（基础心理学专业论文）p2p环境中基于语义的资源自组织、发现及推荐研究.pdf

p 2 p 环境中基于语义的资源自组织、发 现及推荐研究 学科专业： 指导教师： 基础心理学 邱玉辉教授 研究方向：人工智能与认知 研究生：白云( b 2 0030 4 4 ) 内容摘要 近几十年来，网络技术的飞速发展，使雩导网络成为我们生活中不可缺少的部 分。网络中的海量资源随着网络规模的膨胀为传统网络应用带来了新的挑战。在 一个网络环境中，c p u 、存储能力、带宽、缓存，文件、服务等都统称为网络环 境中的资源。网络资源的组织、寻获、管理、推荐、使用成为了信息检索新的研 究内容。传统网络计算模型因为其潜在的缺陷( 集中组织、集中控制等) 使得一 种新的网络计算模型的出现成为必然。p 2 p 网络克服了传统网络模型的瓶颈，因 为其：自组织性，对称性和其利h o e 特性成为了在网络技术中的主流趋势。也正 因为上述三个特征，使得p 2 p 环境中的资源组织、寻获、管理和使用无法用传统 技术来实现，如何利用p 2 p 网络的优势，实现上述目标，是广大学者重点关注的 内容。 正如f i f 面所述，大部分的p 2 p 研究者主要的工作都集中在资源组织、发现和 应用上，这使得相关算法的研究成为前沿。支持p 2 p 网络资源缀织和发现的覆盖 网络应该是“结构化的”或“非结构化的”? 这两种方法是相互竞争的或是楣互 补充的? 就这一闻题，本文进行了深入分析。结构化的方法虽然能够快速定位资 源，但网络本身的拓扑结构，如超立方体，环，蝴蝶型或其他各种拓扑结构在路 由问题上起着巨大的阻碍作用。而非结构化的方法虽然不存在这样的问题，但是 它采用的泛洪或随机路由或流言路由方法，都使得发现成功率必须依靠大量的带 宽耗费( 大量消息耗费) 作为代价。因此在p 2 p 网络中提出一种新的不依赖于网 络拓扑结构，又能够在一定消患耗费前提下保证发现成功率的资源缓织方法、发 现和路由策略是必然的结果。本文提出了一个构建于完全分布式p 2 p 网络的中阗 l 件t r m 。t r m 满足p 2 p 网络的分散性、高度动态性、可扩展性、容错性等特点 实现了复杂语义请求的资源搜索( 近义词、同义词搜索) 。通过t i w 构建基于 本体的p 2 p 覆盖网络d o v e r l a y ，实现了有效的资源的自组织和动态聚类，它保 证了请求的搜索半径。d o v e r l a y 中资源标记既不采用d h t ，也不采用关键字向 量，而是采用基于本体概念的属性向量标记。并提出了针对d o v e r l a y 的基于复 杂语义的资源搜索策略( t i 蝴s e a r c h ) ，据此对发现的资源进行有效的聚融 ( t r me v a l u a t e ) 。t r ms e a r c h 策略不仅可以支持由复杂语义( 同义讶、近义 词) 所构成的请求处理，还通过试验证明其搜索的高效性和低成本性( 消息数控 制良好) 。而t r me v a l u a t e 策略则在资源发现后对多个资源进行综合评级。 另外，在已有p 2 p 环境的资源推荐中，由于推荐策略过于死板，没有充分考 虑用户特征和推理不准确导致了已有方法无法满足p 2 p 网络中的a d h o c 特性，进 而无法实现高动态性的个性化资源推荐。在通过对上下文觉察计算的特点、用户 行为和用户的个性化需求的研究后，我们发现，用户认知方式的特点在上下文觉 察计算领域是具有研究和应用价值的。在上下文觉察计算中使用包含某些认知方 式的用户模型可以提供更有针对性的个性化服务。因此，我们提出一个基于场依 存独立性( f i e l dd e p e n d e n c e m d e p e n d e n c e ，简称f d i ) 这一认知方式的用户模型 并把它应用在上下文觉察计算中。我们的研究表明这个用户模型有助于提供给用 户更个性化的内容。在资源推荐推理上，采用在信息检索( i n f o 肌a t i o nr e t r i e v a l ， 瓜) 中所经常采用的计算本体相似度的思路，将其修改后应用到基于本体的上下 文的相似性计算。我们的方法计算用户当前上下文和已有资源的发生前提( 也是 一些上下文) 之间的相似度，找出最相似的服务上下文，推荐对应的资源。我们 的方法利用了基于本体的上下文和c b r 的优点，能够提供更好的推理效果，从 而实现更准确，更符合p 2 p 网络特性的特性化资源推荐。 本文的研究工作和创新点主要包括以下几个方面： ( 1 ) 提出了一个构建于完全分布式p 2 p 网络的中间件t r m 。t i w 满足p 2 p 网络的分散性、高度动态性、可扩展性、容错性等特点实现了复杂语义请求的资 源搜索( 近义词、同义词搜索) 。 i i ( 2 ) t l 洲中的覆盖网络d o v e r l a y 即不采用d h t ，也不采用关键字向量， 而是采用基于本体概念的属性向量标记。 ( 3 ) 提出了针对d o v e f l 8 y 的基予复杂语义的资源搜索策略( t r m s 。