方曉,董輝,何長(zhǎng)龍

(1.亳州職業(yè)技術(shù)學(xué)院信息工程系，安徽亳州236800;2.安徽城市管理職業(yè)學(xué)院信息工程系，安徽合肥230011)

情境化條件下基于OBN模型的推薦算法研究

方曉1,董輝2,何長(zhǎng)龍2

(1.亳州職業(yè)技術(shù)學(xué)院信息工程系，安徽亳州236800;2.安徽城市管理職業(yè)學(xué)院信息工程系，安徽合肥230011)

隨著互聯(lián)網(wǎng)的發(fā)展，用戶(hù)獲取信息精準(zhǔn)度提高，個(gè)性化服務(wù)越來(lái)越重要.針對(duì)個(gè)性化推薦算法中用戶(hù)相似性計(jì)算精度不高，導(dǎo)致算法的推薦精度低的問(wèn)題，應(yīng)用面向?qū)ο笏枷牒拓惾~斯理論、融合推薦對(duì)象的情境化因素，提出OBN模型，實(shí)現(xiàn)用戶(hù)之間的相似度計(jì)算方法，該方法具有時(shí)間復(fù)雜度低、聚類(lèi)穩(wěn)定性強(qiáng)的特點(diǎn).在此基礎(chǔ)上設(shè)計(jì)個(gè)性化推薦算法.通過(guò)實(shí)驗(yàn)分析，提高個(gè)性化推薦的精度.

OBN;情境化;對(duì)象屬性值對(duì);時(shí)間復(fù)雜度;聚類(lèi)

0 引言

隨著web2.0技術(shù)的發(fā)展，信息在產(chǎn)生、傳遞、搜集、利用等各環(huán)節(jié)的深度和廣度上發(fā)生變化，在指數(shù)級(jí)增長(zhǎng)的信息量面前，人們無(wú)法獲取有用的信息.研究人員采用一些計(jì)算技術(shù)來(lái)解決此問(wèn)題.例如搜索引擎和推薦系統(tǒng).兩者的區(qū)別在于用戶(hù)主動(dòng)接受和用戶(hù)被動(dòng)接受，無(wú)論是搜索引擎還是推薦系統(tǒng)，都是動(dòng)態(tài)、智能化學(xué)習(xí)的信息處理主體［1］.而推薦系統(tǒng)的目標(biāo)是比用戶(hù)更理解用戶(hù).推薦系統(tǒng)在實(shí)際應(yīng)用中取得良好的效果，但存在諸多的問(wèn)題與困難.主要考慮情境化和算法的計(jì)算復(fù)雜度兩大問(wèn)題.

傳統(tǒng)推薦系統(tǒng)中的算法是從用戶(hù)、項(xiàng)目2個(gè)維度進(jìn)行考慮，以此設(shè)計(jì)算法.但隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，移動(dòng)用戶(hù)隨時(shí)產(chǎn)生海量的情境信息，情境化信息隨時(shí)發(fā)生變化.而情境化信息中隱含用戶(hù)的需求信息，更能反應(yīng)用戶(hù)需求的變化;因此，情境化是不可忽略的因素，但是在不同的應(yīng)用領(lǐng)域，情境化因素對(duì)推薦的影響不一樣，將情境化信息融合到傳統(tǒng)推薦算法中，有助于提高精準(zhǔn)度.

傳統(tǒng)推薦系統(tǒng)依據(jù)大量的多樣化數(shù)據(jù)來(lái)提升推薦質(zhì)量，而多樣化的數(shù)據(jù)在處理和計(jì)算開(kāi)銷(xiāo)很大，推薦系統(tǒng)的處理難度加大，影響推薦效果和效率;因此，這里通過(guò)面向?qū)ο蟮乃枷牒拓惾~斯理論計(jì)算用戶(hù)相似度，降低計(jì)算開(kāi)銷(xiāo).

本文在考慮情境化因素下，利用面向?qū)ο笏枷牒拓惾~斯理論改進(jìn)用戶(hù)相似度計(jì)算方法.與傳統(tǒng)的推薦算法相比，使算法有一定情境感知能力，提高算法推薦的精準(zhǔn)度，從而提高用戶(hù)獲取信息的能力.

