【摘要】普適個性化內容推薦是近年來學術界和業(yè)界關注的熱點問題。本文針對目前該領域研究缺乏從知識管理視角構建情境偏好關系方法的問題，在前期研究的基礎上，分析了情境偏好關聯(lián)構建的過程與方法，以內容推薦為目標，給出了上下文感知領域相關文獻對于情境模型操作的解釋。最后與相關方法進行了比較分析。

【關鍵詞】普適個性化推薦；上下文；情境

一、引言

普適個性化內容推薦是指根據(jù)用戶偏好、行為習慣和時空環(huán)境等因素，將相關內容通過各種網(wǎng)絡終端主動推送給用戶的一種動態(tài)的個性化服務模式。該領域的研究將個性化服務、上下文感知計算和語義網(wǎng)服務等領域的方法和技術相結合，致力于在一種開放、動態(tài)和集成的環(huán)境下，給用戶提供隨時隨地的，更具針對性和智能化的服務。這些問題的研究對于支持內容服務模式的創(chuàng)新和內容服務行業(yè)的發(fā)展具有很大的理論意義和商業(yè)價值。

目前，該領域的研究仍處于探索階段，成熟的規(guī)模化應用并不多見。原因在于個性化、上下文感知計算等領域的研究并未實現(xiàn)深度融合，以解決普適推薦領域的一些新問題。本文在前期研究的基礎上，研究情境化用戶偏好知識庫的構建過程和利用方法，建立情境與服務之間的關系，解釋相關文獻并未給出的情境操作對于內容推薦目標的意義。

二、情境化用戶偏好本體模型

本體模型構建的主要目的是實現(xiàn)知識共享和重用、消除數(shù)據(jù)冗余、克服數(shù)據(jù)稀疏性。利用到的重要本體模型片段如圖2-1所示。

該模型包括用戶偏好、上下文和情境3個主要概念。用戶偏好描述用戶頻繁訪問的內容服務類目，本文區(qū)分上下文（Context）和情境（Situation）兩個概念：上下文是情境屬性取值的概念集；而情境是由屬性和取值構成的鍵值對集，形式化表示為：Situation={c1：V1； c2：V2…cn：Vn}，其中ci為情境的屬性，其值域定義為相應上下文本體中的概念。上下文起著銜接用戶偏好與情境的橋梁作用，偏好并不直接依賴于情境，而是依賴于不同的情境屬性，依賴度描述某類偏好對不同情境屬性的依賴關系，用于約減不重要的屬性維度。

三、情境偏好關聯(lián)規(guī)則構建的過程與方法

（一）關聯(lián)挖掘的過程

本研究通過關聯(lián)規(guī)則描述偏好與情境的關系，關聯(lián)規(guī)則提供的定量參數(shù)利于對存在沖突的規(guī)則進行甄選；結合形式概念分析理論，利用量化頻繁標引格建立用戶偏好與不同粒度情境之間的語義關聯(lián)。情境偏好關聯(lián)挖掘的過程主要分為如圖3-1所示的5個階段。

各個階段的任務說明如下：

1、數(shù)據(jù)獲?。菏侵笍姆植嫉母黝悜孟到y(tǒng)中獲得原始的用戶訪問歷史數(shù)據(jù)，這些數(shù)據(jù)記錄了用戶在何時、何地和怎樣的外部環(huán)境條件下獲取過哪些內容。

2、本體映射：將原始數(shù)據(jù)通過映射規(guī)則轉化為相應的本體概念，映射規(guī)則可用定義或學習的方法得到。

3、數(shù)據(jù)熔合：將本體映射階段得到的統(tǒng)一規(guī)范的數(shù)據(jù)整合到集成數(shù)據(jù)庫中，作為構建情境偏好語義關聯(lián)的輸入。

4、關聯(lián)挖掘：通過垂直數(shù)據(jù)挖掘的方法挖掘不同粒度情境與偏好之間的關聯(lián)，利用量化頻繁標引格結構建立情境偏好知識庫。該結構在后續(xù)推薦過程中當某些維度的上下文數(shù)據(jù)不可用的情況下仍然具有一定的有效性。情境偏好關聯(lián)構建的方法與具體算法實現(xiàn)見諸于筆者的前期研究。

5、規(guī)則提?。焊鶕?jù)推薦需求可沿不同路徑提取情境偏好或偏好情境規(guī)則，求解當前情境下適宜推薦的內容或要推薦某種內容的最適宜情境。

（二）情境模型上的操作及解釋

情境模型上的操作是一系列邏輯和時序操作的集合。上下文感知服務的目標是根據(jù)上下文的變化而采取服務行動，研究情境（Situation）的相關文獻討論了情境模型上的各種操作，如：Weiβenberg提出了情境模型的特化、泛化、比較等操作；Ye分析了情境之間的分解、組合和時序關系等。但這些文獻均未分析情境操作與服務之間的關系。本文定義的情境形式化描述為：Situation={c1：V1； c2：V2…cn：Vn}。情境之間的基本分類組合關系如圖3-2所示。

原子情境在本研究中是指能在情境格中搜索到的最細粒度的情境，如：圖3-3中的第二層結點（#6，#7，#8，#9）對應的上下文取值描述；組合情境是由原子情境或其自身通過邏輯操作導出的情境。下面根據(jù)形式概念分析理論，給出情境邏輯操作的定義和解釋。

定義3.1：定義Op為情境上的操作集，Op={Generalize， Specialize， Negate， Matching， Sequence}，其中各操作依次表示：泛化、特化、取反、匹配和時序。

1、情境的泛化

Generalize（Situ1…，SituN）=Situ{Intersection（ContextFeature（Situ1），… ContextFeature （SituN））}

