陳傳敬 陳琳

摘? 要：本文在基于現(xiàn)有的個(gè)性化推薦研究基礎(chǔ)，提出了用戶(hù)情境和文本內(nèi)容組合推薦的方法，并構(gòu)建了用戶(hù)興趣矩陣模型，設(shè)計(jì)了一套個(gè)性化推薦系統(tǒng)。本系統(tǒng)可以依據(jù)移動(dòng)用戶(hù)的偏好為用戶(hù)提供推送服務(wù)。該系統(tǒng)由移動(dòng)端及云平臺(tái)服務(wù)器構(gòu)成，移動(dòng)端對(duì)用戶(hù)信息進(jìn)行采集，并展示推薦數(shù)據(jù);服務(wù)器端收集來(lái)自移動(dòng)端的數(shù)據(jù)，展開(kāi)數(shù)據(jù)分析，構(gòu)建用戶(hù)興趣模型，結(jié)合文本處理技術(shù)獲取推薦內(nèi)容，推送給移動(dòng)用戶(hù)。

關(guān)鍵詞：文本處理;個(gè)性化推薦;情景;興趣矩陣

中圖分類(lèi)號(hào)：TP311? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：Based on the previous studies of personalized recommendation，this paper proposes a combined recommendation method of user context and text content，constructs a user interest matrix model，and designs a personalized recommendation system.This system can provide push service for users according to their preferences.The system is composed of mobile terminal and cloud platform server，in which the mobile terminal collects user information and displays recommendation data.The server collects data from mobile terminal，launches data analysis，builds user interest model，obtains recommendation content with text processing technology，and pushes it to mobile users.

Keywords：text processing;personalized recommendation;scenario;interest matrix

1? ?引言（Introduction）

隨著移動(dòng)用戶(hù)需求的不斷提升，現(xiàn)有的個(gè)性化推薦逐漸不能滿(mǎn)足用戶(hù)。因此，將個(gè)性化推薦與移動(dòng)網(wǎng)絡(luò)技術(shù)的結(jié)合成為優(yōu)化的選擇，研究個(gè)性化推薦，提取用戶(hù)偏好及個(gè)人信息、推算服務(wù)矩陣模型、文本相似度匹配、優(yōu)化相似度算法有助于提高用戶(hù)認(rèn)可度。

與桌面計(jì)算機(jī)相比，在移動(dòng)環(huán)境中工作的移動(dòng)電話，PAD等設(shè)備有著高實(shí)時(shí)性和方便性的特點(diǎn)，但局限于屏幕尺寸、網(wǎng)絡(luò)傳輸及信息處理能力。移動(dòng)用戶(hù)的位置和周邊的環(huán)境都有可能在隨時(shí)間變化。因此需要提取移動(dòng)用戶(hù)情景信息數(shù)據(jù)學(xué)習(xí)，深入探索移動(dòng)用戶(hù)興趣點(diǎn)，并過(guò)濾不符合用戶(hù)需求的信息，提高服務(wù)移動(dòng)用戶(hù)的質(zhì)量。

Kbaier[1]等人采用混合推薦方法;LeiShi[2]等使用決策樹(shù)創(chuàng)建用戶(hù)組，向用戶(hù)提供推薦;Chiliguano[3]等提出卷積神經(jīng)網(wǎng)絡(luò)提取事物特征; Qiudan Li等人提出了基于協(xié)同過(guò)濾的移動(dòng)商務(wù)服務(wù)，采用了多維矩陣模型;基于Android平臺(tái)開(kāi)發(fā)的AppBrain通過(guò)Android API接口來(lái)檢測(cè)用戶(hù)近期安裝的應(yīng)用，并查找同類(lèi)應(yīng)用向用戶(hù)推薦;基于iPhone平臺(tái)開(kāi)發(fā)的一款應(yīng)用AppsFire，采用了基于社會(huì)化信息流的方法進(jìn)行推薦。

本文研究提出了移動(dòng)環(huán)境下個(gè)性化推薦矩陣模型系統(tǒng)（Personalized Recommendation Matrix Model System），并對(duì)該系統(tǒng)的結(jié)構(gòu)、框架、核心技術(shù)等進(jìn)行研究。系統(tǒng)獲取位置等情景信息，混合內(nèi)容推薦個(gè)性化推薦技術(shù)分析客戶(hù)行為，構(gòu)建用戶(hù)偏好矩陣模型，提高智能化推薦的性能。