1 面向?qū)ο蟮耐扑]模型

1.1 情境化推薦

在主流的推薦系統(tǒng)中主要從3個(gè)角度出發(fā)，一是項(xiàng)目數(shù)據(jù)，二是用戶(hù)行為數(shù)據(jù)，三是交互數(shù)據(jù)，通過(guò)一定的算法來(lái)推薦.而用戶(hù)狀態(tài)、環(huán)境是變化的，融合情境信息非常必要.情境化的引入，將用戶(hù)、項(xiàng)目2個(gè)維度擴(kuò)展到項(xiàng)目、用戶(hù)、情境多維度，使信息更加及時(shí)、精準(zhǔn)、有效.

針對(duì)推薦領(lǐng)域不同，情境因素信息的影響程度以及次序不一樣.融合情境化的推薦中考慮3個(gè)問(wèn)題【2】:情境信息的過(guò)濾、情境信息的動(dòng)態(tài)變化及情境信息的建模方法.

在農(nóng)產(chǎn)品、旅游、季節(jié)性產(chǎn)品交易等領(lǐng)域，情境化信息對(duì)用戶(hù)的選擇策略有較大影響.旅游中時(shí)間、位置以及中藥材交易領(lǐng)域中季節(jié)性變化等信息對(duì)推薦效果有直接影響.從文獻(xiàn)［3］中得到某種中藥材流通量數(shù)據(jù)的變化，如圖1所示，融合情境化信息能提升推薦效果.本文提出了一個(gè)模型用以處理各類(lèi)的情境信息，減少推薦系統(tǒng)在多類(lèi)情境信息的幵銷(xiāo).

1.2 面向?qū)ο蟮呢惾~斯模型

圖1 某種中藥材2015年流通量變化趨勢(shì)圖Fig.1 Changes of Chinese herbal medicines in circulation in 2015

貝葉斯網(wǎng)絡(luò)是一個(gè)有向圖結(jié)合概率計(jì)算的推理模型［4］.本文提出了面向?qū)ο蟮乃枷肱c貝葉斯網(wǎng)絡(luò)相結(jié)合的模型(OBN Object-Oriented Bayesian Model，簡(jiǎn)稱(chēng)OBN)，用于用戶(hù)和項(xiàng)目之間的隱含關(guān)聯(lián).OBN并不是用來(lái)發(fā)現(xiàn)潛在的興趣，而是構(gòu)造用戶(hù)、項(xiàng)目和屬性之間的分層貝葉斯網(wǎng)絡(luò)，用以推斷用戶(hù)對(duì)此項(xiàng)目的共同概率，即共同興趣的概率.

定義如下:

其中，U為用戶(hù)集合，P被推薦資源項(xiàng)目集合，F(xiàn)屬性集合，V是屬性集合F對(duì)應(yīng)的量值集合.面向?qū)ο蟮呢惾~斯模型是將Pj為網(wǎng)絡(luò)節(jié)點(diǎn)，通過(guò)被推薦資源項(xiàng)目的屬性量值對(duì)與用戶(hù)的屬性量值對(duì)進(jìn)行分析計(jì)算，通過(guò)概率計(jì)算用戶(hù)Ui到Pj節(jié)點(diǎn)的概率.vu是用戶(hù)U的屬性量值對(duì)，vp是被推薦資源P的屬性量值對(duì).

貝葉斯網(wǎng)絡(luò)應(yīng)用在個(gè)性化推薦中，把被推薦資源作為網(wǎng)絡(luò)的節(jié)點(diǎn)，與被推薦資源交互行為的數(shù)據(jù)，作為網(wǎng)絡(luò)節(jié)點(diǎn)的評(píng)分預(yù)測(cè)［5］.但是多資源組合的產(chǎn)品中，評(píng)分預(yù)測(cè)不適用.運(yùn)用貝葉斯網(wǎng)絡(luò)就是通過(guò)計(jì)算從U到P的過(guò)程.運(yùn)用貝葉斯網(wǎng)絡(luò)從ui到uj的過(guò)程即用戶(hù)共同喜好某一被推薦資源的概率P(ui，uj)，P(vp|vu)表示具有屬性值對(duì)vu的用戶(hù)選擇具有屬性值對(duì)vp的概率.

