胡德斌　米春橋

摘要：針對(duì)農(nóng)業(yè)信息用戶群，提出一種基于信任的個(gè)性化農(nóng)業(yè)信息推薦方法。通過(guò)情境感知搜索一組偏好相似的推薦用戶，并通過(guò)皮爾遜相關(guān)系數(shù)計(jì)算用戶的評(píng)價(jià)相似度，引入信任機(jī)制，使用戶之間的相似度計(jì)算更加準(zhǔn)確，從而為目標(biāo)用戶提供更好的推薦結(jié)果，使推薦信息更為可信。

關(guān)鍵詞：農(nóng)業(yè)信息；推薦技術(shù)；個(gè)性化；信任機(jī)制

中圖分類(lèi)號(hào)：TP391.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2018）03-0094-03

DOI：10.14088/j.cnki.issn0439-8114.2018.03.023

Abstract： For agricultural information users，a recommendation method for personalized agricultural information based on trust is proposed，and calculate the similarity of users by pearson correlation coefficient，introduce mechanism of trust，the similarity between users is more accurate，better recommendation results for the target user are provided.

Key words： agricultural information； recommendation technology； individuation； mechanism of trust

目前，國(guó)家對(duì)農(nóng)業(yè)信息技術(shù)日益重視，對(duì)農(nóng)業(yè)信息技術(shù)的支持不斷加大，傳統(tǒng)的農(nóng)業(yè)信息服務(wù)，面對(duì)信息過(guò)載等問(wèn)題不能有效利用和處理海量農(nóng)業(yè)信息，難以滿足農(nóng)業(yè)從業(yè)者多方位的需求。在計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和智能技術(shù)的推動(dòng)下，個(gè)性化農(nóng)業(yè)信息服務(wù)應(yīng)運(yùn)而生。個(gè)性化信息服務(wù)能根據(jù)用戶模糊的、潛在的需求轉(zhuǎn)化為明確的、現(xiàn)實(shí)的需求，通過(guò)對(duì)環(huán)境、用戶習(xí)慣、個(gè)性的分析，進(jìn)而向用戶主動(dòng)提供其可能需要的信息。推薦系統(tǒng)是一種典型個(gè)性化信息服務(wù)，可以為用戶推薦感興趣的信息，相對(duì)農(nóng)業(yè)用戶而言，極大地簡(jiǎn)化了用戶獲得所需要信息的方式。

大部分推薦系統(tǒng)采用了協(xié)同過(guò)濾算法[1]來(lái)提高推薦質(zhì)量（如淘寶網(wǎng)），這種推薦系統(tǒng)并不分析信息之間的相似性，而是學(xué)習(xí)用戶之間獲取信息行為的相似性，從而根據(jù)相似用戶獲得推薦結(jié)果。研究指出，優(yōu)點(diǎn)是用戶可以發(fā)現(xiàn)新的感興趣的信息而不需要考慮信息本身。缺點(diǎn)是如果用戶對(duì)信息的評(píng)價(jià)矩陣非常稀疏，這樣得到用戶間的相似性可能不準(zhǔn)確，存在“稀疏問(wèn)題”；如果一直沒(méi)有用戶對(duì)某一信息進(jìn)行評(píng)價(jià)，則這個(gè)信息就不可能被推薦，存在“冷開(kāi)始問(wèn)題”[2]。為此，提出了基于信任模型的協(xié)同過(guò)濾推薦算法[3]，然而在農(nóng)業(yè)信息推薦領(lǐng)域，由于客戶群體的差異，以上2個(gè)問(wèn)題更為普遍，本研究借鑒電子商務(wù)領(lǐng)域的做法，在協(xié)同過(guò)濾推薦算法中引入信任機(jī)制的同時(shí)加入了農(nóng)業(yè)情境個(gè)性化感知，使目標(biāo)用戶獲得更優(yōu)的最近鄰居集，進(jìn)而獲得更好的推薦效果。

