唐東平，吳邵宇

(華南理工大學，廣東 廣州 510640)

0 引 言

個性化推薦系統(tǒng)是緩解“信息過載”問題的一種軟件技術和工具，其目的是通過信息過濾為用戶推薦一組最有需求或者感興趣的對象，已經在各類電子商務網站上得到了廣泛應用。而移動推薦具有情境敏感性，移動商務活動有關的條件、背景、環(huán)境、經歷、心理等情境因素，將對用戶需求產生一定的影響[1]。普適計算和移動互聯(lián)網的發(fā)展為餐飲信息化提供了更全面、更實時的情境信息，能否將情境因素引入移動推薦系統(tǒng)中以實現(xiàn)精確的需求匹配決定了個性化推薦的質量[2]。根據Dey的定義，情境感知技術源于普適計算，是通過對用戶信息、所處環(huán)境、推薦對象及其相互關系進行形式化的描述和領域知識模型的構建向用戶提供符合當前主客觀情境的對象信息[3]。

本體可在語義層面實現(xiàn)對情境信息的知識表示。知識推理是本體工程的高級階段，在本體模型的基礎上使用SWRL規(guī)則進行規(guī)則推理，從而實現(xiàn)領域知識的語義推理[4]。通過基于情境的知識表示和推理實現(xiàn)個性化推薦等服務，已成為移動商務中休閑生活[5-6]、醫(yī)療保健[7-8]、旅游服務[9-10]等各領域的研究重點之一。餐飲領域相關研究主要集中在餐館推薦問題，Yu等通過本體和規(guī)則構建了一個LBS知識庫推理平臺，基于位置情境為用戶推薦餐館[11]。呂苗等以餐飲菜品推薦服務為研究對象，實現(xiàn)了基于情境的移動商務聚餐服務知識建模，但采用的是預先設定的通用規(guī)則進行規(guī)則推理[12]。在基于情境的知識表示中，規(guī)則往往是根據情境與推薦對象的通用關聯(lián)模式所設定，難以對用戶個人的特殊興趣偏好進行挖掘和建模。因此基于情境感知的推薦通常需要與傳統(tǒng)的協(xié)同過濾推薦或基于內容的推薦相結合，才能實現(xiàn)更加個性化的推薦[13]。

傳統(tǒng)的協(xié)同過濾推薦技術，通過用戶對商品的評分尋找興趣相似的用戶或特征相似的商品[14]，但在實際應用中用戶對餐飲的評分往往是針對菜品質量和用餐體驗的評價，不能準確表現(xiàn)其對于菜品特征的興趣偏好。基于內容的推薦不需要考慮用戶對商品的評價，而是根據用戶的歷史行為挖掘對商品特征的興趣偏好建立模型，并與待推薦商品進行相似度匹配實現(xiàn)推薦[15]。但基于內容的推薦受商品特征提取方法的限制，更多地被用于文本信息的推薦或過濾，同時也面臨用戶冷啟動問題，需要大量的用戶行為記錄做支撐。針對上述問題，設計了一個基于情境和內容相融合的混合推薦系統(tǒng)，以實例化本體模型中菜品的屬性值作為關鍵詞提取菜品特征，并根據用戶與菜品的交互記錄構建用戶興趣模型的特征向量。同時，通過混合推薦系統(tǒng)對于兩種推薦方法的權重進行自適應調整，解決用戶冷啟動問題，提高對用戶各個使用階段的推薦質量。

1 基于情境感知的餐飲推薦本體建模

1.1 餐飲推薦本體結構

基于情境感知的餐飲推薦本體模型是采用OWL語言的知識表示，通過對用戶信息、所處環(huán)境、推薦對象及相互關系進行形式化的規(guī)范描述，為餐飲O2O推薦中情境信息和餐飲信息的交互提供語義表達的手段。根據本體的基本元素，可以表示為如下形式的五元組：

O=

(1)