2? ?相關(guān)工作（Related research）

個(gè)性化推薦系統(tǒng)是智能化的用于挖掘有效數(shù)據(jù)的平臺(tái)。推薦系統(tǒng)可分為三個(gè)部分[4]，用戶(hù)模型構(gòu)建、推薦矩陣模型構(gòu)建、推薦運(yùn)用。用戶(hù)模型構(gòu)建中，采集信息方式有隱式瀏覽信息、顯式瀏覽信息、關(guān)鍵字和行為屬性、用戶(hù)評(píng)分、用戶(hù)書(shū)面評(píng)價(jià)、用戶(hù)歷史關(guān)注。推薦矩陣模型構(gòu)建可采用多種推薦算法，常用的推薦算法有基于內(nèi)容的推薦、基于協(xié)同過(guò)濾的推薦及多種推薦技術(shù)結(jié)合的推薦等技術(shù)。

基于內(nèi)容的推薦[5]，根據(jù)瀏覽歷史構(gòu)建用戶(hù)興趣模型，對(duì)項(xiàng)目?jī)?nèi)容特征提取構(gòu)建項(xiàng)目特征模型，分析得出用戶(hù)興趣模型和項(xiàng)目特征模型之間的匹配度，根據(jù)匹配程度做出推薦。其特征集是文本關(guān)鍵詞的集合，進(jìn)行文本詞頻率及其逆文檔頻率的數(shù)據(jù)統(tǒng)計(jì)。其優(yōu)點(diǎn)是效率高，不存在數(shù)據(jù)稀疏性或冷啟動(dòng)。缺點(diǎn)是不利于特征集提取，無(wú)法處理復(fù)雜的文本特征，對(duì)音頻、視頻信息無(wú)法特征推薦。

基于協(xié)同過(guò)濾的推薦[6]，有相同興趣的用戶(hù)或物品構(gòu)成集合，根據(jù)相似程度進(jìn)行推薦。如果一個(gè)物品是和當(dāng)前用戶(hù)有著很大興趣相似度的用戶(hù)所喜歡的物品，那么當(dāng)前用戶(hù)也往往會(huì)喜歡該物品;如果用戶(hù)想購(gòu)買(mǎi)某件物品，而另一件物品和這一物品有很大相似性，那用戶(hù)也會(huì)購(gòu)買(mǎi)另一物品。

協(xié)同過(guò)濾算法的優(yōu)點(diǎn)是，可以用于文字內(nèi)容推薦，也可以用于視頻、音樂(lè)、相片等非文本內(nèi)容，用途廣。缺點(diǎn)是存在數(shù)據(jù)稀疏性、冷啟動(dòng)及擴(kuò)展性問(wèn)題。

針對(duì)上述問(wèn)題本文提出了基于移動(dòng)用戶(hù)情境和文本內(nèi)容組合推薦的方式，彌補(bǔ)上述缺點(diǎn)，提高推薦系統(tǒng)精確性、穩(wěn)定性。

3? 信息的收集處理（Information collection and processing）

移動(dòng)信息收集處理包括用戶(hù)信息、項(xiàng)目信息、情景信息。用戶(hù)信息可以是用戶(hù)的喜好或特征;項(xiàng)目信息是系統(tǒng)中待推薦項(xiàng)目附加的各種屬性;情景信息綜合了用戶(hù)的周?chē)h(huán)境，如當(dāng)前位置、天氣、時(shí)間。通過(guò)提取用戶(hù)的個(gè)人信息、項(xiàng)目信息和周?chē)榫埃⒔环?wù)器模型處理，對(duì)用戶(hù)潛在喜好推測(cè)，達(dá)到推薦目的。

移動(dòng)用戶(hù)信息包括基本信息和行為信息。每個(gè)用戶(hù)基本信息可以用一維矩陣表示，，代表第i個(gè)用戶(hù)的信息矩陣，矩陣中存儲(chǔ)用戶(hù)編碼、姓名、性別、年齡、教育程度、婚否、描述、移動(dòng)終端碼。行為信息是指用戶(hù)對(duì)項(xiàng)目的瀏覽次數(shù)、點(diǎn)擊趨勢(shì)、地理坐標(biāo)。用戶(hù)行為信息一維矩陣表示為 代表第i個(gè)用戶(hù)的行為矩陣，矩陣中存儲(chǔ)用戶(hù)編碼、點(diǎn)擊次數(shù)、是否收藏、是否分享、查閱時(shí)間、經(jīng)度、維度，行為信息能體現(xiàn)用戶(hù)興趣。

