時(shí)念云,李秋月

(中國(guó)石油大學(xué)(華東)計(jì)算機(jī)與通信工程學(xué)院,青島 266580)

基于情境感知的個(gè)性化推薦算法①

時(shí)念云,李秋月

(中國(guó)石油大學(xué)(華東)計(jì)算機(jī)與通信工程學(xué)院,青島 266580)

隨著互聯(lián)網(wǎng)的快速發(fā)展,只涉及用戶和項(xiàng)后的傳統(tǒng)個(gè)性化推薦已不能滿足推薦要求的效率和準(zhǔn)確率.因此,情景感知個(gè)性化推薦服務(wù)起了廣泛關(guān)注,成為新的研究熱點(diǎn).本文分析了情境的定義、情景感知個(gè)性化推薦模型,并提出了一種基于情境信息降低維度的關(guān)聯(lián)規(guī)則推薦模型.最后,以視頻網(wǎng)站的web日志為數(shù)據(jù)源,融合時(shí)間情境因素,實(shí)現(xiàn)了基于時(shí)間情境劃分的關(guān)聯(lián)規(guī)則推薦算法,并和傳統(tǒng)推薦算法進(jìn)行對(duì)比分析,實(shí)驗(yàn)證明,情境感知推薦算法具有更高的準(zhǔn)確率和召回率.

時(shí)間情境;情境感知推薦;關(guān)聯(lián)規(guī)則推薦

1 引言

隨著電子商務(wù)的快速發(fā)展,有越來(lái)越多的商品面向消費(fèi)者,如何快速選擇出最佳商品是消費(fèi)者現(xiàn)在面臨的重要問(wèn)題.個(gè)性化推薦的出現(xiàn)有效地解決了這一類問(wèn)題[1].傳統(tǒng)個(gè)性化推薦算法有協(xié)同過(guò)濾推薦、關(guān)聯(lián)規(guī)則推薦和基于內(nèi)容的推薦等[2].這些傳統(tǒng)推薦算法往往只關(guān)注“用戶-項(xiàng)后”之間的二元關(guān)系,只是把最相關(guān)物品推薦給用戶,卻忽略了相關(guān)情境信息的影響.而現(xiàn)實(shí)生活中,用戶當(dāng)前所處環(huán)境對(duì)其興趣有很大影響,如在考慮了溫度因素后,旅游推薦系統(tǒng)在冬季推薦的度假地和夏天推薦的度假地大不相同.

Panniello U[3]等人在研究電子商務(wù)購(gòu)物推薦的時(shí)候,考慮了節(jié)日等情境因素,在真實(shí)數(shù)據(jù)集上實(shí)現(xiàn)了情境感知個(gè)性化推薦和傳統(tǒng)協(xié)同過(guò)濾個(gè)性化推薦,并進(jìn)行了對(duì)比分析.實(shí)驗(yàn)結(jié)果表明情境感知個(gè)性化推薦的結(jié)果在所有評(píng)價(jià)指標(biāo)上均優(yōu)于傳統(tǒng)二維協(xié)同過(guò)濾算法.胡文[4]等針對(duì)商場(chǎng)廣告費(fèi)用日益增長(zhǎng)的問(wèn)題,提出了情境感知商品推薦信息的研究方案.該方案通過(guò)分析時(shí)間情境因素,得到用戶對(duì)某件商品感興趣的程度,以便快速為用戶提供個(gè)性化推薦服務(wù),減少了商家營(yíng)銷成本.因此,情境感知推薦不僅能夠提高推薦精度,而且能夠節(jié)省商家成本,可廣泛用于電子商務(wù)、旅游向?qū)А⒁曨l和小說(shuō)網(wǎng)站等不同領(lǐng)域.

基于此,本文在對(duì)情境感知個(gè)性化推薦分析的基礎(chǔ)上,把web日志中時(shí)間屬性作為個(gè)性化推薦中的情境因素.然后分析時(shí)間情境在個(gè)性化推薦中的影響,并和傳統(tǒng)推薦算法結(jié)果進(jìn)行對(duì)比分析.

