葉加加++趙逢禹

摘要：興趣模型是一種根據用戶的行為和偏好建立起來的數學模型，它反映用戶在一段時期內對信息需求的主要傾向。通常的興趣模型推薦主要基于用戶興趣，沒有考慮到熱點信息對用戶的影響以及存在冷啟動的問題。提出一種基于興趣預測和熱點分析的聯合推薦算法，利用貝葉斯網絡對用戶興趣進行預測，并利用基于速度增長的預測方法對當前的熱點信息進行預測。該方法綜合考慮了興趣預測與熱點預測，能夠有效增強用戶興趣預測準確度。實驗證明，該方法（BPUR）比傳統(tǒng)的Bayesian方法準確率更高，能夠有效避免新用戶的冷啟動問題。

關鍵詞：貝葉斯網絡；興趣預測；熱點信息；聯合推薦

DOIDOI：10.11907/rjdk.161375

中圖分類號：TP312

文獻標識碼：A文章編號文章編號：16727800（2016）009002504

基金項目基金項目：國家質檢公益性行業(yè)科研專項（201310032-3）

作者簡介作者簡介：葉加加（1991-），男，安徽合肥人，上海理工大學光電信息與計算機學院碩士研究生，研究方向為人工智能推薦系統(tǒng)；趙逢禹（1963-），男，山東濟南人，博士，上海理工大學光電信息與計算機工程學院教授、碩士生導師，研究方向為計算機軟件與軟件系統(tǒng)安全、軟件工程與軟件質量控制、軟件可靠性。

0引言

網絡包含了海量信息，但缺乏高效的工具把有用的信息推送給用戶。搜索引擎技術的出現，方便了人們對海量信息的篩選，但搜索引擎面向的是所有用戶，是將通用性的結果返回給用戶，難以滿足用戶的個性化需求。個性化推薦技術的出現在一定程度上解決了這些問題，它通過用戶行為數據分析，自動生成用戶比較感興趣的內容并直接向用戶推薦，為用戶提供個性化、有特色的信息服務。

Philip使用貝葉斯層次模型[1]將顯式與隱式反饋互相混合來創(chuàng)建用戶的興趣模型，通過向其他用戶借用類似興趣，向新用戶推薦合適的內容，從而避免新用戶的冷啟動問題。Mariam等[2]利用圖來表示用戶的搜索興趣模型，使用等級相關性度量方法來劃分用戶會話，將相關性較強、能夠以確定用戶興趣的搜索劃分到同一個會話中。Peilin[3]提出一種基于用戶對地點評價的方法建立用戶的興趣模型，以基于用戶所處地理位置對項目的評價來分析用戶的喜好，以達到更精確推薦的目的。

系統(tǒng)的推薦性能容易受到熱點信息的影響。Cataldi等[4] 針對熱點話題提出了時序與社會關系混合評價的方法。在一個時段內，某個話題被檢測多次，但在此之前很少被檢測到，則可認為該話題有較大幾率成為熱點話題。Phuvipadawat等[5]提出了一種對Twitter中檢測具有爆炸性新聞的方法，利用采集、分類和排列等方法進行檢測。基于空間向量模型，文獻[6]介紹了基于SP&HA算法的熱點話題檢測。文獻[7]中提出的熱點話題發(fā)現方法采用了垂直搜索引擎、文本分析法和挖掘技術。

可以看出，基于用戶行為的興趣模型研究與基于時序與空間向量的熱點話題發(fā)現在用戶個性化推薦上取得了一定的成果。但筆者認為目前大部分推薦模型只是基于用戶本身的興趣進行推薦。實際上，熱點信息對用戶興趣也會產生一定的影響。當新用戶僅有少量文檔時，興趣模型和熱點推薦存在盲區(qū)，系統(tǒng)無法給出即時的信息推薦，存在冷啟動問題。

針對以上問題，本文提出基于用戶興趣預測和熱點分析的聯合推薦算法，通過記錄用戶行為來構造用戶的興趣模型，并使用貝葉斯網絡來預測用戶興趣，在此基礎上，利用基于速度增長的熱點預測方法預測當前信息的流行趨勢，給用戶推薦近鄰熱點信息。考慮到新用戶創(chuàng)建時文檔較少，無法產生推薦信息，為避免冷啟動，本文引入近鄰熱點推薦算法。

