基于FCA的Folksonomy用户兴趣研究述评

石光莲++杨敏

〔摘要〕传统的Folksonomy用户兴趣研究在相似性计算上更多考虑的是整体相似，不能突出用户之间的差异，同时还存在兴趣结构不符合用户自身认知等问题。形式概念分析从用户自身的认知结构出发，不仅能表示标签间的语义信息，还能形式化标签的结构关系，为用户兴趣的表征和挖掘提供了新的思路。基于FCA的用户兴趣研究较少，主要集中于单用户和用户群兴趣识别两个视角。本文在分析用户兴趣识别传统方法及局限性基础上，进一步探讨了基于FCA进行Folksonomy用户兴趣识别的基础以及现有的相关研究。

〔关键词〕大众分类法；形式概念分析；用户兴趣；述评

DOI：10.3969/j.issn.1008-0821.2017.05.029

〔中图分类号〕G25076〔文献标识码〕A〔文章编号〕1008-0821（2017）05-0172-06

A Review of User Interest Identification in Folksonomy Based on FCAShi Guanglian1Yang Min2

（1.Library，Chengdu University of TCM，Chengdu 611137，China；

2.Library，Chongqing Vocational Institute of Engineering，Chongqing 402260，China）

〔Abstract〕The traditional user interest researchs in Folksonomy，often considerate the overall similarity when similarity calculation，which can not highlight the differences between users.In addition，there are problems such as interest structure does not meet the users own cognition.Formal concept analysis which based on the users cognitive structure，can not only express the semantic information between labels，but also be used to formalize the structural relationships of tags，provieds a new train of thought for user interests characterization and excavation.There arent so many researchs about user interest in Folksonomy based on FCA，which mainly focused on two perspectives：single user and user group interest identification.The paper analysed the traditional methods and their limitations of user interest identifion.And beyond this，this paper also discussed the basis of FCA used in identifiying user interest in Folksonomy and some research about user interest based on FCA.

〔Key words〕folksonomy；formal concept analysis（FCA）；user interest；review

Folksonomy作為Web20的典型代表，充分体现了以用户为中心的理念，用户角色由从前的被动转为主动，集信息发布者和接受者为一体。目前，利用标签共享技术实现网络信息资源组织检索的Folksonomy日益盛行，被广泛应用于各种社会性网站，如社会性书签服务del.icio.us、Flickr，社会性编目网站标注服务Librarything、BibSonomy等。作为用户参与和主导的代表，Folksonomy受到了广大用户的欢迎，del.icio.us、Flickr以及豆瓣等社会性标注网站都拥有较高的访问量。Folksonomy已成为用户组织、浏览和共享网络资源强有力的工具。标签作为Folksonomy的核心数据，不仅能描述资源内容，而且反映出使用者的兴趣和需求，通过用户所使用的标签对用户兴趣进行分类、识别和资源推送，能够为用户提供个性化、多渠道、全方位的信息。2008年起，Social tagging、Folksonomy及与之相关的用户兴趣识别已经成为Weblogs and Social Media、NKOS、DCMI、World Wide Web等国际会议的重要议题，并受到社会计算、用户界面设计、数据库与人工智能、知识组织等众多领域学者的关注。Folksonomy用户兴趣识别并为用户提供符合其个性化需求的信息服务成为当前国内外研究的热点领域。

目前，Folksonomy用户兴趣研究主要分为基于资源和基于用户两种思路，在相似性计算上，两种思路所使用的方法更多考虑的是用户间、用户—资源间的整体相似性。事实上，由于用户兴趣的多样性，不同用户其兴趣结构也不同，如何对用户兴趣进行更细致、精准地形式化描述与分析是当前研究较为欠缺的。基于FCA中形式背景与Folksonomy模型D=（U，R，T，A）的相似性，及概念格结构化显示功能，学者们开始从形式概念分析角度对Folksonomy进行研究。本文在分析用户兴趣识别传统方法及局限性基础上，进一步探讨了基于FCA进行Folksonomy用户兴趣识别的理论基础以及现有的相关研究。

