陳 萌，楊 成，王 歡，陳潔超

（中國傳媒大學(xué) 信息工程學(xué)院，北京100024）

交互式電視是一種雙向電視，用戶能夠通過電視屏幕的交互界面進(jìn)行信息反饋，從而建立用戶和電視信息的雙向聯(lián)系[1]。隨著三網(wǎng)融合的深入和數(shù)字家庭的興起，交互式電視走進(jìn)千家萬戶。與此同時，交互式電視用戶也面臨著“信息迷霧”的問題：大量的資源同時呈現(xiàn)，導(dǎo)致用戶無從選擇，資源利用率低，資源與用戶間形成一條無形的“信息鴻溝”。在這種情況下，把個性化推薦系統(tǒng)引入交互式電視，為用戶提供個性化信息過濾服務(wù)，成為一種迫切的需求。

個性化推薦系統(tǒng)最初是針對互聯(lián)網(wǎng)“信息過載”問題而提出的，不同于一般的信息過濾系統(tǒng)，其特點有：1）將傳統(tǒng)的用戶發(fā)起請求變?yōu)橄到y(tǒng)自動向用戶提供服務(wù)，引導(dǎo)用戶發(fā)掘潛在興趣點；2）以社會網(wǎng)絡(luò)為基礎(chǔ)、個性化需求為中心建立用戶喜好模型[2]。

個性化推薦系統(tǒng)可以分為信息采集和預(yù)處理、模型分析、推薦以及存儲4個功能模塊，其中包含用戶、項目和推薦算法3個關(guān)鍵要素，而推薦算法是整個系統(tǒng)的核心。后文將對基于內(nèi)容的推薦、協(xié)同過濾推薦、基于關(guān)聯(lián)規(guī)則的推薦以及混合推薦幾個重要的算法加以分析和比較。根據(jù)算法的比較結(jié)果，總結(jié)得出交互式電視中個性化推薦系統(tǒng)的3個研究重點——精確性、實時性和自動性，以及冷啟動、數(shù)據(jù)稀疏性、推薦“孤峰”等幾個研究難點。此外，本文還從節(jié)目推薦、電視商務(wù)和廣告定向投放3個方面闡述了個性化推薦系統(tǒng)在未來交互式電視中的實際應(yīng)用，并且從應(yīng)用角度分析預(yù)測了未來該研究的幾個潛在的研究方向。

1 個性化推薦系統(tǒng)概述

個性化推薦系統(tǒng)要完成整個推薦過程需有3個要素：項目、用戶和推薦算法。設(shè)C是所有用戶的集合，S是所有項目的集合，效用函數(shù)u（）用于計算項目s對用戶c的推薦度。而推薦算法研究的問題就是找到推薦度最大的對象s*[3],即

從功能角度看，個性化推薦系統(tǒng)（如圖1所示）可劃分為：信息采集和預(yù)處理模塊、喜好模型建立分析模塊、推薦模塊和信息存儲模塊。用戶通過系統(tǒng)的交互界面提供信息或由系統(tǒng)自動收集用戶行為信息，預(yù)處理量化后存入數(shù)據(jù)庫作為后續(xù)分析的基礎(chǔ)；提取存儲模塊中用戶或項目的量化信息，按推薦算法的需要進(jìn)行數(shù)據(jù)分析，得到用戶與項目或項目間或用戶間的關(guān)聯(lián)模型；把分析后的模型導(dǎo)入推薦模塊，運行的推薦結(jié)果通過交互界面顯示給用戶，同時記錄用戶的反饋信息，用于修正推薦機(jī)制。

2 主流的推薦算法及算法對比

推薦系統(tǒng)的核心部分是推薦算法，推薦算法的優(yōu)劣直接決定了整個個性化推薦系統(tǒng)的性能。下面將對幾個主流算法進(jìn)行分析和對比。

2.1 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦算法（Content-based Recommendation）[4]是把特征作為描述項目的基本單位。從用戶看過的資料中提取特征，采用神經(jīng)網(wǎng)絡(luò)、決策樹等機(jī)器學(xué)習(xí)方法學(xué)習(xí)用戶興趣，建立用戶喜好模型ContentBasedProfile（c）；根據(jù)不同特征在項目中出現(xiàn)的位置和頻率的不同，確定待預(yù)測項目與用戶喜好相匹配的程度。用效用函數(shù)表示[3]，即

