一种相关反馈间关系网络的构建与应用方法
【专利摘要】本发明提供一种相关反馈间关系网络的构建与应用方法，包括以下步骤。S1、根据用户的查询点击行为，分析用户在认知理解过程中信息的个性化逻辑序列关系，即用户逻辑关系。S2、度量用户点击脉络的方向一致性，利用基于语言模型的向量聚类法将具有同一方向的脉络聚为一类，形成黑洞形态的用户逻辑群。S3、根据所述黑洞，进行用户检索系统中的用户查询推荐以及检索结果排序推荐。
【专利说明】一种相关反馈间关系网络的构建与应用方法
【技术领域】
[0001]本发明属于信息检索领域，具体涉及一种个性化信息检索过程中相关反馈间关系网络的构建与应用方法。
【背景技术】
[0002]搜索引擎是指根据一定的策略自动从互联网上抓取资源，对信息进行组织和处理后，提供给人们进行在线查询的服务系统。它将用户从海量丰富的信息中解放出来，帮助用户快速、准确、便捷地获取有价值的信息，极大了提升了人们的工作效率。
[0003]搜索引擎从诞生到现在，经历了四个发展过程。第一代搜索引擎主要是基于人工来编辑分类目录，代表的站点有haol23等导航网站，或者新浪、搜狐等门户网站。第二代搜索引擎采用了一些简单的信息检索模型，如布尔模型、概率模型或者向量空间模型等，根据用户输入的查询，返回相关性高的信息。这种模式的搜索引擎体已经是现代搜索引擎的雏形，代表有Alta Vista。第三代搜索引擎主要采用链接技术算法，不但要考虑搜索结果与用户查询的相似程度，同时要考虑该网页的质量及重要程度。此类搜索引擎以谷歌和百度为代表。第四代搜索引擎，主要以用户为核心，根据用户发起查询请求时的环境(时间、场景)以及用户背景之间的差异，返回满足不同检索意图的结果，即个性化搜索。目前，个性化搜索的研究及应用还处在起步阶段，尤其是移动互联网兴起之后，衍生出大量的移动场景下的多元化的个性化搜索需求，亟需一种更有效的个性化搜索策略。
[0004]而传统的信息检索在度量查询与伪反馈相关性的过程中，主要侧重衡量文字层面的语义或语用一致性，并将这一关系应用于检索性能的提高，尤其是个性化信息检索方法，通过用户行为收集相关于查询的用户意图描述信息，并在此基础上对查询和排序进行修正或革新，提高满足用户查询意图的信息支持力。然而，这类方法在检测和应用诸如“下馆子”和“KTV飚歌”这类本源无关、语言重叠性稀疏、语义一致性低下的信息关系时，却显得无能为力。
[0005]鉴于此，本发明提供一种相关反馈间关系网络的构建与应用方法，以解决上述问题。
【发明内容】
[0006]本发明提供一种相关反馈间关系网络的构建与应用方法，包括以下步骤:
[0007]S1、根据用户的查询点击行为，分析用户在认知理解过程中信息的个性化逻辑序列关系，即用户逻辑关系；
[0008]S2、度量用户点击脉络的方向一致性，利用基于语言模型的向量聚类法将具有同一方向的脉络聚为一类，形成黑洞形态的用户逻辑群；
[0009]S3、根据所述黑洞，进行用户检索系统中的用户查询推荐以及检索结果排序推荐。
[0010]优选的，在步骤SI中，所述用户的查询点击行为，指用户点击查看的检索结果、对应的详情页面以及所述点击行为之间的时序关系，所述用户的点击结果即相关反馈。[0011]优选的，步骤S2中黑洞形态的用户逻辑群中，所述黑洞为:若任一查询均存在一个终极目标和多个起点，每个起点至终极目标的过程存在至少一次点击，则黑洞的中心为终极目标，黑洞的半径为终极目标与距离所述终极目标最远的起点之间的距离，且每个起点和黑洞中心之间的系列点击称为一个吸引路径。
[0012]优选的，在步骤S2中，所述黑洞形态的用户逻辑群的形成过程为:将每个点击脉络作为一个聚类，并将其描述为点击方向的序列向量，即点击向量；借助语言模型计算每一对聚类的相似度，采用自底向上的凝聚式划分方法，将近似度最高的一对聚类合并为一类，并度量新类中每个点击向量中每个方向的生成概率，辅助后续聚类时的相似度计算；持续向上聚类，直到所有聚类汇聚于一点，或所有聚类的相似度都低于某一阈值。
