基于眼動實驗的個性化地圖推薦模型探討

方 瀟，李 萌，包 芃，林宏波

（1.信息工程大學(xué) 地理空間信息學(xué)院，河南 鄭州 450052；2.沈陽建筑大學(xué) 交通與機(jī)械學(xué)院， 遼寧 沈陽 110168；3. 69027部隊， 新疆 烏魯木齊830002）

基于眼動實驗的個性化地圖推薦模型探討

方 瀟1，李 萌1，包 芃2，林宏波3

（1.信息工程大學(xué) 地理空間信息學(xué)院，河南 鄭州 450052；2.沈陽建筑大學(xué) 交通與機(jī)械學(xué)院， 遼寧 沈陽 110168；3. 69027部隊， 新疆 烏魯木齊830002）

結(jié)合地學(xué)眼動實驗方法，提出一種以用戶視覺為主體的個性化地圖推薦模型，避免了個性化推薦技術(shù)中冷啟動與用戶數(shù)據(jù)稀疏的缺陷,使得在現(xiàn)有的用戶興趣與需求挖掘條件下,個性化服務(wù)的推薦結(jié)果更加精確。最后對模型進(jìn)行了測試, 并得出了統(tǒng)計結(jié)果。

眼動實驗；個性化推薦；地圖服務(wù)；數(shù)據(jù)挖掘

目前，國外將個性化地圖服務(wù)與電子商務(wù)和旅游服務(wù)推薦系統(tǒng)相結(jié)合，相繼推出PALIO、GiMoDig、Deep Map等個性化地圖服務(wù)的原型推薦系統(tǒng)。國內(nèi)學(xué)者對個性化地圖服務(wù)的研究隨著網(wǎng)絡(luò)地圖服務(wù)技術(shù)的普及也已經(jīng)有很大的發(fā)展，研究主要集中于定制技術(shù)層面，較成熟的應(yīng)用服務(wù)有百度、搜狗等網(wǎng)絡(luò)地圖。然而，傳統(tǒng)的個性化推薦服務(wù)獲取用戶需求的方式只局限于用戶對計算機(jī)的操作，面對多樣化與多變性的用戶信息就顯得力所不及，推薦結(jié)果常常不盡人意。眼動研究被認(rèn)為是分析人類信息獲取和信息加工最有效的方式[1]。本文基于地圖學(xué)眼動實驗直觀獲取用戶視覺信息，結(jié)合個性化推薦技術(shù)，提出一種實時有效的個性化地圖推薦模型，較好地彌補用戶需求獲取困難與用戶興趣多樣化而導(dǎo)致的推薦結(jié)果不穩(wěn)定的缺陷，提高了用戶對于推薦服務(wù)的滿意度。

1 個性化地圖推薦服務(wù)的概念

1.1 個性化地圖服務(wù)

個性化地圖服務(wù)是以滿足用戶對地圖的個性化需求為目的，實現(xiàn)地圖服務(wù)的方式、資源、內(nèi)容的個性化，以此滿足用戶需求，提高服務(wù)效率。它的定義為：個性化地圖服務(wù)是一種能夠提供適應(yīng)用戶個性需要的服務(wù)，即可以根據(jù)用戶提出的明確要求被動地提供服務(wù)，或者通過對用戶個性、知識結(jié)構(gòu)、認(rèn)知特征、使用行為等多種信息進(jìn)行挖掘、加工、整理，而主動地提供滿足用戶潛在需求的服務(wù)模式[2]。服務(wù)模式分為2種：基于被動獲取用戶需求的地圖定制服務(wù)與主動挖掘用戶信息與需求的地圖自適應(yīng)服務(wù)。

1.2 個性化推薦技術(shù)

個性化推薦技術(shù)是介于定制服務(wù)技術(shù)與自適應(yīng)服務(wù)技術(shù)中的一個過渡層次，是利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定購買合適產(chǎn)品，模擬銷售人員幫助客戶完成購買過程[3]。個性化推薦技術(shù)是以主動的服務(wù)方式通過用戶需求來驅(qū)使個性化服務(wù)。它需要以定制服務(wù)的參數(shù)化模板技術(shù)為基礎(chǔ)，結(jié)合自適應(yīng)服務(wù)的數(shù)據(jù)挖掘技術(shù)，提取用戶信息和分析用戶需求，匹配服務(wù)數(shù)據(jù)庫的特定服務(wù)，以滿足用戶對服務(wù)的需求。

