基于Web挖掘的个性化网络教学系统的设计与实现

维普资讯 http://www.cqvip.com 第２７卷　２００７年６月　文章编号：１００１—９０８１（２００７）Ｓ１—００３１—０３　计算机应用　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏｌ－２７　ＪｕＢｅ　２００７　基于Ｗｅｂ挖掘的个性化网络教学系统的设计与实现　鲜学丰　，杨雪　（１．苏州市职业大学计算机工程系，江苏苏州２１５１０４；　２．南京工程学院工程实验与实训中心，江苏南京２１００００）　（ｓｖｃｘｘｆ＠１６３．ｃｏｍ）　摘要：设计了一种基于Ｗｅｂ挖掘的个性化网络教学系统，该系统结合Ｗｅｂ使用挖掘、ｗｅｂ内　容挖掘和Ｗｅｂ结构挖掘的挖掘结果为学生提供个性化的推荐服务，即使在使用数据比较少，或教学　内容变化比较频繁的情况下，也能为学生提供高质量的个｝生化推荐服务。　关键词：个｝生化教学；Ｗｅｂ挖掘；个性化推荐　中图分类号：ＴＰ３１１　文献标识码：Ａ　Ｗｅｂ结构挖掘模块。Ｗｅｂ使用挖掘模块首先对学生学习过　程中在网络教学Ｗｅｂ站点的Ｗｅｂ服务器上留下的ｌｏｇ　ｉｆｌｅｓ　０　引言　近年来兴起的基于Ｗｅｂ的网络教学方式，由于采用网络　进行预处理得到的事务文件，然后对事务聚类分析获取用户　的使用特征。Ｗｅｂ内容挖掘模块首先预处理所有教学资源　（网络教学ｗ幽站点内容）得到内容，然后对内容聚类分析获　取页面的内容特征，Ｗｅｂ结构挖掘模块首先预处理网络教学　Ｗｅｂ站点内部不同页面之间的相互链接情况。然后对结构聚　技术作为支撑，在教师和学生、学生和学生之间提供了便捷快　速的通信渠道，成为远程教学的主要发展方向。　国内许多教学机构都开展了网络课程教学或学习，当前　的网络教学系统的体系结构”Ｊ一般由三部分组成（如图１），　分别是教学资源库、学习平台和学生。教育资源库是一个媒　体服务器，存储各种类型的教育资源；学习平台是一个Ｗｅｂ　服务器，通过Ｗｅｂ的方式把教学资源展现给学生，学生可以　自由的选择学习资源。但是这种模式在教学与学习过程中缺　乏智能性，对于不同的知识水平的学生和不同的教学内容难　类分析获取页面结构特征。Ｗｅｂ挖掘得到的使用特征、内容　特征和结构特征供在线部分的推荐引擎直接使用。由于数据　预处理和Ｗｅｂ挖掘的时间开销比较大，不能满足个性化网络　教学系统为学生提供推荐服务的实时性要求，所以必须将这　两个操作离线处理，在线部分的推荐引擎根据学生个人的学　习路径（当前会话）结合Ｗｅｂ挖掘结果向其推荐个性化的学　习资料，达到因材施教的目的。　Ｗｅｂ　Ｓｅｒｖｅｒｌｏｇｓ　Ｉ暾学资源（Ｗｅｂ站点内容）ｌｌＷｅｂ站点结构　以实现因材施教；难以适应各类学生各方面的个性化需求。　图１传统网络教学系统　Ｉ使用Ｗｅ挖ｂ｜　ｌ捌Ｗｅｂ内容挖捌　１　．针对传统网络教学系统的缺点本文设计了一种基于Ｗｅｂ　挖掘的个性化网络教学系统。个性化网络教学系统将传统教　学系统中的学习平台进行了改进，在此引入个性化处理引擎　＝　二　内容特征　使用特征　和推荐引擎为学生提供个性化的推荐服务，使得网络教学系　统能够根据学生的个性特点有针对性的提供教学资源。