凇h ) ， 并提出了对发现的资源进行有效的聚融的t r m e v a l u a 治策略。 ( 4 ) 提出一个基于场依存独立性( f i e l dd e p e n d e n c e i n d 印e n d e n c e ，简称f d i ) 这一认知方式的用户模型。 ( 5 ) 提出了一个基于语义相似度的个性化资源推荐策略，可增强推荐环境中 的语义互理解性，从丙实现复杂语义环境下的资源推荐。 关键词：语义，资源发现，聚类，覆盖网络，场依存独立性，资源推荐，a d h o c p 2 p 网络 珏| i 唧l e m e 终t st h es e 驴o r g a 终i 畦狂g ，r d r i e v i n gn 魏dl e c o m m e n d i n g 对量h er e s o 秘r c e s 汛p 2 p 稳e 柳9 r k s t os 叩p o r t 鼍h es e m a n t i e m 面o r ：p 蹄c h o | o 嚣 r e s e 鲫c hd 甜e c t i o n ：a | l t 弧c i n ti n t e l l 谵_ e h c e s 髓p e l 印i s o r ：p r d q i 鼍l ，l h h 琵i a 优t h o r ：b i ii h n b2 0 0 30 4 4 ) a b s t r 髓c t t h er a p i dd e v e l o p m e n to fn e t w o r kt e c h n o l o g yi nr e c e n ty e a r sm a k e s n e t w o r ka p p l i c a t i o nm l i c hm o r ei m p 0 1 t a n tt h r o u 曲o u r1 i v e s h o w e v e r ，t h e a b u n d 赫tr e s o u r c e si nt h en e t w o r ki n e v i t a b l yb r o u g h tt h en e wc h a l l e n g e s i nt h en e 帆o r k 印p l i c a t i o nw h i l em es c a l eo fn e 帆o r ki sp e r s i s t e n t l y e x p a n d i n g t l h eo r g a n i z a t i o n ，s e a r c h i n g ，m a n a g i n g ，r e c o 舢m e n d a t i o na n d u s i n go ft h ed i v e r s ei | e s o u r c e si n c l u d i n gc p u ，s t o r a g e ，b a n d w i d t h ，c a c h e ， 矗l e sa n ds e r v i c e sb e c a m et h ew o r k i n gf o c u so ft h ei n f o r m a t i r e t r i e v a l t h ei n t r i n s i cn a w so ft h e拄a d i t i o n a ln e t w o r kc o n 巾u t i 稳g m o d o l ( c l i e n s e r v e rm o d e l ) m a k o sm ee m e 唱eo fp 2 pm ( | e li 稚e v i 斓) l o p 2 p m o d e li st h e 帅i c a lr 印托s e n t 越i o no fm en e wm o d e l sw h i c hc a 稳o v e r c o 撒o t h e 击s a 西黼t a g e sm e 魏囊傩e d 曲o v e u 西i 专ss e l 矗。糟搬 z i 稳gi c h 鑫r a e 姥毛 s 娜穗e 砸c a lc h a 豫c t 锃a 数dm ea d h o cc h a r a e t e 弧l et h e e 融萄o rc h a r a c t e r s m a k et h eo 略a n z i n g ，r e 犍i e v i 爨g ，m a n a g i n ga n du s i n go ft h e 诧s o u r c e s 主n v p 2 pn e t w o r k sm u c hm o r ec o m p l i c a t e dw h i c hc a nn o tb ei m p l e m e n t e d m e r e l yr e l y i n go nt h et r a d i t i o n a lt e c h n i q u e s h o wt oe f