汪強兵　章成志

摘 ? 要：文章主要通過收集用戶的手勢行為數(shù)據(jù)及手勢對應的內(nèi)容挖掘用戶興趣，根據(jù)數(shù)據(jù)構(gòu)建用戶興趣畫像。最后，基于用戶興趣畫像對用戶進行推薦實驗。實驗結(jié)果表明，基于用戶手勢行為的興趣畫像構(gòu)建取得較好的效果。文章研究成果在個性化推薦系統(tǒng)和市場營銷領(lǐng)域中具有重要價值，一方面可以為用戶提供感興趣的內(nèi)容;另一方面提高用戶體驗，增加用戶忠誠度。

關(guān)鍵詞：手勢行為;興趣建模;個性化推薦;社交網(wǎng)絡(luò)

中圖分類號：G252 ? 文獻標識碼：A ? DOI：10.11968/tsyqb.1003-6938.2019033

Construction and Application of User Interest Profile in Social Networks Based on Gesture Behavior

Abstract This paper mainly studies how to use gesture behavior generated by mobile terminal to mine user interest and build user interest profile. On the basis of this， the interest recommendation effect based on user interest profile is studied. By collecting the user′s gesture behavior data and the corresponding content of gesture， the user′s interest is mined and the user′s interest profile is constructed. Finally， recommendation experiments are conducted based on user interest profile. The results show that the interest profile construction based on user gesture behavior has achieved good results. The results of this study have important value in the field of personalized recommendation system and marketing. On the one hand， it can provide users with interesting content; on the other hand， it can improve user experience and increase user loyalty.

Key words gesture behavior; interest profile; personalized recommendation; social network

1 ? 引言

近年來，隨著互聯(lián)網(wǎng)技術(shù)的不斷進步，諸如新浪微博、 騰訊微博以及FaceBook等在線社交網(wǎng)絡(luò)飛速發(fā)展，越來越多的用戶在社交網(wǎng)絡(luò)上發(fā)布自己的個人微博或者轉(zhuǎn)發(fā)、評論其他人的微博。截至2016年底，新浪微博月活躍用戶數(shù)突破3億[1]，如此巨大的用戶群，產(chǎn)生了大規(guī)模的用戶數(shù)據(jù)。據(jù)估計，新浪微博中每天產(chǎn)生的微博數(shù)在1億條以上[2]。這些豐富的用戶生成內(nèi)容為研究社交網(wǎng)絡(luò)用戶提供了豐富的數(shù)據(jù)。在微博月活躍用戶中，移動端用戶數(shù)占比達90%[1]。這些用戶在移動端上瀏覽在線社交網(wǎng)絡(luò)中的內(nèi)容時，會伴隨產(chǎn)生特定的用戶手勢行為，如“單擊”行為表明用戶點擊屏幕中的內(nèi)容;“滑動”表明用戶快速更換屏幕中的內(nèi)容;“拖動”表明用戶緩慢更換屏幕中的內(nèi)容。這些手勢行為可以反映出用戶在瀏覽過程中的興趣偏好[3]。

目前，基于用戶行為的用戶興趣建模大多集中于PC端，利用移動設(shè)備中的用戶行為進行用戶興趣建模的研究較少。與此同時，在基于用戶行為的興趣挖掘研究中，大多只采用用戶保存、點擊、翻頁等行為。為此，本文基于移動端微博閱讀系統(tǒng)，收集移動設(shè)備中的手勢行為進行用戶興趣畫像構(gòu)建。最終，基于用戶興趣畫像對用戶進行微博推薦，研究用戶興趣畫像在實際應用中的效果。

2 ? 相關(guān)研究概述

基于行為的用戶興趣挖掘是用戶興趣畫像構(gòu)建的重要組成部分。基于行為的用戶興趣挖掘主要是從用戶歷史行為數(shù)據(jù)中，挖掘用戶興趣。目前，基于行為的用戶興趣挖掘研究主要集中在PC端和移動設(shè)備端上，主要利用用戶在PC端和移動端的用戶行為數(shù)據(jù)，挖掘用戶興趣。