1相關工作

對于個性化推薦系統(tǒng)，用戶興趣模型作用非常重要。早期的個性化推薦系統(tǒng)中，研究者主要關注信息的篩選和過濾，用戶興趣以記錄文本信息的方式存在。后來，隨著研究的深入，有些學者將機器學習的相關技術運用到個性化興趣建模中[8]。構建興趣模型主要是從一系列紛亂繁雜的數據記錄中發(fā)現用戶偏好，而機器學習在處理這類問題上有著天然的優(yōu)勢。貝葉斯網絡是基于概率推理的圖形化概率網絡，是不確定知識表達與推理領域最有效的理論模型之一，它將經典的概率論與圖論結合起來，用于發(fā)現隨機變量之間的潛在關系，適用于表述和分析不確定的事件，可以從分散的、粗糙的信息中作出推理。

系統(tǒng)的推薦性能容易受到熱點話題影響。話題探測與追蹤技術為網絡熱點話題發(fā)現提供了技術支持。話題檢測與跟蹤是在沒有人工干涉的情況下研究如何自動發(fā)現新聞信息中的話題[9]。如今話題探測與追蹤技術在網絡媒體上的應用已層出不窮。

4結語

針對現有興趣模型中沒有考慮到新聞熱點對用戶

的影響以及存在冷啟動的問題，本文提出一種基于興趣預測的聯合推薦算法。首先，基于用戶行為建立用戶興趣模型，采用基于平均閱讀時長的方法估計用戶對目標的興趣高低，從而產生隱性評分。在興趣預測階段，考慮用戶興趣的多樣性與非相關性，引入樸素貝葉斯方法預測用戶興趣集，并綜合一定時間內的新聞熱點，給用戶作出聯合推薦。實驗結果證明，本文方法較傳統(tǒng)的基于貝葉斯預測的推薦方法有著更高的預測推薦精度。下一步研究工作將在用戶興趣模型建立階段引入更能表征用戶興趣變化的方法，以建立能更準確地反映用戶興趣轉移和變化的模型，以提高預測推薦精確性。

參考文獻：

[1]ZIGORIS P， ZHANG Y. Bayesian adaptive user profiling with explicit & implicit feedback[C].Proc of the 15th ACM International Conference on Information And Knowledge Management. ACM， 2006： 397404.

[2]DAOUD M， LECHANI L T， BOUGHANEM M. Towards a graphbased user profile modeling for a sessionbased personalized search[J]. Knowledge and Information Systems， 2009， 21（3）： 365398.

[3]YANG PEILIN，FANG HUI.Opinionbased user profile modeling for contextual suggestions[C].In：Proceedings of the 2013 Conference on the Theory of Information Retrieval，ACM，2013：18.

[4]CATALDI M， CARO L D， SCHIFANELLA C. Emerging topic detection on twitter based on temporal and social terms evaluation[C].Proceedings of the Tenth International Workshop on Multimedia Data Mining.ACM，2010：110.

[5]PHUVIPADAWAT S， MURATA T. Breaking news detection and tracking in twitter[C].Web Intelligence and Intelligent Agent Technology （WIIAT）， 2010 IEEE/WIC/ACM International Conference on. IEEE， 2010：120123.

[6]孫勝平. 中文微博客熱點話題檢測與跟蹤技術研究[D]. 北京：北京交通大學， 2011.

[7]張劭捷. 基于微博社交網絡的輿情分析模型及實現[D]. 廣州：華南理工大學， 2011.

[8]胡昌平， 胡吉明. 個性化服務中基于支持向量機的用戶興趣挖掘分析[J]. 情報學報， 2009， 28（4）：543547.

[9]R NALLAPATI， A FENG， F C PENG， et al. Event threading within news topics[C]. Proceedings of the Thirteenth ACM Conference on Information and Knowledge Management， Washington DC， New York： Association for Computing Machinery， 2004： 446453.

[10]CLAYPOOL M， LE P， WASEDA M， et al. Implicit interest indicators[C].Proceeding of the ACM Intelligent User Interfaces Conference（IU）.New York：ACM Press，2001：1417.

[11]薛素芝， 魯燃， 任圓圓. 基于速度增長的微博熱點話題發(fā)現[J]. 計算機應用研究， 2013， 30（9）：25982601.

責任編輯（責任編輯：杜能鋼）