[0013]优选的，在步骤S3中，所述检索结果排序推荐包括全路径推荐和局部路径推荐，所述局部路径推荐又包括集中式局部推荐和散点式局部推荐。
[0014]优选的，所述全路径推荐是将黑洞中特定路径上所有点击对应的相关反馈全部予以推荐，高位排列并按照点击顺序进行排序；局部路径推荐是将黑洞中特定路径上局部点击片段对应的相关反馈给予推荐，高位排列并按点击顺序予以排序。
[0015]优选的，当被推荐用户使用的查询项与被推荐路径起点对应的查询项具有一致性或近似性时，实施全路径推荐。
[0016]优选的，当用户的初始点击序列与黑洞中某一路径的连续点击片段有着高度一致性时，实施集中式局部推荐，且所述集中式局部推荐将一致性片段之后的点击按序整体推荐。
[0017]优选的，当两条或多条认知路径之间具有较多相同点击反馈且点击并不连续时，实施散点式局部推荐。
[0018]根据本发明提供的相关反馈间关系网络的构建与应用方法，通过检测并分析用户点击行为形成的用户逻辑关系，用以度量用户点击脉络的方向一致性，可以在本源无关、语言重叠性稀疏且语义一致性低下的信息之间建立关联。同时将具有同一方向的脉络聚为一类，形成黑洞形态的用户逻辑群，进行用户检索系统中的用户查询推荐以及检索结果排序推荐，更好的满足个性化的用户意图需求。
【专利附图】
【附图说明】
[0019]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本发明较佳实施例提供的相关反馈间关系网络的构建与应用方法流程图；
[0021]图2是本发明较佳实施例提供的相关反馈奇异关系样例示意图；
[0022]图3是本发明较佳实施例提供的点击黑洞形态样例示意图；
[0023]图4是本发明较佳实施例提供的点击空间样例示意图；
[0024]图5是本发明较佳实施例提供的黑洞形态的映射样例示意图；
[0025]图6是本发明较佳实施例提供的点击序列的方向分解样例示意图；
[0026]图7是本发明较佳实施例提供的现有检索系统的查询推荐样例示意图；[0027]图8是本发明较佳实施例提供的用户逻辑的复杂度对照样例示意图；
[0028]图9是本发明较佳实施例提供的集中式推荐样例示意图；
[0029]图10是本发明较佳实施例提供的多路径集中式推荐样例示意图；
[0030]图11是本发明较佳实施例提供的散点渐进式推荐样例示意图；
[0031]图12是本发明较佳实施例提供的“黑洞”的路径划分样例示意图；
[0032]图13是本发明较佳实施例提供的渐进式迭代推荐过程样例示意图。
【具体实施方式】
[0033]下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0034]图1是本发明较佳实施例提供的相关反馈间关系网络的构建与应用方法流程图。如图1所示，本发明较佳实施例提供的相关反馈间关系网络的构建与应用方法包括步骤SI ?S3。
[0035]步骤S1:根据用户的查询点击行为，分析用户在认知理解过程中信息的个性化逻辑序列关系，即用户逻辑关系。
[0036]为更好地理解本发明，首先对相关反馈间关系作出说明。现有的相关反馈(包括显式和隐式相关反馈)，通常用于对查询的扩展和修正，用户意图与偏好的挖掘，以及排序学习等。然而，现有搜索引擎给予的检索结果列表(即伪相关反馈列表)中，各个结果之间并没有被指定任何联系。值得说明的是，搜索引擎既没有在度量相关性的过程中使用相关反馈间的联系，也没有在展示检索结果的交互界面上呈现这一联系。使得现有的检索结果列表形似“八爪章鱼”，“章鱼头”比拟查询(query)，“八只爪子”比拟枚举式的检索结果，各个“爪子”都与“章鱼头”有着某种联系，如文本上的词匹配或更深层的基于语言模型的关联性。但信息之间的联系是一种必然存在的客观规律，比如，特定用户在点击和浏览了第I项检索结果后，又对当前列表中的第3项进行了点击与浏览，那么第I项与第3项(即来自用户的两个相关反馈)之间理应存在某种关系，可以考虑对这一关系进行深入的挖掘和分析。