（1）基于PC端用戶行為的用戶興趣挖掘。用戶在PC端的用戶行為主要表現(xiàn)為鼠標在頁面上的操作，包括鼠標的點擊、滾輪的滑動、在頁面上的收藏、復制、保存等行為。相關(guān)學者基于用戶在PC端產(chǎn)生的用戶行為與內(nèi)容挖掘興趣，主要的行為包括拉動滾動條次數(shù)、翻頁、點擊、保存頁面、收藏以及加入書簽等[4-13]，取得了不錯的效果。

針對傳統(tǒng)基于行為的用戶興趣挖掘方法的不足，相關(guān)學者通過引入更新機制和分類聚類算法改進用戶興趣挖掘的效果。宮玲玲和喬鴻[14]提出了新的用戶興趣模型表示和更新機制，使用過ODP建立新聞領(lǐng)域本體，基于該本體表示用戶興趣模型，其次，作者基于用戶瀏覽行為分析用戶對頁面的興趣度，優(yōu)化用戶興趣模型的表示和更新;邵秀麗等[15]提出了一種基于瀏覽內(nèi)容、瀏覽時間和操作時間，并引入SVM和VSM模型綜合構(gòu)建用戶興趣模型;潘延軍[16]提出了用戶瀏覽內(nèi)容分析為主，用戶瀏覽行為為輔的用戶興趣挖掘過程，通過文本頁面的聚類分析，采用二層樹狀用戶興趣模型表示用戶的興趣;鄭薇[17]以高校檔案館用戶為研究對象，通過分析用戶在檔案館網(wǎng)站上的瀏覽行為和瀏覽內(nèi)容挖掘用戶興趣。

目前在PC端，基于用戶行為的用戶興趣挖掘已經(jīng)得到了充分的研究。研究者根據(jù)用戶在PC端的點擊、雙擊、滑動鼠標滑輪、收藏、復制以及打印等行為，結(jié)合行為對應的文本數(shù)據(jù)，進行用戶興趣建模。

（2）基于移動端用戶行為的用戶興趣挖掘。目前，基于PC端用戶行為的用戶興趣模型構(gòu)建方法得到了充分的研究，同時也取得了顯著的成果。隨著科學技術(shù)的發(fā)展，智能手機變成了人們?nèi)粘Ｉ钪胁豢扇鄙俚囊徊糠?。有學者將研究目標從PC端的用戶行為轉(zhuǎn)移到了移動端的用戶行為。用戶在電腦上的操作主要依賴于鍵盤以及鼠標等設(shè)備，而在移動設(shè)備中用戶主要依靠手指在觸摸屏上不同的手勢行為來進行相關(guān)操作。隨著移動設(shè)備的大量普及，使得有關(guān)學者將注意力轉(zhuǎn)移到研究移動設(shè)備中的用戶手勢行為中。

Morita等[18]研究表明在用戶瀏覽一篇文章的過程中，并不是對文章的每一段的內(nèi)容都感興趣，而是可能對文章的某一段或者某幾段的內(nèi)容感興趣;Song綜合比較了移動設(shè)備、電腦以及平板電腦之間用戶搜索行為的差異，實驗研究表明三者在用戶搜索模式上存在著巨大的差異[19]。因此，不能將電腦用戶搜索行為的研究直接應用于移動設(shè)備上。Huang等針對移動端用戶行為的捕捉困難，提出通過捕捉用戶在移動設(shè)備中的觀察坐標來獲取用戶感興趣的頁面位置以及感興趣的程度[20];Han等[3]分析了用戶在移動設(shè)備上瀏覽行為的特點，包括drag、tap、swipe以及pinch-in和pinch-out，并揭示這些手勢行為可以反映出用戶在移動設(shè)備上的瀏覽偏好?；谏鲜鲅芯浚魪姳驼鲁芍綶21]通過搜集用戶在瀏覽論文過程中產(chǎn)生的手勢行為，挖掘用戶感興趣的文本片段，挖掘用戶興趣，而且開發(fā)了原型系統(tǒng)并初步驗證了該方法的有效性。