1基于FCA的Folksonomy用户兴趣研究基础

11传统研究方法

标签作为Folksonomy最核心内容，由用户根据自己的理解和喜好自由添加，不受任何词表的约束，从某些方面代表了用户的兴趣所在。在Folksonomy中，标签是用户对资源进行标注的结果，它的出现使得原有的用户-资源二元关系变成了用户-标签-资源之间的三元关系。已有的Folksonomy用户兴趣研究主要是建立在三元组中任意两元关系的基础上。主要的研究方法有基于统计的方法、基于聚类的方法、基于向量空间模型的方法、基于社会网络的方法以及基于语义的方法等，这些方法之间并没有严格的界限，不同方法之间存在一定的交叉。

111基于统计方法的用户兴趣研究

基于统计方法的用户兴趣研究主要是通过用户之间共现标签数量的统计，识别用户间的相似性，找出相似用户或用户群，从而进行兴趣推荐（石豪等[1]；苏杨等[2]；覃梦河等[3]）。这种纯统计的用户兴趣研究方法主要是从协同过滤的角度来对用户进行资源推荐，没有计算用户对标签兴趣度的恰当方式，也未提出具体的资源推荐策略，更未深入到用户使用标签的结构，而只是一种简单的统计分析。

112基于聚类方法的用户兴趣研究

基于聚类的用户兴趣研究主要包括用户、资源、标签3种对象的聚类[4]。用户聚类主要是发现与目标用户关注相同资源、使用相同标签的其他用户，从而形成特定的社会群体，将群体用户的兴趣推荐给目标用户（杨墨等[5]）。资源聚类主要是利用标签对资源进行聚类，将用户感兴趣的类中的其他资源推荐给用户（Gemmell[6]；易明等[7]）。标签聚类是当前研究的重点，通过标签的聚类建立标签的层次类，挖掘标签间的语义关系，并进行用户兴趣研究（曹高辉等[8-9]；钟青燕等[10]）。3种对象的聚类实际上都将用户兴趣限定在某一兴趣用户/资源/标签类下，而实际上用户兴趣是多样化的，不可能只局限于某一类别之下。

113基于向量空间模型的用户兴趣研究

基于向量空间模型的方法主要通过用户使用的标签及频率表示用户的兴趣模型，通过计算用户间向量的相似性来寻找相似用户，并通过用户、资源向量的相似性进行资源推送（杨晶等[11]；田莹颖[12]；曾子明和张振[13]；张艳桃等[14]；魏来[15]）。向量空间模型是计算两个向量在所有维度下的相似性，适用于信息检索中文档向量与用户关键词向量相匹配的要求。然而，在用户兴趣研究中，由于用户兴趣的多元性，满足用户某一兴趣点的资源即可认为用户对其有兴趣，而不要求资源满足用户的所有兴趣亦或是所有兴趣下与用户兴趣向量最相似。

114基于社会网络的用户兴趣研究

基于社会网络的方法主要是以用户、标签、资源间的共现关系建立不同的网络图，通过对网络结构的分析，对Folksonomy用户兴趣进行研究。基于社会网络的方法适用于对用户进行分类，识别核心用户，寻找社区中的核心标签等方面（阎春霖、张廷园[16]；易明等[17]）。然而，从社会网络的角度对用户兴趣的研究更多的是从用户群的角度出发的，这种群体的兴趣更多的是一种用户间的共性，缺乏用户个性化特征。

115基于语义的用户兴趣研究

基于语义的用户兴趣研究主要集中在基于语义词典的用户兴趣研究、基于本体的用户兴趣研究及基于语义的用户兴趣模型研究3个方面。基于语义词典的用户兴趣研究（LSun-sook等[18]；LKangpyo等[19]；聂规划等[20]）注重于用户标注标签过程中的推荐问题，主要用于消除标签的歧義、多样性、模糊性问题，并未真正实现用户兴趣的识别及推荐；基于本体的用户兴趣研究（YDonghee等[21]；APassant等[22]；YHwan-Seung等[23]；APassant等[24]；YHwan-Seung等[25]；YHwan-Seung等[26]；袁柳和张龙波[27]；惠刚刚[28]）涉及前期的标注标签推荐的同时，部分研究者也开始关注用户兴趣的识别及推荐问题，但存在本体构建的复杂性问题；基于语义的用户兴趣模型研究（梁邦勇等[29]；杨学明[30]；董兵[31]；陈丽霞[32]）关注用户兴趣的识别与推荐过程问题，但标签之间的语义关系缺乏用户自身认知因素。