[0037]相关反馈之间的联系包括例如主题一致性关系、属性一致性关系、语义一致性关系和通用的相关性:主题一致性适合面向新闻文本的检索，比如文本“世贸大厦的倒塌”和“恐怖分子劫持飞机撞大楼”都可以归属于“911恐怖袭击事件”这一主题的检索；属性一致性适合面向产品的垂直搜索，比如针对“2400万像素”照相机的检索；语义一致性则较为万能，现有检索领域的分类和聚类都可以借助语义一致性精细划分信息类别，但语义一致性给定的关系过于收敛，不适合搜索引擎中的知识扩展性；相比而言，相关性则过于发散，只要字面的一致性达到特定量级，即可说明信息间存在相关性，比如“观音山”可以和“范冰冰”建立联系。
[0038]但上述各关系并不能有效地刻画相关反馈之间的关系，图2是本发明较佳实施例提供的相关反馈奇异关系样例示意图。如图2所示，给定查询“怎么戒烟”，就很难用上述关系解释某一用户在点击伪反馈a) “怎么戒烟7天去烟瘾，21天彻底戒烟”之后又点击b) “如何让老公戒酒”。
[0039]通过大量类似上例的样本可以得出:信息检索系统依赖语义或语用层面的一致性、近似性或相关性，挖掘和有序排列了关联于查询的信息。但用户在判定和触发特定检索结果时不一定遵循检索系统的逻辑。换言之，用户对于哪些检索结果更为贴心，以及用户为满足自身知识获取意图而采用的检索结果学习次序，都有着自己独特的一套看法。由此，相关反馈(比如点击行为触发的检索结果)并非一定反映了检索结果与查询之间字面上的关系，而是更多地反映了用户认知和理解检索结果的一种过程。那么，研究相关反馈的关系就是在尝试解释用户认知和理解事物过程中所遵循的逻辑或思维脉络。相应地，相关反馈之间的关系可表示为一种认知理解过程中信息的个性化逻辑序列关系，简称用户逻辑关系。
[0040]本发明中，相关反馈间的用户逻辑关系强调的是用户对知识间关联性的独到看法。换言之，这一关系是用户根据自身理解、判断和推理建立起的狭义信息关系，而非一定遵循语言学规律或事物本源联系的广义信息关系。究其主要特征而言，用户逻辑关系首先是一种个性化关系，反映的是用户个例的认知特点。比如，用户张三先认识李四，又认识王五，那么样本序列李四和王五即具备了张三的用户逻辑关系；相对地，用户杨二先认识王五，又认识李四，那么样本序列王五和李四即具备了杨二的用户逻辑关系，在样本李四与王五的认知关系上，用户张三与杨二都有着自己的一套逻辑。其次，用户逻辑关系是一种创造性关系，可以在本身无关的信息间制造关系。比如，样本“下馆子”和“KTV飚歌”之间本无关系，但组织派对的用户经常会在两者之间建立“下了馆子再去KTV飚歌”的关系。最后，用户逻辑关系还是一种强调序的关系，即序列关系。比如，老师教孩子们先认识加法，再认识乘法，最后认识分配律。基于上述特点，用户逻辑关系实质上是一种用户极大便利自身理解事物的知识采集序列。
[0041]如上所述，用户的查询点击行为，是指用户点击查看的检索结果、对应的详情页面以及所述点击行为之间的时序关系，所述用户的点击结果即相关反馈。
[0042]步骤S2:度量用户点击脉络的方向一致性，利用基于语言模型的向量聚类法将具有同一方向的脉络聚为一类，形成黑洞形态的用户逻辑群。