在信息檢索領(lǐng)域中，移動端的用戶手勢行為研究取得了不錯的進展。Guo等比較了移動設(shè)備中的觸摸操作和電腦設(shè)備中使用鼠標和鍵盤的操作之間的不同，通過挖掘移動設(shè)備的用戶行為來提高檢索結(jié)果的效果[22]。與此同時，Guo使用用戶在移動設(shè)備的zoom和swipe行為評價網(wǎng)頁的相關(guān)性，進而提高信息檢索結(jié)果排序的效果[23];Han等[24]利用移動手勢行為來發(fā)現(xiàn)與用戶關(guān)聯(lián)度最高的文本片段，進而來提高跨設(shè)備檢索的效果。之后，Han等利用移動設(shè)備上的手勢行為捕捉用戶在瀏覽過程中感興趣的子文檔，結(jié)合協(xié)同檢索，綜合提高用戶在跨設(shè)備檢索的效果[25]。

3 ? 研究思路及關(guān)鍵技術(shù)

3.1 ? ?研究思路

為研究如何利用手勢行為挖掘用戶興趣，本文首先開發(fā)移動端微博閱讀系統(tǒng)，用戶在系統(tǒng)中可以關(guān)注微博大V用戶、瀏覽、轉(zhuǎn)發(fā)、評論微博等操作。系統(tǒng)收集用戶在瀏覽過程中產(chǎn)生的手勢行為以及手勢行為對應的微博內(nèi)容。在此基礎(chǔ)上，挖掘用戶興趣，構(gòu)建用戶興趣畫像。最終，基于用戶興趣畫像進行興趣推薦。通過對評分結(jié)果的分析，評估用戶興趣畫像構(gòu)建的效果（見圖1）。

3.2 ? ?關(guān)鍵技術(shù)描述

（1）微博興趣度的計算。本文基于用戶瀏覽微博過程中產(chǎn)生的手勢行為種類與次數(shù)，計算用戶對微博內(nèi)容的興趣度。對pinch in/out、drag、tap、swipe采用層次分析法來確定各自的權(quán)重[22]。不同種類的手勢行為對于計算微博興趣度的權(quán)重系數(shù)（見表1）。

（2）用戶興趣畫像生成。本文將用戶瀏覽的微博提取出來，組成用戶瀏覽的微博集合Di，即

Di=（P1，P2，…，Pi，…，Pn）

其中，Pi表示用戶瀏覽的微博。

然而，用戶在瀏覽過程中，同一關(guān)鍵詞可能在不同的微博中出現(xiàn)。如果關(guān)鍵詞在不同的微博中出現(xiàn)，則計算該關(guān)鍵詞在不同微博中的興趣度之和，以此作為用戶在瀏覽過程中對該關(guān)鍵詞的總興趣度（計算公式見公式1）。

AllK=[∑][i=1][n]W（Pi（K）） ? ? ? ? ? ? ? ?（1）

其中，AllK表示關(guān)鍵詞K的總興趣度。Pi（K）表示包含關(guān)鍵詞K的微博。n表示包含關(guān)鍵詞K的微博總數(shù)，W（Pi（K））為用戶對該微博的興趣度。

綜上，本文得到了用戶感興趣的關(guān)鍵詞以及對應的興趣度，選擇興趣度最大的10個關(guān)鍵詞用來表示用戶在瀏覽過程中最感興趣的興趣詞。用戶的興趣畫像表示為向量空間模型的形式，具體如下：

{（K1，m1），（K2，m2），…，（（Ki，mi），…，（Kn，mn）}

其中，Ki 表示用戶興趣畫像中的興趣詞，mi表示用戶對興趣詞的興趣度，i=1，2，…，n。

（3）基于興趣畫像的微博推薦。本文通過計算用戶興趣畫像與微博相似度之間的相似度進行興趣推薦。在本文中用戶興趣畫像表示為向量空間模型的形式，即將用戶興趣畫像表示關(guān)鍵詞加權(quán)重的向量形式，表示為X=（x1，x2，…，xn）。對于微博文本我們采用向量空間模型得到微博文本向量，表示為Y=（y1，y2，…，yn），依據(jù)公式2計算X與Y的相似度[26]。

sim（X，Y）= ? ? ? ? ?（2）

sim（X，Y）表示用戶興趣畫像和微博之間的相似度，其值越高，表明微博與用戶興趣畫像越相似，用戶對微博越感興趣。

4 ? 實驗與結(jié)果分析

4.1 ? ?實驗設(shè)計

本文一共招募27人參加基于手勢行為的用戶興趣畫像構(gòu)建實驗。本次實驗在對用戶進行系統(tǒng)簡單的介紹后，不對用戶進行其他干涉。用戶根據(jù)自身興趣及特點，決定自己關(guān)注的微博用戶和瀏覽的微博。