在引　入个性化方法的网络教学系统中，每个学生在学习过程中会　产生不同的浏览序列，这些浏览序列反映了不同的学生有着　不同的学习进度和层次，个性化方法会根据学生个人的学习　路径向其推荐学习资料，达到因材施教的目的。　＝一下。已能为学生提供高质量的个性化推荐服务。　［　图２基于Ｗｅｂ挖掘的个性化网络教学体系结构　基于Ｗｅｂ挖掘的个性化网络教学系统分为离线部分和　１　体系结构　图２描述了基于Ｗｅｂ挖掘的个性化网络教学系统的体　系结构。该体系结构主要包括两个部分：离线部分和在线部　分。离线部分由个性化处理引擎、各种教学资源和网络教学　Ｗｅｂ站点信息组成。该部分主要对各种数据进行预处理并进　行Ｗｅｂ挖掘获取使用特征、内容特征和结构特征。在线部分　由推荐引擎组成，其主要根据学生当前学习路径和Ｗｅｂ挖掘　的结果为学生提供有效的个性化学习资料推荐。　个性化处理引擎是实现个性化网络教学的核心部分主要　由三部分组成：Ｗｅｂ使用挖掘模块、Ｗｅｂ内容挖掘模块和　收稿日期：２００６—０８—２８　在线部分两部分。由于实现了离线部分和在线部分的分离，　从而能适应较大规模的个性化网络教学系统数据多的特点，　提高为学生推荐个性化的学习资料的实时响应速度。同时，　由于该模型集成了Ｗｅｂ使用挖掘，Ｗｅｂ内容挖掘和Ｗｅｂ结　构挖掘的挖掘结果提高了为学生推荐个性化学习资料的质　量，即使在使用数据比较少，或教学内容变化比较频繁的情况　２模块分析与实现　下面主要分析该体系结构中实现对学生的个性化服务的　作者简介：鲜学丰（１９８０一），男，四川西充人，助教，硕士，主要研究方向：智能信息处理及应用、ｗｅｂ挖掘；杨雪（１９８２一），女，云南曲靖　人，助教，硕士，主要研究方向：软件工程．　维普资讯 http://www.cqvip.com ３２　计算机应用　２００７血　两个关键模块：个性化处理引擎和推荐引擎。　经过上述处理，每一个聚类的使用特征都可以表示为原始页　２．１个性化处理引擎　面空间中的　维向量。　个性化处理引擎是实现个性化教学的关键，主要有三部　２．１．２　Ｗｅｂ内容挖掘模块　分构成：Ｗｅｂ使用挖掘模块、Ｗｅｂ内容挖掘模块和Ｗｅｂ结构　基于Ｗｅｂ挖掘的个性化网络教学系统运用Ｗｅｂ内容挖　挖掘模块。　掘　技术实现个性化的基本思路是：根据学生所访问的　２．１．１　Ｗｅｂ使用挖掘模块　Ｗｅｂ页面内容之间的相似性为学生提供学习资源的个性化　基于Ｗｅｂ挖掘的个性化网络教学系统运用Ｗｅｂ使用挖　推荐。　掘　０　技术实现个性化的基本思路是：根据学生学习过程中　Ｗｅｂ内容挖掘预处理是从网络教学Ｗｅｂ站点所有页面　会产生的浏览序列之间的相似性为学生提供学习资源的个性　的文本数据和元数据中抽取相关内容。本文主要对ＸＭＬ或　化推荐。　ＨＴＭＬ中包含的元标记以及页面中包含的文本内容进行内容　首先对网络教学Ｗｅｂ站点的Ｗｅｂ服务器ｌｏｇ　ｉｆｌｅｓ进行预　抽取。文本内容权重的计算方法为：元数据的权重由网络教　处理主要包括数据清理、用户识别、会话识别、路径完善和事　学Ｗｅｂ站点的设计者提供，文本内容的权重本文采用信息检　务识别等。对Ｗｅｂ服务器日志进行预处理最终得到在事务　索领域广泛使用的词频反文献频率决定。　