張忠海，夏 宇,2*，楊舒波

(1. 江西師范大學(xué)地理與環(huán)境學(xué)院，330022，南昌；2. 鄱陽湖濕地與流域研究教育部重點實驗室，330022，南昌)

0 引言

信息過載使用戶難以快速地從現(xiàn)有信息中獲取感興趣的信息[1]，推薦系統(tǒng)在極大程度上緩解了這個問題?，F(xiàn)有研究表明，融合情景的推薦結(jié)果明顯優(yōu)于非情景信息的推薦結(jié)果[2-3]。移動定位技術(shù)的發(fā)展，使得用戶的位置信息、身份信息、周圍的人以及這些信息的變化很容易獲取，并以位置為核心，這構(gòu)成了最初的情景信息[4]。Brown認(rèn)為時間、溫度和季節(jié)等也會對用戶產(chǎn)生影響[5]，此后用戶的情緒[6]、用戶感興趣的對象[7]以及身體狀況[8]等被加入到情景信息。隨著情景維度的增多，不同用戶對同一項目的評價可能在2個完全不同的情景下完成，這種情況下直接使用經(jīng)典協(xié)同推薦很容易得到錯誤的用戶相似度，低維的個性化推薦算法無法直接適用于高維的個性化推薦。為了解決這個問題，一些研究從情景預(yù)過濾的角度分析，主要在于進(jìn)一步提高用戶相似度的精度，如在情景相似的前提下，計算用戶相似度[9-10]；對項目的內(nèi)容特征進(jìn)行聚類[11-12]；或以不同的權(quán)重綜合考慮多種相似度[13-14]。這些研究在預(yù)過濾的前提下進(jìn)行協(xié)同推薦，使用戶的可用數(shù)據(jù)急劇下降，冷啟動問題更加突出，對于用戶數(shù)據(jù)原本較少的領(lǐng)域，如旅游領(lǐng)域，算法難以適用，對用戶偏好的研究不足，無法動態(tài)地適應(yīng)情景變化。近年來對情景建模的推薦算法研究逐漸增加，對語義分析和情景的影響考慮得更加細(xì)致,包括用戶情感方向和特殊情景下對用戶行為的抑制等[15]，建模過程復(fù)雜，用戶偏好的改變或興趣漂移，會使算法成本顯著增加，情景建模需要大量文檔數(shù)據(jù)，模型精度依賴于文本解析算法的精度，算法更適用于基于屬性的個性化推薦?；谏鲜龇治?，本文提出一種適應(yīng)情景變化的推薦算法，在經(jīng)典協(xié)同推薦的基礎(chǔ)上，通過計算用戶對情景的效用，以情景效用補(bǔ)償情景變化的影響，動態(tài)地適應(yīng)情景變化，不用進(jìn)行復(fù)雜的建模和計算，不會降低數(shù)據(jù)的利用率，算法適用性強(qiáng)。

適應(yīng)情景變化的協(xié)同推薦算法分為情景效用評價和評分預(yù)測2個階段：情景效用評價發(fā)生在推薦前，對每一個具體用戶，計算用戶對情景的效用，量化用戶對情景的偏好；評分預(yù)測時比較當(dāng)前情景和歷史情景的差異，在經(jīng)典協(xié)同推薦算法[16]的基礎(chǔ)上，通過情景效用調(diào)整用戶在當(dāng)情景下對目標(biāo)項目的評分。本文引入用戶情景效用概念，給出計算情景效用的有效方法，并提出了一種適應(yīng)情景變化的協(xié)同推薦模型和算法。實驗表明，本算法可以動態(tài)地適應(yīng)情景變化，并能有效的提高推薦質(zhì)量。

1 基于情景效用評分的協(xié)同推薦

行為學(xué)認(rèn)為，人自身的狀態(tài)和所處環(huán)境狀態(tài)的相關(guān)參數(shù)都被考慮在內(nèi)之后，人的行為具有相對穩(wěn)定的偏好[17]?？梢酝ㄟ^對數(shù)據(jù)統(tǒng)計分析，定量研究影響用戶行為的因素，來把握用戶的行為[18-19]，這說明用戶的行為是可以度量的[20-21]，這種行為往往反應(yīng)用戶的偏好。經(jīng)典的協(xié)同推薦并不分析用戶偏好，僅在計算用戶相似度后，根據(jù)公式將滿足要求的用戶項目推薦給目標(biāo)用戶，但此時的情景與當(dāng)時的情景可能有很大不同，直接推薦可能并不符合用戶需求，需要根據(jù)情景差異進(jìn)行調(diào)整。事實上，經(jīng)典協(xié)同推薦只考慮了用戶對項目的興趣度，并沒有考慮情景變化對用戶的影響。