[0043]如步骤SI所述，相关反馈之间可以具备一种用户逻辑关系。接下来介绍如何将用户逻辑关系应用于检索系统。例如认知序列中的样本“李四”与“王五”本可以是毫无关系的两个人，但因为用户“张三”先认识了 “李四”后认识了 “王五”，那么，相对用户“张三”而言，样本“李四”与“王五”就具备了认知序列的关系。借助大规模统计数据发现，绝大部分用户都是先认识“李四”后认识“王五”，两者之间的联系存在必然性。比如，人们先认识“李登辉”后认识“陈水扁”可以解释为认知的时序关系；人们先认识“日本”后认识“广岛长崎”可以解释为认知的全局与局部联系；人们先认识“貂婵”后认识“自己老婆”可以解释为属性优劣或知名度高低的联系。由此，可以借助大量的检索样本数据建立具有一致或近似认知过程的用户逻辑群，每一个群由多个用户逻辑形成，表述了一种趋向同一认知中心的信息关系。
[0044]即便如此，仍然很难用统一标准定义每一个用户逻辑群表述了什么信息关系，关系类别也五花八门。比如上文中的样例，一个群描述时序关系(“李登辉”与“陈水扁”)，另一个群描述属性关系(“貂婵”和“老婆”)。其中，时序关系需要时间表达式的识别和比对，属性关系则要依赖本体论(ontology)，两者正常的处理和应用过程都有着显著的区别。事实上，如果将这样一种理论投入到针对大规模数据进行处理的信息检索领域，将有着很多回避特定关系定义与识别的处理和应用方式。就这一点而言，传统的HITs算法就是最好的例证，HITs并不专注于任何一个网页内容的分析、定义和使用，而是全局地考虑各个网页之间的链接关系，并借助Authority和Hub值建立一套排序机制。换言之，HITs的所有行为都在网页之外的空间进行，它对网页内在的内容毫不关心。这为本发明的设计提供了很好的借鉴作用。
[0045]由此，本发明引入点击黑洞的定义，它是用户逻辑群的另一称谓。用户点击行为是触发相关反馈的主要手段之一，因此，同一查询过程中的系列点击行为可以在实际应用中建立相关反馈的关系，反映用户的认知和学习过程。单一用户提供的系列点击可以建立单一的用户逻辑关系，多用户的点击行为就可以形成用户逻辑群。将基于用户点击行为构建的用户逻辑群称为点击黑洞，不仅仅为了凸显相关反馈的来源为点击行为，更多地是为了反映用户逻辑群的一种形态:黑洞形态。
[0046]由此，在黑洞形态的用户逻辑群中，所述黑洞为:若任一查询均存在一个终极目标和多个起点，每个起点至终极目标的过程存在至少一次点击，则黑洞的中心为终极目标，黑洞的半径为终极目标与距离所述终极目标最远的起点之间的距离，且每个起点和黑洞中心之间的系列点击称为一个吸引路径。
[0047]本发明中，点击黑洞是基于用户点击行为构建的用户逻辑群的视觉仿真。任何一种查询都存在一个终极目标和多个查询起点，终极目标指的是最能够满足查询意图的信息，起点指的是用户输入的初始查询项，而终极目标和每一个起点之间都有着特定用户在探寻、学习和理解知识过程中的系列信息触发行为(即点击行为)，每一个行为指向一个反映用户认知状态的相关反馈。简而言之，点击黑洞就是具有同一知识获取意图的不同用户，使用不同初始查询项，通过系列点击行为提供的认知趋势趋向一致的相关反馈逻辑群。
[0048]事实上，点击黑洞的中心是不存在的，即最满足用户查询意图的信息并不存在。点击黑洞只能记录趋向于终极目标的系列认知趋势，而不能给出终极目标，也恰恰迎合了黑洞的性质。此外，由于不同用户可以存在同一查询意图，而其知识背景、语言能力、交流习惯等却往往各不相同，因此，不同用户的查询语言往往不同，其正确性和精确性也不同，因此呈现多起点现象(具有相同起点的则归为一类用户)。其中，无论从语言使用和搭配的正确性上、或语义的精确性上，必定存在距离“点击黑洞”中心最远的查询项。由此，黑洞的边界即是由这一距离最远的查询项所构建的等距圆弧(如果在三维空间，则为球面，更高维空间则为超球面)。
[0049]图3是本发明较佳实施例提供的点击黑洞形态样例示意图。如图3所示，在点击黑洞中，任意一条由起点至终点间的路径(Path)记录了特定用户同一次查询中的不同点击(如图3中的实心圆点)，每一个点击指向一项相关反馈，整个路径反应了特定用户的认知脉络，即对应用户的用户逻辑。其中，每条路径上的最终点并不是终极目标，仅仅是系列点击行为中的最后一次点击，指向检索过程中的最后一项相关反馈，具有趋向终极目标的属性。