f e c t i v e l yo r g a n i z e ， r e t r i e v e ，m a n a g ea n du s eo ft h er e s o u r c e si np 2 pn e t w o r k si st h em a i n c o n t e n tw ew i l ld i s c u s si nt h i sp a p e r o v e r l a yn e t w o r ki st h em o s tp o p u l a rt e c h n i q u eu s e dt oi m p l e m e n tt h e g o a l sm e n t i o n e da b o v e s h o u l dm e y b e “s t m c m r e d ”o r “u n s t m c m r e d ”? a r et h e yc o m p l e m e n t a 拶t oe a c ho t h e ro rc o m p e t e dt oe a c ho t h e r ? t h i si s t h em a i np r o b l e mw ew i l ls o l v ei nt h i sp 印e r a sar e s u l tw ep r o p s ean e w m e t h o dt oc o n s t m c tt h eo v e r l a yn e t w o r kw h i c hn e i t h e rn e e dt or e l yo nt h e s u p p o n i n gt o p 0 1 0 9 yo ft h er e a ln e t w o r k ，n o rn e e dt oc o n s u m et h eh u g e j jvv ，一 n e t w o r kb a n d w i d t ht og u a r a n t e ei t ss e a r c he f j f i c i e n c y am i d d l e w a r et r m i sp r o p s e dt oc o n s t i - u c tt h et o t a l l yd i s t r i b u t e dp 2 po v e r l a yn e t w o r ka n dt o e m c i e n t l ys u p p o r t t h e c o m p l e x e ds e m a n t i cq u e r i e s o ft h er e s o u r c e s n o u g hi t sd e c e n t r a l i z e d ，d y n a r n j c ，e x p a n d i n ga n dr o b u s tf a u l tt o l e r a n t c h a r a c t e r s t r mp r o v i d e st h ea b i l i t yo fa u t o m a t i c a l l yc o n s t m c t i n gt h e r e s o u r c e sb a s e do no n t o l o g yc o n c 印t st oi m p l e m e n tt h es e l f 二o r g a n z i n ga n d d y n a m i c a l l yc l u s t e r i n go ft h eo v e r l a yn e t w o r k s ( d o v e r l a y ) ，h i c h 如n h e r g u a r a n t e e dt h e s e a r c hr a d i u so ft h es e m a n t i cq u e r e s o u r c e si n d 0 v e r l a yi sn e i t h e rl a b e l e db yd h t n o r l a b e l db yk e yv e c t o r ，b u t1 a b e l e d b yt h ec h a r a c t e rv e c t o ri no n t 0 1 0 9 yc o n c e p t s t h es e a r c hp 0 1 i c ya g a i n s t d o v e r l a yi sn a m e dt r m s e a r c hw h i c hc a ns u p p o r tt h ec o m p l e xs e m a n t i c q u e 嘞w h i l et h er e s o u r c e 凡s i n gp o l i c y i sc a l l e dt r m _ e v a l u a t ew