個性化推薦技術(shù)秉承以用戶為中心的服務(wù)體系，在國內(nèi)外的研究中都取得了豐碩的成果。但個性化推薦技術(shù)在發(fā)展中也產(chǎn)生了許多問題。例如，因用戶需求與興趣的多樣化，導(dǎo)致目標(biāo)用戶無法有效匹配鄰近用戶的數(shù)據(jù)稀疏性問題與歷史用戶數(shù)據(jù)稀少，新用戶無法進(jìn)行服務(wù)推薦匹配的冷啟動問題[4]，這些問題決定著個性化推薦結(jié)果的準(zhǔn)確性與穩(wěn)定性。為此，國內(nèi)外不少學(xué)者研究了相應(yīng)的解決方案。 ConorHayes等人將用戶當(dāng)前2個階段的語境信息的檢索技術(shù)相結(jié)合，提高了推薦結(jié)果的精確度；MatevKunaver等人利用3種不同的推薦算法合成一種新的推薦算法，使得推薦的結(jié)果更加穩(wěn)定；BuhwanJeong將用戶信任等級融入推薦算法，有效地解決了個性化推薦的冷啟動問題；李濤等人基于用戶聚類的方法優(yōu)化了用戶數(shù)據(jù)矩陣，有效解決了推薦過程中的數(shù)據(jù)稀疏性問題；王衛(wèi)平利用k-means對聚類用戶，并依靠金字塔框架處理模型來預(yù)處理評分?jǐn)?shù)據(jù)，有效體現(xiàn)了用戶評分時間對推薦結(jié)果的影響，提高了推薦質(zhì)量；劉旭東等人將用戶興趣與協(xié)同過濾算法相結(jié)合，解決了推薦過程中評分的數(shù)據(jù)稀疏性問題。

2 基于眼動實驗的個性化地圖推薦模型

2.1 推薦模型流程

依據(jù)眼動實驗的原理來設(shè)計個性化地圖推薦模型，以期利用人體的直觀視覺信息來推測用戶需求。模型的流程如圖1所示。

圖1 個性化地圖推薦服務(wù)流程圖

2.1.1 數(shù)據(jù)來源與處理

眼動數(shù)據(jù)是推薦模型的主要數(shù)據(jù)來源，本模型的眼動數(shù)據(jù)來源于眼動儀通過捕捉用戶在一定時間內(nèi)的眼動軌跡數(shù)據(jù)與眼動熱點數(shù)據(jù)。

2.1.2 用戶行為挖掘與需求分析

系統(tǒng)自動接收眼動實驗過程得到的眼動數(shù)據(jù)，通過用戶在瀏覽地圖網(wǎng)頁中各個區(qū)域的時間和先后順序，并基于關(guān)聯(lián)規(guī)則與數(shù)據(jù)挖掘技術(shù)來對眼動數(shù)據(jù)進(jìn)行解析和查詢，分析地圖用戶對當(dāng)前地圖的需求信息。

2.1.3 匹配地圖服務(wù)與個性化推薦

將上一步得到的用戶需求信息（地圖推薦結(jié)果）傳輸至地圖服務(wù)器，地圖服務(wù)器在獲取用戶需求之后，調(diào)用地圖數(shù)據(jù)庫的地圖產(chǎn)品與用戶需求進(jìn)行匹配，后利用可視化技術(shù)將地圖產(chǎn)品顯示至客戶瀏覽器，完成整個地圖服務(wù)的推薦。

2.2 推薦模型框架

依據(jù)個性化地圖推薦模型的流程，本文將推薦模型分為3部分：前臺數(shù)據(jù)獲取系統(tǒng)（數(shù)據(jù)搜集）、數(shù)據(jù)處理系統(tǒng)（用戶需求分析與查詢）、地圖匹配與顯示系統(tǒng)（地圖匹配及可視化）。具體功能如2圖所示。

圖2 個性化地圖推薦模型框架

2.2.1 前臺數(shù)據(jù)獲取系統(tǒng)

