鄭 偉,李博涵,2,3,王雅楠,秦小麟,2

1(南京航空航天大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,南京 211106) 2(軟件新技術(shù)與產(chǎn)業(yè)化協(xié)同創(chuàng)新中心,南京 210016) 3(江蘇易圖地理信息科技股份有限公司,江蘇 揚州 225000)

1 引 言

在當(dāng)今信息時代當(dāng)中,電子商務(wù)的發(fā)展十分迅速,并且在日常生活當(dāng)中得到了廣泛的普及,隨著網(wǎng)絡(luò)信息的飛速增長,信息過載的問題日益嚴(yán)重,而推薦系統(tǒng)(Recommender Systems)可以有效緩解該問題,因此推薦系統(tǒng)已經(jīng)逐漸成為人們關(guān)注和研究的焦點[1].目前大多數(shù)領(lǐng)域的推薦系統(tǒng)僅僅是針對單個用戶進行推薦,然而在日常生活中用戶的很多消費行為都是以組群的形式參與的,比如多個用戶一起去聚餐、旅行、看電影、訂外賣等,針對這種多個用戶參與的情況,推薦系統(tǒng)則需要考慮到組內(nèi)用戶之間的協(xié)同問題,因此其算法設(shè)計和模型實現(xiàn)過程要比單用戶的推薦系統(tǒng)更為復(fù)雜,這種由多個用戶共同參與的推薦系統(tǒng)被稱之為組推薦(Group Recommendations)[2].組推薦與單用戶推薦在過程上最主要差別是組推薦需要對組成員的偏好進行融合,并通過各種形式的融合策略使推薦結(jié)果在總體滿意度、公平性、可理解性方面達到相應(yīng)的需求.

在組推薦的過程中,由于群組成員準(zhǔn)備共同進行消費活動,所以一般情況下組內(nèi)成員之間會進行一些交互活動或?qū)⒁M行一些交互活動,比如互相交流一下自己曾經(jīng)的消費狀況或者自己的喜好等,而這些交互活動往往會對組內(nèi)其他成員的未知偏好造成一定影響,比如現(xiàn)實生活中存在如下實例.

例:A、B、C三個用戶相約看電影.其中,A曾經(jīng)觀看過電影I并且對電影I進行過評分,而B和C并未觀看過電影I,也就是說用戶A對電影I的偏好已知而用戶B、C對電影I的偏好未知.因此如果三個用戶之間關(guān)于電影I發(fā)生交互,那么A對電影I的偏好(評分)在交互過程中將會在一定程度上影響到B和C對電影I的未知偏好.

目前大多數(shù)的組推薦算法當(dāng)中,并沒有考慮到上述這種交互關(guān)系,然而這種交互關(guān)系的影響在組推薦當(dāng)中往往尤為重要,這也是組推薦區(qū)別于單用戶推薦的主要特性之一.雖然已經(jīng)有部分組推薦的研究工作當(dāng)中考慮到了成員交互的這種影響關(guān)系,但是這些研究工作著重研究的是在偏好融合過程中的組內(nèi)成員影響關(guān)系,其主要思想是根據(jù)組內(nèi)成員的特征、角色、影響力等因素給每個用戶分配不同的權(quán)重,然后根據(jù)該權(quán)重對成員的偏好進行融合,通過用戶權(quán)重的方式去體現(xiàn)用戶之間的這種交互關(guān)系,這些方式都無法體現(xiàn)出群組中已知偏好對于未知偏好的影響作用.

本文提出的偏好交互模型與以往組推薦中的偏好交互有所不同,模型著重考慮的是偏好交互對于組內(nèi)成員中未評分項的影響,也就是說如果組內(nèi)的某個成員對于特定物品的評分未知,那么就表明該成員對于該物品完全不了解,此時基于情緒傳染以及一致性等社會現(xiàn)象[3],該成員對該物品的偏好自然地會受到組內(nèi)其他已評分用戶的影響,該種類型的影響區(qū)別于相關(guān)文獻中的用戶權(quán)重的交互方式,因為對于未知的物品,人們對他人的依賴作用會加大,從而其潛在偏好不單純受限于組內(nèi)其他用戶在群組中影響力因素的影響.

基于以上考慮,本文的工作主要是針對在組推薦中組內(nèi)用戶評分預(yù)測過程的優(yōu)化處理,為了在組推薦過程中體現(xiàn)出以上這種影響關(guān)系,提出了一種融合偏好交互的組推薦算法模型,其主要思想是在用戶評分預(yù)測的過程中加入偏好交互的因素,而并非局限于偏好融合過程,并通過用戶的歷史成組信息以及推薦后評分反饋生成用戶的個性化組推薦參數(shù),從而在推薦過程當(dāng)中實現(xiàn)用戶之間偏好的模擬交互,進而提高推薦結(jié)果的真實滿意度和準(zhǔn)確率,主要有以下貢獻:

1)提出了傳統(tǒng)組推薦系統(tǒng)中未考慮到的影響因素,即組內(nèi)已評分用戶對未評分用戶潛在偏好的影響,并分析了其影響對組推薦的重要性.