h i c hc a n s ”t h e t i c a l l ye v a l u a t e st h er e s o u r c e sa n d m a k et h ed e c i s i o n 0 nt h eo t h e rh a n d ，t h er e c o m m e n d i n gp 0 1 i c i e sa r en o tn e x i b l ee n o u g h t os a t i s 母t h er e q u i r e m e n t so ft h ep 2 pn e t w o r k ，s u c ha sa d h o cc h a r a c t e r b e c a u s eo fo m i t t i n gm eu s e r s c h a r a c t 嘶s t i c sa n dt h ei n a c c u r a t e v i r e s e a o n i n go fm eu s e rm o d e l t h i si st h em a i nr e a s o nt os t i m u l a t eu st o 印p l ym o r ep r o f e s s i o n a l u s e rc o g n i t i o nc h a r a c t e r si n m o d e l i n gu s e r s r e q u i r e m e n t s a n d r e a s o n i n g u s e r s a c t i o n su n d e rt h ec o n t e x ta w a r e c o m p u t i n ge n v i r o n m e n t a r e rr e s e a r c h i n gt h ec o n t e x ta w a r ec o m p u t i n g e n v i r o n m e n t ，u s e r s c o g n i t i o nc h a r a c t e rw h i c he f f e c t i n gt h e i rc o g n i z i n g p r o c e s si sm n dt ob ev a l u a b l ei nc o n s 仃u c t i n gt h eu s e rp r o f i l em o d e la n d p r o v i d i n gu s e r sw i t ht h ep e r s o n a l i z e ds e r v i c e s i nt h i sp a p e r ，an e wu s e r m o d e lw h i c hs u 确c i e n tc o n s i d e r e dt h eu s e r sc o g n i t i o nc h a r a c t e r ( f i e l d d e p e n d e n c e i n d e p e n d e n c e ) i nc o n t e x ta w a r ec o m p u t i n g t h i sf d im o d e l c a ni m p r o v et h ea c c u r a c yi nr e s o u r c er e c o m m e n d i n gi nt h ea d h o cp 2 p n e t w o r k o fc a u s e ，o n l ym eu s e rm o d e lc a nn o t6 n a l l yp r o v i d et h eh i 曲 q u a li t yp e r s o n a l i z e ds e i c e sw i m o u ta ne f r e c t i v eu s e rm o d e lr e a s o n i n g m e c h a n i s m i no r d e rt oi m p r o v em ep e r f o r m a n c eo fu s e rm o d e lr e a s o n i n g ， w ep r o v i d eac a s ec o m p u t i n gp o l i c yw h i c ha b s t r a c t st h ek e yw o r d s 行o m t h es c e n e st oc o n s t r u c ta na n a l o go n t o l o g yc o n c e p tt r e e st oc o m p u t em e s i m i l a r i t yo f m et 、v os c e n e s t h ef d iu s e rm u d e la n dt h ea n 0 1 0 9o n