2 情景感知個(gè)性化推薦

2.1 情境分析

情境的復(fù)雜性和多面性導(dǎo)致情境有150種不同領(lǐng)域的定義[5].很難找到一個(gè)能適用于任何學(xué)科的情境定義.如在個(gè)性化電子商務(wù)中,有時(shí)把客戶的購(gòu)買(mǎi)意向作為情境的定義,不同購(gòu)買(mǎi)意向?qū)е虏煌?gòu)買(mǎi)行為.Baltrunas L[6]等把用戶年齡作為情境因素,按照年齡分類,得出不同年齡階段的用戶所看電影類型不同.Katarya R 等人[7]把時(shí)間情境分為周末和工作日,觀看電影的陪同人員分為家人、普通朋友和男、女朋友等.同樣也得出在不同情境下,用戶所看電影類型不同.因此,不同情境信息針對(duì)相同事件,可能起不同效果.當(dāng)然,相同事件根據(jù)需求不同,也可能需要不同的情境信息.如在視頻網(wǎng)站中,如果要找到用戶在不同時(shí)間喜愛(ài)訪問(wèn)的視頻類別,需要時(shí)間情境.如果要找到不同地區(qū)用戶喜愛(ài)訪問(wèn)的視頻類別,那么需要地理情境信息.

本文以我校視頻網(wǎng)站為例進(jìn)行實(shí)驗(yàn)分析.我校視頻網(wǎng)站緩沖、下載速度快,并且資源豐富、畫(huà)面清晰.該視頻網(wǎng)站包含了綜藝類、科幻類和學(xué)習(xí)類等13類視頻信息.學(xué)生和教職工經(jīng)常瀏覽并在線觀看這些視頻信息,由此產(chǎn)生了許多用戶訪問(wèn)日志.這些日志是IIS格式,日志中包含請(qǐng)求時(shí)間(datetime)、服務(wù)器IP地址(s-ip)、請(qǐng)求方式(method)、訪問(wèn)網(wǎng)頁(yè)的URL(url)、用戶IP地址(u-ip)、瀏覽器操作系統(tǒng)(agent)和返回的http狀態(tài)碼(status)等數(shù)據(jù)屬性.原始數(shù)據(jù)記錄如表1所示.

表1 原始數(shù)據(jù)記錄

分析表中的Web日志,可知時(shí)間屬性的記錄清晰明了,以 datetime=2014-03-22 02:21:16 為例,從date=2014-3-22就可以查到該時(shí)間是否為周末,或者是否是上課時(shí)間,根據(jù)日歷查詢可知22日為周六.周末期間,學(xué)生看的視頻類別肯定和上課時(shí)間看的略有不同.學(xué)校的上課時(shí)間為上午8:00-12:00,下午14:00-18:00,從 datatime 屬性里截取出 time=02:21:16,這樣就可以判斷出這不是上課時(shí)間,而是下課時(shí)間.

時(shí)間情境因素可以根據(jù)學(xué)生課上還是課下進(jìn)行劃分,當(dāng)然課下時(shí)間包括周六和周日,還有周一到周五沒(méi)課的時(shí)間.也可以根據(jù)工作日和非工作日進(jìn)行劃分.不同時(shí)間情境下,學(xué)生瀏覽的視頻信息可能會(huì)有改變.如上課時(shí)間,學(xué)生肯定會(huì)瀏覽一些教學(xué)類視頻,而在課下時(shí)間,為了放松心情,學(xué)生可能會(huì)看一些喜劇類視頻.這些變化不僅包含了訪問(wèn)的內(nèi)容和路徑,還包含了喜愛(ài)某類視頻的程度.比如,傳統(tǒng)方法只能挖掘出學(xué)生用戶喜歡看學(xué)習(xí)類和電影類的視頻,但基于時(shí)間情境的挖掘可以進(jìn)一步挖掘出學(xué)生用戶在周末更喜歡電影類視頻,在課上時(shí)間更喜歡學(xué)習(xí)類視頻.

2.2 情境感知推薦

傳統(tǒng)個(gè)性化推薦模型只考慮了用戶和項(xiàng)后之間的關(guān)系,而情境感知推薦模型是考慮了情境、用戶和項(xiàng)后之間的關(guān)系,是一個(gè)三維數(shù)據(jù)模型.針對(duì)情境信息應(yīng)用在推薦過(guò)程中的不同階段,Adomavicius等人[8]將現(xiàn)有的情境感知推薦方法分成了三類:情境預(yù)過(guò)濾(Contextual Pre-Filtering)、情境后過(guò)濾(Contextual Post-Filtering)和情境建模(Contextual Modeling).情境預(yù)過(guò)濾就是用情境信息選擇或者構(gòu)建相關(guān)性最強(qiáng)的二維信息.情境后過(guò)濾就是在進(jìn)行推薦時(shí)忽略情境信息,然后在評(píng)分排名推薦時(shí),使用情境信息調(diào)整推薦排名.情境建模方法就是構(gòu)建多維模型,然后計(jì)算得出推薦結(jié)果.當(dāng)然,為了提高推薦準(zhǔn)確率,也可以把多種推薦方法或者推薦模型結(jié)合.楊君[9]等就是采用的情境預(yù)過(guò)濾模式,為了進(jìn)一步提高推薦準(zhǔn)確率,對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行情境相似度計(jì)算,找到相似情境信息.因此,她們不但根據(jù)情境信息進(jìn)行篩選,而且還考慮了那些相似情境信息.曾子明等[10]主要是采用了情境后過(guò)濾的推薦模式,提高了推薦準(zhǔn)確度.馮鵬[11]在情境感知推薦中采用了基于矩陣分解的協(xié)同過(guò)濾推薦算法,并用真實(shí)的電影評(píng)分?jǐn)?shù)據(jù)集進(jìn)行了實(shí)驗(yàn)分析,驗(yàn)證了預(yù)測(cè)精度的提高.