2)基于用戶間潛在的偏好影響,設(shè)計了模擬交互的組推薦偏好預(yù)測模型.該模型作為一種組推薦偏好預(yù)測的優(yōu)化,可以與其他組推薦算法結(jié)合從而提高推薦結(jié)果的準(zhǔn)確率.

3)基于上述預(yù)測模型,提出了一種偏好模擬交互式的組推薦系統(tǒng)框架.通過該框架,可以將算法模型應(yīng)用到實際組推薦當(dāng)中,增加其實用性.

4)將本模型與UBCF與IBCF算法結(jié)合,并通過使用MovieLens數(shù)據(jù)集對模型的性能進行評估和驗證,實驗結(jié)果表明在存在偏好交互作用的群組當(dāng)中,融合偏好交互的算法的表現(xiàn)明顯優(yōu)于傳統(tǒng)算法.

2 相關(guān)工作

2.1 偏好預(yù)測

推薦系統(tǒng)對于用戶偏好預(yù)測一般采用協(xié)同過濾的方法,該方法是通過相似度測量去預(yù)測推薦項.按照不同的相似度計算對象協(xié)同過濾主要分為兩種類型:基于用戶的協(xié)同過濾(UBCF)和基于物品的協(xié)同過濾(IBCF).當(dāng)擁有用戶-物品評分矩陣時,需要計算用戶之間或物品之間的相似度,在推薦系統(tǒng)中通常會使用皮爾遜相似度,以UBCF為例,皮爾遜相似度計算用戶u和用戶v之間的相似度公式如下:

(1)

其中ru,i為用戶u對于物品i的評分,如果將∑i∈I替換成∑i∈Iu∩Iv,公式則變?yōu)橹豢紤]用戶u,v共同評分的項目,得到的sim(u,v)取值為-1到1,其值越高表示相似度越高.

在獲得了用戶之間的相似度后,可以得到與目標(biāo)用戶u相似的一組用戶集合S,于是目標(biāo)用戶u對于物品i的預(yù)測評分可以表示為:

(2)

對于IBCF的相似度計算以及評分預(yù)測公式也可根據(jù)上述方法相似得出,不再羅列.

2.2 推薦融合

傳統(tǒng)的推薦系統(tǒng)是針對單個用戶進行推薦的,那么對用戶的未評分項進行預(yù)測之后就可以基于用戶-物品的評分矩陣進行物品的推薦了,然而對于組推薦而言,推薦的結(jié)果需要滿足所有組內(nèi)成員的需求,因此還需要考慮到對所有組內(nèi)成員進行協(xié)同的問題,進而需要通過一定的融合策略對組內(nèi)成員的偏好進行融合.

根據(jù)在組推薦中偏好融合發(fā)生的階段不同,偏好融合的內(nèi)容也不同,主要分為兩類:推薦結(jié)果融合[12]和評分融合[11].推薦結(jié)果融合是指先根據(jù)組內(nèi)用戶的個人偏好生成其個人的推薦列表,然后再對組內(nèi)所有用戶的個人推薦列表按照融合策略進行融合得到組的推薦列表.評分融合是指先將組內(nèi)的所有成員的評分偏好融合成一個總體的偏好評分作為群組的評分,然后再根據(jù)該評分對組進行進一步推薦.由于偏好融合過程當(dāng)中會涉及到每個用戶對候選物品的評分,所以對于用戶未評分項目經(jīng)常需要先對其進行預(yù)測,然后在對組成員的偏好進行融合,因此該過程多與協(xié)同過濾方法結(jié)合來最終生成組推薦的推薦結(jié)果.