項(xiàng)目信息是將要被推薦的項(xiàng)目的特征屬性的信息，覆蓋面廣，可以是文本、歌曲、視頻或者是一件商品。項(xiàng)目屬性會(huì)因項(xiàng)目而異，如餐廳的推薦，項(xiàng)目信息是指餐廳的種類(lèi)、菜系、價(jià)格等因素;如旅游地點(diǎn)，項(xiàng)目信息是門(mén)票價(jià)格、景點(diǎn)地點(diǎn)、優(yōu)惠時(shí)間、開(kāi)放時(shí)間等;如音樂(lè)推薦，項(xiàng)目信息是作曲家名稱(chēng)、歌手名稱(chēng)、歌曲風(fēng)格等。本文以旅游項(xiàng)目為例建立項(xiàng)目特征矩陣模型。

項(xiàng)目信息模型矩陣為用戶(hù)二維空間矩陣，橫軸i表不同的興趣領(lǐng)域，如吃、住、娛、游、購(gòu);數(shù)軸j代表i領(lǐng)域下不同的實(shí)體項(xiàng)目，實(shí)體項(xiàng)目又包含眾多特征屬性。

實(shí)體特征矩陣包括，實(shí)體編碼、名稱(chēng)、圖片信息、價(jià)位、交通狀態(tài)、開(kāi)放時(shí)間、聯(lián)系方式、描述，實(shí)體項(xiàng)目矩陣將項(xiàng)目信息模型延伸為三維矩陣模型，作為項(xiàng)目特征集。

情境是用戶(hù)附近環(huán)境的相關(guān)信息的集合體，可以是時(shí)間、天氣、用戶(hù)位置、服務(wù)的網(wǎng)絡(luò)、移動(dòng)終端，且能對(duì)用戶(hù)決策造成影響。本文采用時(shí)間、位置情景信息構(gòu)建情境模型。

情境模型為一維矩陣模型，包括編碼信息、用戶(hù)編碼、時(shí)間、經(jīng)度、維度?？捎涗浻脩?hù)瀏覽信息時(shí)間、位置等信息。本文采用移動(dòng)蜂窩網(wǎng)絡(luò)基站定位來(lái)確定用戶(hù)的位置，時(shí)間信息和終端狀況可直接通過(guò)移動(dòng)用戶(hù)終端獲取，將這些情景信息通過(guò)移動(dòng)網(wǎng)絡(luò)傳遞給服務(wù)器端。

4? ?用戶(hù)模型的構(gòu)建（Construction of user model）

本文的用戶(hù)模型綜合考慮了用戶(hù)、文本和情景三個(gè)要素，采用矩陣、用戶(hù)興趣度及向量空間模型方式結(jié)合表示。該模型能夠分析用戶(hù)的歷史情景，得到個(gè)體行為模型，對(duì)歷史瀏覽項(xiàng)目學(xué)習(xí)，將其文本信息作為訓(xùn)練語(yǔ)料，提取項(xiàng)目文本特征詞并建立特征詞矩陣，用以標(biāo)識(shí)特征詞及其對(duì)應(yīng)的概率關(guān)系，通過(guò)建立的特征詞矩陣計(jì)算用戶(hù)與待推薦項(xiàng)目文本的相似概率，進(jìn)行相似度計(jì)算得到用戶(hù)對(duì)待推薦項(xiàng)目的興趣度，從待推薦項(xiàng)目中找到合適的推薦項(xiàng)目。綜合分析情景和用戶(hù)的興趣度，二者結(jié)合構(gòu)成本模型。

4.1? ?情境計(jì)算

情景可以認(rèn)為由n個(gè)情景屬性構(gòu)成，定義成：

上式中分別對(duì)應(yīng)著情景的屬性值。

用戶(hù)當(dāng)前狀態(tài)的情景和歷史情景的相似值可定義成：

代表在用戶(hù)以往的情景信息里，情景屬性值的數(shù)目。

4.2? ?文本特征提取

每個(gè)實(shí)體項(xiàng)目都有對(duì)應(yīng)的文本內(nèi)容，可對(duì)其特征提取獲取特征詞和特征詞權(quán)，并重構(gòu)成的向量空間的模型。

一篇文檔可以表示成：

文檔是第個(gè)項(xiàng)目的文本內(nèi)容，是第個(gè)項(xiàng)目文本中的第個(gè)特征詞，是第個(gè)項(xiàng)目中的第個(gè)特征詞在當(dāng)前文本中所占權(quán)重值，是文檔中的所含有的特征詞的數(shù)目。