把用戶(hù)和被推薦的資源項(xiàng)目作為兩類(lèi)對(duì)象，用戶(hù)為貝葉斯網(wǎng)絡(luò)第1層，被推薦的資源項(xiàng)目為貝葉斯第2層.用戶(hù)屬性值對(duì)vu為第1層的節(jié)點(diǎn)，被推薦的資源項(xiàng)目的屬性值對(duì)vp，兩層之間通過(guò)屬性值對(duì)進(jìn)行聯(lián)系.用戶(hù)U選擇被推薦資源項(xiàng)目P的概率為:

在式(6)中忽略用戶(hù)與用戶(hù)之間的關(guān)系，用戶(hù)關(guān)系可能會(huì)導(dǎo)致用戶(hù)對(duì)被推薦資源的選擇，因此構(gòu)建基于面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)要計(jì)算用戶(hù)共同選擇被推薦資源的項(xiàng)目的概率.用戶(hù)選擇被推薦資源項(xiàng)目主要從被推薦資源項(xiàng)目的屬性值對(duì)去分析，也是用戶(hù)共同選擇被推薦資源項(xiàng)目的內(nèi)在聯(lián)系.P(vp|Ui)表示用戶(hù)選擇某一被推薦資源的屬性值對(duì)vp的概率.用戶(hù)不同P(vp|Ui)的值就不同.

X(Ui)表示用戶(hù)Ui需求值項(xiàng)，X(vp，Ui)表示屬性值對(duì)vp對(duì)用戶(hù)Ui的需求值項(xiàng).

用戶(hù)關(guān)系影響用戶(hù)的選擇.計(jì)算用戶(hù)共同選擇的概率P(Uj|Ui)，表示用戶(hù)Ui選擇某一被推薦資源用戶(hù)Uj選擇的概率.

P(uj|vp)表示用戶(hù)Uj具有屬性值對(duì)vp的行為概率，公式前一部分是用戶(hù)Ui和用戶(hù)Uj共同選擇某一被推薦資源的個(gè)性概率，后部分是用戶(hù)Ui和具有屬性值對(duì)vp的用戶(hù)Uj共同行為的全局概率.α是權(quán)值，取值范圍α∈［0，1］.在其他的推薦算法中用戶(hù)相似度的計(jì)算如同P(Uj|Ui).

2 面向?qū)ο蟮耐扑]流程

2.1 推薦流程描述

在不同領(lǐng)域情境信息具有不同數(shù)據(jù)格式，在基于對(duì)象屬性值對(duì)表示方法的基礎(chǔ)上，有效融合不同數(shù)據(jù)格式的情境信息.如何有效應(yīng)用到推薦領(lǐng)域中，要發(fā)揮面向?qū)ο笏枷牒图夹g(shù)，尤其是對(duì)象的屬性值對(duì). OBN算法推薦流程描述如下步驟:

step1在領(lǐng)域中獲取源數(shù)據(jù)和選定屬性，對(duì)不同格式數(shù)據(jù)進(jìn)行定值和歸一化處理.對(duì)屬性值對(duì)初始化;

step2依據(jù)屬性值對(duì)，構(gòu)造對(duì)象;

step3從源數(shù)據(jù)或行為記錄分析，對(duì)象進(jìn)行封裝和初始化，比如用戶(hù)對(duì)象;

step4設(shè)計(jì)面向?qū)ο竽Ｐ?，分析?duì)象之間的關(guān)系;

step5對(duì)象相似性計(jì)算，依據(jù)協(xié)同過(guò)濾方法，進(jìn)行被推薦資源項(xiàng)目的初始化;

step6動(dòng)態(tài)優(yōu)化被推薦資源項(xiàng)目集.

2.2 屬性選擇

為了描述被推薦資源項(xiàng)目的對(duì)象，從原始數(shù)據(jù)中抽取相關(guān)的屬性值對(duì)，本實(shí)驗(yàn)從中藥材交易信息數(shù)據(jù)獲得.選擇中藥材交易信息數(shù)據(jù)的屬性值分別為品種、規(guī)格、數(shù)目、場(chǎng)地、價(jià)格、藥市、信息發(fā)布者、時(shí)間，每個(gè)屬性反映對(duì)象的每個(gè)特征.品種是被推薦資源項(xiàng)目的核心要素，規(guī)格和場(chǎng)地反映被推薦資源項(xiàng)目詳細(xì)參數(shù).藥市是地理信息屬性，則價(jià)格是關(guān)系要素.