2.3 群組推薦

MusicFX[13]是最早的組推薦研究工作之一,它的方法是分析個人用戶的偏好,為用戶組找到相對合適的音樂去播放.PolyLens[15]是單用戶推薦系統(tǒng)MovieLens的一個擴展,它目的是為群組用戶去推薦合適的電影,它是通過協(xié)同過濾去預(yù)測個人未評分項,融合個人偏好最終得到組的整體偏好.除此之外,Gartrell等人[16]利用了社會關(guān)系對偏好影響的交互作用,他們提出了一種一致性函數(shù),函數(shù)合并了三大要素:分歧要素,社會要素和專家要素,首先將這三大要素進行量化,然后使用一致性函數(shù)將其合并為一個單獨的值,該方法可以高效地合并個人推薦列表.Chen等人[6]提出了一種在組推薦融合中加入交互的方法,他認(rèn)為在群組推薦融合的過程中不同用戶擁有著不同的群組影響力,并通過遺傳算法去獲取組內(nèi)成員的權(quán)重,一定程度上提高了偏好融合過程的公平性.Campos等人[17]用貝葉斯網(wǎng)絡(luò)表示群組成員間的交互及群組決策過程,通過貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法根據(jù)用戶歷史評分獲取群組成員間的偏好影響關(guān)系.后續(xù)也有很多的研究工作通過各種方法去獲取組推薦中不同用戶的影響度權(quán)重.

經(jīng)調(diào)研,雖然現(xiàn)有的部分算法提及到了用戶之間的偏好交互,但其交互過程與本文提出算法模型的交互過程兩者的立足點不同,之間并不沖突,其主要區(qū)別如下:現(xiàn)有文獻的交互過程其關(guān)鍵在于權(quán)重,即不同用戶的不同影響力,其交互作用于推薦融合的過程.本文算法中的交互過程其關(guān)鍵在于未知偏好受到的影響,其交互作用于評分預(yù)測的過程.綜上,本文中的交互作為傳統(tǒng)組推薦算法的一種補充仍具有一定的研究意義.

3 融合偏好交互的組推薦算法

3.1 組成員間的偏好交互

在組推薦當(dāng)中,由于參與到推薦的是一組用戶,在群組中用戶之間必然存在互相的關(guān)聯(lián),從而必不可少會發(fā)生一些交互活動,群組中某些用戶的未知項在交互的過程當(dāng)中就會受到組內(nèi)其他成員的影響,從而改變?nèi)航M成員的偏好,比如,將引言當(dāng)中實例進行展開說明,由用戶A、B、C組成的群組G準(zhǔn)備共同觀看一場電影,他們對于Titanic,Star Wars兩部電影的評分記錄如圖1,其中“?”表示該用戶并未做過評分即未觀看過該部電影.在群組G中,對于Titanic這部電影只有A對其進行過評分,而Star War這部電影只有A、B做過評分,因此若該組內(nèi)存在交互作用,那么用戶B、C對于Titanic的未知評分將會受到用戶A對其的評分5的影響,用戶C對于Star War的未知評分將會受到用戶A對其評分3以及用戶B對其評分4的影響.

因此基于上述影響關(guān)系,提出了如下的受到組內(nèi)成員偏好交互影響的評分預(yù)測方法,其定義如下:

(3)

其中R(I)u,i表示群組g中的用戶u對于自己未評分的物品i受到群組其他成員偏好交互影響的評分.Ug,i表示在群組g中所有對物品i評過分的用戶集合.wu,v表示用戶v對用戶u的影響權(quán)重,在現(xiàn)實的情況下,組內(nèi)用戶之間的影響程度可能并不相同,因此在生成R(I)u,i的時候應(yīng)考慮到不同用戶影響程度的關(guān)系,下面給出一種隱式獲取wu,v的方法.

在現(xiàn)實生活中關(guān)系越密切的人往往會一起活動的頻率會更高,彼此之間的影響程度也會越大,所以wu,v也可以用來表示為兩人關(guān)系的親密度,因此可以通過用戶之間的親密度去近似wu,v的值.如果在沒有用戶之間親密關(guān)系的數(shù)據(jù)來源的情況下,對于wu,v的取值可以基于這樣一種思想:如果用戶之間共同進行活動的次數(shù)越多,那么用戶之間的關(guān)系越密切,wu,v的取值就越高.因此對于wu,v定義如下:

wu,v=1+lg(su,v+1)

(4)

其中su,v代表用戶u,v之間共同進行活動的次數(shù),若wu,v隨著su,v的變大而呈線性方式增長,顯然對于實際應(yīng)用來說不太合理,因此對于su,v的值進行了對數(shù)處理來限制其增長速度,隨著模型的不斷被使用,wu,v的值也逐漸趨于穩(wěn)定,不同用戶之間的親密度區(qū)別程度也將更加明顯.此外用戶之間的親密程度并非是一成不變的,隨著時間和環(huán)境等因素的變化用戶之間的親密度可能會發(fā)生一些變化,因此在對su,v取值的時候可以根據(jù)不同的應(yīng)用場景設(shè)定不同的閾值,在增加閾值之后su,v可以如下定義:在n個月內(nèi)用戶u,v之間共同活動的次數(shù),或在最近的n次活動中用戶u,v之間共同活動的次數(shù),其中n為所設(shè)定的閾值.