数据库中出现的所有页面的集合Ｐ表示为：Ｐ＝｛Ｐ　，Ｐ　，…，　经过预处理最终可以得到从网络教学Ｗｅｂ站点所有页　｝，其中每个页面ｐ　通过其ＵＲＬ地址唯一表示。用户事务集　面中抽取的内容集合Ｆ，表示为：Ｆ＝｛　，…　｝。同时，每　合　表示为：Ｔ＝｛ｔ　，ｔ２，…，ｔ　｝，用户事务集合中的每一个事　个页面Ｐ可以表示为内容空间上的ｋ维向量，ｋ为从网络教学　务ｔ　Ｔ均为页面集合Ｐ的子集。为了后续的聚类挖掘，用户　Ｗｅｂ站点所有页面中抽取的内容（包括文本内容和元数据）　事务集合中的每一个事务ｔ　Ｔ可以转换为页面空间上的ｎ　的个数。向量的每一维表示页面在该内容维上的权重。即页面　维向量，即：　Ｐ可以表示为：　ｔ＝＜ｕｗ（ｐｌ，ｔ），ｕｗ（ｐ２，ｔ），…，ｕｗ（ｐ　，ｔ）＞　（１）　Ｐ＝＜ｆｗ（ｐ　）ｏＣ￣（ｐ　），…￣ｒｗ（ｐ　）＞　（５）　ｕｗ（ｐ　，ｔ）为页面Ｐ　Ｐ在事务ｔ　Ｔ上的权重，确定权重　（ｐ　）为页面Ｐ　Ｐ在内容　Ｆ上的权重。最后，为　大小的方法很多。例如：如果用户访问了该页面，则其权重为　了将元数据与文本内容结合起来必须对它们进行一致化处　１，否则为０，已可以将用户在该页面的停留时间作为权重，还　理。　可以将用户在该页面的停留时间与该页面中字符数目的比值　为了与使用特征表示保持一致性，本文用向量形式表示　作为权重。从而可以表示用户对该页面感兴趣的程度。本文使　内容。在内容挖掘中，聚类过程尽量将内容比较相似的页面聚　用０—１权重表示方法，即：　集到同一个聚类中。首先，将数据预处理阶段得到的页面内容　ｕ　（　）：．ｆ矩阵的行列互换，每一个内容看作是页面空间上的ｎ维向量。　ｔＯ，ｏｔｈｅｒｗｉｓｅ　　，　（ｐ　‘　（２）　使用聚类算法对内容进行聚类分析，聚类结果可以用一个内　经对网络教学Ｗｅｂ站点的Ｗｅｂ服务器ｌｏｇ　ｉｆｌｅｓ进行预处　容聚类集合ＦＣ表示：ＦＣ＝｛　，…　｝，每一个内容聚类　理得到的事务文件可作为很多数据挖掘算法的输入。本文使　由一系列内容组成。本文中采用Ｋ．ｍｅａｎｓ算法对Ｗｅｂ页面　用聚类算法对数据预处理阶段获取的事务文件进行聚类分　的内容进行聚类。每一个聚类对应一部分学生访问的兴趣模　析，得到不同的事务聚类，从而使得同一个事务聚类内学生之　式，用聚类中心表示。每个中心由一组反映学生的兴趣主题的　间的浏览兴趣尽可能相似，而不同事务聚类中的学生之间的　词构成，作为学生的兴趣模式。　浏览兴趣尽可能的不同。聚类的结果可以用一个事务聚类集　与使用特征表示类似，给定一个内容聚类　和显著性阈　合　表示：ＴＣ＝｛ｔｃｌ，ｔｃ２，…，ｔｃ　｝，每一个事务聚类ｔｃ‘由一　值ｒ，构造其内容特征ｃ　的方法如下：　＝系列事务组成。但是事务聚类本身并不能反映该事务聚类内　｛＜Ｐ，ｗｅｉｇｈｔ（ｐ，　）＞Ｊ　Ｐ∈Ｐ，ｗｅｉｇｈｔ（ｐ，　）≥，｝　学生的兴趣特征，因为一个事务聚类内可能包含数千个事务　（６）　和数百个页面，对事务进行聚类的目的是为了得到所有页面　ｗｅｉｇｈｔ（ｐ，　）为页面ｐ在内容特征ｃｒ　中的权重，计算方　在事务聚类中的权重，页面在事务聚类中的权重表示页面对　法如下：　该事务聚类中用户的价值。　