1.1 情景和效用

不同領(lǐng)域?qū)η榫叭狈y(tǒng)一的表達(dá)，本文從現(xiàn)有研究中選擇項目情景、用戶情景、商業(yè)情景、社會情景、時間情景、物理情景和網(wǎng)絡(luò)情景等作為本文考慮的主要情景，并將每種情景劃分為不同的子情景，按層次樹結(jié)構(gòu)進(jìn)行組織，如圖1。情景層次化有助于情景的擴(kuò)展，能夠更好地適應(yīng)不斷變化的上下文環(huán)境。

圖1 情景層次樹模型

將情景(指子情景，下同)作為影響用戶評分的單位，同一情景的具體情況不同對用戶的影響也有差異，如當(dāng)一些游客選擇旅游景點時，距離的遠(yuǎn)近可能對游客產(chǎn)生不同程度的影響?？紤]要計算用戶對情景的效用，所選取的情景應(yīng)是具有一般性、穩(wěn)定性的主要情景，如項目的位置、價格和商業(yè)環(huán)境的服務(wù)、質(zhì)量等，進(jìn)一步將所考慮的情景細(xì)分為若干個類別，不同的類別對用戶的影響是不同的，對子情景進(jìn)行分類，如表1。對于每個用戶，從表中選取影響該用戶的若干個主要情景。

表1 子情景分類

本文引入經(jīng)濟(jì)學(xué)中的基數(shù)效用論，用效用度量用戶消費的滿足程度。偏好的差異導(dǎo)致效用的差異，可以通過用戶效用來反映用戶偏好。在推薦領(lǐng)域，效用可以視為用戶對項目的評分，由項目和項目所處情景決定，用戶的最終評分表現(xiàn)為用戶對項目效用和對各情景效用的疊加，當(dāng)各分效用已知時，就可以求出用戶對具體項目的總效用。

1.2 情景效用評價

設(shè)項目i的所有情景分類為Ti={ti,1,ti,2,…,ti,j},ti,j= {0,1}，用戶對所有情景下不同分類的效用為kj= {k1,k2, …,kj}。根據(jù)基數(shù)效用論，用戶對項目的效用可以用如下公式表示：

Si=∑nj=1kjti,j

(1)

式中：ti,j取值1或0，表示存在或不存在，同一時間一個情景下最多只能有一個分類存在；kj表示用戶對ti,j的效用，Si表示用戶對項目i的總效用，即評分。如用戶在選擇旅游景點時主要考慮距離和價格2個情景，并且用戶對距離的效用為近(2)、一般(1)、遠(yuǎn)(0)，對價格的效用為低(3)、一般(2)、高(1)，對其它情景效用為0，則用戶對距離近且價格一般的景點的總效用為：2×1+1×0+0×0+3×0+2×1+1×0+0×0+…=4。

當(dāng)i=1,2,3,…,m時，與線性最小二乘法的基本公式一致:

∑nj=1Xi,jβj=yi

(2)

式中：m表示等式個數(shù)，n表示未知數(shù)個數(shù)，m>n，通過m個實測值可以求得使殘差平方和最小的β值，即可以根據(jù)m條用戶數(shù)據(jù)求得用戶對情景的效用。

1.3 基于情景效用的評分預(yù)測

本文在經(jīng)典協(xié)同推薦基礎(chǔ)上進(jìn)行改進(jìn)，將算法分為預(yù)測階段和調(diào)整階段。預(yù)測階段使用經(jīng)典算法進(jìn)行預(yù)測，首先根據(jù)所有用戶和項目構(gòu)建用戶項目-矩陣，然后根據(jù)用戶-項目矩陣計算用戶之間的相似度，最后根據(jù)公式(3)計算出用戶對項目的預(yù)測值，本文相似度計算采用皮爾遜相關(guān)系數(shù)。

用戶u對項目i的評分預(yù)測公式如下：

(3)

計算出用戶對項目的評分后，進(jìn)一步考慮當(dāng)前情景與歷史情景的差異，調(diào)整用戶對項目的評分。分析公式(1)，對于相同項目i，不同的情景t和c有：

Si,c=Si,t+∑nj=1kj(cj-tj)

(4)