（1）注冊和登錄。用戶通過系統(tǒng)的網(wǎng)址，進入移動端微博閱讀系統(tǒng)的注冊界面，在注冊完賬號和密碼后，即可登錄系統(tǒng)，進行后續(xù)操作。

（2）瀏覽。在關(guān)注完成后，用戶即可點擊“微博”鏈接，進入微博瀏覽頁面。實驗人員每天登陸該系統(tǒng)瀏覽相關(guān)微博。

（3）微博推薦。基于用戶行為數(shù)據(jù)構(gòu)建興趣畫像，并對用戶進行興趣推薦。推薦完成后，用戶評估興趣推薦結(jié)果。

（4）實驗人員基本信息。本實驗一共有27位實驗用戶，匯總得到實驗用戶的性別、年齡分布情況（見表2、表3）。

在實驗用戶性別分布中，男性有15位，女性有12位。其中，70后用戶有1位，80后用戶有3位，90后實驗用戶一共有23人。

4.2 ? ?實驗數(shù)據(jù)概述

（1）微博數(shù)據(jù)。本系統(tǒng)使用的微博數(shù)據(jù)包含6萬個微博大V用戶的2000多萬條微博數(shù)據(jù)。其中微博大V已經(jīng)按照新浪微博用戶分類標準劃分為不同的行業(yè)，如影視、音樂、文學、互聯(lián)網(wǎng)等。

（2）手勢行為數(shù)據(jù)。系統(tǒng)收集獲得用戶手勢行為數(shù)據(jù)，如用戶ID為user1的用戶在瀏覽微博時，發(fā)生了drag類型的手勢行為，手勢行為對應的微博內(nèi)容為“李大眼的講座，轉(zhuǎn)給大連的朋友們”。

4.3 ? ?微博推薦滿意度評價標準

如果推薦的微博符合實驗人員的真實興趣，則實驗人員在該微博下點擊“滿意”;如果該推薦的微博不符合實驗人員的真實興趣，則點擊“不滿意”（微博的評價標準見表5）。

在完成評價后，本文采用微博推薦滿意度指標衡量基于用戶興趣畫像的微博推薦效果。微博推薦滿意度計算見公式（3）。

α= ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

α表示微博推薦滿意度，Msai表示推薦的微博中用戶評價滿意的數(shù)量，Mall表示向用戶推薦的微博總數(shù)。

4.4 ? ?實驗結(jié)果及分析

4.4.1 ?部分用戶興趣畫像構(gòu)建結(jié)果

用戶ID為user1的興趣畫像中包括“志炫、深圳、南京、DVD、G.E.M、演唱、卡薩丁、YY90007、歌迷、土地”這十個興趣詞，按照興趣度從高到底的方式進行排序。從興趣畫像中“志炫”“G.E.M”以及“演唱”興趣詞可以了解到該用戶對林志炫和鄧紫棋比較感興趣。同時，user1的興趣畫像中包含“深圳”“南京”以及“土地”等常用詞，這些詞無法反映用戶的真實興趣。用戶ID為user2的興趣畫像表示為關(guān)鍵詞與權(quán)重的集合，用戶興趣畫像中的“比賽”“恒大”“足球”等關(guān)鍵詞表明，該用戶對足球、體育比較感興趣（見表6）。