3.2 融合偏好交互的組推薦偏好預(yù)測算法

由公式(3)已經(jīng)獲得了經(jīng)過組內(nèi)成員偏好交互影響的評分預(yù)測方法,但是由于用戶本身的個人喜好不同,對于用戶的未評分項目,用戶并不會完完全全放棄個人原本的喜好,因此用戶依然會保留用戶本身對于某項物品的基本看法,對于這部分因素對預(yù)測評分的影響,將其定義為自我預(yù)測部分R(S).對于自我預(yù)測部分,一般采用以評分為基準(zhǔn)傳統(tǒng)的偏好預(yù)測算法,其中最典型的方法就是協(xié)同過濾,因此在下文中涉及到R(S)的部分主要應(yīng)用UBCF和IBCF兩種方法進行說明和解釋.

基于上述基本想法,提出了一種融合偏好交互的組推薦偏好預(yù)測模型,該模型結(jié)合了用戶在群組活動中對于某件物品的偏好交互影響以及自我預(yù)測的影響,對于該預(yù)測模型給出以下基本公式:

Ru,i=euR(I)u,i+(1-eu)R(S)u,i

(5)

其中Ru,i表示用戶u對物品i的預(yù)測評分,eu表示組內(nèi)偏好交互部分對于用戶u的影響力,1-eu表示自我預(yù)測部分對于用戶u的影響力,整個偏好交互改進的評分預(yù)測過程如算法1所示,該算法是將本模型與UBCF算法結(jié)合來進行說明的.之所以應(yīng)用到了eu這個參數(shù),是因為考慮到用戶在群組中受到他人的影響程度的不同,有些用戶自我意識比較強,對于自己未知的物品也不太容易受到他人的影響,該類用戶的eu值偏低,而有些用戶則恰好相反,他們對于未知物品的偏好更容易受到他人的影響,該類用戶的eu值則會偏高.

算法1.融合偏好交互的UBCF算法 I-UBCF

輸入:未評分項所屬的用戶u和物品i,以及u所屬的群組g

輸出:未評分項的預(yù)測評分Ru,i

1. RatedGroup←getRatedUsers(g,u,i);

//獲取群組內(nèi)所有除用戶u外對i評過分的用戶集合

2.ifrateGroup == nullthen

3.Ru,i← UBCF(u,i);

//評過分的用戶集合為空時應(yīng)用UBCF方法預(yù)測ru,i

4.else

5.influencedRating← 0;

6.weightAmount← 0;

7.foreveryRatedUserin RatedGroupdo

8.influencedRating←influencedRating+wu,ratedUser(rratedUser,i-ave(rratedUser));

//累加所有組內(nèi)用戶的影響評分

9.weightAmount←weightAmount+wu,ratedUser;

//累加所有擁有影響作用的用戶權(quán)重

10.endfor

11.RIu,i←ave(ru) +influencedRating/weightAmount;

//計算偏好交互部分的評分

12.RSu,i← UBCF(u,i); //計算自我預(yù)測部分的評分

13.Ru,i←eu*RIu,i+ (1-eu)*RSu,i;

//計算獲取I-UBCF的預(yù)測評分

14.endif

15.returnRu,i; //返回未評分項的預(yù)測評分

將上述公式經(jīng)過變換,可得:

(6)

算法2.交互參數(shù)eu獲取算法CalculateInteraction

輸入: I-UBCF的自我預(yù)測部分評分RSu,i,偏好交互評分RIu,i

推薦后用戶真實評分ru,i

輸出:一次獲取的eu值

1.ifRIu,i!=RSu,ithen

3.ifeus< 0then

4.eus← 0; //小于0的值則賦0

5.elseifeus>1then

6.eus← 1; //大于1的值則賦1

7.endif

8.ifEu.length == 10then

9. removeOldestElement(Eu);

//當(dāng)Eu包含元素滿10個則刪除最早的元素

10.endif

12.endif

13.eu← sum(Eu) / Eu.length;

//計算Eu中元素的平均值并賦值給eu

14.returneu; //返回eu的值

(7)

3.3 算法應(yīng)用

表1 群組g的用戶信息表
Table 1 User information Table of group g

LionKing(1)ForrestGump(2)BraveHeart(3)TwelveMonkeys(4)eurugUser1342．22．40．33．1User23544．10．53．9User34．23．154．20．74．2User422．831．60．22．2User5453．34．20．34．1

表2 群組g的用戶6個月內(nèi)的成組記錄表
Table 2 Grouped record of group g in 6 months

User1User2User3User4User5User1-20031User220-1250User3012-015User4350-1User510151-

首先根據(jù)表2當(dāng)中的數(shù)據(jù),應(yīng)用公式(4)先計算獲得群組g中用戶之間的親密度wu,v,比如w1,2=1+lg21因此w1,2=2.32,w1,3=1+lg1因此w1,3=1,其他成員間的親密度也可相似得出.

