考慮時(shí)間情境的群體推薦算法研究

劉榮榮

(天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部，天津 300072)

?

考慮時(shí)間情境的群體推薦算法研究

劉榮榮

(天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部，天津 300072)

摘要：群體推薦能夠有效地解決群體社交活動(dòng)問(wèn)題，存在著廣闊的應(yīng)用前景。然而現(xiàn)有的群體推薦研究是不完善的，很少考慮用戶的時(shí)間情境信息。針對(duì)這個(gè)現(xiàn)狀，在傳統(tǒng)群體推薦方法的基礎(chǔ)上考慮時(shí)間情境信息，利用時(shí)間衰減函數(shù)對(duì)評(píng)分進(jìn)行預(yù)處理后再產(chǎn)生群體推薦列表。實(shí)驗(yàn)結(jié)果表明,所提出的算法能為群體提供有效的推薦，且引入時(shí)間情境可以提高推薦質(zhì)量。

關(guān)鍵詞：群體推薦；時(shí)間情境；協(xié)同過(guò)濾

個(gè)體推薦系統(tǒng)根據(jù)用戶的興趣偏好和歷史購(gòu)買記錄推薦用戶可能感興趣的商品或信息，是一種有效解決信息過(guò)載現(xiàn)象的工具，也帶來(lái)了巨大的商業(yè)利潤(rùn)。但其針對(duì)的僅僅是個(gè)體用戶，對(duì)于想要進(jìn)行集體活動(dòng)的群體用戶難以發(fā)揮效用，這催生了群體推薦系統(tǒng)。群體推薦并不是個(gè)體推薦的簡(jiǎn)單疊加，因?yàn)槿后w中會(huì)存在不同的意見(jiàn)，個(gè)體間的興趣愛(ài)好千差萬(wàn)別，想要找到整個(gè)群體都滿意的項(xiàng)目十分困難。目前尚沒(méi)有公眾普遍認(rèn)可的群體推薦算法或系統(tǒng)，群體推薦中仍然有很多因素需要進(jìn)一步研究，比如上下文信息。上下文信息包括用戶訪問(wèn)系統(tǒng)的時(shí)間、地點(diǎn)、心情等，對(duì)提高推薦系統(tǒng)的推薦質(zhì)量非常重要。時(shí)間情境是其中最重要的一種信息，對(duì)用戶興趣有著深入而廣泛的影響。用戶興趣是經(jīng)常變化的，對(duì)物品的偏好有季節(jié)效應(yīng)，且物品也有生命周期。要準(zhǔn)確預(yù)測(cè)用戶現(xiàn)在的興趣，應(yīng)該更加關(guān)注用戶最近的行為，而不是公平對(duì)待用戶的每一個(gè)行為。

因此運(yùn)用時(shí)間情境更符合人的興趣變化趨勢(shì)，引入時(shí)間情境，運(yùn)用衰減函數(shù)計(jì)算時(shí)間權(quán)重，對(duì)評(píng)分預(yù)處理，在個(gè)體推薦的基礎(chǔ)上聚合個(gè)體評(píng)分為群體產(chǎn)生推薦列表。

1相關(guān)工作

1.1群體推薦系統(tǒng)

伴隨著Web2.0的興起，推薦系統(tǒng)受到更多的關(guān)注，其應(yīng)用也越來(lái)越廣泛。國(guó)外對(duì)群體推薦相關(guān)的研究較早，涉及很多相關(guān)學(xué)科，如運(yùn)籌學(xué)、統(tǒng)計(jì)學(xué)、群決策、不確定理論和模糊理論等。群體推薦系統(tǒng)可以使用隱式信息或顯式信息來(lái)實(shí)現(xiàn)推薦[1]。一般情況下使用的是顯式信息，比如Pocket Restaurant Finder推薦系統(tǒng)[2]在做出推薦前需要用戶做問(wèn)卷調(diào)查來(lái)展示自己的偏好；還有Movielens推薦系統(tǒng)[3]則使用用戶對(duì)電影的評(píng)分這種顯示信息。也有推薦系統(tǒng)使用隱式信息的，比如Flytrap[4]，這個(gè)系統(tǒng)致力于為健身房?jī)?nèi)的所有人推薦音樂(lè)，推薦的依據(jù)是健身房中用戶在電腦上播放的音樂(lè)或歌曲。