采用TF-IDF方法統(tǒng)計(jì)特征詞權(quán)重的式子定義為：

其中，是文本，是一個(gè)詞語(yǔ)，為在中的所占的權(quán)重，為在里的詞頻，N是所有應(yīng)用到的訓(xùn)練文本的總的數(shù)目，為所有文本中有出現(xiàn)的文本數(shù)目，也可以說(shuō)成是的文檔頻度。

用戶(hù)在多次使用移動(dòng)旅游客戶(hù)端后，其瀏覽過(guò)的項(xiàng)目文本的集合可以定義為：

用戶(hù)瀏覽或點(diǎn)擊過(guò)的第個(gè)項(xiàng)目文本為記為，其中用來(lái)表示第個(gè)項(xiàng)目文本中出現(xiàn)的第個(gè)特征關(guān)鍵詞，表示第個(gè)特征關(guān)鍵詞在項(xiàng)目文本中所占有的權(quán)重，還有代表在項(xiàng)目文本的特征關(guān)鍵詞的總數(shù)。

項(xiàng)目文本集合的的特征詞權(quán)重矩陣可以表示成：

上述矩陣中，代表第i個(gè)文本中的第j個(gè)特征詞的權(quán)重值的大小。

4.3? ?興趣度計(jì)算

為與、相關(guān)的隨機(jī)變量，和分別代表用戶(hù)對(duì)項(xiàng)目的瀏覽次數(shù)和評(píng)分的多少，、、是和、不相干的參數(shù)，代表著隨機(jī)產(chǎn)生的誤差，該方程為一個(gè)多線的正態(tài)線性回歸方程。

將用戶(hù)興趣度運(yùn)用到文本權(quán)重矩陣：

上式中，為移動(dòng)手機(jī)用戶(hù)對(duì)第i個(gè)文本的興趣度。將用戶(hù)興趣度和特征詞的權(quán)重相關(guān)聯(lián)，可計(jì)算用戶(hù)對(duì)各項(xiàng)目興趣度，得到最佳推薦。

5? ?結(jié)論（Conclusion）

本文采用情景構(gòu)建移動(dòng)用戶(hù)模型，作為為個(gè)性化推薦依據(jù)。計(jì)算用戶(hù)當(dāng)前情景和歷史情景的相似值，和當(dāng)前情景相似值最高的歷史情景下的項(xiàng)目信息優(yōu)先推薦給用戶(hù)。運(yùn)用自然語(yǔ)言處理知識(shí)，對(duì)項(xiàng)目文本內(nèi)容作分詞處理，提取特征關(guān)鍵詞并計(jì)算各個(gè)特征詞在文本中的權(quán)重值，建立特征詞矩陣。根據(jù)用戶(hù)行為信息，分析用戶(hù)瀏覽、分享、收藏項(xiàng)目的情況，結(jié)合特征詞矩陣構(gòu)建用戶(hù)的興趣特征集合。將用戶(hù)興趣集合中的文本和待推薦項(xiàng)目作相似性的計(jì)算，根據(jù)得出相似度值做順序排序，向用戶(hù)推薦。

參考文獻(xiàn)（References）

[1] Kbaier M E B H，Masri H，Krichen S.A personalized hybrid tourism recommender system[C].International Conference on Computer Systems and Applications.Hammamet：IEEE，2018：244-250.

[2] Shi L，Zhao WX，Shen YD.Local representative-based matrix factorization for cold-start recommendation[J].ACM Transactions on Information Systems，2017，36（2）：1-28.

[3] CHILIGUANO P，F(xiàn)AZEKAS G.Hybrid music recommender using content-based and social information[C].IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP）.IEEE，2016：2618-2622.

[4] Bobadilla J，Ortega F，Hernando A，et al.Recommender systems survey.Knowledge-Based Systems，2013（46）：109-132.

[5] SHI Y，LARSON M，HANJALIC A.Collaborative filtering beyond the user-item matrix：A survey of the state of the art and future challenges[J].ACM Computing Surveys（CSUR），2014，47（1）：1-45.

[6] Breese J S，Heckerman D，Kadie C.Empirical analysis of predictive algorithms for collaborative filtering[J].Uncertainty in Artificial Intelligence，2013，98（7）：43-52.

作者簡(jiǎn)介：

陳傳敬（1989-），男，碩士，助教.研究領(lǐng)域：計(jì)算機(jī)應(yīng)用.

陳? ? 琳（1992-），男，碩士，助教.研究領(lǐng)域：圖形圖像處理.