t o l o g y c o n t e x tb a s e dc a s er e a s o n i n gp o l i c yc a np r o v i d em o r ea c c u r a t ea n dm o r e e 所c i e n tr e s o u r c er e c o m m e n d i n gi nt h ea d h o cp 2 pe n v i r o n m e n tw h i c hi s p r o v e dt h r o u g ht h es i m u l a t i n ge x p e r i m e n t s t h er e s e a r c hw o r ka n dc r e a t i o n so ft h i sp 印e ra r ei n c l u d i n ga sf 0 1 1 0 w s ： ( 1 )p r o p o s eam i d d l e w a r en 锄e dt i m lw h i c hc a nb eu s e di nt h e t o t a l l yd e c e n t r a l i z e dp 2 pa p p l i c a t i o n st 1 1 r o u g hc o n s t i u c t i n gt h e s e l f o 略a n i z e da n dd y n a r n j cc l u s t e r e dr e s o u r c eo v e r l a y ( i nt h i s p 印e ri sc a l l e dd o v e r l a y ) a n ds u p p o n i n gt h ec o m p l e x e ds e m a n t i c q u e n e s ( 2 ) t h ed o v e r l a ym e n t i o n e da b o v ei sn e i t h e r1 a b e l e db yd h t ，n o r v i i 1 a b e l e db yk e yw o r dv e c t o r b u ti sl a b e l e db yc h a r a c t e rv e c t o ro f t h eo n t 0 1 0 9 yc o n c e p t s p r o p s e a r e s o u r c es e a r c h p o l i c yt r m s e a r c ht os a t i s f yt h e c o m p l e xs e m a n t i cq u e r i e sa g a i n s td o v e r l a y ，a n dar e s u l tm s i o n p 0 1 i c yt r a l e v a l u a t ei sp r o p o s e dt os y n t h e t i c a l l ye v a l u a t et h e r e s o u r c e ss e a r c h e db yt i 认l s e a r c h au s e rm o d e lw h i c hs u 伍c i e n t c o n s i d e r e du s e r s c o g n i t i o n c h a r a c t e rf d ii sp r o p o e dt oi m p r o v et h ee m c i e n c yo fr e s o u r c e r e c o n l m e n d i n g i na d h o cp 2 pe n v i r o n m e n t au s e rm o d e lr e a s o n i n gp o l i c yw h i c hi sb a s e do n a n 0 1 0 9o n t 0 1 0 9 y c o n t e x ti nc o n t e x ta w a l ec o m p u t i n gi sb e i n gp r o p o s e dt of i n a n y i m p r o v e t h e a c c u r a c y a n d e 街c i e n c y o ft h er e s o u r c e r e c o m 瑚e n d i n g k e y w o r d ：s e m a n t i c ， r e s o u i e a 1 1 0 c a t i o n ，c l u s t e r ， d o v e r l a y ，f d i ， r e s o u r c er e c o m 瑚e n d a d h o c p 2 pn e t w o r k v i l l ) ) ) 3 4 5 ，ll，l 图目录 翻3 2 。