其中，C表示概念類的集合，概念類具有實例的集合I；R表示屬性的集合，屬性根據作用域rel的不同分為對象屬性和數值屬性，分別表示類與類的關系，以及類與數據類型的關系；A表示公理的集合，公理是定義在類和屬性上的限制和約束[8]。

考慮餐飲O2O推薦中情境對用戶需求的影響，文中對情境信息與餐飲信息進行語義化描述，設計了基于情境感知的領域本體模型結構，表示為以下形式：

OCR=OContext∪OCatering

(2)

其中，OCR為餐飲推薦本體；OContext為情境本體；OCatering為餐飲本體。

1.1.1 情境本體

情境刻畫了移動商務活動中用戶特征和狀態(tài)及所處環(huán)境等信息，情境因素影響著用戶對推薦對象的需求[2]。文中將餐飲O2O推薦中的情境分為OUser(用戶本體)與OSituation(場景本體)兩部分建模，圍繞用戶概念類與場景概念類設計了相關的數值屬性和對象屬性。

其中，CUser(用戶類)具有數值屬性hasUserName(用戶姓名)。OUser的對象屬性類可表示為CUserProperty={BasicInformation,UserCondition}：

(1)基本信息，描述較少發(fā)生改變的人口統(tǒng)計學信息，包括子屬性類：年齡、性別、職業(yè)、家鄉(xiāng)、民族、食俗。概化為少兒、青年、中年、老年四個年齡階段。食俗是與宗教相關的飲食風俗，其實例包括基督教、伊斯蘭教、佛教等，不同宗教信仰對菜品有不同的偏好和忌諱。

(2)用戶狀態(tài)，是影響用戶用餐需求且可以描述的狀態(tài)，包括子屬性類：情緒、身體狀況、最近菜品。身體狀況的實例包括幾種常見的異常狀況，疲憊、感冒、發(fā)燒、上火、腹痛等，以及特殊疾病如糖尿病、高血壓等，是推薦系統(tǒng)實現(xiàn)健康知識相關規(guī)則推理的基礎。考慮到用戶往往不希望連續(xù)吃重復的菜品，文中在用戶狀態(tài)中設計了最近菜品，其實例相同于(Equivalent To)菜品的實例，通過規(guī)則推理實現(xiàn)過濾。

CSituation(場景類)具有數值屬性hasDate(日期)、hasTime(時間)、hasLocation(位置)。OSituation的對象屬性類可表示為CSituationProperty={TimeInformation,NaturalEnvironment,CateringCondition}：

(1)時間信息，是由日期和時間推理得到的時間相關的標簽，包括子屬性類：假期、季節(jié)、晝夜。假期的實例為工作日、周末、節(jié)假日。晝夜具有上午、中午、下午、夜晚、深夜五個實例。

(2)自然環(huán)境，描述用戶所處位置的自然環(huán)境信息，包括子屬性類：天氣、溫度、濕度。天氣的實例為晴、陰、雨、雪這四個主要類別。溫度和濕度按實際數值分別概化為五個區(qū)間。

(3)用餐性質，描述餐飲O2O相關的其他場景條件，包括子屬性類：陪同、用餐方式。陪同是與用戶共同用餐的伴侶，其實例包括個人、朋友、同學、同事、親屬等。用餐方式具有外賣、堂食、外帶三個實例。

1.1.2 餐飲本體

餐飲O2O的主要推薦對象為餐館和菜品，為研究菜品特征提取和用戶興趣挖掘，文中設計了餐飲O2O推薦的OFood(菜品本體)，圍繞菜品概念類設計了相關的數值屬性和對象屬性。CFood(菜品類)的屬性需要全面描述菜品的類型、味道、性質等特征，用于規(guī)則推理和基于內容推薦的特征提取，其中數值屬性包括hasFoodName(菜品名字)、hasPrice(價格)。OFood的對象屬性類包括價格標簽、類型、菜系、口味、做法、烹飪時間、食材，可表示為CFoodProperty={PriceLable,FoodType,Style,Flavor,CookWay,CookTime,Ingredient}，其中部分屬性類的實例如表1所示。