12传统研究方法的局限性

当前Folksonomy用户兴趣的研究主要从基于资源和基于相似用户群的两个视角展开。在基于资源内容的研究方面，主要集中于资源与用户兴趣的相似性分析，通过对用户标记过的资源进行分析，构建用户兴趣模型，通过聚类、向量空间模型找出最相似的资源，将相似资源推荐给用户。这种方式的用户兴趣计算方法一般只能找到用户已有的兴趣，不能发现用户潜在的兴趣，这种周而复始的同类型推荐，限制了用户的兴趣面。在基于用户的兴趣研究方法，主要包括用户分类、社区发现等方面的研究，它主要通过相似用户的兴趣推测目标用户的兴趣，在对目标用户和相似用户都感兴趣的资源进行推荐时能取得很好的效果，但也存在相似用户感兴趣而目标用户不感兴趣的情况，毕竟相似只是相对的，每个用户都是个性化的。同基于资源的兴趣研究情形一样，用户间也存在某一方面兴趣极其相似，而其他方面区别较大的情况，这就导致了在寻找相似用户时可能没将这种用户识别为相似用户，而不能对感兴趣的这方面资源进行很好的推荐或是将其认为是相似用户，而把目标用户根本不感兴趣的资源误以为是用户感兴趣的资源而进行了错误的推荐。

传统的基于统计、基于聚类、基于向量空间模型、基于社会网络的用户兴趣研究方法缺乏语义结构信息处理手段，不能从用户认知的角度构建兴趣模型。而基于语义的用户兴趣研究方法，虽然进行了标签的语义结构信息处理，但更多的是从语义词典、语义网、本体出发来规范化用户添加的标签，即使部分研究涉及用户兴趣的识别与推荐问题，仍然存在本体构建的复杂性等难题，同时，由于语义词典、语义网、本体等表示标签语义的框架，在很大程度上是基于规范化的知识架构，同样存在不能从用户自身认知结构进行兴趣研究问题，与Folksonomy用户根据自身理解、自由添加标签的理念不同。

采用形式概念分析的方法研究Folksonomy用户兴趣，从用户自身的认知结构出发，不仅能表示标签间的语义信息，还能形式化标签的结构关系，为用户兴趣的表征和挖掘提供了新的思路。

13FCA和Folksonomy结合机理

形式概念分析（Formal Concept Analysis，简称FCA）是由德国达姆斯塔特工业大学的BGanter与RWille提出的一种形式化描述概念的方法，它是格论与序论相结合而产生的理论，能将概念和概念层次用数学形式清楚的表示出来[33]。继2004年Folksonomy被提出之后，AHotho等人首先提出了Folksonomy形式化模型，构建了Folksonomy的三元形式背景，为基于FCA的Folksonomy研究提供了思路[34]。之后很多学者也开始意识到基于FCA进行Folksonomy研究的可行性，开始进行了一系列的探讨。

131理论可行性

张云中在其博士论文中深入剖析了两者之间的关系，指出可以利用FCA协助进行Folksonomy中相关数据和知识的挖掘[35]。他认为：Folksonomy和形式概念分析都是自底向上的“聚类”机制，为两者的结合奠定了基础；Folksonomy提供了用户集、标签集、资源集3类数据集，却缺少有效的数据组织方法，而形式概念分析作为有效的数据分析工具恰好能为之提供支撑。同时，FCA通过Hasses图可以实现概念格结构的图形化，形象的反映概念之间的层次结构，通过Folksonomy数据的图形化，为Folksonomy的研究提供可视化的分析、编辑或操作环境[36]。共同体现了“以用户为中心”的思想[37]为基于FCA对Folksonomy用户兴趣的识别与挖掘提供了支撑。通过对Folksonomy中3类数据集合的不同组合，构造形式背景，可以对Folksonomy用户进行多方位的分析和研究。

