文摘

在线博物馆信息资源系统越来越受欢迎的这些天,允许用户获得他们感兴趣的对象的详细信息,和用户首选项存储在线搜索相关构件考虑他/她的行为。用户浏览行为的在线集成捕捉相关信息是信息资源集成到博物馆。不幸的是,目前的实现集成和优化系统中的错误,所以无线网络博物馆用户行为信息集成系统,提出了计算用户的兴趣博物馆的文物。用户行为信息资源模型开发了基于用户兴趣的程度,与不同的衰变速率和遗忘函数用来描述利率水平的变化。然后使用这些信息来构造用户的兴趣矩阵。这个矩阵还包含有关文物的信息,用户还没有去过。系统将引入功能词的兴趣权重的高级特性的用户行为信息集成的用户的行为和特征向量相结合,能代表整个轨迹。此外,这些特征描述向量可以表示当地轨迹特征向量识别缓慢稀疏目标,然后利用集成的用户行为信息。仿真试验证明,该方法可以实现低错误用户行为信息资源的集成过程,从而产生良好的结果。

1。介绍

信息技术的迅速发展,在现代社会影响了生活的各个领域,包括博物馆游客。越来越多的人正在兴趣访问在线博物馆,在那里他们可以找到文物与有趣的信息。研究用户行为信息系统是指不同层次包括不同类别的博物馆基于用户对信息资源的需求或兴趣。这是通过计算设备的使用成为可能,通讯技术、数字多媒体、和其他相关的高科技手段1]。无线网络技术已经进入了成千上万的家庭2),它丰富了整个社会的信息量。然而,博物馆信息资源目前网上混乱和分散。为了获得高价值的博物馆信息资源在相对较短的时间内,来自多个用户的信息可以捕捉网络和信息资源集成到博物馆空间(3]。博物馆信息资源集成基于用户行为不仅满足用户的实际需要为博物馆信息资源但也会提高信息资源成为符合用户的通用需求,从而弥补了缺乏信息资源博物馆现有藏品,还将提高博物馆的低级重复信息资源。

周(4)提出了建设图书馆的数字资源整合模型,基于关联数据的档案,和博物馆。通过理解关联数据的基本原理,研究解释了可行性、过程、总体框架和具体的集成LAM(图书馆、档案馆和博物馆)基于关联数据的数字资源。林认为云服务平台基本框架和分析具体的情况下基于关联数据。在此基础上,作者提出,实施林数字资源时,必须注意到图书馆用户交互模式,开放许可标准,维护关联数据以及现有数据的转换。在另一项研究中,陈(5]设计了交互式用户行为信息界面的功能入口梅山傩面具基于湖南省博物馆展品应用,分析和讨论了交互式设计要求和多方案选择目的说。梅山面具代表了梅山傩文化最重要的载体,是中国祖先的文化之一,是一个重要的一部分“湖湘历史在中国中南。实际过程的交互设计相关的功能入口梅山傩面具的展品,专门分解关键因素的思路和方法根据业务需求和用户需求与产品经理解释,包括谈判的过程,市场操作和开发工程师。这导致完成草稿的第一级页面,二级页面和交互视觉系统的草稿。上述方法的大量错误的困境和长时间优化博物馆的用户行为信息资源集成。为了解决上述问题,无线网络博物馆用户行为信息集成,提出了摘要和有效性的结论是通过研究。

2。用户行为信息资源集成的博物馆

博物馆的用户行为信息资源集群分为几个集群。最初,用户轨迹计算和两者之间的关联规则提取获得的最低支持和信任信息的用户6]。利用这些关联规则来计算用户的偏好值为特定博物馆信息资源和余弦相似度测量方法用于计算用户之间的相似性利益,实现用户行为信息的集成。

假设是指时间包含对象集合,个人用户动态文件,然后将代表用户行为信息的子序列资源集群分为集群是由

现在,假设代表用户的行为轨迹(7),然后用户集群的数量所属时期可以通过计算 在哪里 , , 。

使用关联规则技术,最低支持(8提取)和最小信任信息的用户获得两者之间的关联规则。根据关联规则,如果用户的行为轨迹 ,然后它将意味着行为集群用户在那个特定的时间(9]。

