徐志熹，錢洋，蘇揚(yáng)

（1.四川省圖書館信息技術(shù)部，成都610015；2.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，成都611731；3.電子科技大學(xué)外國(guó)語(yǔ)學(xué)院，成都611731）

0 引言

推薦算法[1]會(huì)通過對(duì)用戶畫像，發(fā)現(xiàn)用戶的喜好或偏好，找到內(nèi)容與用戶之間的深層聯(lián)系[2]，將與用戶有關(guān)系的內(nèi)容主動(dòng)介紹給用戶。如何建立一套優(yōu)質(zhì)推薦模型使其能更快更準(zhǔn)地預(yù)測(cè)用戶對(duì)于某些內(nèi)容的偏好程度[3]是一項(xiàng)具有挑戰(zhàn)性的工作。

傳統(tǒng)的推薦算法思路[4-5]是在推斷用戶瀏覽過網(wǎng)頁(yè)中對(duì)象是偏好時(shí)，將用戶的所有歷史行為認(rèn)為有同樣重要性占比。對(duì)用戶在過去很久訪問的對(duì)象和最近訪問的對(duì)象，都是以同樣的權(quán)重來計(jì)算關(guān)聯(lián)矩陣[6-7]，最后得出的是用戶較長(zhǎng)時(shí)間段里的平均興趣偏好。這類方法沒有考慮到用戶的興趣可能隨著時(shí)間的變化發(fā)生改變，其結(jié)果不能準(zhǔn)確地反映當(dāng)下用戶喜好，隨著時(shí)間跨度越大，偏差也會(huì)越大[8-10]，最終使得其推薦內(nèi)容無法滿足用戶需求。

本文提出的推薦算法考慮了時(shí)間變化的影響，加入用戶行為時(shí)序，構(gòu)建行為時(shí)序模型。通過收集用戶對(duì)推薦內(nèi)容的反饋，可實(shí)時(shí)更新用戶偏好，從而改善下一次推薦內(nèi)容。研究的主要內(nèi)容與創(chuàng)新點(diǎn)有：①融合用戶行為的時(shí)序?qū)τ脩羝玫挠绊?，提出時(shí)序模型；②采用機(jī)器學(xué)習(xí)方法，建立推薦內(nèi)容計(jì)算目標(biāo)函數(shù)；③使用決策樹和優(yōu)化損失函數(shù)更新預(yù)測(cè)參數(shù)。

1 用戶行為時(shí)序模型

將用戶的訪問過的項(xiàng)目和系統(tǒng)推薦給用戶的項(xiàng)目以時(shí)間順序排列記錄下來，通過對(duì)用戶訪問過和推薦過的項(xiàng)目序列進(jìn)行計(jì)算，得到行為之間的關(guān)系值的大小和用戶與行為偏好值。

用戶在某n個(gè)連續(xù)時(shí)刻下有著如下的歷史行為序列Xi與X（ji≠j）可以是相同或者不同的訪問項(xiàng)目，形成時(shí)序項(xiàng)目集，即X1,X2,…，表示在n個(gè)時(shí)間窗口里用戶曾經(jīng)訪問過的項(xiàng)目。通過用戶的身份變化，當(dāng)前的行為特征以及對(duì)象關(guān)聯(lián)度權(quán)重矩陣計(jì)算出下一個(gè)能滿足用戶偏好的訪問項(xiàng)目Xn+1，并將它推薦給用戶。將用戶的歷史行為記錄存儲(chǔ)，推薦系統(tǒng)需要提取其中下每次向用戶推薦時(shí)間點(diǎn)的前幾次的用戶行為和推薦后的用戶行為。

對(duì)用戶的推薦作為用戶行為序列的預(yù)測(cè)，預(yù)測(cè)計(jì)算的目標(biāo)函數(shù)表示為：

其中Xn表示上一次推薦給用戶的項(xiàng)目,Xn+1表示下一個(gè)時(shí)刻給用戶的推薦項(xiàng)，表示通過用戶當(dāng)前的行為給出的推薦選項(xiàng)；Q1和Q2表示上次行為對(duì)當(dāng)前行為的影響參數(shù)。