式中：Si,t表示情景t下用戶的總效用；Si,c表示情景c下用戶的總效用。

適應(yīng)情景變化的推薦算法：

輸入：目標(biāo)用戶數(shù)據(jù)，其他用戶數(shù)據(jù)；

輸出：目標(biāo)用戶的推薦集；

偽碼描述：

1: Input current user data (u,i,c)；

2: forMitemi%M表示參與效用計算的數(shù)據(jù)量；

圖2 適應(yīng)情景變化的協(xié)同推薦

3: build I×C matrixC(i,c)；%構(gòu)建項目-情景矩陣；

4:build U×I matrixR(u,i)；%構(gòu)建用戶-項目矩陣；

5:for all itemsi；

6:User utility:k(u,j)=pinv(C(i,c))*R(u,i)'；%j表示用戶效用的個數(shù)；

7:for all neighbor usersb；

8:for common itemsi；

9:sim(a,b)=

10:forallitemsi；

11:ifsim(u,i)>δ%δ表示相似度閾值；

13:forallp(u,i)；

14:S(u,i)=P(u,i)+∑j=1k(u,j)×(cj-tj)；

15:returnTopN(S(u,i))。

2 實驗分析

實驗的硬件環(huán)境為Inter(R) Core (TM) i5-7300HQ CPU @2.50GHz 2.50GHz，8G內(nèi)存。軟件環(huán)境為Windows10，Matlab2017a，算法使用Matlab腳本語言編寫。

2.1 實驗數(shù)據(jù)和評價指標(biāo)

算法通過解超定方程的方式來擬合用戶的情景效用，用戶數(shù)據(jù)必須大于所考慮的所有情景類別個數(shù)。采用模擬數(shù)據(jù)的方式進(jìn)行仿真實驗[22-24]可用于評價復(fù)雜情景感知推薦算法[25]，能避免實際數(shù)據(jù)中存在的稀疏性和冷啟動等問題，更好地驗證算法的有效性。考慮到一些領(lǐng)域用戶的歷史數(shù)據(jù)量相對較少，為了保證用戶有足夠的數(shù)據(jù)，選取的主要子情景數(shù)量要適中。不同領(lǐng)域，用戶所關(guān)注的情景大不相同，故實驗考慮5個較普遍的情景，每個情景分為3個類別，共15個效用值。每個用戶對情景的偏好和每個項目的情景類別用隨機(jī)數(shù)函數(shù)產(chǎn)生，不同的用戶所考慮的情景不同，為了能夠統(tǒng)一表達(dá)，用戶偏好可以為0，如User={p1，p2，p3，p4，p5}，pi的取值為[0,5]，Item={l1，l2，l3，l4，l5}，li的取值為[1,3]，通過公式(3)計算用戶對項目的評分。共模擬1 000個用戶和1 000個項目，每個用戶從1 000條數(shù)據(jù)中隨機(jī)選擇40個項目進(jìn)行評分，部分?jǐn)?shù)據(jù)如表2、表3。文獻(xiàn)[12]指出，當(dāng)鄰居數(shù)達(dá)到20時，推薦結(jié)果的精度，不會隨鄰居數(shù)量增加而提高，從模擬數(shù)據(jù)中抽取至少擁有20個鄰居的用戶進(jìn)行實驗。

表2 用戶偏好

表3 項目情景類別

本文采用常用的平均絕對誤差(MAE)作為度量標(biāo)準(zhǔn)，MAE值越小，準(zhǔn)確性越高，設(shè)預(yù)測的用戶評分集合表示為{p1,p2, …,pN}，對應(yīng)的實際用戶評分集合為{q1,q2, …,qN}，則平均絕對偏差MAE定義為：

(5)

2.2 實驗結(jié)果

對1 000個用戶的數(shù)據(jù)進(jìn)行分析，選取其中334個符合條件的用戶。對于每個用戶，模擬1個項目情景作為歷史情景，根據(jù)鄰居的評分使用經(jīng)典算法來預(yù)測目標(biāo)用戶的評分；模擬3個項目作為當(dāng)前情景，為表現(xiàn)與歷史情景的差異，設(shè)置1個項目情景與歷史情景完全相同，1個項目情景明顯優(yōu)于歷史情景，1個項目情景明顯低于歷史情景，計算用戶的實際評分，部分?jǐn)?shù)據(jù)如表4。

表4 當(dāng)前項目與部分歷史項目

首先使用經(jīng)典協(xié)同推薦算法求基礎(chǔ)預(yù)測值。分別計算3種情況的MAE，相同情景、不同情景1(優(yōu)于歷史情景)和不同情景2(低于歷史情景)，重復(fù)實驗10次，如圖3。實驗發(fā)現(xiàn)：當(dāng)歷史情景與當(dāng)前情景相同時，經(jīng)典的協(xié)同推薦算法有較高的推薦質(zhì)量；當(dāng)歷史情景與當(dāng)前情景差異較大時，經(jīng)典推薦方法精度極不穩(wěn)定，具有隨機(jī)性。原因是，經(jīng)典推薦方法假設(shè)歷史情景與當(dāng)前情景總是相同，但實際情況往往與此不同，而當(dāng)歷史情景與當(dāng)前情景差異很大時，經(jīng)典方法可能會給出錯誤的結(jié)果。圖中橫軸表示實驗次數(shù)，縱軸表示MAE。