假设代表一个博物馆信息资源的收集与重要的用户首选项和代表一个博物馆信息资源的收集与重要的用户首选项 和博物馆的结合信息资源集合与重要的用户首选项和用户用可以计算的吗

同样的,假设代表博物馆信息资源用户的集合没有偏好价值联盟 ,然后计算公式

对于任何特定的博物馆的信息资源 ,用户的偏好对信息资源 (10]给出评估 第一种情况下,客户在哪里信息资源的偏好值是重要而第二例代表亦然。根据上面的计算中,余弦相似性测量方法用于计算用户之间的相似性和用户制定博物馆用户行为信息资源的集成的 在哪里代表信息的收集类似于博物馆的信息资源 , 显示用户之间的相似的行为和用户 ,和显示用户偏好值博物馆信息资源 。

用户行为信息资源集成的结构图如图1。

3所示。用户行为信息资源整合和优化的博物馆

创造的过程、集成和优化用户行为信息资源构成阐述了下面三个步骤。

3.1。建筑博物馆的用户行为信息资源兴趣模型

用户的兴趣关键词的某种类型的文物在博物馆估计通过考虑用户的时间花在阅读介绍性文档在参观博物馆的在线网站。系统使用遗忘函数不同的衰变速率来描述用户兴趣的变化(11)在构建用户行为信息资源的兴趣模型。

在现实生活中,在访问一个在线博物馆,如果用户读取某文物收藏的引入,这表明用户感兴趣的信息资源,和阅读的时间成正比特定资源的用户的兴趣。用户的兴趣程度考虑遗物的长度的概要文件和用户的阅读速度。在数学上,用户用的兴趣在博物馆的文物可以通过方程计算(7)如下: 在哪里代表用户的相对速度浏览博物馆的文物剖面的计算如下:

的公式,和代表遗物的概要文件的长度和用户的时间分别阅读它代表用户的平均速度据估计每

假设代表web页面的概率属于文物的分类 , 显示用户的利益在 ,和表示关键特性的单词在个人信息页面 ;然后用户的兴趣的重要性(12在关键字博物馆的文物信息资源是由集合

根据用户的兴趣关键词的某种类型的文物博物馆,某种类型的用户的兴趣相似的文物博物馆为代表鉴于在

基于上述分析,忘记使用功能不同的衰变速率来描述用户的兴趣变化,和一个博物馆用户行为信息资源兴趣模型(13]。建模公式如下: 在哪里代表用户的访问频率文物收藏,代表用户的访问频率所有可用的文物收藏,表示当前显示时间系统的页面,和代表用户的行为模型建设或更新时间。

3.2。用户行为信息资源整合和优化的博物馆

基于用户兴趣模型的建设博物馆信息资源,用户利益构造矩阵,将用户的在线博物馆信息资源划分为核心用户和非核心业务用户,分别使用k - means聚类算法和余弦相似性。然后,这些集群利用计算利息的重量特性的一个特定的用户还没有参观遗迹。顶部一些功能按兴趣博物馆的重量信息资源作为对整体的预测用户行为然后用于博物馆用户行为信息的集成和优化资源。

假设代表网上信息资源的数量由用户访问集合和代表总数的所有用户感兴趣的特性 。基于上述机构,用户兴趣矩阵 构造。的用户在线信息资源分为两大类,即。,核心用户和非核心业务用户。核心用户集的计算公式在 在哪里代表的数量矩阵构造和非空的用户兴趣代表了提前判断阈值集(14]。

聚类的过程是在两个步骤进行。

3.2.1之上。集群的核心用户

k - means聚类算法用于集群的核心用户信息资源和用户有相似兴趣分为相同的集群。可能会指出,这是一个非常简单和易于实现的算法,但它保证收敛,可以很容易地适应新的例子15]。它也有能力推广集群不同的大小和形状。聚类的计算公式提出的研究中给出了 在哪里代表单个集群的集群组的数量。

3.2.2。集群的非核心业务用户

余弦相似度测量方法用于集群信息资源访问的非核心业务用户。这个目的是给出的计算公式

为了防止冷启动问题,建议用户多样化的信息资源,功能词的兴趣权重博物馆的文物收藏用户尚未访问计算,然后利用选择的高级特性,其中用户行为预测。它是用于用户行为信息资源整合和优化博物馆。计算公式如下: 在哪里代表用户兴趣特征相似性最高的用户 ; 和代表用户的平均利息重量对顶部“h”用户兴趣特征相似性最高,分别。