132实践可行性

考虑到传统的形式概念分析只能处理二维数据集之间的关系问题，FLehnmann等提出可以将传统的形式概念分析技术拓展到三维背景，对三维概念分析形式化[38]，FBoulicaut在此基础上提出可以将FCA应用于Folksonomy中用户、资源、标签三维关系并发现概念结构[39]。在三数据集中，Folksonomy是一个多值形式背景的四元组F∶=（U，T，R，Y），其中U、T、R是有限集，Y是U、T、R之间的三元关系。将U、T、R分别称作用户集、标签集和资源集，并用（u，t，r）∈Y表示用户u对资源r标记了一个标签t[40]，可以发现这与刘臣提出的Folksonomy模型非常相似。CSchmitz[41]認为将三维的Folksonomy转化为单值形式背景，可以更好的与关系规则挖掘技术相结合，进而进行标签、用户和资源推荐以及社区发现。RJaschke等[42]还提出一种可以直接发现Folksonomy形式背景中的三维概念的Trias算法，通过建立Iceberg概念格来挖掘大规模概念结构中的高频概念。AHotho等[43]则提出将Folksonomy的三维形式背景转化为无向超图G=（V，E），其中V=U∪T∪R为节点集，E={{u，t，r}（u，t，r）∈Y}为超边集，为三维形式背景的可视化表示提供的新的视角。

2基于FCA的Folksonomy用户兴趣研究视角

Folksonomy标签完全依赖于用户的兴趣、爱好、概念、术语、突发奇想和个人风格，分析标签的使用的情况，对获取Folksonomy用户知识和兴趣具有巨大的潜能[44]。贾君枝[45]认为，标签具有挖掘用户偏好的的功能，标签网站通过对用户、资源、标签等的统计分析，可以挖掘网站用户兴趣偏好，为网站信息服务和网站建设提供建设性意见和导向。FCA作为一种概念聚类的数学方法，为Folksonomy用户兴趣的研究提供了新的思路。基于FCA的用户兴趣的研究还比较少，主要集中于单用户和用户群的多兴趣识别两个视角。单用户用户偏好强调兴趣上的个性，用户群用户偏好则强调用户兴趣上的相似性。

21单用户兴趣研究

单用户兴趣挖掘主要从单个用户标注的资源及添加的标签入手，对该用户的兴趣进行识别，构建单用户兴趣结构。强调不同用户间的差异性，针对不同用户的不同兴趣提供个性化的推荐。

PBoucher-Ryan和DBridge[46]从用户对资源的评分来研究用户的兴趣推荐问题，将FCA引入到Folksonomy的协同推荐中，将用户评分矩阵转化为形式背景构建概念格。通过概念格结构的分析，他们分别从属性和对象两方面来进行推荐并预测用户对推荐资源的兴趣度。基于属性的协同推荐要先选择相应的推荐项，再计算目标用户对应的兴趣度，它只能完成推荐的任务而无法选择用户最感兴趣的内容进行推荐；基于对象的协同推荐主要是通过用户在概念格结构中所处的位置寻找相似用户，但仅仅以用户是否对资源进行评分，而忽视具体分值的做法实际上是不合理的。李凯[47]在其基础上提出了构建核心概念格的协同推荐方法，该方法通过减少简约概念格情景下的空概念来简化概念格构造的复杂度，但没有解决PBoucher-Ryan和DBridge提出的方法在兴趣推荐中的实质问题。同时，他们从用户对资源的评分来研究用户兴趣，而没有考虑到标签的维度，虽然能识别用户感兴趣的资源，但并不能确定用户的具体兴趣。