圖3 經(jīng)典算法不同情況下的MAE

然后計算用戶對情景的效用。效用通過解方程求取，為了保證最終的推薦質(zhì)量，需要保證用戶對情景效用的精度。用M表示參與計算的用戶數(shù)據(jù)量，本文考慮15個效用，故M≥ 15,取M等于15、20、25、30、35、40進(jìn)行實驗，使用歷史數(shù)據(jù)的觀察值進(jìn)行調(diào)整，結(jié)果如表5和圖4。研究發(fā)現(xiàn)，M越大時，精度越高，當(dāng)M取40時，有較高的精度，實驗最終取M=40。

表5 某用戶不同M值下的情景效用

(a) 低于當(dāng)前情景

(b) 優(yōu)于當(dāng)前情景

最后對基礎(chǔ)預(yù)測值進(jìn)行調(diào)整。從圖3可以看出，當(dāng)歷史情景與當(dāng)前情景相差很大時，傳統(tǒng)算法的推薦質(zhì)量很低，但當(dāng)歷史情景與當(dāng)前情景相同時，傳統(tǒng)算法有較高的推薦質(zhì)量。對圖3中不同情景1和不同情景2的預(yù)測值根據(jù)情景效用進(jìn)行調(diào)整，如圖5。

圖5 預(yù)測值調(diào)整后的MAE

可以發(fā)現(xiàn)，不同情景的預(yù)測值調(diào)整之后的精度與相同情景下的預(yù)測精度十分接近，具有較高的精度。為了進(jìn)一步證明本方法的有效性，取用戶對項目的實測值進(jìn)行調(diào)整，其中不同情景1的第1個項目不用調(diào)整，不同情景2的第2個項目不用調(diào)整，結(jié)果如圖6?？梢园l(fā)現(xiàn)，當(dāng)使用實測值進(jìn)行調(diào)整時，預(yù)測精度進(jìn)一步提高。結(jié)果表明，基礎(chǔ)預(yù)測階段的精度越高，調(diào)整后的精度越高。

圖6 真實值調(diào)整后的MAE

與文獻(xiàn)[9]對比，當(dāng)歷史情景與當(dāng)前情景不同時，本算法明顯有更好的推薦質(zhì)量，如圖7。原因在于文獻(xiàn)[9]使用平均值來表示用戶對情景戶偏好程度，這平滑了用戶對情景的偏好，連續(xù)進(jìn)行2次相似度計算，誤差被積累，此外2次相似度計算使得計算量大大增加，相似情景下進(jìn)行用戶相似度計算會降低數(shù)據(jù)地利用率，使冷啟動問題更加突出。

本文重點研究預(yù)測值如何調(diào)整以動態(tài)地適應(yīng)情景變化。實驗發(fā)現(xiàn)，當(dāng)歷史情景與當(dāng)前情景相同時，經(jīng)典協(xié)同推薦的預(yù)測值具有較高的精度。而實際生活中，歷史情景與當(dāng)前情景往往有所差異，因此考慮情景變化能夠有效地提高推薦質(zhì)量，可以發(fā)現(xiàn)，本文所提出的方法能夠很好地適應(yīng)情景變化；此外研究還發(fā)現(xiàn)，當(dāng)預(yù)測階段精度越高時，調(diào)整之后的精度越高；用戶的情景效用計算只依賴用戶歷史數(shù)據(jù)，可以離線完成，在線階段的時間復(fù)雜度增加O(N)；經(jīng)典的推薦算法作為本算法獨立的一個步驟，增加經(jīng)典算法推薦質(zhì)量的改進(jìn)也可增加本算法的推薦質(zhì)量。

圖7 適應(yīng)情景變化的協(xié)同推薦算法與不同算法比較

3 結(jié)束語

經(jīng)典推薦算法及眾多改進(jìn)算法無法適應(yīng)情景的變化，很少考慮當(dāng)前情景與歷史情景間的差異，對所有用戶都按照統(tǒng)一的規(guī)則進(jìn)行分析?，F(xiàn)有的個性化推薦策略采用前置過濾的方式，提高了推薦質(zhì)量，卻降低了數(shù)據(jù)利用率，使冷啟動問題更加突出，并且無法動態(tài)地適應(yīng)情景變化。本文在經(jīng)典推薦的基礎(chǔ)上，提出一種適應(yīng)情景變化的推薦算法，將用戶偏好轉(zhuǎn)換為用戶對情景的效用，通過用戶對情景的效用來調(diào)整歷史情景與當(dāng)前情景不同時算法的預(yù)測值，使算法能動態(tài)地適應(yīng)情景變化，在情景變化時，能做出合理的調(diào)整。本文給出的算法使用用戶歷史數(shù)據(jù)計算用戶的情景效用，根據(jù)不同情景下的效用變化來調(diào)整預(yù)測值，理論上對不同的用戶考慮不同的情景，算法能正確運(yùn)行。實驗表明了該算法的可行性和有效性，有助于提高推薦質(zhì)量。