式中：sim（）即為相似度計算，可采用歐幾里得距離、皮爾遜相似度和向量夾角余弦距離等方法計算。該算法的處理對象多為項目的文字描述，推薦過程不需用戶介入，只考慮項目間的關(guān)系，實時性好。

2.2 協(xié)同過濾推薦算法

協(xié)同過濾（Collaborative Filtering）算法是社會化方式移植到網(wǎng)絡(luò)環(huán)境中的產(chǎn)物，其核心是基于社會網(wǎng)絡(luò)進(jìn)行統(tǒng)計預(yù)測，即通過用戶-項目矩陣（如圖2所示）尋找用戶間或項目間的相似性，再結(jié)合用戶的歷史信息得出項目的推薦度，根據(jù)推薦值排序獲得推薦項。因無須提取項目特征信息，該類算法更適合處理電影、音樂等特征結(jié)構(gòu)復(fù)雜的項目。具體可分為基于用戶和基于項目兩種。

圖2 m×n用戶-項目矩陣

基于用戶的協(xié)同過濾（User-based Collaborative Filtering）[5]的具體思路是：1）以用戶對項目的評分為向量，計算用戶c與其他用戶的相似度sim（c,c′），確定用戶c的喜好相似鄰c′；2）把相似鄰c′對項目s的評分以及與用戶c的相似度進(jìn)行加權(quán)平均（ave），得出用戶c對項目s的效用值。所以效用函數(shù)為

基于項目的協(xié)同過濾（Item-based Collaborative Filtering）[6]基于以下假設(shè)：能夠引起用戶興趣的項目，必與其之前評分高的項目相似。根據(jù)假設(shè)，計算用戶c已評價的項目s＇與待預(yù)測項目s的相似度sim（s,s＇）；然后將用戶c對項目s＇的評分和相似度sim（s,s＇）加權(quán)平均，得出用戶c對項目s的效用值。故效用函數(shù)為

基于項目協(xié)同算法與基于內(nèi)容算法的區(qū)別在于：挖掘項目間關(guān)系時，基于內(nèi)容的算法不需要用戶信息，僅通過項目的特征決定；而基于項目的協(xié)同算法是通過用戶的評分來確定項目間關(guān)系的。

2.3 基于關(guān)聯(lián)規(guī)則的推薦算法

基于關(guān)聯(lián)規(guī)則的推薦（Association Rules-based Recommendation）的本質(zhì)在于挖掘一個數(shù)據(jù)集中項目之間的關(guān)系。該推薦算法有兩個關(guān)鍵要素：支持度support(s? s′)=P（s∪ s′）和置信度confidence(s? s′)=P(s′|s)（其中s是待預(yù)測項目，是用戶c的喜好項目）。支持度是數(shù)據(jù)剪枝的重要依據(jù)，而置信度反映了項目s與用戶喜好項s′的關(guān)聯(lián)性，即效用值的衡量標(biāo)準(zhǔn)。關(guān)聯(lián)規(guī)則可以采用Apriori，AprioriTid和DHP等方法進(jìn)行挖掘，其結(jié)果具有很大的未知性。

2.4 混合算法

在實際中往往將多個算法混合，以達(dá)到更好的推薦效果。關(guān)于如何組合各個推薦算法，有研究者提出了以下幾種組合方法[7]：

1）加權(quán)混合。用線性公式按照一定權(quán)重組合幾種算法，權(quán)重值通過測試數(shù)據(jù)集反復(fù)實驗后確定。

2）變換混合。對于不同的情況，選擇最為合適的推薦機(jī)制計算推薦。

3）分層混合。采用多種推薦算法，將一種算法的結(jié)果作為另一種算法的輸入。

2.5 主流推薦算法的比較

以上幾種推薦算法各有千秋，采用的相似度計算公式不同、建立喜好模型時選擇的訓(xùn)練模型不同等都會影響個性化推薦系統(tǒng)的性能。在此，將主流算法的優(yōu)缺點進(jìn)行總結(jié)比較（如表1所示）。