基于此,本文提出一種基于時(shí)間情境的關(guān)聯(lián)規(guī)則個(gè)性化推薦算法.該算法在關(guān)聯(lián)規(guī)則推薦算法的基礎(chǔ)上入情境信息,建立了三維數(shù)據(jù)模型.實(shí)現(xiàn)多維關(guān)聯(lián)規(guī)則推薦算法的基本步驟是降低維度.因此,本文采用了以時(shí)間情境信息為標(biāo)準(zhǔn)的降維策略.最后,本文以視頻網(wǎng)站的web日志數(shù)據(jù)為數(shù)據(jù)源,進(jìn)行了實(shí)驗(yàn).實(shí)驗(yàn)證明,相比于傳統(tǒng)推薦方法,本文提出的算法具有更高的準(zhǔn)確度.

3 算法描述

情境感知關(guān)聯(lián)規(guī)則推薦算法就是利用情境因素和關(guān)聯(lián)規(guī)則推薦算法建模實(shí)現(xiàn)的,關(guān)聯(lián)規(guī)則推薦算法中最典型和最常用的就是Apriori算法.該算法用于發(fā)現(xiàn)事務(wù)與事務(wù)之間的聯(lián)系,不僅可以挖掘出關(guān)聯(lián)程度比較強(qiáng)的訪問(wèn)路徑,同時(shí)還可以得到用戶對(duì)項(xiàng)后的喜愛(ài)程度.如在學(xué)校視頻網(wǎng)站中,學(xué)生訪問(wèn)完喜劇類視頻后,會(huì)更喜歡訪問(wèn)綜藝類視頻.同時(shí),也可得到學(xué)生喜愛(ài)某個(gè)或某類視頻的程度.支持度(S)和置信度(C)是Apriori算法的兩個(gè)重要衡量指標(biāo).Apriori算法可以很簡(jiǎn)單的通過(guò)連接步和剪枝步實(shí)現(xiàn),是一種挖掘布爾關(guān)聯(lián)規(guī)則的算法.但是,該算法需要不斷訪問(wèn)數(shù)據(jù)庫(kù)里大量數(shù)據(jù)集,造成時(shí)間開(kāi)銷較大.

基于情境感知的關(guān)聯(lián)規(guī)則推薦算法模型可以形式化描述為:

這是一個(gè)基于“情境、用戶、項(xiàng)后”的三維模型.要想實(shí)現(xiàn)基于情境的Apriori算法來(lái)進(jìn)行推薦,必須先降低維度.因此,可以按照相似性很大或者比較明確的情境信息進(jìn)行篩選、降維.實(shí)現(xiàn)過(guò)程就是先基于某個(gè)情境信息找到相關(guān)項(xiàng)后和用戶集合,然后進(jìn)行關(guān)聯(lián)規(guī)則推薦算法,得到推薦結(jié)果.通過(guò)情境信息劃分的方法不僅可以實(shí)現(xiàn)推薦算法,還可以改進(jìn)Apriori算法中時(shí)間開(kāi)銷大的缺陷.

本文就是根據(jù)時(shí)間的情境信息進(jìn)行劃分,完成推薦算法.如,可以把周末的時(shí)間記為一個(gè)劃分域標(biāo)記,在周末,學(xué)生可能更喜歡看一些讓人放松的電視劇或者電影之類的視頻.事務(wù)數(shù)據(jù)集記為 I(I1,I2……In),把時(shí)間情境信息標(biāo)記記為 R(R1,R2……Rn).因此,可以劃分成n個(gè)集合,根據(jù)情境信息劃分成不同集合,分別完成關(guān)聯(lián)規(guī)則推薦算法,得到頻繁項(xiàng)集集合F(F1,F2……Fn).對(duì)比分析這些頻繁項(xiàng)集以及所對(duì)應(yīng)的強(qiáng)關(guān)聯(lián)規(guī)則.

