0；步骤b：以CS0中每一个概念Ci为中心，通过自定义的领域本体关系集RS中的语义关系扩展，形成以Ci为中心的一级扩展概念集CS1；步骤c：以CS1中每一个概念Cii为中心，通过领域本体关系集RS中的语义关系扩展，形成以Cii为中心的二级扩展概念集CS2；步骤d：以CS2中每一个概念Ciii为中心，通过领域本体关系集RS中的语义关系扩展，形成以Ciii为中心的三级扩展概念集CS3；不同级别的概念集表示不同的语义距离，各级扩展概念集中节点语义相关度由以下规则确定：规则1：根据本体关系设定语义相关度，设定同义关系的语义相关度为0.9，实例关系的语义相关度为0.8，继承关系的语义相关度为0.7，同类关系的语义相关度为0.6，组成关系的语义相关度为0.5，属性关系的语义相关度为0.3；规则2：一级扩展概念与原始概念的语义相关度根据本体关系的类别由规则1确定；二级扩展概念与原始概念的语义相关度，是二级扩展概念关联的一级本体关系类型与二级本体关系类型对应的语义相关度的乘积；三级扩展概念与原始概念的语义相关度，是三级扩展概念关联的一级本体关系类型、二级本体关系类型和三级本体关系类型对应的语义相关度的乘积；规则3：如果概念A的关系扩展概念C同时也是概念B的关系扩展概念，并且概念A和概念B不是扩展关系，则概念C与原始概念的语义相关度取根据规则2计算的值中最大的；规则4：如果概念A的关系扩展概念C同时也是概念B的关系扩展概念，并且概念B和概念A是一级扩展关系，概念C与原始概念的语义相关度根据规则2得到两个值，将其中较小值的一半作为加成量，得到合成权重＝较大值+一半的较小值，若合成权重超过1，则设置最终概念C与原始概念的语义相关度为1，否则最终概念C与原始概念的语义相关度为合成权重；规则5：如果概念A的关系扩展概念C同时也是概念B的关系扩展概念，并且概念B和概念A是二级扩展关系，则概念C与原始概念的语义相关度根据规则2得到两个值，将其中较小值的四分之一作为加成量，得到合成权重＝较大值+四分之一的较小值，若合成权重超过1，则设置最终概念C与原始概念的语义相关度为1，否则最终概念C与原始概念的语义相关度为合成权重；步骤3：采用基于本体的表示方法构建用户特征模型；所述构建用户特征模型，具体实现方法是：将用户特征模型表示为一个四元组：UP＝(PI，PK，PA，PC)其中：UP代表用户特征模型，PI表示用户基本信息、PK表示用户知识背景集合、PA表示用户在知识管理系统和企业业务系统活动信息集合、PC表示用户与用户之间的关联关系集合；(1)PK＝{CU,AC,RU,W,E,TC}，其中：CU表示概念的集合，CU＝{C1,C2,…,Cn}，n表示CU中的概念数；AC表示概念C的属性集合，概念C的属性集合记为AC＝{aC(i)|i＝1,…,|AC|}，|AC|表示概念C属性的数目，C∈CU；RU表示概念之间关系的集合；W表示概念的权重，W＝{w1,w2,…,wn}，概念Ck的权重为wk，每个wk通过如下方法得到：为用户对概念Ck的熟悉程度，根据下式获得：WFCk=1.2×sin(a×βCk)x+13,0≤x≤ηδ1+ln(x-η+1)10,x≥η]]>其中，a∈(0,1)为遗忘曲线的特征系数，表示概念Ck重要程度，x表示时间，η是遗忘曲线的拐点，δ为遗忘曲线稳定时刻用户熟悉程度系数，δ=1.2×sin(a×βCk)η+13]]>表示概念Ck重要程度，等于E表示概念之间关联度的结合，E＝{Ci,Cj,f(Ci,Cj)}，f(Ci,Cj)表示概念Ci和Cj之间的关联程度，f(Ci,Cj)∈[0,1]；TC表示用户对概念代表的知识源的阅读时间；(2)PA＝{Participate,Contribution,Attention}，其中，Participate是根据用户行为评价用户个人参与知识管理系统或者企业业务系统活动的积极程度，Contribution是根据用户行为评价用户对知识管理系统或者企业业务系统活动的贡献程度，Attention是根据用户的操作历史获取用户关注的资源对象；步骤4：建立知识库的索引表，进行个性化知识主动推送；具体实现方法是：Step1：利用工作流引擎获取用户设计任务流Task＝(T1，T2，...,TN)，其中N为子任务的个数，对于每一个子任务Ti构建设计过程任务活动模型DKAMi，DKAMi中包括子任务的目标、对象和约束以及所需的知识资源；Step2：以设计过程任务活动模型作为输入，提炼设计需求原始概念集OC，OC＝(OC1,OC2,…OCH)，H表示原始概念集中的