4.4.2 ?推薦結(jié)果分析

（1）基于用戶興趣畫像的微博推薦結(jié)果。在用戶實驗階段，一共有27位實驗用戶參與，每一位用戶評價的微博一共有200條。每一位用戶在瀏覽推薦的過程中，根據(jù)4.3所設(shè)置的微博滿意度評價標準，評價系統(tǒng)推薦的微博是否滿足自身興趣。在獲得所有用戶的反饋數(shù)據(jù)后，利用公式（3）計算每一位用戶對推薦微博的滿意度（所有用戶的微博推薦滿意度計算結(jié)果見圖2）。

在圖2中，橫坐標表示參與測評的27位實驗用戶的用戶ID，縱坐標表示計算得到的用戶對推薦微博的微博推薦滿意度。從圖中可以看出，微博推薦滿意度最高的用戶ID為1，其滿意度達到0.81，而最低的用戶ID為14，其滿意度為0.18。27位實驗用戶的微博推薦滿意度的平均值為0.52。

（2）基于用戶基本屬性的微博推薦結(jié)果。在27位實驗用戶中，男性用戶有15位，女性用戶12位。針對男性用戶，本實驗隨機選擇7位男性用戶作為計算集，通過文中介紹的群體畫像構(gòu)建方法，構(gòu)建男性用戶群體畫像，并基于男性群體畫像推薦微博。剩下的8位男性用戶作為測試集，瀏覽推薦的微博并對每一條微博進行評價。針對女性用戶，本實驗隨機選擇6位女性用戶作為計算集，構(gòu)建女性群體畫像，基于該群體畫像推薦微博，剩余6位女性用戶作為測試集，評價微博推薦的效果。下面分析基于用戶興趣畫像中用戶基本屬性的微博推薦效果。

①男性用戶實驗結(jié)果分析。本實驗評價系統(tǒng)推薦微博的人數(shù)一共有8位男性用戶，每一位用戶評價的微博個數(shù)為200條。在8位男性用戶完成推薦微博評價后，基于公式（3）計算每一個用戶對推薦微博的微博推薦滿意度（8位男性用戶對推薦微博的微博推薦滿意度見圖3）。

在8位男性用戶對推薦微博的微博推薦滿意度計算結(jié)果中，其中橫坐標表示8位男性用戶的ID，這里匿名處理;縱坐標表示微博推薦滿意度，表示男性用戶對推薦微博的效果評價。在圖中，微博推薦滿意度最低的男性用戶位user3，滿意度只有0.16;微博推薦滿意度最高的男性用戶為user7，滿意度達到了0.61。8位男性用戶的微博推薦平均滿意度為0.34，低于基于用戶興趣畫像的推薦效果。

②女性用戶實驗結(jié)果分析。這次實驗中一共有6位女性用戶參加，完成推薦微博的評價后，本節(jié)根據(jù)公式（3）計算每一位用戶對推薦結(jié)果的微博推薦滿意度（6位女性用戶的微博推薦滿意度計算結(jié)果見圖4）。

圖4展示了6名女性用戶對基于用戶基本屬性微博推薦的反饋結(jié)果，女性用戶user4的滿意度最高，達到了0.63;女性用戶user2的滿意度最低，為0.19。6名女性用戶微博推薦平均滿意度為0.36。

經(jīng)過實驗表明，在男性用戶中，微博推薦滿意度的均值為0.34。對于女性用戶，本文采取和男性用戶相同的實驗方法，實驗結(jié)果表明，在女性用戶中，微博推薦滿意度的均值為0.36。在基于用戶興趣畫像的微博推薦的實驗中，微博推薦滿意度的平均值為0.52。實驗結(jié)果表明基于用戶性別屬性的推薦效果要明顯低于基于用戶興趣畫像的推薦效果。在基于用戶性別基本屬性的微博推薦過程中，本文首先構(gòu)建相同屬性用戶的群體畫像，即男性群體畫像和女性群體畫像，在此基礎(chǔ)上向用戶推薦微博。由于群體畫像不能夠較好的反映出特定用戶的興趣特征，這導致在微博推薦過程中推薦滿意度較低。