4 算法實(shí)現(xiàn)和結(jié)果分析

本文從我校視頻網(wǎng)站的服務(wù)器里隨機(jī)截取了3個(gè)月的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù).根據(jù)這些數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)分別為:標(biāo)準(zhǔn)試驗(yàn),隨機(jī)截取數(shù)據(jù)；情境感知推薦算法,對(duì)標(biāo)準(zhǔn)實(shí)驗(yàn)中的數(shù)據(jù)按照課上和課下情境因素進(jìn)行降維,分別得到推薦結(jié)果.同時(shí),本文還把時(shí)間分為工作日和非工作日進(jìn)行實(shí)驗(yàn)對(duì)比分析.

標(biāo)準(zhǔn)算法實(shí)驗(yàn),從得到的Web日志數(shù)據(jù)中隨機(jī)截取一個(gè)月的數(shù)據(jù),原始數(shù)據(jù)有232 M,經(jīng)過(guò)數(shù)據(jù)處理后得到7204條有意義的訪問(wèn)路徑.進(jìn)行挖掘得到頻繁項(xiàng)集和強(qiáng)關(guān)聯(lián)規(guī)則.本文中,最小支持度和最小置信度都設(shè)為1%.表2是截取的部分頻繁項(xiàng)集和部分關(guān)聯(lián)規(guī)則.

表2 部分頻繁項(xiàng)集和規(guī)則表

由上表排序就可以把熱門(mén)排行榜推薦給用戶.因此,可以把動(dòng)作類、喜劇類和科幻類等的熱門(mén)視頻放在視頻網(wǎng)站首頁(yè),這樣就可以方便用戶在首頁(yè)直接看到自己喜歡的視頻類別,不用再花費(fèi)時(shí)間去尋找和瀏覽.

情境感知實(shí)驗(yàn),根據(jù)時(shí)間情境降維后,三維模型變成課上和課下二維推薦模型,實(shí)現(xiàn)推薦算法,并和標(biāo)準(zhǔn)試驗(yàn)結(jié)果對(duì)比分析,結(jié)果對(duì)比圖如圖1所示.圖2就是工作日和非工作日推薦結(jié)果的示意圖.

圖1 結(jié)果對(duì)比示意圖

根據(jù)上圖可知,入時(shí)間情境因素也就是按照課上和課下劃分原始數(shù)據(jù),把三維模型降低成二維推薦模型,實(shí)現(xiàn)推薦算法.由圖 1 可知,在三種情況的推薦結(jié)果中,排名趨勢(shì)大體相似.然而,僅針對(duì)學(xué)習(xí)類視頻,課下幾乎沒(méi)有用戶在瀏覽和觀看.同時(shí),針對(duì)紀(jì)錄片類視頻進(jìn)行分析可知,紀(jì)錄片在課下情境推薦結(jié)果中出現(xiàn),表明大家在課下會(huì)看一些紀(jì)錄片類視頻.充分體現(xiàn)了不同時(shí)間情境下用戶所看視頻的不同,不同時(shí)間情境下推薦結(jié)果不同.因此,不同時(shí)間情境給學(xué)生推薦合理視頻信息,提高視頻網(wǎng)站的吸力和競(jìng)爭(zhēng)力.

圖2 結(jié)果對(duì)比示意圖

從圖2中可知,工作日和非工作日情境下推薦的結(jié)果有很大不同,更明顯的表明了情境因素對(duì)推薦結(jié)果的重要性.在工作日情境下排名較前的有動(dòng)作片和喜劇等,而在非工作日情境里動(dòng)漫和科幻等類的視頻排名較前.

根據(jù)得到的推薦結(jié)果,可以分別計(jì)算出標(biāo)準(zhǔn)時(shí)推薦結(jié)果的準(zhǔn)確率和召回率以及情境感知推薦算法的準(zhǔn)確率和召回率.前者的準(zhǔn)確率和召回率分別為0.727和0.615,而后者分別為1和0.846.因此得出的結(jié)論是:入時(shí)間情境后,推薦精度有相對(duì)的提高,情境感知推薦算法不僅提高了推薦精度,為用戶提供更人性化、個(gè)性化服務(wù),同時(shí)也為視頻網(wǎng)站排列視頻提供合理指導(dǎo).