2 基于決策樹的參數(shù)訓(xùn)練

2.1 模型概括

通常在推薦系統(tǒng)中，會(huì)有多種用戶參數(shù)作為推薦算法的輸入，針對(duì)公式（1），如何計(jì)算出最優(yōu)的Xn+1主要取決對(duì)于Q1和Q2的計(jì)算方法。首先構(gòu)造一顆決策樹，如圖1所示，采用多項(xiàng)指標(biāo)來判斷，參數(shù)Q1和Q2是否需要修改。在本文的圖書館導(dǎo)讀推薦系統(tǒng)中會(huì)采用如下幾個(gè)維度，分別是：用戶的角色變化，瀏覽行為的變化以及是否接受上次的推薦內(nèi)容。通過對(duì)系統(tǒng)已有數(shù)據(jù)的訓(xùn)練，可以得到如圖1所示的決策樹模型來計(jì)算 Q1和 Q2。

圖1 決策樹

2.2 預(yù)測(cè)參數(shù)更新

通過構(gòu)造關(guān)于用戶身份和行為的目標(biāo)函數(shù)記為：Id和Action來計(jì)算Q1和Q2，目標(biāo)函數(shù)記為：

其中，Id函數(shù)定義為：

Id函數(shù)主要是針對(duì)參數(shù)Q1來進(jìn)行的決策判斷，主要依據(jù)是用戶角色屬性的是否有變化，在實(shí)際中用戶角色變化包括身份屬性的變化，用戶評(píng)分升級(jí)等都可以用來作為評(píng)估屬性。

目標(biāo)函數(shù)第二部分Action函數(shù)定義為：

R（An+1）采用協(xié)同過濾算法[12-14]計(jì)算所有項(xiàng)目?jī)蓛芍g的關(guān)系權(quán)重。最后對(duì)于參數(shù)Q1和Q2，分別對(duì)公式（3）求導(dǎo)可以得到預(yù)測(cè)參數(shù)的更新值。

通過計(jì)算得到的Q1和Q2，能夠作為下一次給用戶推薦所使用的更新參數(shù)。

3 實(shí)驗(yàn)

實(shí)驗(yàn)部分主要分為兩個(gè)部分，一個(gè)是本文所提出的算法和傳統(tǒng)算法在通用數(shù)據(jù)集上的對(duì)比；另一個(gè)部分是本文算法在四川省圖書館導(dǎo)讀系統(tǒng)中的推薦效果。

3.1 數(shù)據(jù)集實(shí)驗(yàn)對(duì)比

實(shí)驗(yàn)需要使用的數(shù)據(jù)集的兩個(gè)來源：Gowalla[15]、Last.fm[16]。Gowalla是一個(gè)基于位置的社交網(wǎng)站，用戶可以通過登錄來共享他們的位置。用戶友誼關(guān)系網(wǎng)絡(luò)是無向的，使用公共API收集，由196591個(gè)節(jié)點(diǎn)和950327條邊組成。在2009年2月至2010年10月期間，Gowalla總共收集了6442890個(gè)用戶的簽到。

數(shù)據(jù)集一共分成兩部分。第一部分loc-gowal?la_totalCheckins.txt文件中包含有用戶簽時(shí)產(chǎn)生數(shù)據(jù)段，內(nèi)容包括時(shí)間、地點(diǎn)、用戶的ID，總共有6,442,890條數(shù)據(jù)項(xiàng)；另一部分為loc-gowalla_edges.txt。Gowalla文件存儲(chǔ)有用戶的社會(huì)關(guān)系，該文件包含有196,591個(gè)用戶信息。Last.fm數(shù)據(jù)集收集了Last.fm網(wǎng)站上的上千名用戶的音樂鑒賞記錄信息，可以為研究者提供關(guān)于音樂推薦的數(shù)據(jù)集。該數(shù)據(jù)集記錄每一個(gè)用戶在網(wǎng)站中收聽過的藝術(shù)家以及他們的作品，提取了最受歡迎的藝術(shù)家和音樂播放次數(shù)。本文用每種數(shù)據(jù)中的70%的數(shù)據(jù)用戶訓(xùn)練，而剩下的30%的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。所用到的篩選過后的數(shù)據(jù)如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集

用于對(duì)比的傳統(tǒng)推薦算法包括：

隨機(jī)推薦法[17]：從距離用戶當(dāng)前時(shí)刻最近的多個(gè)訪問過的對(duì)象中隨機(jī)選擇一個(gè)項(xiàng)目推薦給用戶。

