蘇玉召 （中科院國家科學(xué)圖書館 北京 100190）

牛曉太 趙 妍 （鄭州航空工業(yè)管理學(xué)院 河南鄭州 450015）

隨著網(wǎng)絡(luò)信息技術(shù)和智能軟件技術(shù)的發(fā)展，數(shù)字圖書館服務(wù)質(zhì)量也得到了大幅度提高。一些數(shù)字圖書館網(wǎng)站不但能夠利用網(wǎng)絡(luò)信息技術(shù)提供圖書館員和讀者在線互動(dòng)，而且實(shí)現(xiàn)了個(gè)性化推薦服務(wù)。這樣的服務(wù)不但提高了圖書館服務(wù)效率，而且方便了讀者獲取相關(guān)文獻(xiàn)和定期更新的內(nèi)容。這是一種智能服務(wù)系統(tǒng)，由系統(tǒng)自動(dòng)將用戶感興趣的圖書、文獻(xiàn)和服務(wù)信息推送給用戶，并以用戶電子郵箱、注冊賬戶頁面和手機(jī)屏幕等方式呈現(xiàn)。同時(shí)，這種服務(wù)可以采用商業(yè)化模式運(yùn)行，實(shí)現(xiàn)讀者付費(fèi)方式購買和網(wǎng)絡(luò)下載。記錄了用戶訪問網(wǎng)站過程的查詢、下載和交易等操作信息的Web日志數(shù)據(jù)就是一種這樣的數(shù)據(jù)。［1］通過對(duì)這些數(shù)據(jù)的處理和分析，能為企業(yè)發(fā)展做出正確的決策和預(yù)測提供事實(shí)依據(jù)。同時(shí)，個(gè)性化推薦系統(tǒng)實(shí)現(xiàn)了吸引用戶、增加人氣和增值服務(wù)的目標(biāo)。

通常，個(gè)性化推薦系統(tǒng)分為基于規(guī)則過濾、基于內(nèi)容過濾、基于協(xié)作過濾的方法以及這三種方法混合的具有智能性的推薦方法。［2］普通的Web日志格式采集到的數(shù)據(jù)無法滿足用戶分析、預(yù)測和推薦精度的需要，大部分定制專門的Web日志格式暫時(shí)能夠滿足目前業(yè)務(wù)需要。同時(shí)，各個(gè)企業(yè)定制的Web日志都是根據(jù)自己的需要，沒有統(tǒng)一的規(guī)范和標(biāo)準(zhǔn)化可以遵循，不利于將來數(shù)據(jù)中心進(jìn)行數(shù)據(jù)集成和業(yè)務(wù)擴(kuò)展。

本文通過對(duì)個(gè)性化推薦和數(shù)據(jù)建模研究，指出普通Web日志格式存在的不足，提出定制Web日志數(shù)據(jù)建模的過程及方法，建立了基于NSTL嵌入式系統(tǒng)的定制Web日志模型原型。通過定制Web日志的方式采集數(shù)據(jù)，實(shí)現(xiàn)發(fā)現(xiàn)關(guān)聯(lián)規(guī)則、內(nèi)容分類和用戶聚類分析，從而提高個(gè)性化推薦的精度。

1 定制Web日志

1.1 問題描述

NSTL定制Web日志數(shù)據(jù)建模的目的，主要是通過捕獲用戶訪問活動(dòng)操作瀏覽、查詢、下載、收藏、興趣定制和購買等信息，借助數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)用戶訪問偏好，進(jìn)行個(gè)性化推送服務(wù)，實(shí)現(xiàn)NSTL更好的數(shù)字圖書館服務(wù)功能。通過記錄Web日志的方式，在線收集讀者文獻(xiàn)查詢、下載和購買等信息的數(shù)據(jù)。系統(tǒng)對(duì)讀者訪問的這些日志數(shù)據(jù)進(jìn)行分析、挖掘和預(yù)測，為其提供相關(guān)文獻(xiàn)推薦和定期更新內(nèi)容推送服務(wù)。