5 小結(jié)

隨著電子商務(wù)的快速發(fā)展,用戶購(gòu)買(mǎi)時(shí)要求越來(lái)越高,基于用戶情境的個(gè)性化推薦算法研究也越來(lái)越受到重視.不同情境下,用戶需求不同.基于情境的推薦系統(tǒng)不僅考慮了用戶偏好,而且還把用戶情境因素作為推薦的一部分.情境因素用以提高推薦的精度和準(zhǔn)確度.本文結(jié)合本校視頻網(wǎng)站,實(shí)現(xiàn)基于時(shí)間情境降低維度的關(guān)聯(lián)規(guī)則推薦算法.根據(jù)時(shí)間情境因素,劃分為多個(gè)情境子集進(jìn)行關(guān)聯(lián)規(guī)則算法推薦.用實(shí)際數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,得到理想結(jié)果,進(jìn)行分析,使得推薦結(jié)果得到進(jìn)一步優(yōu)化和精確化.但是,隨著原始數(shù)據(jù)集數(shù)量的增加,單機(jī)環(huán)境已經(jīng)不能滿足推薦要求的速度,因此,下一步工作是基于分布式的情境感知個(gè)性化推薦算法研究.

1 馬瑞敏,卞藝杰,陳超,等.基于 Hadoop 的電子商務(wù)個(gè)性化推薦算法——以電影推薦為例.計(jì)算機(jī)系統(tǒng)應(yīng)用,2015,24(5):111–117.

2 王國(guó)霞,劉賀平.個(gè)性化推薦系統(tǒng)綜述.計(jì)算機(jī)工程與應(yīng)用,2012,48(7):66–76.

3 Panniello U,Tuzhilin A,Gorgoglione M,et al.Experimental comparison of pre- vs.post-filtering approaches in contextaware recommender systems.Proc.of the 3rd ACM Conference on Recommender Systems.New York,NY,USA.2009.265–268.

4 胡文,李良學(xué).基于情景感知的商場(chǎng)導(dǎo)購(gòu)?fù)扑]商品信息的研究.哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,28(1):58–61.

5 Bazire M,Brézillon P.Understanding context before using it.Proc.of the 5th International Conference on Modeling and Using Context.Paris,France.2005.29–40.

6 Baltrunas L,Ricci F.Context-based splitting of item ratings in collaborative filtering.Proc.of the 3rd ACM Conference on Recommender Systems.New York,NY,USA.2009.245–248.

7 Katarya R,Verma OP,Jain I.User behaviour analysis in context-aware recommender system using hybrid filtering approach.Proc.of the 4th International Conference on Computer and Communication Technology (ICCCT).Allahabad,India.2013.222–227.

8 Adomavicius G,Tuzhilin A.Context-aware recommender systems.Ricci F,Rokach L,Shapira B,et al.Recommender Systems Handbook.Berlin Heidelberg,Germany:Springer,2011.217–253.

9 楊君,吳菊華,艾丹祥.一種基于情景相似度的多維信息推薦新方法研究.情報(bào)學(xué)報(bào),2013,32(3):262–269.

10 曾子明,陳貝貝.移動(dòng)環(huán)境下基于情境感知的個(gè)性化閱讀推薦研究.情報(bào)理論與實(shí)踐,2015,38(12):31–36.

11 馮鵬程.基于情境感知的個(gè)性化推薦算法的研究[碩士學(xué)位論文].上海:東華大學(xué),2014.

Personalized Recommendation Algorithm Based on Context-Aware Technology

SHI Nian-Yun,LI Qiu-Yue

(College of Computer and Communication Engineering,China University of Petroleum,Qingdao 266580,China)

With the rapid development of Internet,the traditional personalized recommendation involving only users and projects cannot meet demands in efficiency and accuracy of the recommendation.Therefore,context-aware recommendation has drawn wide attention and become a new research hotspot.This paper analyzes the definition of context and the model of context-aware recommendation.It also proposes an association rule recommendation model based on context information which reduces the number of dimensions.The data source of experiments is web log.Finally,this paper combines the temporal context and implements the association rule recommendation algorithm based on the temporal context partition.Compared with the traditional recommendation algorithm,the results of experiments show that the context-aware recommendation algorithm has higher accuracy and recall rate.

temporal context;context-aware recommendation;association rule recommendation

時(shí)念云,李秋月.基于情境感知的個(gè)性化推薦算法.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(9):135–139.http://www.c-s-a.org.cn/1003-3254/5931.html

2016-12-21;采用時(shí)間:2017-01-12