3.3。异常行为包含慢慢地稀疏目标用户信息集成

在整合的过程中缓慢移动的稀疏目标用户的异常行为信息,轨迹特征提取是非常关键的。特征向量包含整个轨迹以及当地的轨迹,轨迹信息描述的缓慢和稀疏的目标用户是通过多维特征向量。为此,轨迹分为轨迹段的同一时期根据时间和轨迹的划分点描述如下: 在哪里代表了轨迹而表明轨道的数目, 代表了过滤器的位置目标,表示的长度th跟踪。,the number of track points,代表轨迹段的数量将根据同一时分长度,最后代表所有部门的集合点。

让是一个特征提取函数,称为 ,在哪里代表特征空间的总数;然后地图每一个轨迹到一个 - - - - - -维的特征空间,每个特征空间分别处理,防止损坏的所有功能空间归一化处理。

特征提取过程中从实际场景和情况。每个功能空间可以大致反映了样本数据的内部情况。结合几个特征向量可以更精确地反映轨道特征。第一特性的方向和长度的轨迹慢慢地稀疏目标用户行为信息。当前特征空间矢量给出如下:

第二个特点是第一轨道的平均位置。这个功能主要是用来区分不同区域的轨迹博物馆。当前的特征空间可以被描述为

第三个特征空间是初始位置,时间轨迹段的长度,细分的方向。轨迹分为根据时间和当前轨迹段均匀特征向量,提出了

的公式, 表示起始位置;表示时间;代表第一段轨迹的方向 代表其他段序列的偏转角。上面的表达式不仅近似轨迹的形状,也反映了轨迹的方向。

第四个特征空间平均速度,这是一个补充上述三个特点。结合速度信息与上述三个功能空间可以有效地确定轨迹的形状。平均速度特征空间可以描述如下:

后获得的轨迹特征缓慢稀疏目标用户行为信息,异常轨迹集成目标实现的K聚类方法,流程如下:(1)完成轨迹数据集的聚类和获得集群数据(2)确定不同集群的集群中心(3)的K聚类方法是用来收集集群与集群中心很近,整合相似集群为了适应缓慢移动的轨迹异常稀疏目标用户的信息

4所示。分析仿真结果

仿真实验数据收集从网上博物馆的主页通过使用一个收集器,和模拟实验工具SDABAS DM被选中。根据博物馆的用户行为信息资源,当前的研究的有效性基于无线网络测试。具体的实验配置参数利用在当前的研究中如表所示1。

评估当前的研究,三个指标的用户行为信息集成和优化系统即选择。,平均绝对误差、平均绝对误差的标准差和平均时间消耗。当前研究的有效性与两个类似的现有研究进行了周(4和陈5]。

在仿真过程中,70%的收集数据集用于培训目的,选择,剩下的30%是用于测试。每组实验执行100次,和平均值作为最终的实验结果记录。比较不同方法的平均绝对误差的结果在图进行了总结2。

如图2,当前的研究的比较结果与周(4和陈5)证明,随着最近的邻居数量的增加,该方法的平均绝对值逐渐下降,表明集成的准确性和优化用户行为信息资源正逐渐改善,该方法获得的平均绝对误差明显低于其他两种比较方法的值特别是最近的邻居的数量增加到20。平均绝对误差的三种方法稳定当最近的邻居数量的增长超过60岁。这表明当前的研究执行更好和集成精度随最近的邻居的增加。

当前研究方法的有效性在于集成过程主要包括两个阶段。第一阶段是用户行为信息的集成目标,在第二阶段,目标是跟踪用户行为信息,同时结合用户行为轨迹异常。进行仿真实验来验证方法的可靠性和实用性。

在图所示的目标3综合利用当前的研究。目标出现在视频的帧# 212∼# 236。在监测过程中,跟踪目标的脸被阻塞。获得的180个候选区域在坐标系# 212是用来近似的目标模板的初始帧视频序列。图4描述了稀疏系数向量获得# 212帧。

通过分析图4,可以看出,大部分的稀疏系数值很小,只有一小部分的稀疏系数值高,而授权稀疏近似的效果。同时,使用稀疏系数描述的优势是当前帧是最接近目标模板,和稀疏系数误差为0.4015,低于容许误差为0.5,表明该方法的集成误差可以接受低。