1.2 日志建模

Web日志數(shù)據(jù)是一種特殊的數(shù)據(jù)類型，因此，數(shù)據(jù)建模理論適用于進(jìn)行 Web 日志數(shù)據(jù)建模的應(yīng)用研究。［3］［4］［5］個(gè)性化推薦內(nèi)容的準(zhǔn)確性，依賴于挖掘后獲取的用戶訪問內(nèi)容的具體分類。Web日志中記錄的操作對(duì)象屬性完整性、準(zhǔn)確性和唯一性，能夠提高定制Web日志的數(shù)據(jù)質(zhì)量。

Web日志數(shù)據(jù)的特殊性在于：采集的數(shù)據(jù)都是基于用戶在Web頁面上的訪問行為，包括用戶在前臺(tái)的操作活動(dòng)和應(yīng)用程序在后臺(tái)記錄訪問的信息。因此，Web日志數(shù)據(jù)記錄的是用戶和網(wǎng)站的交換行為。進(jìn)行Web日志數(shù)據(jù)建模應(yīng)明確以下幾方面：

（1）建模采用的模型類型，在不同的建模階段，分別采用概念建模、邏輯建模和物理建模。

（2）建模方法，步驟：①弄清要做的事情包括哪些；②弄清捕獲的數(shù)據(jù)固有的質(zhì)量水平；③重點(diǎn)弄清需要捕獲用戶訪問需要記錄的Web日志數(shù)據(jù)的定義；④重視數(shù)據(jù)質(zhì)量；⑤弄清不同用戶對(duì)不同層次建模的不同需求。

（3）建模項(xiàng)目類型，主要有三類：①企業(yè)項(xiàng)目模型，需要捕獲全部動(dòng)態(tài)數(shù)據(jù)；②交易項(xiàng)目模型捕獲一次一個(gè)用戶活動(dòng)的具體信息；③數(shù)據(jù)倉庫/企業(yè)報(bào)表項(xiàng)目空間模型收集一次一個(gè)用戶活動(dòng)的具體信息，并選擇和集成為簡化準(zhǔn)確的報(bào)表。

（4）項(xiàng)目使用目標(biāo)，是通過定制的Web日志數(shù)據(jù)，在數(shù)據(jù)質(zhì)量方面實(shí)現(xiàn)提高個(gè)性化推薦的精度。

（5）業(yè)務(wù)類型，捕獲的數(shù)據(jù)對(duì)象和用戶與網(wǎng)站的交互活動(dòng)有關(guān)。在Web日志數(shù)據(jù)建模方案中，與用戶活動(dòng)相關(guān)的操作包括：瀏覽、查詢、下載、個(gè)人收藏、興趣和偏好定制和商品購買等，應(yīng)用程序的業(yè)務(wù)根據(jù)這些用戶活動(dòng)捕獲日志數(shù)據(jù)對(duì)象。

（6）業(yè)務(wù)對(duì)象，捕獲的Web日志數(shù)據(jù)對(duì)象，就是建模過程中需要處理的業(yè)務(wù)對(duì)象。在不同的業(yè)務(wù)平臺(tái)，用戶活動(dòng)操作的對(duì)象也各不相同。在數(shù)字圖書館領(lǐng)域，業(yè)務(wù)對(duì)象主要是文獻(xiàn)，這些文獻(xiàn)可能是期刊、會(huì)議、書籍、專利或者報(bào)告等。

（7）對(duì)象屬性，不同的業(yè)務(wù)平臺(tái)，捕獲的Web日志數(shù)據(jù)對(duì)象屬性也各不相同。數(shù)字圖書館文獻(xiàn)的屬性主要包括題名、作者、關(guān)鍵詞、出版社、文獻(xiàn)類型、所屬領(lǐng)域和出版日期等。

（8）屬性命名規(guī)則，由于Web頁面存在結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)對(duì)象，因此，需要將捕獲的日志進(jìn)行結(jié)構(gòu)化處理，記錄的日志數(shù)據(jù)嚴(yán)格按照設(shè)計(jì)的命名規(guī)則處理。

（9）用戶信息，主要記錄用戶注冊信息、興趣和偏好定制、個(gè)人收藏等。

（10）訪問時(shí)間，用戶的瀏覽、查詢、下載、個(gè)人收藏、興趣和偏好定制和商品購買等活動(dòng)的時(shí)間變化，能夠體現(xiàn)其對(duì)該網(wǎng)站訪問的習(xí)慣、忠誠度和偏好的變化。