基于內(nèi)容的算法和基于規(guī)則的算法都可以實現(xiàn)離線處理且無須用戶-項目矩陣分析，所以實時性和自動性都不錯，但精確性方面卻遜于協(xié)同過濾算法。這3種算法在可擴(kuò)展性和冷啟動問題上都存在一定程度的問題。此外，協(xié)同過濾算法的稀疏性問題較為嚴(yán)重，而基于內(nèi)容算法的推薦多樣性明顯不足。

表1 主要推薦算法比較分析表

3 交互電視中個性化推薦系統(tǒng)的研究重點與難點

交互式電視中個性化推薦系統(tǒng)的研究重點有：精確性、實時性和自動性。對于用戶方面，能夠基于用戶的喜好提供相關(guān)的精確推薦，而且對用戶信息的采集要盡量減少用戶的手動操作；根據(jù)收看節(jié)目的需要，推薦的結(jié)果要具有實時性，這樣用戶才能在開機(jī)后立刻根據(jù)推薦結(jié)果選擇收看的節(jié)目，并對推薦結(jié)果做出及時反饋。對于運營方，高精度的推薦可以為營運方建立起忠實客戶群，增加經(jīng)濟(jì)收益；實時對用戶的反饋做出響應(yīng)，能更準(zhǔn)確地把握用戶動向。

在研究過程中，還發(fā)現(xiàn)以下幾個普遍的研究難點：

1）冷啟動

冷啟動包括新用戶和新項目兩個問題。數(shù)據(jù)庫中沒有新用戶的歷史數(shù)據(jù)，既不能根據(jù)訓(xùn)練集訓(xùn)練用戶興趣模型，也無法根據(jù)社會網(wǎng)絡(luò)尋找相似鄰用戶。雖然可通過用戶注冊信息或者熱點推薦在一定程度上緩解，但收效并不理想。新項目加入數(shù)據(jù)庫的初期因為評價信息不足，無法使用協(xié)同等算法進(jìn)行分析推薦，這很可能導(dǎo)致該項目沉沒在大量的項目中無人問津。對于“冷啟動”問題，目前一般考慮使用混合推薦方法來應(yīng)對。

2）數(shù)據(jù)稀疏問題

對單個用戶來說，已經(jīng)評論過的項目集僅是整個龐大項目集的一小部分；另一方面，因為地域、文化或者喜好的差異，用戶間的評價項也存在稀疏問題，嚴(yán)重影響推薦的準(zhǔn)確度。SVD算法通過把矩陣分解降維，使系數(shù)矩陣降到低維稠密矩陣；或是使用基于人口統(tǒng)計學(xué)的方法，提取用戶年齡、地域、性別等信息輔助用戶興趣建模[8]。

3）推薦“孤峰”問題

“孤峰”問題是推薦算法精確度研究的悖論面，也就是說，推薦項目與用戶主興趣點過于相似，總是集中在有限的范圍內(nèi)。造成該問題的原因：一是新用戶加入時，歷史數(shù)據(jù)不足，不能全面分析用戶在多個范圍的興趣度；二是用戶給系統(tǒng)的反饋不斷地加深了主興趣點的峰值。故在滿足用戶個性化需求的同時，要兼顧推薦多樣性，不能一味地去迎合用戶，還應(yīng)適當(dāng)引導(dǎo)用戶挖掘新的興趣點。

4 個性化推薦系統(tǒng)在未來交互電視中的應(yīng)用

一個優(yōu)秀的交互電視個性化推薦系統(tǒng)，在滿足用戶個性化需求的同時，又可以為運營商達(dá)到提高業(yè)績或優(yōu)化管理等目的，從而實現(xiàn)用戶與運營方的雙贏。以個性化推薦算法為基礎(chǔ)搭建的推薦系統(tǒng)可與用戶形成長期穩(wěn)定的關(guān)系，建立起以忠實用戶為內(nèi)核的球狀發(fā)散用戶群，減少用戶的流失。

4.1 視音頻節(jié)目推薦

視音頻節(jié)目推薦是個性化推薦技術(shù)在交互式電視中最基本也是目前發(fā)展最好的應(yīng)用。利用用戶的觀看歷史信息和行為信息，以及鄰居用戶的觀看喜好，建立用戶喜好模型，為用戶自動推薦可能感興趣的節(jié)目，既優(yōu)化了用戶體驗又提高了運營商的收視率。此外，工程師在開發(fā)時還應(yīng)注意簡化反饋過程的用戶參與度，盡量采用用戶行為信息收集模式而非打分反饋。