綜上，文中通過Protégé構建的餐飲推薦本體OCR的類及屬性層次結構如圖1所示。

表1 菜品本體中部分屬性類的實例

(a)OCR的類 (b)OCR的對象屬性 (c)OCR的數值屬性

1.2 實例化餐飲推薦本體模型

通過餐飲推薦本體模型的實例化，描述具體的情境信息和餐飲信息，是實現(xiàn)基于規(guī)則推理推薦的基礎，其過程是根據當前情境以及待推薦菜品的特征，對領域本體模型結構中的概念類CUser、CSituation、CFood進行實例化，對概念類的數值屬性和對象屬性賦值。同時，通過實例化本體模型記錄用戶的歷史行為，可以實現(xiàn)情境規(guī)則生成和用戶興趣挖掘。

情境信息是建立實例化情境本體模型的依據，獲取方式主要分為兩種，通過移動設備和互聯(lián)網自動獲取或交互界面引導用戶手動輸入。CSituation的大部分屬性值是比較容易獲取的客觀因素，日期、時間可以直接從互聯(lián)網獲取，位置的坐標值由移動設備的GPS獲取。假期、季節(jié)由日期的值推理獲取，而晝夜由時間的值推理獲取。而天氣、溫度、濕度通過結合位置從互聯(lián)網獲取準確值，并轉換為對應的概化屬性值以便于進行規(guī)則推理。CUser的基本信息于注冊時引導用戶手動輸入，不需要在每次推薦時獲取。用餐性質中陪同和用餐方式，以及用戶狀態(tài)中情緒和身體狀況這類因素對用戶需求有一定的影響，但受限于當前移動技術仍難以實現(xiàn)自動獲取，推薦系統(tǒng)將提供手動輸入的接口用于采集。隨著普適計算的發(fā)展，推薦系統(tǒng)與其他移動APP數據共享，對這類信息的自動感知成為可能。CUser的最近菜品是該用戶最近兩天下單記錄中的菜品，從用戶歷史行為的記錄中獲取。

2 基于情境感知的混合推薦方法

2.1 情境規(guī)則構建

在餐飲推薦本體模型的基礎上使用形式化規(guī)則語言SWRL描述情境規(guī)則，包括推薦型和過濾型規(guī)則，通過規(guī)則推理實現(xiàn)基于情境的餐飲O2O推薦。推理機根據SWRL規(guī)則對情境與菜品的屬性值進行匹配，建立用戶與菜品的屬性關系Recommend或noRecommend，比如當前情境與待推薦菜品滿足過濾型規(guī)則：

User(?x)∧hasBodyCondition(?x,感冒)∧Food(?z)∧hasFoodType(?z ,冷食)→noRecommend(?x,?z)

(3)

則建立屬性關系noRecommend(用戶x，菜品z)，以表達向感冒的用戶x過濾冷食類型的菜品z的語義。

在一次下單的實例化本體模型中，用戶和場景的屬性值描述了歷史情境的特征，包括用戶的基本信息和狀態(tài)，以及場景的時間信息、自然環(huán)境和用餐性質，而菜品的屬性值反映了用戶在對應情境下所選菜品的特征，包括菜品的類型、味道、性質等。通過數據挖掘可以發(fā)現(xiàn)歷史情境和所選菜品的通用關聯(lián)模式，生成基于情境的推薦型規(guī)則，而過濾型規(guī)則和部分難以挖掘的規(guī)則(如健康知識相關規(guī)則)由系統(tǒng)直接定義。

文中將一次下單的實例化本體模型定義為一次情境事務，作為用戶歷史行為的記錄。考慮用戶的操作中對于情境規(guī)則生成和用戶興趣挖掘有價值的行為，將用戶的下單、瀏覽、搜索這類操作都記錄在情境事務中。根據概念類實例的對象屬性值，提取情境事務的相應屬性值集作為數據挖掘的分析對象，包括用戶屬性值集UPS、場景屬性值集SPS、菜品屬性值集FPS。其中UPS和SPS組成情境屬性值集CPS，描述了用戶進行操作時情境的特征。從一次情境事務中提取的屬性值集如表2所示。