（11）使用數(shù)據(jù)的用戶，捕獲的Web日志數(shù)據(jù)要滿足不同用戶的需求。在建模階段，考慮使用模型的用戶，不但包括建模技術(shù)人員，而且將來的用戶還會(huì)包括數(shù)據(jù)分析師、決策者和進(jìn)行業(yè)務(wù)擴(kuò)展的應(yīng)用程序開發(fā)技術(shù)員。

1.3 日志原型

NSTL日志模型屬于交易項(xiàng)目，捕獲一次一個(gè)用戶活動(dòng)的操作信息，采集的日志數(shù)據(jù)主要用于統(tǒng)計(jì)分析、個(gè)性化推薦。

在原型系統(tǒng)中，采集的Web日志信息主要包括4個(gè)部分：用戶信息、用戶操作信息、購物籃信息、訂購信息。①用戶信息主要記錄用戶注冊的的個(gè)人信息，主要包括個(gè)人聯(lián)系方式、訪問Web頁面的操作統(tǒng)計(jì)信息等，包括：用戶標(biāo)識(shí)號(hào)、登錄名、真實(shí)姓名、電話號(hào)碼、地址、注冊日期、最后一次訪問時(shí)間、登錄次數(shù)、電子郵件、簡單搜索次數(shù)、高級(jí)搜索次數(shù)、訂購次數(shù)和訂購總金額；②用戶操作信息主要記錄用戶訪問Web的方式、操作類型和操作對(duì)象，包括：用戶標(biāo)識(shí)號(hào)、訪問時(shí)間、返回代碼、客戶IP地址、操作類型和操作對(duì)象；③購物籃信息主要記錄用戶已經(jīng)放入購物籃，但還沒有提交訂購的信息。主要包括訂購文獻(xiàn)的名稱、價(jià)格列表，金額和訂單狀態(tài)信息，包括：用戶標(biāo)識(shí)號(hào)、文獻(xiàn)列表、文獻(xiàn)數(shù)量、價(jià)格列表、購物籃金額、訂單號(hào)和是否發(fā)送郵件確認(rèn)；④訂購信息主要記錄用戶訂單號(hào)、日期和訂單處理狀態(tài)，包括：用戶標(biāo)識(shí)號(hào)、訂單號(hào)、訂單日期和訂單狀態(tài)。

1.4 日志數(shù)據(jù)預(yù)處理

本文實(shí)驗(yàn)所用數(shù)據(jù)來自NSTL嵌入式資源服務(wù)系統(tǒng)2周內(nèi)采集到的用戶訪問日志數(shù)據(jù)。按照日志數(shù)據(jù)清洗、轉(zhuǎn)換、加載的流程對(duì)日志數(shù)據(jù)進(jìn)行了預(yù)處理（見圖1）。

數(shù)據(jù)清洗主要分為兩個(gè)步驟：去除冗余和無效記錄、分割關(guān)鍵字段。去除冗余是為了減少重復(fù)出現(xiàn)的字段，降低在數(shù)據(jù)挖掘階段權(quán)重重復(fù)的可能。去除無效記錄是為了減少一些錯(cuò)誤的記錄數(shù)據(jù)、刪除沒有登錄的用戶訪問記錄，目的是有針對(duì)性地為注冊用戶提供個(gè)性化推薦服務(wù)。將用戶訪問時(shí)輸入的關(guān)鍵詞、操作類型和操作對(duì)象分割開來，增加數(shù)據(jù)挖掘是用戶興趣和偏好的比重，便于更好的提供個(gè)性化推薦服務(wù)。

圖1 NSTL日志數(shù)據(jù)預(yù)處理

數(shù)據(jù)轉(zhuǎn)換的目的是將清洗過的數(shù)據(jù)轉(zhuǎn)換為挖掘工具易于識(shí)別的數(shù)據(jù)類型和格式，為的是得出理想的挖掘結(jié)果，從而便于發(fā)現(xiàn)用戶興趣和偏好。數(shù)據(jù)轉(zhuǎn)換主要分為兩個(gè)步驟：格式化標(biāo)簽與生成arff格式文件。統(tǒng)計(jì)分析日志數(shù)據(jù)中重復(fù)出現(xiàn)的數(shù)據(jù)對(duì)象、操作類型、關(guān)鍵詞，用標(biāo)簽的方式進(jìn)行唯一標(biāo)示，這樣做的好處是易于生成數(shù)據(jù)挖掘工具需要的數(shù)據(jù)格式，也節(jié)省了挖掘計(jì)算時(shí)間。生成的arff文件格式，可以方便地導(dǎo)入一些挖掘工具，例如Weka和RapidMiner等。