博物馆的入口和出口是唯一的人员进入和退出博物馆。博物馆入口用户信息和用户的轨迹异常退出信息集成。在正常情况下,用户进入博物馆有相同的方向在入口和出口的操作,他们是不允许进入退出或离开的入口。一些游客漫步在入口和出口或走得太快,等异常行为。数据5和6描述异常行为在博物馆的入口和出口。

最后,当前的研究是对周相比(4和陈5),表中描述和仿真结果2。

结果在表2表明,当前的方法只有集成了一个错误的条目,而周(4和陈5)有一个错误集成率高的异常用户入口和出口信息批准,该方法是可靠和实用的。

为了通用性,周4)是与陈(5]。三种方法被用来把博物馆的异常行为信息用户在某一天。轮廓系数和整体相似度作为衡量集成结果的可靠性。

方程(26)给出的公式计算轮廓采样点的系数 : 在哪里是用来描述样本点之间的平均距离和采样点在同一集群;是用来描述样本点之间的平均距离最小 和其他采样点的集群。为 ,这意味着有一个样本点之间的巨大的差异和其他采样点在这个集群等集群分为错误的,所以一般来说,它有一个更好的整合效应异常轨迹。

整体相似度指的是聚合度在每个集群的样本数据,这可以通过以下方程: 在哪里描述了集群的数量。方程(27)描述了集群中的所有样本点之间的平均距离和集群中心 ,与方程(28)描述每个集群的相似性的加权和,根据样本数据集。一般来说,总体相似度的值越小,异常轨迹的集成效果越好。

表3描述了综合比较结果异常轨迹的三个方法。

分析表3显示异常轨迹之间的平均轮廓系数集成当前研究的结果和其他轨迹是最高的,平均相似性最低,明显好于周(4和陈5),这表明异常轨迹综合的方法更可靠的比其他轨迹。

5。结论与展望

5.1。结论

用户行为信息的集成和优化博物馆资源扮演着重要的角色在为用户提供有趣的知识服务、促进信息资源的深入开发和利用博物馆(16,17]。考虑到大错误和长期消费问题的现有方法整合博物馆用户行为信息,无线网络的方法,提出了用户行为信息资源整合和优化博物馆。仿真实验证明了该方法的有效性和优越性,实现以下里程碑:(1)博物馆基于无线网络的用户行为信息集成方法达到的效果稀疏近似的集成错误明显低(2)融合率低的错误可以确保该模型的可靠性和实用性(3)之间的差异异常轨迹综合当前方法和其他轨迹是最大的进一步认可其可靠性

5.2。前景

(1)博物馆之间的用户行为信息系统可以加强合作,可以丰富该领域的研究。由于用户隐私保护,研究人员无法获得的原始日志文件用户行为信息记录在博物馆。在未来,博物馆和研究机构之间的合作可以提供一个好的平台综合博物馆研究用户行为信息集成模型来促进研究的进步博物馆用户的需求。(2)这项研究可能会扩大考虑物理博物馆访客的经验以及门户用户。身体上的用户访问博物馆可以给直接反馈关于他/她的兴趣可能与类似的构件集成在线。未来的研究应该注意身体博物馆用户之间的关系和档案门户用户的行为规则和需求。通过这种方式,两个系统,即。,the online museums and physical museums, will augment each other by providing a better user experience.(3)尽管目前的研究认为收集用户兴趣信息无需用户干预,把数据直接从用户可以提高应用程序的可靠性和可接受性。通过这种方式,用户可以找出他/她的兴趣可以进一步更好的利用和建议寻找相同的用户以及其他有类似的利益。(4)用户的兴趣关于工件估计考虑在线时间他花在阅读它的细节。增强系统,产品像一个摄像头可以利用,以确保用户实际上是看屏幕虽然读到一些工件和不是忙于其他的任务。这将消除错误的积累的数据应用程序对用户的利益,同时他是忙于其他的任务。(5)当前的研究依赖于k - means聚类的工作考虑的简单实现,可扩展性,并保证收敛性品质。然而,提出当前方法可能被复制等现代聚类算法采用桦木、亲和传播和光学。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。