濟(jì)南有線曾對該應(yīng)用進(jìn)行過小范圍的試點，一方面根據(jù)用戶的個性化喜好建立個人頻道，與公共綜合頻道形成互補之勢，另一方面利用基于用戶的協(xié)同過濾算法為用戶推薦節(jié)目。從對此次試點進(jìn)行的基于長尾效應(yīng)KPI的跟蹤分析結(jié)果來看，節(jié)目長尾效應(yīng)和用戶長尾效應(yīng)的“頭”“尾”都獲得提升，尤其是節(jié)目的指標(biāo)尤為明顯。這次試點從實際應(yīng)用角度驗證了個性化推薦技術(shù)對于交互電視發(fā)展運營的支持推動作用十分富有成效[9]。

4.2 電視購物推薦

電視購物推薦面向的服務(wù)對象是用戶，任務(wù)是為用戶提供對商品的推薦，幫助用戶決定購買什么產(chǎn)品。根據(jù)用戶的年齡、職業(yè)、愛好等基本信息，分析用戶喜好，定期推薦他們感興趣的項目。當(dāng)用戶在查找項目時，進(jìn)行跟蹤分析，以便向用戶提供合適的可選擇推薦。收集用戶購物歷史，自動分析用戶的購買記錄，為每個用戶提供對其個性化專門定制的推薦列表[10]。根據(jù)已有的用戶-商品表格，挖掘與當(dāng)前用戶曾經(jīng)購買過且評分相似的商品，然后推薦最暢銷或關(guān)聯(lián)最強(qiáng)的商品給用戶。通過推薦算法可以在海量顧客基數(shù)和商品目錄上進(jìn)行擴(kuò)展，及時對用戶數(shù)據(jù)的變化做出反應(yīng)。

4.3 廣告定向投放

廣告定向投放的終極目標(biāo)是希望每個廣告都投遞給有需要的用戶，對這些用戶來說，廣告更能成為需求信息的來源。廣告定向投放一方面可以根據(jù)數(shù)據(jù)庫中用戶的興趣信息以及電視購物歷史，對用戶分類進(jìn)行廣告投放。例如，用戶經(jīng)常觀看育兒節(jié)目，購買過尿不濕等產(chǎn)品，可以猜想該用戶家庭中有幼兒，進(jìn)而選擇對其投放奶粉廣告。另一方面，可以把廣告和正在播出的節(jié)目加以關(guān)聯(lián)，例如在體育類節(jié)目中間插播體育用品廣告，實現(xiàn)真正的以用戶為中心開展業(yè)務(wù)。

5 交互電視中個性化推薦系統(tǒng)未來需要研究的問題

5.1 安全隱私性

推薦系統(tǒng)是基于用戶的歷史數(shù)據(jù)進(jìn)行分析的，那么這些涉及個人隱私的信息在存入數(shù)據(jù)庫的一刻就面臨著泄露的風(fēng)險[11]。使用匿名進(jìn)行注冊可在一定程度上緩解該問題，但是又會帶來用戶信譽危機(jī)和推薦精確度下降等后續(xù)問題。此外，個性化推薦還面臨著欺詐推薦的問題，這和搜索引擎上的欺詐排名相似。如某出版商為使自己的影片盡可能成為推薦項，偽造多個用戶抬高該項目的評價度。這就需要設(shè)計算法檢測用戶的評分行為和信用度，過濾虛假用戶。

5.2 家庭多用戶研究

目前個性化推薦算法的研究基本是針對單個用戶的，沒有考慮到家庭中的多成員問題。不同于計算機(jī)的個體化屬性，電視機(jī)終端是面向整個家庭的娛樂設(shè)備。這就存在當(dāng)前用戶是自己看還是和家人一起看，不同家庭的成員年齡性別分布，如何區(qū)分同一家庭的不同用戶等問題，研究中需要考慮到家庭多用戶的實際因素，進(jìn)一步增強(qiáng)推薦的智能化。目前有人提出時間段統(tǒng)計方法，例如在暑假白天向有孩子的家庭多推送少兒節(jié)目等。