中藥材品種是中藥材的名稱(chēng)，隱含藥用部分和中藥材的品質(zhì)，中藥材品種數(shù)目212種，規(guī)格包括藥材的顏色、產(chǎn)地、包裝、外在形狀，價(jià)格和藥市是相關(guān)聯(lián)的，在不同的藥市，價(jià)格是不同的.時(shí)間屬性能夠反映價(jià)格的變化.

中藥材是特殊的農(nóng)業(yè)產(chǎn)品，有一定的時(shí)間性因素即季節(jié)性屬性.中藥材上市時(shí)間有季節(jié)性，在概率上分析是穩(wěn)定的.通過(guò)信息增益的方法劃分不同的時(shí)間段［6］，每個(gè)時(shí)間段的信息熵H(N)，計(jì)算公式:

其中，N是時(shí)間段上市藥材品種數(shù)目，P(x)是中藥材品種x在時(shí)間段出現(xiàn)的比重，首先把一年作為一個(gè)時(shí)間段，再進(jìn)行遞歸劃分幾個(gè)時(shí)間段，在遞歸中進(jìn)行優(yōu)化找到最佳優(yōu)化.通過(guò)加權(quán)平均熵進(jìn)行優(yōu)化.

在上述公式中，N1(i)，N2(i)是第i時(shí)間段的子階段，對(duì)N的劃分.在劃分中產(chǎn)生信息熵的變化.

在中藥材品種上進(jìn)行不同程度的劃分.品種劃為11種，分別為:根莖類(lèi)、果實(shí)籽仁類(lèi)、全草類(lèi)、花草類(lèi)、樹(shù)皮類(lèi)、葉類(lèi)、藤木類(lèi)、樹(shù)脂類(lèi)、菌藻類(lèi)、動(dòng)物類(lèi)、礦物類(lèi).

2.3 構(gòu)建初始候選集

在對(duì)象屬性值對(duì)的基礎(chǔ)上，可以通過(guò)上述概率計(jì)算購(gòu)貨商用戶(hù)的相似度.隨時(shí)間和空間的變化，用戶(hù)興趣發(fā)生變化.所以把一個(gè)年度的購(gòu)貨商交易記錄作為一個(gè)對(duì)象.在一定的時(shí)間的條件下購(gòu)貨商的相似度.通過(guò)協(xié)同過(guò)濾思想，構(gòu)建每個(gè)購(gòu)貨商的推薦列表.

協(xié)同過(guò)濾就是對(duì)于給定用戶(hù)，通過(guò)相似度計(jì)算找到另一用戶(hù).兩用戶(hù)喜好的項(xiàng)目接近或類(lèi)似［7］.將共同喜好的項(xiàng)目推薦給此用戶(hù).但中藥材上市是隨時(shí)間而變化，中藥材購(gòu)貨商在不同的時(shí)間段興趣是不同的.因此要計(jì)算不同時(shí)間段下購(gòu)貨商用戶(hù)的最近鄰居.并推薦最近鄰居喜歡的項(xiàng)目.其次要考慮購(gòu)貨商歷史的行為記錄.上述分析可得:sim(Ui，Uj)=P(Uj|Ui)，將注冊(cè)時(shí)填寫(xiě)信息、交易的記錄、交易評(píng)分項(xiàng)目等作為購(gòu)貨商用戶(hù)屬性，即vu.生產(chǎn)地、品種、規(guī)格、價(jià)格、數(shù)目等作為中藥材交易信息的屬性，即vp.在同一段時(shí)間ty的條件下，2個(gè)購(gòu)貨商用戶(hù)的相似度simty(Uj，Ui).