考虑到仅用用户评分研究用户兴趣的局限性，YZhang和BFeng[48]从用户所使用标签这个更为合理的角度进行分析，以FCA为基础构建个人标签空间来表示标签和协作资源。通过将用户使用的标签和资源建立概念格，对生成的每个描述用户兴趣的概念分别计算出权重并计算概念间的相似度，以此为基础构建层次化的用户兴趣模型。但该方法在计算兴趣概念的重要性时仅考虑了目标用户使用标签情况，未考虑到兴趣概念间的包含关系，同时该方法只能识别用户显示出来的兴趣，并不能以Folksonomy用户间的关系挖掘目标用户的潜在兴趣。石光莲[49]分别基于单用户概念格和用户群概念格提出了基于FCA的目标用户兴趣识别和潜在兴趣挖掘方法，但不用目标用户建立的兴趣概念格差别较大，难以形成统一的群里兴趣概念，同时群体用户概念格的构建、关联规则提取、潜在兴趣挖掘过程复杂。

22用户群兴趣研究

用户群兴趣研究主要是从用户间的关系出发，寻找相似用户并对用户进行分类，将目标用户所在用户群的兴趣推荐给目标用户。强调不同用户之间兴趣的相似性，利于挖掘用户的潜在兴趣。

RJaschke等人从概念格构造算法的角度进行研究，将传统的FCA技术拓展到三维背景，提出Trias算法，进行用户—标签—资源的形式概念分析，识别具有相同标注行为的用户，从而发现兴趣社区并进行资源推荐[50]。随后，他们对该算法进行了改进，并应用于现实环境，进行社区用户群间的兴趣关系识别并用于发现Folksonomy中共享概念[51]。该算法中用户、标签、资源的最小出现频率关系到对象相关关系的揭示程度，需要进一步的探讨，同时该方法只从用户使用标签的角度挖掘社区共享概念，未涉及概念在反映社区用户兴趣上的重要程度，以及如何针对不同的用户进行更好的推荐等问题。

HGKim等[52-53]的研究则考虑到了社区共享概念在反映用户兴趣上的的重要程度这个问题。他们以博客用户及他们使用的标签为形式背景，为博客标签建立概念层次结构，从而寻找社区共享标签并将其应用于对社区用户的标签推荐。此外他们还考虑了不同标签使用频率上的差异性，将频率进行等级划分，构建了多值形式背景及相应的概念格。这种多值形式概念分析同时虑了用户群的使用情况和用户在使用上的差异，但在这种概念格下相同标签集由于使用频率的不同形成了不同的概念，这在一定程度上增加了概念格的复杂度，从而使构建的概念格过于庞大。后来他们以Folksonomy用户及他们使用的标签为形式背景，从而寻找社区中具有共同兴趣的小组，这次他们不再将标签使用频率加入到构建的概念格中，而是在构建概念格后，通过概念中每个对象使用属性的频率分别计算每个概念的重要性，从而识别用户共同的兴趣及其兴趣度[54]。但这种方法无论在识别兴趣概念还是在兴趣度的计算上皆以用户群为基础，不能体现不同用户之间的差异性，使得推荐效果并不理想。

国内则以张云中为代表，他基于FCA构建用户兴趣挖掘模型开展了系列研究。文献[55]中，张云中将Folksonomy多值形式背景单值化，分别从形式背景Fu∶=（U，T×R，YU）和FR∶=（R，U×T，YR）出发，用FCA—Wizard将之转化为用户行为和用户偏好概念格，分别从这两个角度分析了Folksonomy用户的兴趣偏好，构建了基于FCA的Folksonomy用户兴趣挖掘模型。在文献[56]中，张云中以Folksonomy用户偏好挖掘的一个螺旋过程为周期，构建了一个周期内的基于FCA的Folksonomy用户兴趣挖掘模型，指出了模型各个模块的主要工作，给出了Folksonomy用户群偏好权重及Folksonomy单用户偏好权重的计算方法，分别细化了基于FCA的典型用户群的用户偏好挖掘过程以及基于FCA的活跃单用户的用户偏好挖掘过程，对Folksonomy用户偏好树的构建进行了详细探讨。同时他认为通过对不同的时期Folksonomy系统的用户偏好对比分析，就可以找出用户偏好转移的具体信息。张云中以模型的方式展示了用户兴趣挖掘的全过程，虽然其后来的模型同时考虑了单用户和用户群的兴趣挖掘问题，但实际上两者的过程是分离的，没有将两者很好的结合起来用于用户兴趣的分析和推荐，而且其兴趣度的计算还是没有考虑到兴趣间的结构关系。