∑　（ｐ　目前表示事务聚类使用特征的主要方法为文献［４］提出　ｗｅｉｇｈｔ（ｐ，ｃ　）＝　—～　（７）　的ＰＡＣＴ（Ｐｒｏｆｉｌｅ　Ａｇｇｒｅｇａｔｉｏｎ　ｏｎ　Ｃｌｕｓｔｅｒｉｎｇ　Ｔｒａｎｓａｃｔｉｏｎｓ）。对每　∑　（ｐ　一个事务聚类ｔｃ　ＴＣ，计算该事务聚类的平均向量ｐ　，从而　（ｐ　为内容　在页面Ｐ上的权重。经过上述处理，每一　可以用　代表该事务聚类的使用特征。同时，为了保证个性　个聚类的内容特征已可以表示为原始页面空间中的　维向　化推荐的精确性，需要将支持度小于指定显著性阈值的页面　量。　过滤掉。　２．１．３　Ｗｅｂ结构挖掘模块　给定一个事务聚类ｔｃ和指定的显著性阈值　，事务聚类ｔｃ　基于Ｗｅｂ挖掘的个性化网络教学系统运用Ｗｅｂ结构挖　的使用特征ｐ　的计算方法如下：　掘　技术实现个性化的基本思想是：如果有许多浏览页都同　ｐｒ　＝｛＜Ｐ，ｗｅｉｇｈｔ（ｐ，ｐｒ　）＞ｌ　Ｐ∈Ｐ，　时链接到页面Ａ和页面Ｂ，则可以认为页面Ａ和页面Ｂ之间　ｅｉｇｈｔ（ｐ，ｐｒ　）≥　｝　（３）　具有一定的关联性。如果一个学生访问了浏览页Ａ，则浏览　ｗｅｉｇｈｔ（ｐ，ｐｒ　）为页面Ｐ在事务聚类ｔｃ的使用特征ｐ　中　页Ｂ对用户而言很可能是有价值的，从而可以给学生推荐页　的权重，其计算方法如下：　面Ｂ。　１　一　Ｗｅｂ结构挖掘预处理是从网络教学Ｗｅｂ站点中获取内　ｗｅｉｇｈｔ（ｐ，ｐｒ　）＝　ｕｗ（ｐ，￡）　（４）　…。“　ｋ　部不同页面之间的相互链接情况，如果两个页面的链入情况　ｕ　（Ｐ，ｔ）为页面Ｐ在事务聚类ｔｃ中事务ｔ∈ｔｃ上的权重。　比较相似，则可以认为两个页面之间存在一定关联。为了计　维普资讯 http://www.cqvip.com ６月　鲜学丰等：基于Ｗｅｂ挖掘的个性化网络教学系统的设计与实现　学生当前会话　可以表示　维向量如下：　ｓ＝＜ｕｗ（ｐ１，ｓ），ｕｗ（ｐ２，ｓ），…，ｕｗ（ｐ　，ｓ）＞　３３　算页面链入之间的相似性，必须对页面的链人情况给定不同　的权重。　经过预处理，设所有页面集合Ｐ表示为：Ｐ＝｛Ｐ。，Ｐ　，…，　Ｐ　｝，则每个页面可以表示为所有页面空间上的Ⅳ维向量。即　页面Ｐ可以表示为：　Ｐ＝＜ｓｗ（ｐ，Ｐ１），ｓｗ（ｐ，Ｐ２），…，ｓｗ（ｐ，Ｐ　）＞　（８）　ｓｗ（ｐ，Ｐ　）为页面Ｐ　Ｅ　Ｐ在页面Ｐ　Ｅ　Ｐ上的权重。如果页面　（１４）　（１５）　其中本文ｕｗ（ｐ　）的取值为：　埘（ｐｌ，ｓ）：　（ｐｉ　ｌＯ，ｏｔｈｅｒｗｉｓｅ　本文使用余弦相似性函数来度量ｃ和ｓ之间的相似性系　．　ｐ　存在一个到页面ｐ的链接，则其权重为１，否则权重为０。用　公式表示如下：　∑ｗ　ｕｗ（ｐ　））　ｓｅ（ｐ，ｐ，　＝｛Ｐ１）：ｆ　　，如果ｐ链接到ｐ　（９）　ｍａｔｃｈ（Ｓ，Ｃ）＝—√∑（＿＝＝兰＝埘二　＝）　∑（＝＝＝＝＝＝＝ｕｗ（＝二ｐ二　）＝＝＝）　　（１６）　ｔＯ，ｏｔｈｅｒｗｉｓｅ　为了便于处理，本文表示结构特征的方法和表示使用特　征以及内容特征的方法保持一致，在结构特征挖掘过程中，聚　类过程尽量将链人情况比较相似的页面聚集到同一个结构聚　类中。