得到成員之間親密度后便可以對評分預(yù)測中偏好交互部分的評分進行計算了,以User1對于Brave Heart的偏好交互部分計算為例.首先獲取組內(nèi)所有對Brave Heart評過分的用戶,可以得到組內(nèi)用戶User2,User3,User4,因此User1對于Brave Heart的偏好將受到User2,User3,User4的影響,并獲取User1與他們的親密度分別為w1,2=2.32,w1,3=1,w1,4=1.6,由公式(3)可計算得User1對于Brave Heart偏好交互部分的預(yù)測評分R(I)1,3=3.3,接下來將自我預(yù)測和偏好交互兩部分的評分進行融合,由表2,User1的受交互影響度e1=0.3,用戶通過協(xié)同過濾自我預(yù)測的評分R(S)1,3=2.2,因此由公式(5)可以計算獲得通過偏好交互調(diào)整的User1對Brave Heart的評分R1,3=2.5.對于User1對Twelve Monkeys的評分預(yù)測過程,由于組內(nèi)不存在曾經(jīng)對Twelve Monkeys評過分的用戶,也就是說組內(nèi)所有用戶對于Twelve Monkeys都不了解,所以對于Twelve Monkeys的預(yù)測不存在偏好交互的部分.表中剩余部分的組內(nèi)成員未評分項的預(yù)測評分也可以相似得出,經(jīng)過上述過程調(diào)整后的群組g用戶信息如表3,其中下劃線的評分項表示經(jīng)過偏好交互調(diào)整的評分.之后便可以根據(jù)該表去進行下一步的推薦.

4 偏好交互式組推薦系統(tǒng)框架

傳統(tǒng)組推薦系統(tǒng)的生命周期可分為4個階段:收集群組成員數(shù)據(jù)、獲取群組成員偏好信息、生成組推薦、推薦結(jié)果的評價和反饋.文獻[14]中給出了一種基于以上4個階段的四層組推薦系統(tǒng)框架,融合偏好交互的組推薦算法模型在上述框架的基礎(chǔ)上提出了一種偏好交互式的組推薦系統(tǒng)框架,框架變?yōu)榱宋鍖咏Y(jié)構(gòu),并對每層的內(nèi)容進行了調(diào)整,如圖2.

表3 調(diào)整后的群組g的用戶信息表
Table 3 Adjusted user information Table of group g

LionKing(1)ForrestGump(2)BraveHeart(3)TwelveMonkeys(4)eurugUser1342．52．40．33．1User23544．10．23．9User34．13．454．20．74．2User422．731．60．52．2User5453．64．20．34．1

偏好交互式的組推薦系統(tǒng)和傳統(tǒng)的組推薦系統(tǒng)在框架上主要有以下區(qū)別:

1)在數(shù)據(jù)采集層和數(shù)據(jù)預(yù)處理層上,傳統(tǒng)的組推薦系統(tǒng)只需要處理與用戶的基礎(chǔ)偏好相關(guān)數(shù)據(jù),而偏好交互式組推薦系統(tǒng)還要去獲取群組中用戶之間與交互相關(guān)的數(shù)據(jù),所以偏好交互式框架將這兩層分別分成兩部分,基礎(chǔ)數(shù)據(jù)部分和交互數(shù)據(jù)部分.基礎(chǔ)數(shù)據(jù)部分與傳統(tǒng)的框架類似負(fù)責(zé)處理用戶偏好提取相關(guān)的數(shù)據(jù),交互數(shù)據(jù)部分則是負(fù)責(zé)組內(nèi)用戶與交互數(shù)據(jù)提取相關(guān)的數(shù)據(jù),比如公式(4)中wu,v的獲取與公式(7)中eu的獲取都是在該部分中計算提取出來的.

2)傳統(tǒng)組推薦在預(yù)測用戶未評分項時不涉及到偏好交互,所以偏好交互層是提出的框架區(qū)別于傳統(tǒng)框架的核心層,其主要作用是將基礎(chǔ)數(shù)據(jù)和交互數(shù)據(jù)進行融合處理,從而生成經(jīng)過用戶交互處理后的偏好及評分?jǐn)?shù)據(jù).其中主要包括處理評分矩陣稀疏問題的協(xié)同過濾(如2.1節(jié)中的UBCF與IBCF)、在群組中結(jié)合交互數(shù)據(jù)對組內(nèi)用戶進行交互處理的交互策略(如應(yīng)用公式(4)獲取R(I)u,i的方法)以及將兩部分?jǐn)?shù)據(jù)進行合理整合的整合方法(如應(yīng)用公式(5)的整合公式),最終生成適用本次組推薦的交互式個性化評分.