1 農(nóng)業(yè)情境個(gè)性化感知

如果一個(gè)新用戶從未對(duì)系統(tǒng)中的信息項(xiàng)目進(jìn)行評(píng)價(jià)，就無(wú)法獲知其興趣點(diǎn)，無(wú)法找到相似用戶，也就不知道推薦什么信息項(xiàng)目給該用戶。一般采用新用戶進(jìn)入系統(tǒng)前，先注冊(cè)個(gè)人用戶信息來(lái)解決新用戶問(wèn)題，但是如果需要輸入的信息過(guò)多，用戶就會(huì)放棄使用推薦系統(tǒng)。由于農(nóng)業(yè)用戶群體，整體來(lái)講，信息獲取能力較低，信息素質(zhì)不高，不善于網(wǎng)絡(luò)信息的交互，基本上只是被動(dòng)獲取信息。因此，本研究提出了一種農(nóng)業(yè)情境感知的個(gè)性化信息服務(wù)方法，利用現(xiàn)代網(wǎng)絡(luò)技術(shù)和智能技術(shù)自動(dòng)感知用戶的情境信息，在盡可能減少輸入信息的條件下，預(yù)測(cè)用戶的偏好，通過(guò)建立農(nóng)業(yè)信息資源分類(lèi)方法，及時(shí)地、有針對(duì)性地向用戶主動(dòng)推薦所需內(nèi)容，更高效地滿足不同農(nóng)業(yè)用戶的個(gè)性化需求，提供更靈活、更簡(jiǎn)單的信息服務(wù)。

農(nóng)業(yè)情境信息通常包括空間信息、時(shí)間信息、氣象信息、用戶行為等[4]，通過(guò)感知技術(shù)使之能影響業(yè)務(wù)邏輯和頁(yè)面顯示，主要分2種類(lèi)型：一種是基本情境信息，用于描述用戶工作環(huán)境的情境信息；一種是時(shí)序情境信息，用于描述用戶在服務(wù)系統(tǒng)中與時(shí)間緊密相關(guān)所進(jìn)行的一系列操作。

目前，大部分農(nóng)業(yè)用戶采用移動(dòng)終端和PC機(jī)獲取信息，分別運(yùn)用GPS定位和IP定位方式獲得地理位置信息，通過(guò)服務(wù)端的系統(tǒng)信息可獲得詳細(xì)的時(shí)間分布信息，再利用Web Service技術(shù)獲得氣象等相關(guān)信息。用戶只需輸入少量簡(jiǎn)單的注冊(cè)用戶信息，通過(guò)智能情境感知，可獲得具有個(gè)性化的用戶信息，建立更全面的用戶檔案，作為推薦的基礎(chǔ)，有效地減少了協(xié)同過(guò)濾推薦技術(shù)中經(jīng)常出現(xiàn)的2個(gè)問(wèn)題。

2 基于信任的推薦方法

與傳統(tǒng)推薦系統(tǒng)不同，基于信任的推薦系統(tǒng)通過(guò)增加用戶間的評(píng)分?jǐn)?shù)據(jù)，把推薦系統(tǒng)中的用戶聯(lián)系起來(lái)，自然地形成一個(gè)社會(huì)網(wǎng)絡(luò)，形成用戶之間的信任關(guān)系。大部分用戶，尤其是農(nóng)業(yè)用戶群體更相信朋友的推薦。

2.1 相似度計(jì)算

基于協(xié)同過(guò)濾算法采用比較當(dāng)前用戶與其他用戶的評(píng)分，使用皮爾遜相似度方法計(jì)算相似度[5]。其中，ra，i表示用戶a對(duì)項(xiàng)i的評(píng)分；m是a、b兩個(gè)共同評(píng)分過(guò)的項(xiàng)的數(shù)目；ra表示用戶a的平均評(píng)分。