结构聚类本身并不能表示该结构聚类内部页面的结构　特征，对结构进行聚类的目的是为了得到所有页面在该结构　聚类中的权重，不同页面在结构聚类中的权重表示该页面对　该结构聚类中学生的价值。　对每一个结构聚类ｓｃ，计算出该结构聚类的平均向量　ｓ　，从而可以用ｓ　代表该结构聚类的结构特征。　与使用特征表示和内容特征表示类似，给定一个结构聚　类ｓｃ和显著性阈值　，其结构特征ｓ　的计算方法如下：　ｓ　＝｛＜Ｐ，ｗｅｉｇｈｔ（ｐ，ｓ　）＞Ｊ　Ｐ　Ｅ　Ｐ，埘ｅ　ｈｔ（ｐ，ｓ　）≥　｝　（１０）　ｗｅｉｇｈｔ（ｐ，ｓ　）为页面Ｐ在结构特征　中的权重，其计算　方法如下：　ｗｅｉｇｈｔ（ｐ，ｓ　）＝　Ｅ　ｓｗ（ｐ，￡）　（１１）　Ｉ　ｓｃ　Ｉ　ｓｗ（ｐ，￡）为页面Ｐ在页面￡Ｅ　Ｐ中的权重。经过上述处理，　每一个聚类的结构特征都可以表示为原始页面空间中的Ｉｔ维　向量。　使用特征、内容特征和结构特征均表示为原始页面空间　中的Ｉｔ维向量。这种一致化的表示方法使得在线的推荐引擎　可以方便的将它们集成起来以提高有效的个性化推荐服务。　２．２推荐引擎　推荐引擎是基于Ｗｅｂ挖掘的个性化网络教学系统在线　部分的关键部件，其主要任务就是根据Ｗｅｂ挖掘的结果和学　生当前会话产生实时的推荐集，在本文中推荐集指教学资源　网页的超链接。　一般而言，学生当前会话中的最后几个页面最能反映学　生的学习进度和层次。可以在学生当前会话中创建一个长度　为埘的滑动窗口，而滑动窗口中动态保存学生当前会话中最　后埘个页面，从而可以用这个滑动窗口代表学生的当前会话。　推荐引擎根据滑动窗口中的页面和Ｗｅｂ挖结果产生最终的　推荐。　本文中，使用特征、内容特征和结构特征均表示为页面空　问上的ｎ维向量；同时，学生当前会话也可以转换为页面空间　上的ｎ维向量。下面我们以使用特征为例说明推荐集产生方　法（内容特征和结构特征与之类似）：即如果ｃ表示一个使用　特征，则ｃ可以表示为：　ｃ＝｛埘　，埘；，…，埘：｝　（１２）　其中本文埘　的取值为：　ｃ　『ｗｅｉｇｈｔ（ｐｉ，Ｃ），ｉｆ（ｐ　Ｅ　Ｃ）　，１¨　埘　一１０。ｔｈｅ　ｉｓｅ　¨　．　给定一个特征ｃ和学生当前会话ｓ，计算页面ｐ的推荐系　数Ｒｅｃ（ｓ，Ｐ）的方法如下：　Ｒｅｃ（ｓ，Ｐ）＝￣／ｗｅｉｇｈｔ（ｐ，Ｃ）　ｍａｔｃｈ（ｓ，Ｃ）　（１７）　如果页面ｐ在学生当前会话ｓ中，则其推荐系数Ｒｅｃ（ｓ，Ｐ）　赋值为０，给定学生当前会话ｓ，使用特征集ｕＰ和最小推荐系　数阈值ｒ，基于使用特征的推荐集为：　ＲＥＣ使用（ｓ）＝｛埘　Ｊ　ｃ　Ｅ　ｕＰ，ａｎｄ　Ｒｅｃ（ｓ，埘　）≥ｒ｝（１８）　同理根据学生当前会话ｓ，内容特征集和结构特征集以及　它们各自最小推荐系数阈值得到基于内容特征推荐集　ＲＥＣ内容（　）和基于结构特征推荐集冗　ｃ结构（　）。　合并ＲＥｃ使用（ｓ），ＲＥＣ内容（ｓ）和船ｃ结杓（ｓ）得到集合推荐　集ＲＥＣ（ｓ），本文选择ＲＥＣ（ｓ）中推荐系数最大的前ｋ个作为　最终的推荐集。　３　结语　Ｗｅｂ挖掘技术在网络教学系统中的应用提高了系统个　性化服务水平，使教学系统能根据学生知识结构、学习风格进　行个性化教学，以提高学生学习的积极性和主动性。随着　Ｗｅｂ挖掘技术的日渐成熟，在网络教学中有着广阔的前景。　