通过已有基于FCA对Folksonomy用户兴趣的研究分析，发现以往的研究更多的是从用户群的整体兴趣结构进行研究，找出用户群的兴趣结构，通过标签使用频率来计算重要的兴趣。实际上，不同用户在标签使用上有一定的习惯和区别，基于用户群的兴趣结构实际上并不能替代目标用户的认知结构；而对单用户兴趣结构研究比较少，而且研究中更多的是通过标签使用情况来进行用户兴趣的计算，而没有考虑到用户兴趣的结构关系，与此同时，它们并没有考慮结合用户群使用标签的情况来挖掘用户潜在兴趣的问题。

3分析与总结

31用户兴趣表征标签化

学者普遍认同标签不仅能描述资源的内容，而且能体现用户的兴趣偏好。通过用户所使用的标签可用来表征兴趣，进行Folksonomy用户兴趣的相关研究，从而为用户提供优质的个性化信息服务。

32相似性局部最优原则

在Folksonomy用户兴趣具体研究思路上，已有研究主要通过标签共现情况计算用户和资源、资源和资源、用户和用户之间的相似性，相似性的计算更多考虑的是整体相似性。实际上，满足用户某一兴趣的资源即为用户感兴趣的资源，应该选择局部最优，而非整体最优。

33考量个体认知结构

不管是基于统计、向量空间模型还是社会网络方法都不能从用户兴趣的语义结构上进行分析。虽然有的聚类方法能构建标签的层次结构，但是用户群层面上的兴趣结构，并不符合用户个体认知层面。基于语义的用户兴趣研究方法虽然进行了标签的语义结构信息处理，但很大程度上是基于规范化的知识架构，同样存在不能从用户自身认知结构进行兴趣研究的问题。

34新研究视角——FCA

形式概念分析为Folksonomy的研究提供了新的视角。形式背景定义与Folksonomy模型的相似性及概念格的结构化显示功能，为Folksonomy的形式化描述和结构化显示提供了帮助。很多学者都从形式概念分析的角度对Folksonomy研究进行了有益的探讨。

35深入FCA相关研究

基于形式概念分析对Folksonomy用户兴趣的相关研究还比较少。研究主要是从用户群的整体兴趣结构进行，而对单用户兴趣结构关注较少。研究主要是从标签的使用情况来来计算用户兴趣度，很少考虑到用户兴趣的结构关系及利用用户群使用标签的情况来挖掘用户潜在兴趣等问题。

参考文献

[1]石豪，李红娟，赖雯，等.基于Folksonomy标签的用户分类研究[J].图书情报工作，2011，55（2）：117-120.

[2]苏杨，石豪，赖雯，等.利用同义词环改进基于folksonomy的用户分类[J].图书情报工作，2011，55（8）：58-61.

[3]覃梦河，晋佑顺，邱远棋.基于内容分析的微博用户关系推荐机制研究[J].图书馆论坛，2013，33（4）：104-108.

[4]易明，邓卫华.基于标签的个性化信息推荐研究综述[J].情报理论与实践，2011，34（3）：126-128.

[5]杨墨，李炜，王晶.基于标签系统中聚类分析的个性化推荐算法[J].计算机系统应用，2013，22（10）：151-154.

[6]Gemmell J，Shepitsen A.Personalization in folksonomies based on tag clustering[C]∥Proceedings of the 6th Workshop on Intelligent Techniques for Web Personalization and Recommender Systems，2008：37-48.

[7]易明，操玉杰，沈劲枝，等.社会化标签系统中基于密度聚类的Web用户兴趣建模方法[J].情报学报，2011，30（1）：37-43.

[8]曹高辉，焦玉英，成全.基于凝聚式层次聚类算法的标签聚类研究[J].知识组织与知识管理，2008，（4）：13-27.

[9]曹高辉，毛进.基于协同标注的B2C电子商务个性化推荐系统研究[J].图书情报工作，2008，52（12）：126-128.