2.2 預(yù)測(cè)評(píng)分

通過(guò)預(yù)測(cè)評(píng)分的高低，向當(dāng)前用戶推薦評(píng)分最高的項(xiàng)。鄰居定義為與用戶a相似度較高的一組用戶，其他定義如公式（1）。

這種計(jì)算相似度方法，只有在比較多的項(xiàng)目上評(píng)分比較相似時(shí)，才得出相似度是可信的，但如果用戶評(píng)分?jǐn)?shù)據(jù)極端稀疏，此時(shí)得出的相似度并不可靠。因此，在協(xié)同過(guò)濾推薦算法中引入信任機(jī)制，來(lái)改進(jìn)傳統(tǒng)相似度計(jì)算方法的不足。

2.3 信任度計(jì)算

借鑒大型電子商務(wù)系統(tǒng)（如eBay），如果2個(gè)用戶共同對(duì)一項(xiàng)目進(jìn)行了評(píng)價(jià)，就認(rèn)為他們之間進(jìn)行了一次直接交易，通過(guò)評(píng)價(jià)值可以計(jì)算兩者之間的直接信任度。一般情況，共同評(píng)價(jià)的項(xiàng)目會(huì)比較少，僅僅用直接信任是不準(zhǔn)確的，另一種情況，如果2個(gè)用戶中只有1個(gè)用戶對(duì)項(xiàng)目進(jìn)行了評(píng)價(jià)，這樣就無(wú)法計(jì)算2個(gè)用戶的直接信任度，那么可以先對(duì)未評(píng)價(jià)的用戶進(jìn)行預(yù)測(cè)項(xiàng)目的評(píng)價(jià)值，再計(jì)算2個(gè)用戶的間接信任，這種間接信任可有效地提高用戶間信任的準(zhǔn)確度。用戶之間的信任值可通過(guò)借鑒社會(huì)網(wǎng)絡(luò)中人之間的信任評(píng)價(jià)方法進(jìn)行計(jì)算：

2.3.1 直接信任度 如果a、b兩個(gè)用戶共同對(duì)1個(gè)項(xiàng)目進(jìn)行了評(píng)價(jià)，那么就認(rèn)為a、b兩個(gè)用戶進(jìn)行了一次交易，a、b兩個(gè)用戶的直接信任可以通過(guò)a、b兩個(gè)用戶共同評(píng)價(jià)項(xiàng)目的相關(guān)度反映出來(lái)。因此，直接信任度計(jì)算如下：

2.3.2 間接信任度 假定Ia為用戶a評(píng)價(jià)的項(xiàng)目集合，Ib為用戶b評(píng)價(jià)的項(xiàng)目集合，用集合Ia-{Ia∩Ib}作為用戶a評(píng)價(jià)但用戶b未評(píng)價(jià)的項(xiàng)目，這種情況，在這些項(xiàng)目上用戶a對(duì)用戶b的直接信任程度無(wú)法知道，所以用戶b對(duì)這些項(xiàng)目需要進(jìn)行預(yù)測(cè)。因此，在集合Ia-{Ia∩Ib}項(xiàng)目上，通過(guò)用戶a的評(píng)價(jià)值與用戶b的預(yù)測(cè)值，獲得用戶a和用戶b之間的相關(guān)度，從而間接地反映用戶a對(duì)用戶b的間接信任度?？梢岳霉剑?）的方法獲得沒(méi)有評(píng)分的項(xiàng)目的預(yù)測(cè)值，先進(jìn)行項(xiàng)目之間的相關(guān)度計(jì)算，得到最近鄰居，再通過(guò)最近鄰居對(duì)相關(guān)項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)未評(píng)分項(xiàng)目的評(píng)分[6]。計(jì)算方法：

2.3.3 預(yù)測(cè)推薦 可以通過(guò)選擇用戶u最信任的k個(gè)用戶或信任度值大于指定閥值的用戶作為最近鄰居集合Nu，再通過(guò)用戶的最近鄰居集合Nu來(lái)預(yù)測(cè)在用戶u∈U中未被評(píng)價(jià)的項(xiàng)目i∈I，計(jì)算方法如下：