上式表示泛化情境的屬性集是被泛化情境屬性特征的交集。例如：Generalize （#6Situ1= {t：T1； l：L1}， #7Situ2= {t：T1； l：L2}）=#2Situ {t：T1}

泛化的情境在格中體現(xiàn)為被泛化情境結點的公共上層結點，標引概念對應的服務內容種類增加，說明能夠獲取和利用的上下文數(shù)據(jù)越少，給用戶提供的服務就會越粗糙。若被泛化情境的上下文屬性取值沒有交集，則稱之為不相交情境，例如：結點#6和結點#9。

2、情境的特化

Specialize（Situ1…，SituN）=Situ{Union（ContextFeature（Situ1） ；…ContextFeature （SituN））}

上式表示特化情境的屬性集是被特化情境屬性特征的并集，例如：Specialize（#2Situ {t：T1}； #4Situ1={ l：L1}）=#6Situ {t：T1； l：L1}

特化的情境繼承了被特化情境的共同的屬性特征，對應結點服務內容的種類會減少，說明能獲取的上下文數(shù)據(jù)種類越多，提供的服務內容就會更精準化。若被特化的情境對應的結點中沒有構成用戶內容偏好的記錄集，則稱為無效情境，在本文情境偏好關聯(lián)構建方法中，該類情境結點被剪枝。

3、情境的取反

Negate（Situ）=Situ{Complement（ContextFeature（Situ））}

上式表示情境取反操作得到的情境的屬性集是被取反情境屬性集的補集，例如：Negate（#6Situ {t：T1； l：L1}）= ComposedSitu{#7Situ={t：T1；l：L2}；#8Situ={t：T2； l：L1}； #9 Situ= {t：T2； l：L2}}

情境取反操作用于在該情境下推薦某種內容被用戶拒絕等情況，但情境的取反并不意味著對描述該情境的上下文屬性取值的全盤否定。

4、情境的匹配

Matching（SituX，SituT）=Situ{Matching（ContextFeature（SituT））}

實際情境與目標情境匹配得到的情境屬性集由各種滿足匹配度閾值的上下文構成，總的匹配度由各類上下文匹配度的加權綜合評價得到，其權重可由信息熵等方法衡量。

5、情境的時序

Sequence（Situ1…，SituN））= SequenceComposedSituation

擬給用戶推薦某種內容，在格中搜索到與用戶內容偏好匹配的情境集合，利用時序操作對情境集合排序，然后利用情境之間的時間先后關系逐次與用戶的現(xiàn)實情境匹配，直到推薦任務完成。

四、相關方法比較

Ye等基于粗粒度方法的思想提出情境格的概念，采用單維格結構對情境建模，在格中集成了情境的名稱、層次、屬性和上下文的層次，未考查情境與用戶偏好之間的關系，采用該模型不易設置參數(shù)閾值。Hong采用Appriori算法挖掘多維上下文與用戶偏好之間的關聯(lián)，并通過決策樹模型來描述。Appriori算法的思想是從頻繁1項集開始，致力于挖掘最大頻繁K項集，那么在本研究中就會挖掘出大量無用的上下文維間關聯(lián)，如：L1T2W3等（即情境特征之間的關系，而非情境特征與服務之間的關系）；采用經(jīng)典的基于概念格的挖掘方法也會存在類似問題。本文采用分層建格的思路，在維間上下文連接操作時若所對應的記錄集中沒有構成用戶偏好的內容服務集則進行剪枝操作，就不會有上述問題發(fā)生。決策樹模型在系統(tǒng)工作過程中當某維度上下文數(shù)據(jù)無法有效獲取時則失效；而頻繁標引格結構則可以從多條路徑搜索，在某維上下文數(shù)據(jù)無法有效獲取時仍可以提供有用的規(guī)則。

五、總結

本文針對目前普適個性化推薦領域缺乏從知識管理視角構建情境與用戶內容偏好關系的問題，結合本體和形式概念分析兩種互補的知識形式化方法，在構建情境化偏好本體靜態(tài)模型的基礎上；研究了情境偏好關聯(lián)規(guī)則挖掘的過程與方法，建立用戶偏好與情境之間的語義關聯(lián)；基于數(shù)據(jù)分析的視角，給出了相關文獻對于情境模型操作以內容推薦為目標的解釋。最后，對本領域相關文獻提出的模型和方法進行了比較分析。

參考文獻

[1]張宇，夏火松，吳金紅.普適個性化內容推薦的方法與支持技術評述[J].情報科學， 2015，33（6）： 155-161.

[2]蔡淑琴，張宇，胡慕海.基于頻繁標引格的移動內容推薦方法研究[J].情報學報，2011，30（7）：721-729.

[3]Weiβenberg N， Gartmann R， Voisard A. An Ontology-Based Approach to Personalized Situation-Aware Mobile Service Supply[J]. GeoInformatica， 2006， 10（1）： 55-90.

[4]Ye J， Coyle L， Dobson S. Representing and manipulating situation hierarchies using situation lattices[J]. Revue dIntelligence Artificielle， 2009， 22（5）： 647-667.

[5]Hong J Y， Suh E H， Kim S J. Context-aware system for proactive personalized service based on context history[J]. Expert Systems with Applications， 2009（36）： 7448-7457.

作者簡介

張 宇（1978-），男，湖北武漢人，博士，講師，主要從事普適個性化服務、知識管理等方面的研究。

基金項目

教育部人文社會科學青年基金項目（15YJC870031）；湖北省普通高校人文社科重點研究基地-企業(yè)決策支持研究中心重點項目（DSS20150103）；武漢紡織大學基金項目（113100）。