3)推薦的推薦生成層的目的是生成最終適用于本次推薦群組的推薦結(jié)果傳統(tǒng)框架中的生成方法在交互式框架中同樣適用,在評價反饋層交互式框架中除了效用評價之外還新增了結(jié)果反饋的部分,在推薦之后對于某些重要數(shù)據(jù)進行結(jié)果的反饋,對于某些自適應(yīng)性的推薦算法,收集來的數(shù)據(jù)將應(yīng)用到對模型的調(diào)整及一些參數(shù)的改良,如3.2小節(jié)中用戶的個性化參數(shù)eu的計算過程就需要該層獲取的反饋數(shù)據(jù)去進行調(diào)整.

框架之中各部分涉及到的算法和策略,除了可以應(yīng)用上文中提到的算法之外,還可以替換成與組推薦相關(guān)適用于相應(yīng)模塊的其他算法,偏好交互式組推薦系統(tǒng)框架可以作為一種研究和設(shè)計組推薦系統(tǒng)的新思路,在組推薦的過程中加入偏好交互的作用,在實際應(yīng)用中使推薦結(jié)果更滿足用戶需求.

5 實驗及分析

5.1 數(shù)據(jù)集

本實驗采用的數(shù)據(jù)集是MovieLens 100K數(shù)據(jù)集,該數(shù)據(jù)集是由GroupLens實驗室在movielens網(wǎng)站上對大量用戶的電影評分收集得到,其中包括了943個用戶對于1682部電影的共100000條五分制(1-5分)的評分記錄,并且每個用戶至少已經(jīng)對20部電影評過分.

現(xiàn)存的與推薦系統(tǒng)有關(guān)的數(shù)據(jù)集當(dāng)中,暫時還不存在與組推薦相關(guān)的數(shù)據(jù),包括實驗所選取的數(shù)據(jù)集,其中僅包含了與用戶個人相關(guān)的推薦數(shù)據(jù)并不包括任何組信息,因此需要對數(shù)據(jù)集進行預(yù)處理,參照[12]中的處理方法,首先將用戶根據(jù)特定的群組規(guī)模進行分組,然后根據(jù)用戶間親密度的正態(tài)分布,隨機模擬用戶之間的親密度wu,v,同時在不同的偏好交互影響力eu下對不同算法進行比較.為了對算法進行衡量,實驗采用標(biāo)準(zhǔn)的方法將數(shù)據(jù)集分為兩部分,即在數(shù)據(jù)集當(dāng)中隨機選擇60%的數(shù)據(jù)作為訓(xùn)練集,40%作為測試集,算法通過訓(xùn)練集當(dāng)中的數(shù)據(jù)進行推薦,然后根據(jù)測試集中的數(shù)據(jù)對推薦結(jié)果進行驗證.具體的評價方法將在5.2中給出.

由于數(shù)據(jù)集的來源是個人對于電影的喜好評分,并且本身不存在任何與組有關(guān)的信息,自然數(shù)據(jù)當(dāng)中不會存在任何用戶間的交互因素,因此在上述數(shù)據(jù)集的基礎(chǔ)上模擬出了一種帶有交互因素的數(shù)據(jù)集,通過收集校園中以組的形式報名的30名志愿者之間彼此的共同消費活動記錄以及其個人性格等因素,據(jù)此提取用戶之間親密度以及參數(shù)eu,然后再根據(jù)收集到的數(shù)據(jù)近似出兩者的高斯分布,進一步根據(jù)該分布模擬出數(shù)據(jù)集中用戶之間的交互參數(shù),并根據(jù)該參數(shù)對測試集的數(shù)據(jù)進行調(diào)整,然后把調(diào)整后的數(shù)據(jù)集作為帶有用戶間交互影響的模擬數(shù)據(jù)集進行測試.

實驗的主要目的是將融合偏好交互的組推薦算法與未加交互的算法進行比較,并通過沒有交互影響的數(shù)據(jù)集與帶有交互影響的數(shù)據(jù)集分別進行評估,從而證明在組推薦評分預(yù)測過程中加入偏好交互的重要性.