表2 情境事務屬性值集

使用關聯(lián)分析常用的Apriori算法對情境事務庫中所有的記錄所提取的屬性值集進行關聯(lián)規(guī)則挖掘，將情境屬性值CP定為規(guī)則前件，菜品屬性值FP定為規(guī)則后件。關聯(lián)分析和情境規(guī)則生成的算法描述如下：

(1)基于Apriori算法尋找包含且僅包含1個FP的頻繁屬性值集，設定最小支持度min_sup和最小置信度min_cof。若頻繁屬性值集滿足以下要求：

支持度：

support({FP1,CP1,CP2…})>min_sup

(4)

置信度：

(5)

則生成如下形式的關聯(lián)規(guī)則：

CP1∧CP2∧…∧CPn→FP1

(6)

(2)區(qū)分用戶屬性值UP和場景屬性值SP，將生成的關聯(lián)規(guī)則轉化為本體模型適用的SWRL規(guī)則：

User(?x)∧hasUserProperty(?x,UP1)∧Situation(?y)∧hasSituationProperty(?y,SP1)∧Food(?z)∧hasFoodProperty(?z,FP1) →Recommend(?x,?z)

(7)

在基于情境感知的推薦中，情境敏感性也有強弱之分，因此定義情境規(guī)則具有情境敏感度(DOS)。通過關聯(lián)分析得到的規(guī)則使用其置信度作為DOS，過濾型規(guī)則的DOS為1。該方法為基于情境推薦的情境規(guī)則設定了優(yōu)先級，同時也提供了混合推薦系統(tǒng)融合兩種推薦方法的參數手段。

2.2 用戶興趣挖掘

基于內容的餐飲O2O推薦不需要考慮用戶對菜品的評分，而是根據用戶的下單、搜索等歷史行為，以向量空間模型表示用戶興趣和菜品特征，并計算相似度來進行推薦[15]。采用實例化菜品本體模型中菜品的屬性值作為關鍵詞提取菜品特征，并根據用戶與菜品的交互記錄構建用戶興趣模型的特征向量，具體步驟如下：

(1)使用信息檢索常用的TF-IDF方法計算菜品的每個屬性值在菜品中的重要度，以價格標簽、類型、菜系、口味、做法、烹飪時間、食材的值作為關鍵詞。假設總共有N個菜品，關鍵詞ci是其中Ni個菜品的屬性值。菜品j具有屬性值ci，每個屬性值只在菜品中出現(xiàn)1次，因此ci的詞頻(TFij)為1。在許多菜品共同出現(xiàn)的關鍵詞需要降低對菜品特征區(qū)分和用戶興趣計算的貢獻程度，因此重要度會隨著其出現(xiàn)的頻率而下降。以TFij結合關鍵詞在所有菜品中出現(xiàn)次數的逆(IDFi)作為關鍵詞ci在菜品j中的重要度：

(8)

因此具有n個屬性值的菜品特征模型Content(j)可以表示為向量：

(9)

(10)

(11)

2.3 混合推薦系統(tǒng)模型

餐飲O2O推薦系統(tǒng)的工作流程如圖2所示。

圖2 推薦系統(tǒng)工作流程

系統(tǒng)通過自動獲取和手動輸入得到當前情境信息，建立實例化情境本體模型，以及屬性關系inSituation(用戶x，場景y)，以表達用戶x處于場景y的語義?；谇榫车耐扑]模塊進行當前情境與待推薦菜品的規(guī)則推理，建立屬性關系Recommend-i/noRecommend-i(用戶x，菜品z)，表示根據第i條推薦型/過濾型規(guī)則向用戶x推薦/過濾菜品y。基于內容推薦模塊通過計算菜品特征向量和用戶興趣向量相似度，得到用戶對菜品的興趣度(DOI)。兩種推薦方法的結果進入混合推薦模塊進行處理，得到最終TOP-N推薦列表展示給用戶。用戶的操作將保存在情境事務庫中，系統(tǒng)根據情境事務庫中個人記錄構建用戶興趣模型，根據情境事務庫中所有記錄挖掘情境規(guī)則。其中，混合推薦模塊對結果進行處理的算法描述如下：