推薦預(yù)測(cè)評(píng)分值最高的N個(gè)項(xiàng)目給目標(biāo)用戶u。其中，ru表示用戶u對(duì)項(xiàng)目的平均評(píng)分、rk分別表示用戶k對(duì)項(xiàng)目的平均評(píng)分；rk，i作

為用戶k對(duì)項(xiàng)目i的評(píng)分。

3 結(jié)果與分析

試驗(yàn)時(shí)，在TAB=β·Rd+（1-β）Rr公式中選取不同的權(quán)重β值以獲得不同的推薦效果。通過(guò)在不同鄰居數(shù)的情況下試驗(yàn)，取得當(dāng)β=0.8時(shí)產(chǎn)生較好的推薦結(jié)果，說(shuō)明在基于農(nóng)業(yè)信息的推薦中，直接信任占主導(dǎo)，用戶更愿意相信朋友。β=0表示只采用間接信任，β=1表示只采用直接信任，相當(dāng)于傳統(tǒng)協(xié)同過(guò)濾算法推薦的結(jié)果。比較這2種情況發(fā)現(xiàn)，采用直接信任推薦質(zhì)量更好，說(shuō)明直接信任可信度更高，直接通過(guò)朋友的推薦更可信。間接信任度計(jì)算因?yàn)橐蕾囶A(yù)測(cè)，因此預(yù)測(cè)的準(zhǔn)確度對(duì)推薦效果產(chǎn)生了積極的影響。由于本研究引入了情景感知，可以取得更多的項(xiàng)目鄰居數(shù)，所以準(zhǔn)確度更高，推薦效果更好。

將傳統(tǒng)的協(xié)同過(guò)濾算法與本研究提出的算法進(jìn)行了5次對(duì)比試驗(yàn)，如圖1所示，結(jié)果表明，本研究提出的算法，由于采用了個(gè)性化情境感知，又引入了信任機(jī)制，因此獲得了更好的推薦效果。這里相關(guān)度是指用戶需求與推薦結(jié)果的匹配程度。

4 小結(jié)

本研究針對(duì)農(nóng)業(yè)用戶群的特點(diǎn)，提出了一種基于信任的個(gè)性化農(nóng)業(yè)信息推薦方法，通過(guò)情景感知和用戶注冊(cè)，獲得更為豐富的用戶信息，簡(jiǎn)化了用戶操作的方式。加上信任機(jī)制的引入，通過(guò)用戶間的直接信任和間接信任的結(jié)合，使用戶間的相似度計(jì)算更準(zhǔn)確，使目標(biāo)用戶能獲得更近的鄰居集，更好地識(shí)別和預(yù)測(cè)了用戶的興趣偏好，有效地減少了協(xié)同過(guò)濾推薦技術(shù)中經(jīng)常出現(xiàn)“稀疏問(wèn)題”和“冷開(kāi)始問(wèn)題”，起到了更好的推薦效果。

參考文獻(xiàn)：

[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] 鄧愛(ài)林，朱楊勇，施伯樂(lè).基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J].軟件學(xué)報(bào)，2003，14（9）：1621-1628.

[3] 夏小伍，王衛(wèi)平.基于信任模型的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)工程，2011，37（21）：26-28.

[4] 楊寶祝，劉 妍，吳華瑞，等.基于情境感知的個(gè)性化農(nóng)業(yè)信息服務(wù)模型研究[J].農(nóng)機(jī)化研究，2012（11）：10-13.

[5] 徐 翔，王煦法.協(xié)同過(guò)濾算法中的相似度優(yōu)化方法[J].計(jì)算機(jī)工程，2010，36（6）：52-54.

[6] DESHPANDE M，KARYPIS G. Item-based Top-n recommendation algorithms[J].ACM Transactions on Information Systems，2004，22（1）：143-177.