5.2 評價體系

實驗將采用RMSE[6]與nDCG[18]兩種評價參數(shù)對算法模型進行評估,RMSE可以去評估評分預(yù)測的質(zhì)量,它表示物品的預(yù)測評分與實際評分的均方根誤差,其計算公式如下:

(8)

其中M表示數(shù)據(jù)集中預(yù)測的評分?jǐn)?shù)量,Ru,i表示用戶u對物品i的預(yù)測評分,ru,i為真實評分.RSME為一個非負(fù)值,其值越低表示預(yù)測值的精度越高.

nDCG是標(biāo)準(zhǔn)的信息檢索評價指標(biāo),可以用來評價推薦列表的準(zhǔn)確度,其公式如下:

(9)

其中reli表示推薦列表中第i位的物品的真實評分,maxDCGn

表示DCGn所有可能的最大值,即n個物品當(dāng)中最優(yōu)化的排序得到的DCGn的值,n表示推薦結(jié)果的個數(shù),本實驗中n=5,它更接近于真實推薦列表的長度.為了計算nDCG需要知道用戶對于推薦列表中所有物品的真實評分,然而在測試集當(dāng)中僅僅包含了少量的用戶對于推薦列表中物品的評分,因此采用[12]中的方法去計算nDCG,即計算推薦列表在測試集當(dāng)中投影的nDCG.

5.3 實驗結(jié)果

本實驗分別對無交互影響的原始數(shù)據(jù)集和經(jīng)過交互調(diào)整的數(shù)據(jù)集分別進行了實驗,在不同偏好交互影響力eu以及不同組規(guī)模下,對傳統(tǒng)協(xié)同過濾算法與融合偏好交互的算法表現(xiàn)進行比較.其中I-UBCF表示基于偏好交互的UBCF算法,I-IBCF表示基于偏好交互的IBCF算法.

圖3 原始數(shù)據(jù)集下RSME值對比Fig.3 Comparison of RSME in original dataset

圖4 原始數(shù)據(jù)集下nDCG值對比Fig.4 Comparison of nDCG in original dataset

圖5 經(jīng)過交互調(diào)整的數(shù)據(jù)集下RSME值對比Fig.5 Comparison of RSME in adjusteddataset

由圖3可以得出,在原始的數(shù)據(jù)集下,由于傳統(tǒng)的協(xié)同過濾的評分預(yù)測方法與分組無關(guān),所以其RSME值不會受到組規(guī)模變化的影響,同時在交互參數(shù)eu值較低的時候,基于偏好交互的算法預(yù)測誤差與傳統(tǒng)方法相差不大,然而在eu值較高的時候,偏好交互的算的效果卻不如傳統(tǒng)方法.圖4的實驗結(jié)果說明,在原始數(shù)據(jù)集中,傳統(tǒng)的組推薦算法給出的推薦列表的準(zhǔn)確率要優(yōu)于經(jīng)過偏好交互改進的算法,并且隨著組規(guī)模的逐漸變大差距就越明顯.因此結(jié)合圖3可以得出,提出的偏好交互改進的組推薦算法模型并不適用于無群組內(nèi)無交互作用的推薦系統(tǒng)中.但由于模型提出的交互參數(shù)是根據(jù)反饋的方式獲取的,因此隨著模型的使用eu的值會變得適當(dāng)?shù)?并不會影響到整個組推薦系統(tǒng)的效率.

圖5是在經(jīng)過交互調(diào)整的數(shù)據(jù)集下推薦算法RSME值的對比結(jié)果,由此可知在存在偏好交互的群組之中,經(jīng)過偏好交互改進的組推薦算法預(yù)測評分的誤差更小,尤其是在規(guī)模較大的組群當(dāng)中的表現(xiàn)更好.由圖6,在經(jīng)過交互調(diào)整的數(shù)據(jù)集中,偏好交互改進的推薦算法在推薦列表準(zhǔn)確度上的表現(xiàn)有了明顯的提升,尤其是當(dāng)交互參數(shù)eu以及組規(guī)模較大的時候,因此結(jié)合圖5可以得出,在存在偏好交互作用的群組當(dāng)中,本文提出的算法優(yōu)勢更明顯.

圖6 經(jīng)過交互調(diào)整的數(shù)據(jù)集下nDCG值對比Fig.6 Comparison of nDCG in adjusteddataset

根據(jù)實驗結(jié)果可以得出結(jié)論,當(dāng)群組之中存在偏好交互影響的應(yīng)用場景之中,偏好交互式的組推薦算法優(yōu)于傳統(tǒng)的組推薦算法.在實際有關(guān)組推薦的應(yīng)用之中,組推薦的目標(biāo)群體往往是存在社交關(guān)系的一些群體,其中大都會涉及到用戶之間的交互影響,并且在本模型的推薦算法與用戶交互有關(guān)的參數(shù)eu及wu,v都是通過自適應(yīng)的方式去獲取的,因此被推薦的群組中無論涉及到的交互作用有多少,算法模型都會在推薦系統(tǒng)不斷使用過程當(dāng)中逐漸調(diào)整使其推薦效果達到最好,因此本文提出的算法模型在涉及到用戶交互的組推薦場景之中具有一定的實際意義.