本文提出的基于Ｗｅｂ挖掘的个性化网络教学系统集成了　Ｗｅｂ使用挖掘，Ｗｅｂ内容挖掘和Ｗｅｂ结构挖掘三种方法并对　它们的挖掘结果进行了一致化处理，从而可以极大地提高网　络教学系统为学生提供个性化推荐服务的质量。　参考文献：　【１】　高鹏，高岭，胡青山，等．基于Ｗｅｂ挖掘的个性化推荐算法及其　在网络教学平台的应用【Ｊ】．计算机应用，２００５，２５（５）：１０１２—　１０１５．　［２１　ＭＯＢＡＳＨＥＲ　Ｂ．Ｗｅｂ　ｕｓａｇｅ　ｍｉｍｎｇ　ａｎｄ　ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ［ＭＩ．Ｃｈａｐ—　ｍａｎ　Ｈａｌｌ＆ＣＲＣ　ＰＩ∞ｓ，Ｂａｔｏｎ　Ｒｏｕｇｅ，２００４．　【３】ＭＯＢＡＳＨＥＲ　Ｂ，ＤＡＩ　Ｈ，ＬＵＯＴ，　ａ／．Ｄｉｓｃｏｖｅｒｙ　ｏｆＡｇｇｒｅｇａｔｅ　Ｕｓ—　ａｇｅ　ＰｒｏｆｉｌｅｓｆｏｒＷｅｂ　Ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ［ＡＩ．Ｉｎ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆｔｈｅＷｅｂ　Ｍｉｎｉｎｇｆｏｒ　Ｅ—ｃｏｍｍｅｒｃｅＷｏｒｋｓｈｏｐ［Ｃ】．２０００．　【４１　ＭＯＢＡＳＨＥＲ　Ｂ，ＤＡＩ　Ｈ，ＮＡＫＡＧＡＷＡ　Ｍ，ｅｌ　ａ１．Ｄｉｓｃｏｖｅｒｙ　ｎａｄ　Ｅ—　ｖａｌｕａｔｉｏｎ　ｏｆ　Ａｇｇｒｅｇａｔｅ　Ｕｓａｇｅ　Ｐｒｏｆｉｌｅｓ　ｆｏｒ　Ｗｅｂ　Ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ【Ｊ】．　Ｄａｔａ　Ｍｉｍｎｇ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ．２００２．６：６１—８２．　［５１　ＣＨＡＫＲＡＢＡＲＴ　Ｓ．Ｄａｔａ　Ｍｉｎｉｎｇ　ｆｏｒ　Ｈｙｐｅｎｅ）【ｔ：Ａ　ｔｕｔｏｒｉｌａ　ｓｕｒｖｅｙ　【Ｃ】．ＡＣＭ　ＳＩＧＫＤＤ　Ｅｘｐｌｏｒａｔｉｏｎｓ，２０００．　［６１　ＭＯＢＡＳＨＥＲ　Ｂ，ＤＡＩ　Ｈ，ＬＵＯ　Ｔ，ｄ　ａ１．Ｉｎｔｅｒｇｒａｔｉｎｇ　Ｗｅｂ　Ｕｓａｇｅ　ａｎｄ　Ｃｏｎｔｅｎｔ　Ｍｉｎｉｎｇ　ｏｆｒ　Ｍｏｒｅ　Ｅｆｆｅｃｔｉｖｅ　Ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ［ＡＩ．Ｉｎ　Ｐｒｏｃｅｅｄ—　ｉｎｇｓ　ｏｆ　ｔｈｅ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅ—Ｃｏｍｍｅｒｃｅ　ａｎｄ　Ｗｅｂ　Ｔｅｃｈｎｏｌｏｇｉｅｓ［Ｃ】．２０００．　［７１　ＺＨＡＮＧ　Ｄ，ＤＯＮＧ　Ｙ．Ａｎ　Ｅｆｉｆｃｉｅｎｔ　Ａｌｇｏｒｉｔｈｍ　ｔｏ　Ｒａｎｋ　Ｗｅｂ　Ｒｅ一　８ｏｕＩ￣ｅ［Ａ】．Ｉｎ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ５　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ　Ｃｏｎｆｅｒｅｎｃｅ［Ｃ】．　２０００．