前臺系統(tǒng)的功能分為2部分，一部分是眼動數(shù)據(jù)的搜集功能；另一部分是地圖的查詢與檢索功能。當(dāng)用戶未直接向系統(tǒng)提交需求時，系統(tǒng)將根據(jù)用戶信息和視覺信息自動對用戶進(jìn)行周期性的眼動實驗，每隔一段時間將產(chǎn)生眼動實驗的數(shù)據(jù)，系統(tǒng)將不斷搜集眼動數(shù)據(jù)并將其傳輸至數(shù)據(jù)處理系統(tǒng)的數(shù)據(jù)挖掘子系統(tǒng)。當(dāng)用戶向系統(tǒng)提交直觀的需求時，系統(tǒng)將需求信息傳輸至數(shù)據(jù)處理系統(tǒng)的地圖查詢子系統(tǒng)，搜索用戶所需的地圖信息。

2.2.2 數(shù)據(jù)處理系統(tǒng)

主要依靠3個子系統(tǒng)混合處理數(shù)據(jù)。

1）數(shù)據(jù)挖掘子系統(tǒng)。依據(jù)眼動數(shù)據(jù)的觀察時間與順序節(jié)點，提取出注視時間數(shù)據(jù)和觀察順序數(shù)據(jù)，將這些數(shù)據(jù)傳輸至需求分析子系統(tǒng)。

2）需求分析子系統(tǒng)?；跀?shù)據(jù)挖掘子系統(tǒng)所提取的注視時間、觀察順序數(shù)據(jù)和數(shù)據(jù)關(guān)聯(lián)規(guī)則，提取用戶可能感興趣的地圖模塊信息，得到關(guān)于當(dāng)前用戶的地圖第1興趣信息、地圖第2興趣信息、地圖第3興趣信息，以此形成用戶需求的推薦信息。

3）地圖查詢子系統(tǒng)。此子系統(tǒng)將基于前臺用戶所輸入的直觀需求進(jìn)行地圖查詢，查詢信息將傳輸至地圖匹配與顯示系統(tǒng)進(jìn)行下一步的處理。

2.2.3 地圖匹配與顯示系統(tǒng)

該子系統(tǒng)的主要功能就是將數(shù)據(jù)處理系統(tǒng)得出的需求信息進(jìn)行地圖匹配與可視化。該部分把直觀的或者非直觀的需求信息通過地圖數(shù)據(jù)庫進(jìn)行地圖匹配，將個性化推薦系統(tǒng)的結(jié)果以可視化的形式反饋給用戶，讓整個推薦過程具有人機(jī)交互的效果，使用戶對個性化推薦系統(tǒng)有個良好的體驗。

3 基于眼動實驗方法的模型實例驗證

3.1 實驗準(zhǔn)備

3.1.1 實驗?zāi)康?/p>

采用眼動實驗法，主要基于地圖用戶注視地圖的時間、順序與用戶需求的關(guān)系，對用戶的眼動實驗數(shù)據(jù)進(jìn)行分析，驗證模型推薦結(jié)果的有效性。

3.1.2 被試取樣

本例從在校大學(xué)生中隨機(jī)選取了125人來完成本次眼動實驗，年齡均在20～30歲之間，其中本科生50名，研究生50名，博士生25名。

3.1.3 實驗器材與材料

選取俄羅斯行政區(qū)劃地圖為實驗底圖，采用Tobii T-120型眼動儀作為實驗儀器，該眼動儀采樣頻率120 Hz，空間分辨率為0.3°，偏離度為0.1°，頭部動作自由度為30 cm×22 cm×30 cm，精確度為0.5 cm，眼跟蹤技術(shù)為亮瞳孔和暗瞳孔跟蹤，眼跟蹤服務(wù)器為嵌入式，屏幕尺寸為43.18 cm薄膜晶體管液晶顯示。

3.2 實驗方法

采用隨機(jī)抽取法進(jìn)行實驗，被試人員對材料均不熟悉，可排除經(jīng)驗對結(jié)果的影響。具體步驟如下。

1）被試人員使用眼動儀開始捕捉眼球軌跡，校準(zhǔn)眼動參數(shù)。

2）實驗正式開始，被試人員觀察眼動實驗材料2 min。

3）被試人員獲取推薦結(jié)果，并對結(jié)果進(jìn)行選擇與評價，實驗結(jié)束。

3.3 實驗結(jié)果及分析

本例隨機(jī)抽取5位被試者的實驗結(jié)果進(jìn)行展示，被試者眼動實驗的熱點圖、軌跡圖如圖3、4所示。

圖3 眼動實驗熱點圖

在眼動實驗熱點圖中,紅色區(qū)域代表當(dāng)前用戶注視時間相對最長的區(qū)域；黃色區(qū)域代表當(dāng)前用戶注視時間相對較長的區(qū)域；綠色區(qū)域代表當(dāng)前用戶注視時間相對較少的區(qū)域；沒有上色的區(qū)域代表當(dāng)前用戶未觀察或者觀察時間極短的區(qū)域。