6 結(jié)束語

在組推薦之中,用戶的未知偏好往往受到組內(nèi)成員的偏好交互的影響作用較大,基于該想法,本文提出了一種基于偏好交互的組推薦算法模型.算法模型對組推薦的用戶評分預(yù)測過程進行了優(yōu)化,將預(yù)測過程分為偏好交互和自我預(yù)測兩部分,從而將用戶的未知偏好在評分預(yù)測過程當(dāng)中加入群組用戶之間偏好交互的影響作用,使推薦結(jié)果更準(zhǔn)確,減少用戶的交互成本.實驗結(jié)果表明,當(dāng)群組之中存在交互作用的情況下,算法模型將會明顯提高組推薦的準(zhǔn)確度.

[1] Xu Hai-ling,Wu Xiao,Li Xiao-dong,et al.Comparison study of Internet recommendation system[J].Journal of Software,2009,20(2):350-362.

[2] Garcia I,Pajares S,Sebastia L,et al.Preference elicitation techniques for group recommender systems[J].Information Sciences,2012,189(8):155-175.

[3] Masthoff J,Gatt A.In pursuit of satisfaction and the prevention of embarrassment:affective state in group recommender systems[J].User Modeling and User-Adapted Interaction,2006,16(3):281-319.

[4] Aggarwal C C.Recommender systems:the textbook[M].Springer Publishing Company,Incorporated,2016.

[5] IrfanAli,Sang-WookKim:group recommendations:approaches and evaluation[J].Information Management and Communication,2015:105:1-105:6

[6] Boratto L,Carta S,Chessa A,et al.Group recommendation with automatic identification of users communities[C].IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology,IEEE Computer Society,2009:547-550.

[7] Tang Fu-xi,Liu Ke-jian,Feng Ling,et al.Researchonthe integration strategy of group recommendation based on user′s interactive behaviors[J].Journal of Xihua University (Natural Science),2016,35(3):51-56.

[8] Crossen A,Budzik J,Hammond K J.Flytrap:intelligent group musicrecommendation[C].Proceedings of the 7th International Conference on Intelligent User Interfaces,San Francisco,USA,2002:184-185.

[9] Lieberman H,Van Dyke N,Vivacqua A.Let′s browse:a collaborativebrowsing agent[J].Knowledge-Based Systems,1999,12(8):427-431.

[10] Kim J K,Kim H K,Oh H Y,et al.A group recommendation system for online communities[J].International Journal of Information Management,2010,30(3):212-219.

[11] Garcia I,Sebastia L,Onaindia E.On the design of individual andgroup recommender systems for tourism[J].Expert Systems with Applications,2011,38(6):7683-7692.

[12] Baltrunas L,Makcinskas T,Ricci F.Group recommendations with rank aggregation and collaborative filtering[C].ACM Conference on Recommender Systems,Recsys 2010,Barcelona,Spain,September,2010:407-423.

[13] Mccarthy J F,Anagnost T D.MusicFX:an arbiter of group preferences for computer supported collaborative workouts[C].ACM Conference on Computer Supported Cooperative Work.ACM,2000:363-372.

[14] Zhang Yu-jie,Du Yu-lu,Meng Xiang-wu.Group recommender systems and their applications[J].Chinese Journal of Computers,2016,39(4):745-764.

[15] O'Connor M,Cosley D,Konstan J A,et al.PolyLens:a recommender system for groups of users[C].Conference on European Conference on Computer Supported Cooperative Work.Kluwer Academic Publishers,2001:199-218.

[16] Gartrell M,Xing X,Lv Q,et al.Enhancing group recommendation by incorporating social relationship interactions[C].International ACM Siggroup Conference on Supporting Group Work,Group 2010,Sanibel Island,Florida,Usa,November,2010:97-106.

[17] Campos L M D,Fernández-Luna J M,Huete J F,et al.Managing uncertainty in group recommending processes[J].User Modeling and User-Adapted Interaction,2009,19(3):207-242.

[18] Pessemier T D,Dooms S,Martens L.Comparison of group recommendation algorithms[J].Multimedia Tools & Applications,2014,72(3):2497-2541.

附中文參考文獻：

[7] 唐福喜,劉克劍,馮 玲,等.基于用戶交互行為的群組推薦偏好融合策略[J].西華大學(xué)學(xué)報自然科學(xué)版,2016,35(3):51-56.

[14] 張玉潔,杜雨露,孟祥武.組推薦系統(tǒng)及其應(yīng)用研究[J].計算機學(xué)報,2016,39(4):745-764.