3 實驗和結果分析

為了驗證基于情境感知的餐飲O2O推薦方法的有效性，本節(jié)設計了混合推薦系統(tǒng)原型并進行實驗。通過Protégé構建由OWL描述的餐飲推薦本體和SWRL描述的情境規(guī)則，并使用JESS推理機在模型上進行規(guī)則推理，向大學生推薦高校內不同飯?zhí)玫牟似贰?/p>

實驗召集5名大學生使用系統(tǒng)原型記錄校園餐飲歷史行為，用作情境規(guī)則的挖掘。這一階段持續(xù)120天，以求在盡可能差異化的情境下分析情境與菜品的通用關聯(lián)模式。通過對情境事務進行關聯(lián)分析，生成33條推薦型規(guī)則。系統(tǒng)根據情境知識定義9條過濾型規(guī)則，及8條健康知識相關規(guī)則，用于下一階段的實驗。

第二階段召集35名大學生參與使用系統(tǒng)原型進行餐飲推薦實驗，實驗時間為6周。實驗用戶就餐前輸入部分情境信息后，推薦系統(tǒng)將按照兩種推薦方法不同權重的組合為用戶展示三個TOP-10推薦列表，基于內容推薦的權重分別為0，0.5，1。用戶根據自己的實際需求對推薦列表中菜品的選擇：準確/不準確。根據用戶評價和使用的歷史記錄，系統(tǒng)不斷調整用戶興趣模型，并且每周更新情境規(guī)則庫。

實驗1：推薦準確性分析。

圖3顯示了三種權重設定下的推薦模型在菜品推薦準確率上的比較，取每周內統(tǒng)計數據的均值，Precision是推薦列表中被用戶選擇為準確的菜品數量與推薦列表中菜品總數的比例，公式表示如下：

(12)

圖3 不同推薦方法的菜品推薦準確率

從結果可以看出，第2周后混合推薦方法的準確率每周都高于單一推薦方法，而基于內容推薦的初始準確率較低，隨著周數的增加逐漸超過基于情境推薦。實驗結果表明，文中提出的混合推薦模型可以有效解決基于內容推薦的用戶冷啟動問題，且能較好地提高餐飲O2O推薦的準確性。

實驗2：權重自適應調整。

圖4 下單菜品在不同權重設定下的百分比排名

圖4顯示了用戶最終下單的菜品在不同權重設定下菜品排序(不限TOP-10)中的平均百分比排名，僅取下單的菜品中排名最靠前的一道，排名越靠前代表推薦方法越準確?；趦热萃扑]的權重分別設為0.1，0.3，0.5，0.7，取每周內統(tǒng)計數據的均值。

從結果可以看出，用戶使用系統(tǒng)原型的時間越長，平均排名最低的權重越大。根據平均排名調整權重，應在用戶使用系統(tǒng)的第1周內逐漸升為0.1，第2周內逐漸升為0.3，第3-5周內逐漸升為0.5。實驗結果表明，混合推薦模型中基于內容推薦的權重隨著使用時間逐漸加大，提高了自適應調整方法的有效性。

4 結束語

考慮到餐飲O2O推薦中用戶需求的情境敏感性，采用本體和規(guī)則實現(xiàn)了基于情境感知的知識表示和推理，并在此基礎上結合用戶興趣建模提出了基于情境和基于內容相融合的混合推薦方法。該方法既能根據所有用戶的歷史行為發(fā)現(xiàn)情境與菜品的通用關聯(lián)模式并生成情境規(guī)則，又能通過用戶興趣模型挖掘個人對菜品的特殊興趣偏好。實驗證明了利用權重自適應調整可以有效解決基于內容推薦的用戶冷啟動問題，提高系統(tǒng)對用戶各個使用階段的推薦質量。