對于用戶ID為14的用戶，其微博推薦滿意度為0.18，即系統(tǒng)向其推薦的200條微博中，用戶滿意的微博只有36條。經(jīng)分析，造成該用戶微博推薦滿意度較低的原因有兩個方面：一方面由于在用戶興趣畫像構(gòu)建中，移動端微博閱讀系統(tǒng)收集到的該用戶的手勢行為較少，只有324條，導致基于手勢行為挖掘得到的用戶興趣準確度較低，進而影響基于用戶興趣畫像的微博推薦效果;另一方面，在計算該用戶的用戶興趣畫像與微博相似度的過程中，由于本文采取基于向量余弦值的方法，導致在計算相似度時無法考慮語義信息，造成相似度計算結(jié)果存在誤差。如該用戶的用戶興趣畫像中，存在“足球”興趣詞，如果微博中只存在“football”“西甲”兩個關(guān)鍵詞，在不考慮語義的情況下，該微博與用戶興趣畫像的相似度為0。這也會導致用戶對推薦的微博滿意度較低。

5 ? 結(jié)語

本文以新浪微博為研究對象，利用在線社交網(wǎng)絡(luò)中的手勢行為進行用戶興趣畫像構(gòu)建。通過收集實驗用戶的手勢行為及微博內(nèi)容，構(gòu)建興趣畫像。最終，通過用戶實驗，研究用戶興趣畫像在微博推薦中的應用。實驗結(jié)果表明，基于用戶手勢行為的興趣畫像構(gòu)建取得了較好的效果。目前，隨著移動智能設(shè)備的快速發(fā)展，如智能手機、平板電腦越來越成為生活中不可或缺的一部分。在這些智能設(shè)備的人機交互中，手勢觸摸是最重要的手段之一。用戶在與移動智能設(shè)備的交互過程中，產(chǎn)生的手勢行為能夠很好的反映用戶在瀏覽過程中的偏好。本文通過一系列的實驗表明，通過用戶在移動智能設(shè)備上的手勢行為，能夠較好的挖掘用戶興趣。雖然本研究以在線社交網(wǎng)絡(luò)中的用戶為研究對象，但在其他領(lǐng)域中，如新聞閱讀、電商領(lǐng)域中的用戶。在這些領(lǐng)域中，用戶在瀏覽相關(guān)內(nèi)容的過程中，都會產(chǎn)生大量的手勢行為數(shù)據(jù)。因此，本文的用戶建模方法同樣可以應用于新聞閱讀、電商領(lǐng)域中用戶的興趣建模中。

本文只利用了用戶手勢行為發(fā)生的種類以及次數(shù)挖掘用戶興趣。在以后的研究中，可以考慮不同手勢行為的組合，如用戶對一段文本反復地上滑以及下拉、多次返回已瀏覽過的文本等特殊的手勢行為組合。這些手勢行為組合可以反映出用戶在瀏覽過程中的興趣偏好;本文在研究用戶手勢行為過程中，沒有考慮手勢行為詳細的數(shù)據(jù)，如手勢行為發(fā)生在屏幕中的位置、手勢行為持續(xù)的時間、上滑下拉的速度、手勢行為的方向等。在以后的研究中可以將手勢行為的詳細數(shù)據(jù)加入到用戶興趣挖掘中，如用戶在某一段文本的上滑的速度相比于其他文本的速度較慢，這可以反映出用戶對該文本具有較高的興趣度。

參考文獻：

[1] ?2016年底微博月活躍用戶數(shù)突破3億移動端占比達90%[EB/OL].[2017-12-11].http：//finance.sina.com.cn/roll/2017-02-23/doc-ifyavwcv8619947.shtml.

[2] ?曹國偉：新浪微博每日產(chǎn)生1億條內(nèi)容[EB/OL].[2017-12-11].http：//www.techweb.com.cn/internet/2012-01-06/1139327.shtml.

[3] ?Han S，Hsiao I H，Parra D.A Study of Mobile Information Exploration with Multi-touch Interactions[C].Proceedings of the 2014 International Conference on Social Computing，Behavioral-Cultural Modeling，and Prediction.BESC，2014：64-73.

[4] ?張玉連，王權(quán).基于瀏覽行為和瀏覽內(nèi)容的用戶興趣建模[J].現(xiàn)代圖書情報技術(shù)，2007（6）：52-55.