[10]钟青燕，苏一丹，梁胜勇.基于层次聚类和语义的标签推荐研究[J].微计算机信息，2010，26（12）：199-203.

[11]杨晶，成卫青，郭常忠.基于标准标签的用户兴趣模型研究[J].计算机技术与发展，2013，（10）：208-215.

[12]田莹颖.基于社会化标签系统的个性化信息推荐探讨[J].图书情报工作，2010，54（4）：50-53.

[13]曾子明，张振.社会化标注系统中基于社区标签云的个性化推荐研究[J].情报杂志，2011，30（10）：128-134.

[14]张艳桃，王国胤，于洪.面向Folksonomy的用户兴趣相似性度量方法[J].南京大学学报，2013，49（5）：588-595.

[15]魏来.基于概念空间模型的folksonomy标签聚类方法研究[J].情报杂志，2011，30（4）：137-142.

[16]阎春霖，张廷园.基于用户标签的社区发现方法研究[J].科学技术与工程，2011，11（6）：1237-1241.

[17]易明，毛进，邓卫华.基于社会化标签网络的细粒度用户兴趣建模[J].知识组织與知识管理，2011，（4）：35-41.

[18]Sun-Sook Lee，Hwan-Seung Yong.TagPlus：A Retrieval System using Synonym Tag in Folksonomy[C].Multimedia and Ubiquitous Engineering，MUE07，International Conference on，2007：294-298.

[19]Kangpyo Lee，Hyunwoo Kim，Hyopil Shin，Hyoung-Joo Kim.Tag Sense Disambiguation for Clarifying the Vocabulary of Social Tags[C].Computational Science and Engineering，2009.CSE 09.International Conference on，2009：729-734.

[20]聂规划，章志，王锐.基于语义词典的电子商务推荐系统模型研究[J].情报杂志，2009，（28）：152-154.

[21]Donghee Yoo，Yongmoo Suh.Use-Categorized Tags to Build a Structured Folksonommyf[C].Communication Software and Networks，ICCSN10.Second International Conference，2010：160-164.

[22]Passant A.Using Ontologies to Strengthen Folksonomies and Enrich Information Retrieval in Weblogs[EB].http：∥icwsm.org/papers/2--Passant.pd，20016-03-20.

[23]Hwan-Seung Yong.OntoSonomy：Ontology-Based Extension of Folksonomy[C].Semantic Computing and Applications，2008.IWSCA08.IEEE International Workshop on，2008：27-32.

[24]Passant A.Using Ontologies to Strengthen Folksonomies and Enrich Information Retrieval in Weblogs[EB].http：∥icwsm.org/papers/2--Passant.pd，2016-03-20.

[25]Hwan-Seung Yong.OntoSonomy：Ontology-Based Extension of Folksonomy[C].Semantic Computing and Applications，2008.IWSCA08.IEEE International Workshop on，2008：27-32.

[26]袁柳，张龙波.个性化搜索中的用户特征模型研究[J].计算机工程与应用，2011，47（15）：23-28.

[27]Hwan-Seung Yong.OntoSonomy：Ontology-Based Extension of Folksonomy[C].Semantic Computing and Applications，2008.IWSCA08.IEEE International Workshop on，2008：27-32.

[28]惠刚刚.基于SCOT的语义标签推荐模型及算法研究[D].南宁：广西大学，2011.

[29]梁邦勇，李涓子，王克宏.基于语义FGH的网页推荐模型[J].清华大学学报：自然科学版，2004，44（9）：1272-1276.

[30]杨学明.基于本体学习的个性化网页推荐[J].情报杂志，2009，28（3）：171-174.

[31]董兵，吴秀玲.基于语义扩展的个性化知识推荐系统[J].图书馆学研究，2008：44-49.

[32]陈麗霞.基于社会化标签的P2P语义推荐研究[D].西安：西南电子科技大学，2012.

[33]Ganter B，Wille R.形式概念分析[M].马垣，张学东，迟呈英，等译.北京：科学出版社，2007：15-46.

[34]Hotho A，Jaschke R，Schmitz C，et al.Information Retrieval in Folksonomis：Search and Ranking[C].In：Proceedings of the 3rd European Conference on the Semantic Web：Research and Applications.Heidelberg，Berlin：Springer-Verlag，2006：411-426.