具有3 个部分d o w n a y 的p e e r 节点2 l 图3 3 ，一个d o v e r l a y 的4 层结构示意图2 2 图4 1 c a v e m a n 、s o l 瘫a 及d 0 v e r l a y 中节点的a d h o c 特性2 9 网4 2 具有两个社区的d o v e r l a y 3 5 圈4 3 其有3 个社医的d o v e r l a y 3 5 图4 4 5 0 个资源：谬点聚类图4 2 圈4 5 5 0 0 个资源：1 了点聚类图4 2 躐4 6 。1 0 个资源节点聚类圈4 3 蚓4 7 消息耗费( ，= o 1 7 ) “ 图4 8 消息耗费( ，= o 2 ) 4 4 图4 9 。失败率( ，一0 1 7 ) 4 5 幽4 1 0 失败率( y = 0 2 ) 4 5 图4 11 消息数v s 失败率( t t l 产5 ) 。4 6 豳5 1 5 0 0 0 个节点组成的d o v e r l a v 仿真图一5 6 图5 2 彳：同1 几时t i 己m 的平均消息耗费( y = o 。2 ) 5 7 裂5 。3 搜索路径与最大消息耗费( y 一0 。2 ) ，5 7 图5 _ 4 不同t t l 时t r m 的消息耗费( y = o 2 5 ) 5 8 幽5 5 t t l 与查我失败率( y = o 2 ) 5 9 图5 6 。订l 与查找失败率( ，一o ，2 5 ) 一5 9 图5 7 不同时间段内统计的各节点间消息量差异6 0 黼5 8 s = l o 时每个时闻间隔t 的r 毛值6 l 图5 9 。不同时间段内的平均查全率6 2 图6 1 基于h 班用户模型应用框架s m a n r 6 7 圈6 2 。资源推荐3 步骤6 9 图6 3 基丁f d 1 个性化资源推荐的应用示例一用户f d i 级别为极度f i 7 0 图6 4 鹰；k 搬个性纯资源推荐的应墙示弼一用户f 科l 级别为辐警f d 7 l 图7 1 示例本体7 8 图7 2 资源最d o 七垤一班的描述7 8 幽7 3 t o m 的用户上下文7 8 a 图7 _ 4 资源瓦咖一。胁描述7 9 b 表目录 表3 1 某个主机节点上关予不同d o v e r l a y 的入口信息2 1 表3 2 生成资源语义标签示倒2 5 表4 1 。斑的备释取值情况。3 3 表4 。2 缺省参数殴暨4 l 表5 1 构建d o v e 订a y 的相关参数表5 6 表7 1 上下文相似度与用户评定比较8 l c 独创性声明 学位论文题目：呈! 里堑埴生基王适幺煎逄透蜜玺塑! 发塑区蕉蓥婴 本人提交的学位论文是在导师指导下进行的研究一 ：作及取得的 研究成果。论文中引用他人已经发表或出版过的研究成果，文； ，已加 4 ，特别标注。对本研究及学位论文撰写曾做出贡献的老师、朋友、同 仁在文中作了明确说明并表示衷心感谢。 学位论文作者：毛孑么签字雹期：劬2 弓月砂日 学位论文版权使用授权书 本学位论文作者完全了解两南大学有关保留、使用学位论文的规 定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允 许论文被查阅和借阅。本人授权两南大学研究生院( 筹) 口j + 以将乒位 论文的全部或部分内容编入有关数据库进行榆索，t 丌j 以采川影印、缩 印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书，本论文： 不保密， 口保密期限至年月止) 。 学位论文作者签名：众以 签字吼7 聊簿弓桦 锄娩所勺 签字日期：幺彬年多月谚日 籀l 章前言 第1 章前言 本章中主要对本文研究的理论意义、研究现状、所产生的相关问题以及主要研究内 容和研究意义等方面进行阐述。 1 1 理论意义 近几十年来，网络技术的飞速发展，使得网络成为我们生活中不可缺少的部分。网 络中的海董资源随着网络规模的膨胀为传统网络应用带来了新的挑战。在一个网络环境 中，c p u 、存储能力、带宽、缓存，文件、服务等都统称为网络环境中的资源。网络资 源的组织、寻获、管理、推荐、使用成为了信息榆索新的研究内容。传统网络计算模墅 冈为其潜在的缺陷( 集中组织、集中投制等) 使得种新的网络计算模型的出现成为必 然。p 2 p 网络克服了传统网络模型的瓶颈，因为其：自组织性，对称性和其a d h o c 特性 【8 2 】 8 3 】成为了在网络技术中的主流趋势。也正冈为上述三个特征，使得p 2 p 环境中的资 源组织、寻获、管理和使用无法用传统技术来实现，如何幂| j 用p 2 p 网络的优势，实现上 述目标，是广大学者重点关注的内容。 p 2 p 烂一个非常有潜力的具有广泛应用领域的技术。一个分布式的搜索技术可以为应用 产生无数实际好处【8 4 】。一个p 2 p 系统比一个依赖少数传统集中式服务器的系统来说在可靠 性上更有潜力。它虿以减少服务器高额的维护费用，溺姥它霹以跌局部配鲨演化成开敖式的 应用。