2 實(shí)驗(yàn)結(jié)果及分析

在個(gè)性化推薦應(yīng)用領(lǐng)域，通過Web日志挖掘技術(shù)，發(fā)現(xiàn)用戶興趣、使用偏好，推薦用戶可能感興趣的內(nèi)容，幫助用戶快速找到需要的內(nèi)容，吸引用戶對(duì)本系統(tǒng)的忠誠度，提高個(gè)性化服務(wù)能力和水平，實(shí)現(xiàn)價(jià)值增值。定制Web日志數(shù)據(jù)的方式能夠提高個(gè)性化推薦的精度，并且能夠簡化數(shù)據(jù)預(yù)處理工作、提高系統(tǒng)效率。用于Web日志挖掘的技術(shù)主要分為三類：關(guān)聯(lián)規(guī)則分析、分類分析和聚類分析。

2.1 關(guān)聯(lián)分析

在Web日志挖掘研究中，關(guān)聯(lián)規(guī)則分析目的是找出用戶訪問的日志中，所執(zhí)行的操作與操作、操作和訪問對(duì)象、對(duì)象和對(duì)象之間的關(guān)系，進(jìn)而預(yù)測用戶行為、興趣和偏好。

表1 關(guān)聯(lián)項(xiàng)目標(biāo)識(shí)定義

圖2 FileteredAssociator發(fā)現(xiàn)的關(guān)聯(lián)規(guī)則

在實(shí)驗(yàn)中，根據(jù) Apriori算法［6］［7］，枚舉出 10 個(gè)經(jīng)過過濾的規(guī)則，在枚舉過程中，不斷減小最少支持度需找需要的并能滿足最小置信度的規(guī)則（實(shí)驗(yàn)結(jié)果找到的前10條FilteredAssociator規(guī)則見圖2，其關(guān)聯(lián)項(xiàng)目標(biāo)識(shí)定義見表1）?？梢钥闯觯哂泻軓?qiáng)的關(guān)聯(lián)關(guān)系的屬性是檢索類型、檢索方法、文獻(xiàn)類型和檢索內(nèi)容，根據(jù)這些關(guān)聯(lián)規(guī)則預(yù)測更喜歡的推薦方式，將會(huì)更加吸引注冊用戶的興趣。同時(shí)發(fā)現(xiàn)，用戶一旦將訂購的文獻(xiàn)放入購物車，其購買項(xiàng)目的可能性就很大。可以推斷，此類用戶有很強(qiáng)烈的需求，在個(gè)性化推薦的時(shí)候，要重視推薦給此類用戶的質(zhì)量，以維護(hù)其較高的客戶忠誠度。

通過關(guān)聯(lián)分析，能夠發(fā)現(xiàn)隱藏在定制Web日志數(shù)據(jù)里的操作對(duì)象和內(nèi)容之間的關(guān)系，找到用戶的訪問興趣偏好、訪問習(xí)慣，預(yù)測用戶可能的需求。

2.2 分類

實(shí)驗(yàn)采用J48算法生成剪枝的C4.5決策樹［8］，以用戶操作類型為分類的類標(biāo)，主要針對(duì)用戶操作進(jìn)行分類（類標(biāo)說明見表2，分類結(jié)果見圖3）。

表2 用戶操作類型

從圖3實(shí)驗(yàn)結(jié)果可以看出，用戶最常使用的方法是簡單檢索，分析原因可能有兩點(diǎn)：用戶不熟悉本系統(tǒng)的檢索方法或者是系統(tǒng)沒有提供個(gè)性化的服務(wù)功能。同時(shí)，還可以從圖中看出，有一些顯著的特征，分別是：高級(jí)檢索、從檢索結(jié)果獲取全文、選購文獻(xiàn)和提交訂單。從特征的顯著性程度看，高級(jí)檢索與選購文獻(xiàn)、提交訂單有著相似之處，因此，分析他們之間有較強(qiáng)的相關(guān)性，個(gè)性化推薦時(shí)候，可以考慮這種類別的用戶，重視推薦質(zhì)量。相比較而言，用戶更喜歡直接從檢索結(jié)果中獲取全文，符合人們的常規(guī)習(xí)慣和方法。