在分析用戶(hù)的相似問(wèn)題，應(yīng)同時(shí)分析項(xiàng)目的相似性問(wèn)題.對(duì)中藥材的相似性問(wèn)題用通過(guò)品種、規(guī)格、產(chǎn)地、時(shí)間等對(duì)象的屬性值來(lái)計(jì)算［8］:

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)處理與實(shí)驗(yàn)方法

實(shí)驗(yàn)數(shù)來(lái)自藥博商城http://www.yobo360.com，把實(shí)驗(yàn)數(shù)據(jù)分成兩部分:一是樣本訓(xùn)練集，二是測(cè)試集實(shí)驗(yàn)數(shù)據(jù).選擇每個(gè)購(gòu)貨商用戶(hù)一次的交易記錄作為測(cè)試集的一條數(shù)據(jù)，該購(gòu)貨商用戶(hù)其余交易記錄作為樣本訓(xùn)練集.包含98名購(gòu)貨商、產(chǎn)生交易記錄1 750條涉及102中藥材品種，測(cè)試集有98個(gè)交易記錄和73個(gè)中藥材品種［9］.

在實(shí)驗(yàn)數(shù)據(jù)選擇方面，從用戶(hù)、項(xiàng)目、情境3個(gè)維度上對(duì)數(shù)據(jù)進(jìn)行選擇與剔除，用戶(hù)方面主要考慮是UID唯一的ID、用戶(hù)注冊(cè)上的興趣類(lèi)型.在項(xiàng)目上，即表示其他用戶(hù)發(fā)布的供求信息的數(shù)據(jù).選擇供求的藥材品種、中藥材自身特有的產(chǎn)地和規(guī)格屬性.情境化數(shù)據(jù)中，一是歷史交易數(shù)據(jù)中獲取用戶(hù)的交易量、交易品種以及交易藥材來(lái)自的產(chǎn)地，原因是交易量能反映用戶(hù)等級(jí)劃分，產(chǎn)地則反映用戶(hù)感興趣交易位置;二是時(shí)間數(shù)據(jù)，原因是中藥材上市交易與季節(jié)性變化有直接的關(guān)系.

在實(shí)驗(yàn)數(shù)據(jù)中，選取10個(gè)屬性值對(duì)，其中對(duì)實(shí)驗(yàn)的數(shù)據(jù)集進(jìn)行預(yù)處理，將對(duì)象屬性值對(duì)中文本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)量化，數(shù)據(jù)預(yù)處理情況如表1.

表1 中藥材交易對(duì)象屬性值對(duì)Tab.1 Property value of Chinese herbal medicines in the transaction

在實(shí)驗(yàn)中分7次進(jìn)行，數(shù)據(jù)量隨之增大，數(shù)據(jù)集分訓(xùn)練集和測(cè)試集，在測(cè)試密度不變條件下，提高訓(xùn)練密度，具體實(shí)驗(yàn)參數(shù)如表2所示.

表2 實(shí)驗(yàn)數(shù)據(jù)設(shè)計(jì)Tab.2 Experimental data design

3.2 實(shí)驗(yàn)分析

在Intel(R)，celeron(R)cpu E3400，2.6 GHz內(nèi)存2 GHz，wondows實(shí)驗(yàn)平臺(tái)下.對(duì)S1，S2，S3，S4，S5，S6， S7實(shí)驗(yàn)中，分別利用EM算法［7］、KMean算法、OBN算法進(jìn)行聚類(lèi)試驗(yàn)，進(jìn)行實(shí)驗(yàn)數(shù)據(jù)對(duì)比.

如圖2所示，實(shí)驗(yàn)數(shù)據(jù)集在Kmean算法中計(jì)算，有數(shù)據(jù)集分類(lèi)A，B兩類(lèi)，隨實(shí)驗(yàn)次數(shù)的增加，A，B類(lèi)占訓(xùn)練數(shù)據(jù)的比例趨于穩(wěn)定.隨數(shù)據(jù)間相關(guān)性變化，訓(xùn)練時(shí)間有所差別.

將OBN與Kmean在同數(shù)據(jù)集下實(shí)驗(yàn)，時(shí)間復(fù)雜度進(jìn)行比較，相關(guān)性強(qiáng)數(shù)據(jù)對(duì)OBN時(shí)間復(fù)雜度有影響.如表3所示.