[35]张云中.基于形式概念分析的Folksonomy知识发现研究[D].吉林：吉林大学，2012.

[36]张云中.利用形式概念分析构建Folksonomy用户行为知识发现模型[J].现代图书情报技术，2012，（7）：66-75.

[37]石光莲，张敏，郑伟伟.形式概念分析在Folksonomy中的应用研究进展[J].图书情报工作，2014，（9）：136-142.

[38]Lehmann F and Wille R.A triadic approach to formal concept analysis[J].LNCS，1995，（954）：32-43.

[39]Boulicaut J F.New Applications of Formal Concept Analysis：A Need for Original Pattern Domains[J].FCAIR 2012-Formal Concept Analysis Meets Information Retrieval，2013：2.

[40]Hotho A，Jaschke R，Schmitz C，et al.Trend Detection in Folksonomies[C].In：Proceedings of the 1st International Conference on the Semantic and Digital Media Technologies.Heidelberg，Berlin：Springer-Verlag，2006：56-70.

[41]Schmitz C，Hotho A，J？schke R，et al.Mining association rules in folksonomies[M].Data Science and Classification.Springer Berlin Heidelberg，2006：261-270.

[42]Jaschke R，Hotho A，Schmitz C，Ganter B，Stumme G.TRIAS：An Algorithm for Mining Iceberg Tri-Lattices[C].IEEEICDM，06.Hong Kong，2006：907-911.

[43]Hotho A，Jschke R，Schmitz C，et al.BibSonomy：A social bookmark and publication sharing system[C].Proceedings of the Conceptual Structures Tool Interoperability Workshop at the 14th International Conference on Conceptual Structures，2006：87-102.

[44]Zavitsanos E，Vouros G A，Paliouras G.Classifying Users and Identifying User Interests in Folksonomies[C].SPIM，2011：66-77.

[45]贾君枝，张宁.社会标签的应用功能分析[J].信息系统，2012，35（11）：112-116.

[46]Boucher-Ryan P，Bridge D.Collaborative recommending using formal concept analysis[J].Knowledge-Based Systems，2006，19（5）：309-315.

[47]李凯.基于形式概念分析的协同推荐技术研究[D].成都：西华大学，2008.

[48]Zhang Y，Feng B.Tag-based User Modeling Using Using Concept Analysis[C].In：Proceddings of 8th IEEE International Conference on Computer and Information Technology.Sydeney：IEEE，2008：485-490.

[49]石光蓮.基于形式概念分析的Folksonomy用户兴趣识别研究[D].重庆：西南大学，2015.

[50]Jaschke R，Hotho A，Schmitz C，Ganter B，Stumme G.TRIAS：An Algorithm for Mining Iceberg Tri-Lattices[C].IEEEICDM，06.Hong Kong，2006：907-911.

[51]Jschke R，Hotho A，Schmitz C，et al.Discovering shared conceptualizations in folksonomies[J].Web Semantics：Science，Services and Agents on the World Wide Web，2008，6（1）：38-53.

[52]Kim H G，Hwang S H，Kang Y K，et al.An agent environment for contextualizing folksonomies in a triadic context[M].Agent and Multi-Agent Systems：Technologies and Applications.Springer Berlin Heidelberg，2007：728-737.

[53]Kim H L，Hwang S H，Kim H G.FCA-based approach for mining contextualized folksonomy[C].Proceedings of the 2007 ACM symposium on Applied computing.ACM，2007：1340-1345.

[54]Kim H L，Breslin J G，Decker S，et al.Mining and representing user interests：the case of tagging practices[J].Systems，Man and Cybernetics，Part A：Systems and Humans，IEEE Transactions on，2011，41（4）：683-692.

[55]张云中，杨萌，徐宝祥.基于FCA的Folksonomy用户偏好挖掘研究[J].现代图书情报技术，2011，（6）：72-78.

[56]张云中.基于形式概念分析的Folksonomy知识发现研究[D].吉林：吉林大学，2012.

（本文责任编辑：郭沫含）