[5] ?李翼鴻.基于瀏覽日志和瀏覽行為的用戶興趣模型研究[D].上海：上海交通大學，2008.

[6] ?黃倩，謝穎華.一種基于網(wǎng)頁瀏覽行為的用戶興趣度計算方法[J].信息技術(shù)，2015（5）：184-186.

[7] ?許波，張結(jié)魁，周軍.基于行為分析的用戶興趣建模[J].情報雜志，2009，28（6）：166-169.

[8] ?楊繼萍，王躍，高雪松.個性化流媒體服務中基于行為分析的用戶興趣建模[J].計算機應用與軟件，2011，28（8）：247-250.

[9] ?李建廷，郭曄，湯志軍.基于用戶瀏覽行為分析的用戶興趣度計算[J].計算機工程與設(shè)計，2012，33（3）：968-972.

[10] ?尹春暉，鄧偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機技術(shù)與發(fā)展，2008，18（5）：37-39.

[11] ?王微微，夏秀峰，李曉明.一種基于用戶行為的興趣度模型[J].計算機工程與應用，2012，48（8）：148-151.

[12] ?段小斌.基于Web的個性化服務中用戶興趣模型研究[D].桂林：桂林理工大學，2007.

[13] ?王霞.基于WEB瀏覽的用戶行為分析系統(tǒng)的研究與設(shè)計[D].北京：北京郵電大學，2010.

[14] ?宮玲玲，喬鴻.個性化新聞推薦系統(tǒng)中用戶興趣建模研究[J].情報科學，2014（5）：127-130.

[15] ?邵秀麗，乜聚科，侯樂彩，等.基于綜合用戶信息的用戶興趣建模研究[J].南開大學學報（自然科學版），2009，42（3）：8-15.

[16] ?潘延軍.基于用戶瀏覽內(nèi)容的Web用戶瀏覽行為個性化研究[D].天津：天津大學，2005.

[17] ?鄭薇.基于WEB挖掘的高校檔案館用戶瀏覽行為個性化研究[J].中國教育信息化，2008（19）：17-19.

[18] ?Morita M，Shinoda Y.Information Filtering Based on User Behavior Analysis and Best Match Text Retrieval[M].Springer London，1994：272-281.

[19] ?Song Y，Ma H，Wang H，et al.Exploring and Exploiting User Search Behavior on Mobile and Tablet Devices to Improve Search Relevance[C].Proceedings of the 2013 International Conference on World Wide Web.WWW，2013：1201-1212.

[20] ?Jeff Huang，Abdigani Diriye.Web User Interaction Mining from Touch-Enabled Mobile Devices[C].Proceedings of The 2nd European Workshop on Human-Computer Interaction and Information Retrieval.HCIR，2012.

[21] ?汪強兵，章成志.融合內(nèi)容與用戶手勢行為的用戶興趣畫像構(gòu)建系統(tǒng)設(shè)計與實現(xiàn)[J].現(xiàn)代圖書情報技術(shù)，2017（2）：80-86.

[22] ?Guo Q，Jin H，Lagun D，et al.Mining Touch Interaction Data on Mobile Devices to Predict Web Search Result Relevance[C].Proceedings of the 2013 International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2013：153-162.

[23] ?Guo Q，Jin H，Lagun D，et al.Towards Estimating Web Search Result Relevance from Touch Interactions on Mobile Devices[C].Proceedings of the 2013 CHI '13 Extended Abstracts on Human Factors in Computing Systems.ACM，2013：1821-1826.

[24] ?Han S，Yue Z，He D.Understanding and Supporting Cross-Device Web Search for Exploratory Tasks with Mobile Touch Interactions[J].ACM Transactions on Information Systems，2015，33（4）：1-34.

[25] ?Han S，He D，Yue Z，et al.Supporting Cross-Device Web Search with Social Navigation-Based Mobile Touch Interactions[C].Proceedings of the 2015 Conference on User Modeling，Adaptation and Personalization.UMAP，2015：143-155.

[26] ?G Salton，A Wong，C.-S Yang.A vector space model for automatic indexing[J].Communications of the ACM.1975.18（11）： 613-620.