流行度推薦法[18]：根據(jù)每個(gè)項(xiàng)目的流行度，將所有項(xiàng)目按照大小排列，流行度的計(jì)算方法是ln（1+nv），nv為項(xiàng)目v的出現(xiàn)頻率。

Δtuv最近項(xiàng)目推薦法[17]：該方法假設(shè)最近被訪問過的項(xiàng)目有著更大的可能性再次被用戶訪問，需要使用指數(shù)最近性測(cè)量法e-Δtuv，是推薦的時(shí)間點(diǎn)和用戶u上次訪問項(xiàng)目v時(shí)間點(diǎn)的間隔。該推薦方法的計(jì)算主要基于加權(quán)項(xiàng)e-Δtuv。

協(xié)同推薦算法[19]：基于余弦相似度，計(jì)算公式（4），為用戶建立數(shù)學(xué)模型，找出與目標(biāo)用戶最近的鄰居用戶，推薦鄰居的偏好項(xiàng)目。

推薦準(zhǔn)確的評(píng)估需要用到平均正確率（Average Precision）的計(jì)算方法，首先定義對(duì)于用戶u的推薦出正確的項(xiàng)目的概率為：

其中，Rut是用戶u在t時(shí)刻的推薦組合。使用宏平均 MaAP（Macro-Average）和微平均 MiAP（Micro-Average）作為評(píng)估指標(biāo)[17]，MaAP衡量評(píng)估中全部正確推薦的分?jǐn)?shù)，而MiAP是評(píng)估中所有用戶的平均推薦準(zhǔn)確率，兩者主要區(qū)別在是否要考慮用戶序列長(zhǎng)度的不均衡。

實(shí)驗(yàn)結(jié)果的情況如圖2所示?；谟脩魰r(shí)序決策模型的推薦在Gowalla和Last.fm兩個(gè)數(shù)據(jù)集上使用MaAP和MiAP計(jì)算出的的測(cè)試準(zhǔn)確率都高于與之比較的基礎(chǔ)方法。Gowalla數(shù)據(jù)集中訪問序列的長(zhǎng)度比Last.fm數(shù)據(jù)集更不均衡，MaAP計(jì)算出的結(jié)果中，基于用戶時(shí)序決策模型的推薦方法相對(duì)于基本方法準(zhǔn)確率提高的比率比MiAP的計(jì)算結(jié)果更高。

圖2 實(shí)驗(yàn)結(jié)果對(duì)比

3.2 導(dǎo)讀系統(tǒng)推薦實(shí)驗(yàn)

本文算法已應(yīng)用于四川省圖書館智能導(dǎo)讀系統(tǒng)，為用戶提供咨詢問題推薦，運(yùn)行結(jié)果如圖3所示。在該系統(tǒng)中，推薦算法會(huì)根據(jù)用戶針對(duì)同類問題在歷史時(shí)序上進(jìn)行模型構(gòu)造，訓(xùn)練出與歷史咨詢問題相關(guān)聯(lián)系較高的推薦列表。

圖3 導(dǎo)讀系統(tǒng)咨詢問題推薦實(shí)例

圖3 的問題推薦中，左圖（a）為第一次測(cè)試結(jié)果，用戶在反饋滿意后，該推薦系統(tǒng)在右圖（b）第二次測(cè)試同類問題時(shí)，給用戶提供的答案更聚焦“充電”，更準(zhǔn)確地為用戶提供答案。

4 結(jié)語(yǔ)

本文提出了用戶歷史行為對(duì)當(dāng)下行為的影響基礎(chǔ)上，提出了行為時(shí)序概念，從而構(gòu)建了時(shí)序模型，將到用戶的興趣可能會(huì)隨著時(shí)間發(fā)生偏移的問題，用系統(tǒng)與用戶交互的反饋結(jié)果來構(gòu)建決策樹模型，通過機(jī)器學(xué)習(xí)來實(shí)時(shí)學(xué)習(xí)用戶的動(dòng)態(tài)興趣偏好這一目標(biāo)函數(shù)，讓算法結(jié)果更能匹配用戶的當(dāng)前狀態(tài)的偏好。本文所提出的算法，已在實(shí)際智能咨詢系統(tǒng)中運(yùn)行，并取得了較好的實(shí)際效果。