通過分類挖掘，可以發(fā)現(xiàn)用戶感興趣的內(nèi)容、類別、屬性，可以預(yù)測其潛在的客戶價(jià)值并實(shí)現(xiàn)個(gè)性化內(nèi)容推薦。

圖3 J48分類用戶操作類別

2.3 聚類

實(shí)驗(yàn)采用 Cobweb 算法［9］［10］，其特點(diǎn)是：通過添加新葉子節(jié)點(diǎn)、合并或者分裂的方法實(shí)現(xiàn)聚類，是一種增量學(xué)習(xí)算法（對(duì)用戶和實(shí)例數(shù)目進(jìn)行聚類實(shí)驗(yàn)結(jié)果見圖4）。從圖中可以看出，聚類結(jié)果為4類典型的用戶特征。最顯著聚類用戶的特征是使用簡單搜索、訂購數(shù)量少和檢索期刊等，這是大多數(shù)用戶使用的方法。

圖4 Cobweb用戶-訪問實(shí)例聚類結(jié)果

找到為用戶推薦的內(nèi)容是聚類分析的關(guān)鍵，將用戶訪問的內(nèi)容進(jìn)行聚類，為相似用戶推薦，實(shí)驗(yàn)結(jié)果見圖5。圖5中橫向坐標(biāo)表示檢索內(nèi)容的領(lǐng)域，縱向坐標(biāo)表示文獻(xiàn)類型。從圖中可以看出，用戶訪問的文獻(xiàn)領(lǐng)域分布比較廣泛，但是文獻(xiàn)類型主要分為兩種。出現(xiàn)這種情況的原因是，采集到的日志數(shù)據(jù)時(shí)間間隔較短，可能用戶研究方向各不相同，但是訪問的文獻(xiàn)類型較集中，再根據(jù)分類和關(guān)聯(lián)實(shí)驗(yàn)結(jié)果分析，推測用戶具有類似的訪問行為。因此，推薦的時(shí)候，可以根據(jù)這些文獻(xiàn)類型進(jìn)行推薦，例如，重點(diǎn)推薦期刊相關(guān)的文獻(xiàn)內(nèi)容。

通過聚類分析，可以發(fā)現(xiàn)相似用戶的訪問行為和興趣偏好，通過系統(tǒng)對(duì)相似用戶的推薦，可以提高系統(tǒng)性能和效率，實(shí)現(xiàn)個(gè)性化推薦。定制的Web日志數(shù)據(jù)具有針對(duì)性強(qiáng)的特點(diǎn)，能夠準(zhǔn)確地記錄用戶的訪問行為和操作內(nèi)容，提高個(gè)性化推薦的精度。

圖5 Cobweb檢索領(lǐng)域—文獻(xiàn)類型聚類結(jié)果

2.4 性能評(píng)價(jià)

在實(shí)驗(yàn)過程中，分別選取了幾個(gè)操作類型進(jìn)行記錄日志前后計(jì)算時(shí)間的對(duì)比（實(shí)驗(yàn)結(jié)果見圖6）。

圖6 記錄日志前后時(shí)間對(duì)比

從圖中可以看出，記錄日志前后消耗的時(shí)間差別不明顯。實(shí)際上，由于記錄是在用戶客戶端收集信息，不消耗服務(wù)器的資源。同時(shí)，寫回到服務(wù)器端的數(shù)據(jù)庫表執(zhí)行的是在表的尾部插入操作，不需要執(zhí)行查找的操作。因此，記錄日志的代價(jià)很小。

Web日志分類實(shí)驗(yàn)中，主要檢驗(yàn)記錄的操作對(duì)象屬性完整性、準(zhǔn)確性和唯一性，是否能夠提高日志的數(shù)據(jù)質(zhì)量。其中，完整性體現(xiàn)在用戶操作過程是否連貫、完全，這些必要的信息缺失或者缺省會(huì)導(dǎo)致生成的日志數(shù)據(jù)無法識(shí)別用戶偏好內(nèi)容；信息準(zhǔn)確或者精度不夠，可能導(dǎo)致推薦精度不夠，無法滿足用戶需求；數(shù)據(jù)的唯一性是數(shù)據(jù)庫中該文獻(xiàn)是否存在及存在情況等信息。