个类似的争论促使了分布式数据库和网格的产生，几千台过时的p c 处理器在功能 上可以与一个大型机相比，但是费用却便宜很多【8 5 】。存储和处理都可以被聚集来组成逗大 规模的应绡，由此来避免服务器或杌群阔的磁盘浪费。 本文正是围绕这一主题，展开相关研究，分别在p 2 p 环境中的资源自组织、资源寻 扶以及资源推荐方面进行相关工作，并取得成果。 1 2 研究现状 在过去的几年中，p 2 p 模型由于其高度动态性、分散性、强容错性以及低维护成本性【1 】【2 】 成为了一个在1 1 1 t e m e t 规模内进行资源( 文件、服务、c p u ，内存，存储空间，网络带宽) 3 】 4 】 共享的一个极具吸引力的模型。所有p 2 p 领域的研究都遵循4 条线索：搜索，存储，安全和 应用。很明显p 2 p 更灵活的对象分布与安全隐患是成止比的，它使得p 2 p 的可靠性成为替代 常规技术的一个障碍【8 6 】【8 7 。即使如此，犬部分的p 2 p 研究者主要还是将重点集中在了资 源搜索、存储和应用上。 1 2 1p 2 p 中资源的组织和发现 止如前所述，大部分的p 2 p 研究者主要的工作都集中在资源的搜索和存储上，这使得资 源组织结构、资源发现和请求路由算法( 5 1 8 】研究成为前沿。一个p 2 p 的资源发现由一个支 撑索引和在这个索引结构上的请求所构成。p 2 p 网络通过在具有异构操作系统和网络的m 量 上构建覆盖网络( o v e r l a y ) 来实现这个支撑索引层。由于覆盖网络的灵活可配置性，冈此它 允许用户在不用更改支撑物理网络的前提下实现资源发现的分布式操作 7 】 8 】 9 】 1 0 1 1 】 1 2 】 1 3 】。覆盖网络的有效性则直接影响了p 2 p 网络中资源发现策略的性能， 冈为p 2 p 网络中节点的高度变化性对资源发现来说是一个极大的困难。覆盖网络应该是“结 构化的”或“非结构化的”? 这两种方法是相互竞争的或是相互补充的? 这些内容都成为了 本文讨论的重点。 另外，p 2 p 资源寻获沿用了数条分布式系统规则。网络研究者会发现熟悉的命名规则、 路由事务，以及拥塞控制策略。网页的同一资源定位符与一个特定主机绑定，使得对象的移 动成为一个挑战【8 8 。 p 2 p 网络是一个以数据为中心【9 3 】的结构。p 2 p 系统的动态对象定位和路由主要借圳了分 布式系统文集。一些应用了复制( 资源存储) ，可擦除代码以及b y z 锄t i n e 协议 8 9 。另外的 一些则使用了瘟疫策略来维护持久的节点组通信【9 0 。 类似的，p 2 p 资源寻获还获益于数据库搜索 9 1 。数据库研究者会发现有必要将数据索 2 第l 章前言 弓| 与数据本身分离开来【9 2 】。找到一个适当的索弓| 桃制和请求最优化来使得数据与数据索引 独立开来是一项创造性盼工作。数据库索引，如b + 树在p 2 p 分布式哈希表( d h t ) 中有类 似的对应成分。 经典的p 2 p 网络，如( 汛u t e l l a 【1 4 】、n a p s t e l - 【1 5 】、轮l z a a 【1 6 】i 以及酝。巾h e h s f l 7 】采用的都 是i 扛结构化的覆盖网络。非结构化的覆盖网络虽然易于实现和维护，但是由于节点连接的随 意性导致了搜索半径无穷大，并且为保证搜索成功率，搜索策略只能采用泛洪机制或随机传 递机制 1 8 】。这使得网络中的消息数鬣随网络规模的扩大警对数级别增加【l 吲。 然而基予分布式哈希表( d 嚣善) 的结构化p 2 p 覆盖网络则即可以保证搜索效率，也可以 控制消息数量。如c h o r d 3 】和c a n 2 0 】。这种采h jd h t 的覆盖网络主要通过对资源进行唯 一的哈希编码，使得资源定位能快速实现。但楚这种结构化的覆盖网络在支持复杂请求( 如 语义请求) 时英| j 遭遇了极人酶豳难。闵j 比构建具有语义智能熬p 2 p 覆盖网络褥到了众多研究 者豹青睐。p s e a 聪h 【2 l 】在c a n 上蘧构建了一个分布式的向量空间模型v s m 和信号语义索引 l s i ，通过高维度向量的角度计算来确定文档间的相似度，因此它可以实现语义请求中近义词 和蔺义词的搜索。餐是高维度向鼙的比较则使得降维计算( 使用旋转索弓| 增大了搜索的开 销。s s w 【2 2 】在构建覆盖网络对采崩小世界理论【2 3 】聚类，通过邻居豢弓l 【2 4 2 5 】进 ? 商选择 的消息传递，以达到保证搜索效率和控制消息数量的嗣的。但是与p s e a r c h 相同，它也面临 维度缩减的问题。i m a g e 黼e * p 2 p 2 6 】提出了一个在结构化p 2 p 覆盖网络上支持路径请求盼 模型，它遴避在结构化覆盖网络上构建语义层实现基语义的搜索。毽是它不能支持屈义词 或近义词的资源搜索。i v c e 【2 7 】中构建了一个双层的资源发现支撑平台，但是它无法适应于 开放的p 2 p 网络。