圖4 眼動實驗軌跡圖

在眼動實驗軌跡圖中，有許多以數(shù)字為標(biāo)記的點，數(shù)字由1到N，表示眼動儀捕捉到當(dāng)前用戶的N個注視點。這些注視點是根據(jù)眼球發(fā)生跳動及眼球運動的軌跡來記錄的，注視點的大小根據(jù)注視時間的長短而設(shè)定。在圖中，可以清楚地掌握實驗用戶的興趣點和觀察順序。

在進(jìn)行實驗時，將用戶分別標(biāo)記為U1、U2、…、Un，建立關(guān)于每一個用戶的眼動數(shù)據(jù)記錄表。表中的參數(shù)有：Number（時間標(biāo)簽序號）、FixationIndex（注視點的序號）、DataTimeStampStratOffset（眼睛變化注視點的開始時間）以及GazePointX（眼睛在屏幕上水平坐標(biāo)的掃描均值）、GazePointX（眼睛在屏幕上豎直坐標(biāo)的掃描均值）等。

模型系統(tǒng)將存儲每1個被試者的眼動數(shù)據(jù)記錄表，經(jīng)分析得出推薦結(jié)果。隨機(jī)抽取的5份被試者推薦結(jié)果及滿意度的調(diào)查統(tǒng)計表如表1所示。

以滿意計10分，比較滿意計8分，一般計6分，不滿意計0分。本實驗對125位用戶的滿意度進(jìn)行了統(tǒng)計。其中評價為滿意的用戶80人，評價為比較滿意的用戶25人，評價為一般的用戶15人，評價為不滿意的用戶5人。實驗綜合評分為86.8分。說明該個性化推薦模型是可行的，模型評價為良好。

表1 推薦結(jié)果統(tǒng)計表

4 結(jié) 語

針對現(xiàn)有個性化推薦面臨冷啟動及推薦數(shù)據(jù)稀疏性的問題，運用眼動實驗方法與個性化推薦技術(shù)，建立了一套自動分析用戶需求的個性化地圖推薦模型。該模型打破個性化推薦中常規(guī)的用戶需求獲取手段，借鑒“所見即所得”的服務(wù)思想，基于對用戶視覺的分析來推測用戶需求，為其推薦地圖服務(wù)，有效地提高了用戶獲取需求信息的準(zhǔn)確性。

[1] 瞿珍.網(wǎng)絡(luò)廣告視覺搜索的眼動研究[D].金華:浙江師范大學(xué),2009

[2] 吳增紅.個性化地圖服務(wù)理論與方法研究[D].鄭州:信息工程大學(xué),2011

[3] Resnick P, VarianH R.Recommender Systems[C].Communications of the ACM, New York, USA, 1997

[4] Sarwar B M.Sparsity,Sealability and Distribution in Recommender systems[P].University of Minisota,2001

[5] 張仙峰.當(dāng)前閱讀研究中的眼動指標(biāo)述評[J].心理與行為研究,2006,4(3):236-240

[6] Deshpande M，Karypis G.Item-based Top-n Recommendation Algorithms[J].ACM Trans Inf Syst, 2004,22(1):143-177

[7] 曾春,邢春曉,周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學(xué)報,2002,13(10):1 952-1 954

[8] 韓玉昌.眼動儀和眼動實驗法的發(fā)展歷程[J].心理科學(xué),2000,23(4):454-457

[9] Rich E.User Modeling via Stereotypes[J].Cognitive Science, 1979,3(4):329-354

[10] 劉建國,周濤,汪秉宏.個性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展,2009,19(1):1-15

P283.1

B

1672-4623（2015）01-0167-04

10.3969/j.issn.1672-4623.2015.01.056

方瀟，碩士，主要研究方向為地學(xué)可視化。

2013-12-04。

項目來源：國家高技術(shù)研究發(fā)展計劃資助項目（2012AA12A404）；國家自然科學(xué)基金資助項目（41171353）。