[0050]于此，所述黑洞形态具备如下性质:黑洞中的起点不能超出黑洞边界；黑洞中的用户逻辑路径并不一定全部局限于黑洞边界之内；黑洞中的每个用户逻辑路径都趋向同一终极目标，但始终达不到这一目标。其中，“黑洞中的用户逻辑路径并不一定全部局限于黑洞边界之内”这一性质对用户逻辑路径的限制较松，只强调其整体趋势趋向黑洞中心，这可以解释为用户在认知过程中的错误和干扰。
[0051]由此，利用大规模检索数据集合，可以构建一种完全由用户点击行为构成的点击空间，其中包含各种不同用户的系列点击脉络，并根据用户逻辑的目标一致性或近似性，形成不同点击黑洞。图4是本发明较佳实施例提供的点击空间样例示意图。如图4所示，最小的点击黑洞k是由单一用户的点击路径构成的用户逻辑。
[0052]下面将介绍点击黑洞的构建方法。点击黑洞的基本组成包含一个未知的中心，多个离散的起点(即查询项)和系列点击形成的用户逻辑脉络。由于无法准确获取和描述查询的终极目标，黑洞的机器自动构建将非常困难。为此，本发明采用同向法建立黑洞，同向法只考虑系列点击的趋势具有近似一致的方向性，而忽略黑洞中心以及起点的位置。其基本思想如下，假设存在一种方向，其终点存在一个“黑洞”中心，那么所有具有这一方向的点击脉络将指向这一中心，又因不同的点击脉络往往源自不同的起点，每个起点至黑洞的方向各不相同，那么由各个起点开始的点击脉络将形成多角度的内聚性，即黑洞。上述黑洞的构建可以借助两种空间予以解释，一种是语义空间，该空间记录信息的语义位置。另一种是点击空间，该空间中仅仅记录点击序列的方向。
[0053]语义空间的一般形成方法是将所有已知的字、词或短语分别建立特定的维度(语言的高维空间)，使得任何文本都可以在这一高维空间中定位特定位置。借助传统的向量空间模型法(VSM)可以度量空间中任意两点(即两个文本信息)之间的近似度，借以描述文本间的语义相关性。然而，语义无关的文本之间也可以存在用户逻辑关系，比如“下馆子吃大餐”和“去KTV通宵飚歌”之间毫无语义联系，但对“准备组团彻夜狂欢的青年男女”而言，两者之间有着密不可分的联系，而这一联系借助上述语义空间很难予以解释和度量。另外，VSM这一模型在度量空间中所有两点关系时,完全相对于同一中心，即空间的原点，这从理论上存在难以解释的疑问，即如果空间的中心描述了一种所有维度上的语言现象皆为零的情况，那么相对于这一中心的所有两点匹配表达了什么含义呢？是否表明了人们对任意两点关系匹配的认知完全在毫无先验知识和语言逻辑关系理解的层面下进行呢？即仅仅是字面关系，毫无认知理解的逻辑关系。由此，现有方法在利用语义空间方面尚不透彻。
[0054]本发明即旨在建立语义空间中的多种核心，语言的匹配和理解也相对于不同核心予以进行，无论是方向性或距离性，都不能仅仅相对于同一起点。然而，在语义空间中检测这种新的核心(即黑洞中心)很难直接解决。因此，本发明借助另一种点击空间，辅助黑洞中心的检测。点击空间仅仅考虑系列点击的方向性，而不考虑点击对应的信息内容。点击脉络具有“序”的属性，即系列点击的序列，方向趋近一致的点击脉络称为平行点击序列，趋向同一认知目标。如果这类点击序列的确存在，那么，将这类序列映射至语义空间中时，将形成收敛于某一中心的黑洞。图5是本发明较佳实施例提供的黑洞形态的映射样例示意图。如图5所示，点击序列{a，b}、{c, d}和{e，f}具有平行关系，趋向同一目标，将其映射至语义空间中时，尽管点击对应的文本内容在空间中的位置无法继续保证上述平行关系，但所有点击序列趋向同一核心的性质将隐含地继续保存，如图5中由不同起点开始，点击脉络趋向内聚的图示。