概念数；Step3：对于原始概念集OC中的每一个原始概念OCi，按照基于领域本体的知识需求模型，进行语义扩展和语义相关度计算，OCi的扩展概念形成扩展集EC(i)，所有EC(i)形成总的扩展概念集EC；EC(i)＝(EC1,EC2,…ECM)，ECM表示第M个概念；原始概念OCi语义权重赋予最大值1，扩展概念的语义权重等于计算得到的与原始概念的语义相关度，EC(i)的语义权重向量W_EC(i)＝(w1,w2,…,wM)，wM表示概念ECM的语义权重；Step4：对于原始概念集OC中的每一个原始概念OCi，获取概念OCi与步骤3构建的用户特征模型中的概念集合的相似度；设步骤3构建的用户特征模型中的概念集合CU＝{C1,C2,…,Cn}，则概念OCi与CU的概念Ck的相似度Sim(OCi,Ck)表示为：Sim(OCi,Ck)＝Sim(OCi,Ck)WP*Sim(OCi,Ck)A；其中，Sim(OCi,Ck)WP为基于本体语义距离的相似度，Sim(OCi,Ci)A为基于本体概念属性的相似度；Sim(OCi,Ck)WP＝1/(distance(OCi,Ck)+1)，distance(OCi,Ck)表示OCi与Ck的本体语义距离；Sim(OCi,Ci)A＝1/(num(AOCi,ACk)+1)，其中，AOCi表示OCi的属性集合，ACk表示Ck的属性集合，num(AOCi,ACk)表示OCi与Ck的属性匹配个数；Step5：获取扩展集EC(i)中的每个概念ECi和与概念集合CU＝{C1,C2,…,Cn}的相似度；概念ECi与CU中的概念Ck的相似度Sim(ECi,Ck)的计算方法与Step4相同；Step6：调整原始概念集OC中每一概念OCi的语义权重和扩展集EC(i)中每一个ECi的语义权重；具体调整方法为：设步骤2构建的用户特征模型中，概念集合CU＝{C1,C2,…,Cn}对应的概念权重为W＝{w1,w2,…,wn}；则OCi与CU中概念Ck的语义相似度是wkSim(OCi,Ck)，OCi与CU总的语义相似度为：其中wk∈W,Ck∈CU；调整后的OCi的语义权重ECi与CU总的语义相似度为：其中wk∈W,Ck∈CU；调整后ECi的语义权重其中wi∈W_EC(i)；Step7：分别对于原始概念集OC和扩展概念集EC，将其中的每个概念及其对应的调整后的语义权重按照基于Lucene的知识检索方法，从知识库中检索，得到已排序的原始知识条目集合OKC和扩展知识条目集合EKC；Step8：提取OKC排名前五的知识条目添加入知识条目推送列表PushKL1；Step9：获得当前用户关注的四类信息排序：知识概念关注度排序、设计目录关注度排序、专业类型关注度排序以及用户关注度排序；对每一个候选知识条目K，得到K的知识概念、所在的设计目录、专业类型和关联的用户；候选知识条目K的知识概念关注度是根据对各知识概念的频数除以对应的匹配排行位置所得结果再全部求和得到，此处的频数是指K中某知识概念出现的次数，此处的匹配排行位置是指对应知识概念在知识概念关注度排序中的位置；候选知识条目K的设计目录关注度、专业类型关注度以及用户关注度，都是在对应信息排序中找到匹配的排行位置，则K的对应类信息关注度为1/匹配排行位置；最后，将K的四类信息关注度加权求和，得到候选知识条目K总的关注度Attent；所述的候选知识条目K是指集合EKC与除去前五条知识条目的集合OKC中的知识条目；Step10：获取当前用户的密切度用户排行，确定候选知识条目K与当前用户的密切度Rel，Rel等于频数除以匹配排行位置，此处的频数有两种确定方法：一种是候选知识条目K创建者与密切度用户排行匹配的次数，另外一种是密切度排行中用户曾经推荐过候选知识条目K次数；此处的匹配排行位置是指对应用户在密切度用户排行中的位置；Step11：确定候选知识条目K的知识有效性Effect，具体方法是：遍历候选知识条目K的所有操作集合，赋予各种操作不同权重，再进行加权统计，得到候选知识条目K的知识有效性；Step12：确定每个候选知识条目K的综合推送优先级PushPriority＝Attent*Rel*Effect，对于具有综合推送优先级的不同候选知识条目，根据定位优先级进行排序，定位优先级是：Effect排行>Attent排行>Rel排行；Step13：根据优先级PushPriority获得知识条目推送列表PushKL2；Step14：合并知识条目推送列表PushKL1和PushKL2，形成最终的知识推送列表PushKL，向当前用户进行推送。