圖2 KMeans算法分析圖Fig.2 KMeans algorithm analysis

表3 算法復(fù)雜度比較Tab.3 Comparison of computational complexity

從圖2和表3中對(duì)比表明，OBN算法的運(yùn)行效率高于KMean算法，這樣使得推薦系統(tǒng)的反應(yīng)大大提高.有利于用戶(hù)及時(shí)獲取有效信息.

在實(shí)驗(yàn)中利用EM算法和OBN算法對(duì)數(shù)據(jù)集進(jìn)行分類(lèi)，隨實(shí)驗(yàn)次數(shù)增加，分類(lèi)趨于穩(wěn)定，最大似然估計(jì)逐漸變小.而OBN算法在聚類(lèi)情況與Kmean算法相似.如圖3(a)～圖3(c)所示.

圖3 算法分析圖Fig.3 Analysis of algorithms

圖3(a)描述每次實(shí)驗(yàn)EM算法聚類(lèi)數(shù)目和最大最大似然估計(jì)系數(shù)，而圖3(b)是對(duì)本文的OBN算法的聚類(lèi)數(shù)目和最大最大似然估計(jì)系數(shù)計(jì)算.由此圖3(c)將EM算法和OBN算法進(jìn)行比較，表明OBN算法在數(shù)據(jù)適應(yīng)性上強(qiáng)于EM算法，OBN算法對(duì)數(shù)據(jù)的敏感度降低.

個(gè)性化推薦系統(tǒng)的優(yōu)劣主要是通過(guò)算法計(jì)算，得到候選項(xiàng)目集，將候選的項(xiàng)目集推薦給用戶(hù).算法推薦的精準(zhǔn)度在于候選項(xiàng)目集是用戶(hù)感興趣、喜好和急需的資源.而在傳統(tǒng)的協(xié)同過(guò)濾推薦算法中，MAE (MeanAbsolute Error)反映的用戶(hù)的評(píng)分和預(yù)測(cè)的評(píng)分差異度，不能準(zhǔn)確反映算法推薦的精準(zhǔn)度;為此，本文的情境化條件下基于OBN推薦算法的精準(zhǔn)度，則采用用戶(hù)在測(cè)試集中使用推薦候選集項(xiàng)目資源的概率來(lái)計(jì)算(Probability of Using the candidate set，POUTCS)［10］.

其中，U，C分別表示用戶(hù)在測(cè)試集使用項(xiàng)目資源集合和情境化條件下OBN推薦算法的候選項(xiàng)目集合，|U∩C|表示用戶(hù)在算法計(jì)算上得到偏好項(xiàng)目數(shù)量，|C|表示候選集項(xiàng)目的總數(shù).情境化條件下基于OBN推薦算法(CAOBN)和傳統(tǒng)協(xié)同過(guò)濾算法(CF)在POUTCS上對(duì)比如圖4所示.圖中最后一組數(shù)據(jù)是前7組實(shí)驗(yàn)的平均數(shù)值.因?yàn)槊總€(gè)測(cè)試者對(duì)多種情境的推薦列表進(jìn)行評(píng)價(jià);因此，圖1中的推薦準(zhǔn)確率是多種情境推薦準(zhǔn)確率的均值.從圖4中可以得到，情境化條件下基于OBN算法在一定程度上提高了推薦度.

4 結(jié)語(yǔ)

圖4 CF-CAOBN推薦度對(duì)比Fig.4 CF-CAOBN algorithm analysis

針對(duì)中藥材交易信息情境化問(wèn)題進(jìn)行了探討，在貝葉斯理論基礎(chǔ)上提出了在情境化條件下基于OBN的用戶(hù)相分類(lèi)方法，及在此基礎(chǔ)上給出的情境化條件下的OBN推薦算法，根據(jù)實(shí)驗(yàn)結(jié)果可以得出如下結(jié)論:

1)在數(shù)據(jù)集量等同下，OBN分類(lèi)方法的時(shí)間復(fù)雜度優(yōu)于Kmean算法;

2)在同等量級(jí)的數(shù)據(jù)下，OBN分類(lèi)方法與EM算法相比，具有分類(lèi)的穩(wěn)定性;

3)在同數(shù)據(jù)集下進(jìn)行測(cè)試，分類(lèi)準(zhǔn)確性高;

4)與傳統(tǒng)協(xié)同過(guò)濾算法相比，提高推薦度.