[0055]如上所述，黑洞建立的核心问题是如何度量点击脉络的方向一致性，并将具有同一方向的脉络聚为一类。由此，所述黑洞形态的用户逻辑群的形成过程为:将每个点击脉络作为一个聚类，并将其描述为点击方向的序列向量，即点击向量；借助语言模型计算每一对聚类的相似度，采用自底向上的凝聚式划分方法，将近似度最高的一对聚类合并为一类，并度量新类中每个点击向量中每个方向的生成概率，辅助后续聚类时的相似度计算；持续向上聚类，直到所有聚类汇聚于一点，或所有聚类的相似度都低于某一阈值。[0056]图6是本发明较佳实施例提供的点击序列的方向分解样例示意图。如图6所示，给定一条点击脉络{a, b, c},首先将这一序列分解并形成点击向量{ (a, b)、(b, C)、(a, c) },这一向量记录了点击序列中每一种自前而后的点击方向。其中方向(a, c)不是直接方向，而是具有中间媒介的间接方向。
[0057]本实施例中，基于语言模型的相似度度量方法如下所示。假设给定如下两个聚类:
[0058]
【权利要求】
1.一种相关反馈间关系网络的构建与应用方法，其特征在于，包括以下步骤: 51、根据用户的查询点击行为，分析用户在认知理解过程中信息的个性化逻辑序列关系，即用户逻辑关系； 52、度量用户点击脉络的方向一致性，利用基于语言模型的向量聚类法将具有同一方向的脉络聚为一类，形成黑洞形态的用户逻辑群； 53、根据所述黑洞，进行用户检索系统中的用户查询推荐以及检索结果排序推荐。
2.根据权利要求1所述的方法，其特征在于，在步骤SI中，所述用户的查询点击行为，指用户点击查看的检索结果、对应的详情页面以及所述点击行为之间的时序关系，所述用户的点击结果即相关反馈。
3.根据权利要求1所述的方法，其特征在于，步骤S2中黑洞形态的用户逻辑群中，所述黑洞为:若任一查询均存在一个终极目标和多个起点，每个起点至终极目标的过程存在至少一次点击，则黑洞的中心为终极目标，黑洞的半径为终极目标与距离所述终极目标最远的起点之间的距离，且每个起点和黑洞中心之间的系列点击称为一个吸引路径。
4.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述黑洞形态的用户逻辑群的形成过程为:将每个点击脉络作为一个聚类，并将其描述为点击方向的序列向量，即点击向量；借助语言模型计算每一对聚类的相似度，采用自底向上的凝聚式划分方法，将近似度最高的一对聚类合并为一类，并度量新类中每个点击向量中每个方向的生成概率，辅助后续聚类时的相似度计算；持续向上聚类，直到所有聚类汇聚于一点，或所有聚类的相似度都低于某一阈值。
5.根据权利要求1所述的方法，其特征在于，在步骤S3中，所述检索结果排序推荐包括全路径推荐和局部路径推荐，所述局部路径推荐又包括集中式局部推荐和散点式局部推荐。
6.根据权利要求5所述的方法，其特征在于:所述全路径推荐是将黑洞中特定路径上所有点击对应的相关反馈全部予以推荐，高位排列并按照点击顺序进行排序；局部路径推荐是将黑洞中特定路径上局部点击片段对应的相关反馈给予推荐，高位排列并按点击顺序予以排序。
7.根据权利要求5或6所述的方法，其特征在于，当被推荐用户使用的查询项与被推荐路径起点对应的查询项具有一致性或近似性时，实施全路径推荐。
8.根据权利要求5所述的方法，其特征在于，当用户的初始点击序列与黑洞中某一路径的连续点击片段有着高度一致性时，实施集中式局部推荐，且所述集中式局部推荐将一致性片段之后的点击按序整体推荐。
9.根据权利要求5所述的方法，其特征在于，当两条或多条认知路径之间具有较多相同点击反馈且点击并不连续时，实施散点式局部推荐。
【文档编号】G06F17/30GK103942302SQ201410153662
【公开日】2014年7月23日 申请日期:2014年4月16日 优先权日:2014年4月16日
【发明者】洪宇, 康杨杨, 朱巧明, 王剑 申请人:苏州大学