5.3 時間聚合和空間聚合

個性化推薦系統(tǒng)往往沒有對地域、時間、周圍人員等環(huán)境信息做過多的考慮，其實這些環(huán)境信息大大影響了用戶對推薦系統(tǒng)的期望[12]。系統(tǒng)使用數(shù)據(jù)集進(jìn)行推薦研究時，往往忽略時間衰減度。需要進(jìn)一步考慮到短、長期喜好的差別，平滑的記錄并模擬用戶喜好隨時間的變化。再者，用戶對節(jié)目觀看的時長可在一定程度上反應(yīng)用戶的喜好，若把對項目的評價聚合到時間軸上，可以更全面地采集用戶信息。在空間方面，不同地域的用戶具有不同的文化背景，聚合地域因素可以使地方運營商有的放矢，針對性地引進(jìn)影視劇，有效地規(guī)劃廣告的定向投放。

5.4 跨學(xué)科研究

個性化推薦系統(tǒng)不單單是技術(shù)問題，更涉及到社會學(xué)、傳播學(xué)、心理學(xué)的多學(xué)科交叉課題。其中包括了從眾心理和行為、熱點傳播、輿論引導(dǎo)、文化融合與碰撞等一系列人文社科的研究熱點。想要更好地研究和發(fā)展個性化推薦系統(tǒng)，就需要多學(xué)科的縱深和交流。

6 小結(jié)

隨著交互媒體的發(fā)展和用戶個性化需求的增長，個性化推薦在交互式電視中扮演著越來越重要的角色。盡管個性化推薦在交互式電視中的應(yīng)用剛剛起步，依舊存在安全隱私、多用戶推薦、時空聚合等一系列待研究的問題，但是相信隨著個性化推薦研究與社會學(xué)、傳播學(xué)、心理學(xué)等多學(xué)科交叉研究的深入，以及交互式電視應(yīng)用的推廣，個性化推薦系統(tǒng)在交互式電視中的發(fā)展將上升到一個新的高度，為更多的交互式電視用戶帶來更優(yōu)化的體驗。

[1]LEE B，LEE R S.How and why people watch TV:implications for the future of interactive television[J].Journal of Advertising Research，1995，35（6）：9-18.

[2]許海玲，吳瀟，李曉東.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報，2009（2）：350-362.

[3]ADOMAVICIUS G，TUZHILIN A.Toward the next generation of recommender systems:a survey of the state-of-the-art and possible extensions[J].IEEE Trans.Knowledge and Data Engineering，2005，17（6）：734-749.

[4]KOVACS A I，UENO H.Recommending in context:a spreading activation model that is independent of the type of recommender system and its contents[EB/OL].[2012-02-02].http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.100.9239＆rep=rep1＆type=pdf.

[5]SCHAFER J B，F(xiàn)RANKOWSKI D，HERLOCKER J，et al.Collaborative filtering recommender systems[J].The Adaptive Web:Lecture Notes in Computer Science，2007，4321：291-324.

[6]SARWAR B，KARYPIS G，KONSTAN J，et al.Item-based collaborative filtering recommendation algorithms[C]//Proc.Tenth International Conference on World Wide Web.Hong Kong：ACM Press，2001:285-295.

[7]BURKE R.Hybrid recommender systems:survey and experiments[J].User Modeling and User-Adapted Interaction，2002，12：331-370.

[8]PAZZANI M.A framework for collaborative,content-basedand demographic filtering[J].Artificial Intelligence Review，1999，13（5/6）：393-408.

[9]季文.個性化視頻推薦——互動電視運營趨勢淺析[J].中國數(shù)字電視，2011（5）：36-37.

[10]LINDEN G，SMITH B，YORK J.Amazon.com recommendations:item-to-item collaborative filtering[J].IEEE Internet Computing，2003（7）：76-80.

[11]吳成鋼，楊光，張翔，等.推薦系統(tǒng)應(yīng)用及其安全性研究[J].信息網(wǎng)絡(luò)安全，2011（8）：69-71.

[12]ADOMAVICIUS G,TUZHILIN A.Multidimensional recommender systems:a data warehousing approach[J].Computer Science，2001，2232：180-192.