在中藥材交易情境下研究用戶(hù)分類(lèi)取得了一些進(jìn)展，但是其他領(lǐng)域的分類(lèi)應(yīng)用、研究和實(shí)驗(yàn)的參數(shù)分析、算法的迭代次數(shù)考慮，以及評(píng)價(jià)標(biāo)準(zhǔn)等還有許多工作需要進(jìn)一步完善.

［1］ADOMAVICIUS G，TUZHILIN A.Toward the Next Generation of Recommender Systems:A Survey of the State-of-the-art and Possible Extensions［J］.IEEE Transactions on Knowledge and Data Engineering，2005，17(6):734-749.

［2］ADOMAVICIUS G，TUZHILIN A.Context-aware Recommender Systems［M］//KANTOR P B，RICCI F，RDKACH L，et al. Recommender Systems Handbook.Berlin:Springer，2010.

［3］中國(guó)中藥協(xié)會(huì)中藥材信息中心.麥冬產(chǎn)地流通量數(shù)據(jù)(2015年3-7月)［EB/OL］.(2015-08-20)［2015-09-10］.http://www. zyctd.com/article-220792-1.html.

［4］李碩豪，張軍.貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)綜述［J］.計(jì)算機(jī)應(yīng)用研究，2015，32(3):643-646.

［5］HARVEY M，CARMAN M J，RUTHVEN I，et al.Bayesian Iatent Variable Models for Collaborative Item Rating Prediction［C］// Proceedings of the 20th ACM International Conference on Information and Knowledge Management.New York:ACM，2011.

［6］FAYYAD U M，IRANI K B.Multi-interval Discretization of Continuous-valued Attributes for Classification Learning［J］.JPLTechnical Report，1993:1022-1027.

［7］閆夏，譚光興，林川.基于免疫聚類(lèi)算法的MRI膝關(guān)節(jié)圖像分割［J］.廣西科技大學(xué)，2015，26(1):70-74.

［8］LI Y，LU L，XUEFENG L.A Hybrid Collaborative Filtering Method for Multiple-interests and Multiple-content Recommendation in E-Commerce［J］.Expert Systems with Applications，2005，28(1):67-77.

［9］方曉，孫慧婷.融合聚類(lèi)和協(xié)同過(guò)濾推薦算法在中藥材交易信息平臺(tái)的應(yīng)用［J］.廣西科技大學(xué)學(xué)報(bào)，2015，26(4):49-53.

［10］曾子明，李鑫.移動(dòng)環(huán)境下基于情境感知的個(gè)性化信息推薦［J］.情報(bào)雜志，2012，31(8):166-170.

OBN-based recommended algorithm research under contextualization

FANG Xiao1，DONG Hui2，HE Chang-long2
(1.Information Engineering Department，Bozhou Vocational and Technical College，Bozhou 236800，China; 2.Information Engineering Department，Anhui Vocational College of Urban Management，Hefei 230011，China)

With the development of the Internet，users require information with higher accuracy，which makes personalized service more and more important.In order to improve the low accuracy of calculating the users’similarity by personalized recommended algorithm and the low recommendation accuracy problem，this paper puts forward the OBN method by applying the object-oriented thinking and Bayesian theory and combining the situational factors of the objects to figure out the algorithm that can calculate the similarities between users.The method has the characteristics of low time complexity and strong clustering stability，on which the personalized recommended algorithm is designed.And through experimental analysis，we can improve the personalized recommendation accuracy.

OBN;contextualization;object property value pairs;time complexity;cluster

TP391

A

2095-7335(2016)02-0093-07

10.16375/j.cnki.cn45-1395/t.2016.02.016

(學(xué)科編輯:黎婭)

2016-01-05

安徽省振興計(jì)劃高等學(xué)校優(yōu)秀青年人才重點(diǎn)基金項(xiàng)目(2013SQRL129ZD);安徽省高校自然研究重點(diǎn)項(xiàng)目(KJ2015A445，KJ2015A417);亳州市第三批產(chǎn)業(yè)創(chuàng)新團(tuán)隊(duì)(亳組〔2015〕20號(hào))資助.

方曉，碩士，講師，研究方向:軟件設(shè)計(jì)、智能信息處理，E-mail:fx8188@163.com.