p f u s i o n 【1 9 】是一个非结构化的p 2 p 支撑平台，它主要的目的是在消息路由 方面提高性畿，因此它在语义搜索方面并没有贾献。 1 。2 。2p 2 p 中资源的推荐 p 2 p 应用通常包括文件贡献，资源推荐，e m a i l ，以及分布式计算等。这里我们主要研究 a d h o c p 2 p 环境中的资源推荐应用。正如前所述，p 2 p 环境盼一个重要特征就是其a d h o c 特性， 3 即处理节点的随意加入和随意离开特性，这一特性为p 2 p 应用带来了诸多挑战。冈此具有 a d h o c 特性的p 2 p 环境中的资源推荐是无法直接使用传统网络中资源推荐策略的。当然p 2 p 环境中的资源推荐与传统资源推荐遵循相同的原则，即个性化资源推荐。 自上世纪9 0 年代以来，用户个性化就在资源推荐上起着举足轻重的作用。资源推荐的 个性化服务体现了现代网络的智能性和白适应性，如何更好的更有针对性的在具有a d h o c 特 性的p 2 p 网络中为用户提供满意的资源是p 2 p 领域一个重要的研究内容。要实现这一目的， 用户的个性化计算是必须要解决的问题之一【3 8 】 3 9 】 4 0 。当前，用户的个性化计算主要关注 丁川户在不同环境中的上下文，推导用户的需求并适时提供服务。这些上下文主要包括物理 位置、温度、光照、时间及附近的对象等用户外部上下文 3 8 4 1 4 2 4 3 【4 4 。近年来的研 究进一步考虑用户本身的一些上下文信息，如心跳、脉搏、体温、朝向等 4 0 】 4 4 4 5 】。另外 的研究还考虑用户历史、用户行为等抽象的上下文 4 2 】 4 7 以及通过上下文推理得到用户的情 形空间( s i t u a t i o ns p a c e ) 来进行上下文应用 5 0 等。这些研究在传统模式的网络中在个性化 资源推荐方面取得了巨人的成功。但是，p 2 p 网络作为新的网络模式，其a d h o c 特性使得刚 户个性特征更加突出 5 1 】，特别在信息推荐、移动商务或者智能家居等典型p 2 p 应h j 中，川 户更专注于任务本身、而同时较弱的设备交互能力更凸显了个性化服务的必要性。 从心理学角度看，用户使片j 上下文觉察计算内容是一个认知过程，用户认知方式的特点 影响该认知过程的进行。文献 4 6 从注意的角度考虑了用户的认知方式，其主要着眼点是资 源的分配及其对人机交互的影响，没有涉及到用户的个性化需求。文献 4 7 从认知的角度分 析上下文及其应用，但也没有考虑人的认知方式对上下文觉察计算中用户的影响。 另外，在p 2 p 网络中产生最终的资源推荐必须要将上下文作为资源推荐推理的依据。一 个良好的上下文模型要利于推理。因此一个p 2 p 资源推荐系统需要良好定义的上下文模型以 及基丁此模型的资源提供机制。 t h o m a ss t m g 等 5 3 对上下文模型分为6 类，分别是关键字值模型、标记模式模型、图 形化模型、面向对象模型、基于逻辑的模型和基于本体的模型。s n 肌g 分析了a d h o c p 2 p 环境 中对上卜文模型的6 个需求后，认为只有基于本体的模型才包含最丰富的信息且易丁理解和 知识共享，同时其推理也非常方便。s t r a n g 的观点得剑众多研究者的认可，近年来提出的上 4 第l 章前青 下文模型大多基于本体汗发【5 4 】【5 5 】。 使用本体建模上下文使得上下文易予为计算机和用户所理解，便于实现上下文的共享。 同时本体提供的推理机制便于上下文觉察系统从原始的上下文中抽象出用户的深层上下文， 进而提供更多更准确的资源。已有研究大多透过各种雄理机制( 妇描述逻辑) 对上下文进行 推理，从薅进行用户需求的发现和摺应资源的匹配。但是用户行为的随意性使得整个环境呈 现出明显的动态性和开放性。由于无法预先定义提供资源所需的所有上下文条件，已有f ：作 所采埔的预定义资源提供规则的方式在 萄产上下文不满足服务条件时无法及时提供准确服 务。一部分硪究者使岗耀户自定义服务提供条件和服务内容的方式米克服这个缺点。但是， 根据w 西s e r 的观点，上下文觉察服务对用户应该尽量透明，因而频繁通过辟j 户参与来实现服 务定制必然干扰用户本身的行为。部分研究者使用入工智能领域的基予案例的推理 ( c a s e 南a s e dr e 舔雠弧g ，c b r ) 的方法来爨动学习已有的成功服务案例，通过计算不同案例上 “f 文的相似度来提供楣近资源【5 6 】【5 7 】。这釉方法虽然减少了用户的参与，但同时也面临案例 描述、管理和训练的困难。我们通过分析认为，将本体描述的上。f 文和c b r 的应用思想相 鲦合，可以为上下文觉察赘源推荐提供一种新的解决思路。 上下文觉察的过程一般分为三步：l 。获取翻表示上下文。2 。根据上下文分析用户的霈求。 3 。资源推荐。已有的研究基本按照这个步骤进行。这个过程涉及的两个问题：表示上下文和 根据上卜文提供资源。前者决定后者如何工作。对于上下文腑表示，许多研究者提出了各种 模型，从最譬的s 馥潍等提出的妇y