實(shí)驗(yàn)中，采用傳統(tǒng)的關(guān)聯(lián)、分類和聚類算法的目的有兩個(gè)：一是保證實(shí)驗(yàn)的算法在成熟的情況下，實(shí)驗(yàn)結(jié)果具有普遍意義；二是利于發(fā)現(xiàn)實(shí)驗(yàn)中的Web日志模型存在的問題，促進(jìn)該模型以后進(jìn)一步完善。根據(jù)實(shí)驗(yàn)結(jié)果分析，生成的關(guān)聯(lián)規(guī)則具有可用性，實(shí)驗(yàn)結(jié)果與人工分析進(jìn)行比較，能夠發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)聯(lián)規(guī)則。用戶操作方法的分類結(jié)果也基本與實(shí)際情況相符。聚類分析實(shí)驗(yàn)中，分別對(duì)用戶訪問的實(shí)例和操作對(duì)象進(jìn)行分析，實(shí)驗(yàn)結(jié)果基本能夠識(shí)別出用戶所在類別，但是存在聚類不集中的情況。

根據(jù)以上分析，定制的Web日志數(shù)據(jù)能夠同時(shí)滿足發(fā)現(xiàn)關(guān)聯(lián)規(guī)則、內(nèi)容分類和用戶聚類分析的需求，可以更好地滿足個(gè)性化推薦精度的需求。同時(shí)，定制Web日志還具有簡化數(shù)據(jù)預(yù)處理、多用途的優(yōu)點(diǎn)。

3 結(jié)語

本文對(duì)數(shù)據(jù)建模技術(shù)進(jìn)行研究，分析定制Web日志數(shù)據(jù)的建模方案。通過基于NSTL的日志數(shù)據(jù)模型原型的實(shí)驗(yàn)結(jié)果及分析，驗(yàn)證提出定制的Web日志數(shù)據(jù)建模方法和步驟。根據(jù)實(shí)驗(yàn)結(jié)果分析，該模型具有一定的可行性。但是，原型系統(tǒng)中還存在諸多問題需要進(jìn)一步解決。如方案中還沒有對(duì)捕獲的日志數(shù)據(jù)如何進(jìn)行具體結(jié)構(gòu)化問題進(jìn)行深入探討，捕獲的對(duì)象的命名方式還要進(jìn)行標(biāo)準(zhǔn)化處理。此外，實(shí)驗(yàn)使用日志數(shù)據(jù)的完整性、準(zhǔn)確性和唯一性問題，還需要進(jìn)一步詳細(xì)化、具體化和準(zhǔn)確性解決。

［1］蘇玉召，趙妍.個(gè)性化關(guān)鍵技術(shù)研究綜述［J］.圖書與情報(bào)，2011，137（1）：59-65.

［2］蘇玉召等.一種基于智能過濾的Web個(gè)性化推薦模型［J］.圖書情報(bào)工作，2011，55（13）：112-115.

［3］Sharon Allen，Evan Terry.Beginning Relational Data Modeling（Second Edition）［M］.New York：Apress，2005.

［4］Reingruber，M.，W.Gregory.The Data Modeling Handbook［M］.New York：Wiley，1994.

［5］Alan Chmura，J.Mark Heumann.Logical data modeling-What it is and How to do it［M］.New York：Springer，2005：35-55.

［6］R.Agrawal，R.Srikant.Fast Algorithms for Mining Association Rules in Large Databases［C］.The 20th Internatio nal Conference on Very Large Data Bases，1994：478-499.

［7］Bing Liu，Wynne Hsu，Yiming Ma.Integrating Classification and Association Rule Mining［C］.the Fourth International Conference on Knowledge Discovery and Data Mining，1998：80-86.

［8］Ross Quinlan.C4.5：Programs for Machine Learning［M］.San Mateo：Morgan Kaufmann Publishers，1993.

［9］D.Fisher.Knowledge acquisition via incremental conceptual clustering［J］.Machine Learning，1987，2（2）：139-172.

［10］J.H.Gennari，P.Langley，D.Fisher.Models of incremental concept formation［J］.Artificial Intelligence，1990，（40）：11-61.