1.2時(shí)間情境

推薦系統(tǒng)的作用是當(dāng)大量項(xiàng)目存在時(shí)，幫助用戶找到所需要的信息或商品，一般來(lái)說(shuō)，這些商品或信息應(yīng)該是基于用戶歷史偏好計(jì)算出來(lái)的最能吸引用戶的商品或信息。在這樣的過(guò)程中，發(fā)掘情境信息，比如時(shí)間、地點(diǎn)、天氣、設(shè)備和心情等，能夠起到提高推薦結(jié)果的作用。在這些情境信息中，時(shí)間情境信息是上下文信息中最重要最有用的信息。時(shí)間情境信息能夠追蹤用戶偏好的變化，識(shí)別用戶興趣，是基于上下文信息推薦系統(tǒng)的重要輸入。時(shí)間情境信息能夠較容易地使用現(xiàn)有技術(shù)從推薦系統(tǒng)中得到。時(shí)間情境是推薦中應(yīng)該備受關(guān)注的問(wèn)題，因?yàn)橛脩舻呐d趣是經(jīng)常變化的。例如一個(gè)程序員隨著工作時(shí)間的增加，逐漸從閱讀初級(jí)入門(mén)書(shū)籍過(guò)渡到閱讀專業(yè)書(shū)籍；一個(gè)女孩隨著年齡的增長(zhǎng)，逐漸不喜歡動(dòng)畫(huà)片，轉(zhuǎn)而喜歡浪漫愛(ài)情電影。因此人們現(xiàn)在的興趣比以前的興趣更重要，應(yīng)該使用時(shí)間情境來(lái)降低以前興趣所占比例，更加關(guān)注現(xiàn)在的興趣和行為。然而，盡管個(gè)體推薦中已經(jīng)存在時(shí)間情境的研究，但至今群體推薦的相關(guān)研究相對(duì)較少。

2考慮時(shí)間情境的群體推薦算法

在推薦系統(tǒng)中，用戶可使用評(píng)分表示對(duì)已體驗(yàn)項(xiàng)目的喜好程度。假設(shè)U={U1,U2,…,Um}和I={I1,I2,…,In}分別表示用戶集合和項(xiàng)目集合；R為m×n矩陣，表示m個(gè)用戶對(duì)n個(gè)項(xiàng)目的評(píng)分，稱為用戶-項(xiàng)目矩陣；RUiIj表示用戶Ui對(duì)項(xiàng)目Ij(i=1,2,…,m; j=1,2,…,n)的評(píng)分。

通常，一個(gè)群體至少包含兩個(gè)成員，都有共同的意愿去參加群體活動(dòng)。m表示群體中成員的數(shù)量，RUi(i=1,2,…,m)表示用戶Ui對(duì)推薦系統(tǒng)所有項(xiàng)目的評(píng)分情況，因此群體中所有成員對(duì)項(xiàng)目的評(píng)分可以簡(jiǎn)單地描述為以下矩陣形式：

用戶在體驗(yàn)項(xiàng)目后,通過(guò)給項(xiàng)目評(píng)分來(lái)展現(xiàn)對(duì)項(xiàng)目的喜好程度；同時(shí)從推薦系統(tǒng)中能夠很容易獲得評(píng)分時(shí)間戳，是指系統(tǒng)規(guī)定時(shí)間點(diǎn)到評(píng)分時(shí)間點(diǎn)的時(shí)間間隔。時(shí)間間隔越長(zhǎng)代表評(píng)分時(shí)間越接近現(xiàn)在。例如如果用戶U1對(duì)I2的評(píng)分時(shí)間為5天，意味著用戶是在推薦系統(tǒng)規(guī)定時(shí)間之后的第5天給出評(píng)分的。

另外，用戶的偏好被很多因素影響，例如年齡和職業(yè)等內(nèi)在因素，或者是親密的朋友和周圍的環(huán)境等外在因素。總之，用戶的興趣不是固定不變的，而是隨著時(shí)間的變化而遷移。目前大多數(shù)的研究工作放在時(shí)間窗或者遺忘函數(shù)上，用這些方法來(lái)學(xué)習(xí)和跟蹤用戶的行為。時(shí)間窗方法傾向于完全忽視某個(gè)時(shí)間段之前的信息，可能會(huì)導(dǎo)致重要信息的丟失。筆者使用指數(shù)遺忘函數(shù)[5-6]，其是一種適應(yīng)性的函數(shù)，可以用來(lái)逐漸降低以往評(píng)分的權(quán)重，其定義式為：

其中，time(U,I)是正整數(shù)，表示根據(jù)項(xiàng)目的評(píng)分時(shí)間偏好應(yīng)該降低到什么程度。最近時(shí)間設(shè)為0天，第二個(gè)最近時(shí)間設(shè)為1天，第三個(gè)最近時(shí)間設(shè)為2天，以此類推。對(duì)同一個(gè)用戶，如果兩個(gè)項(xiàng)目在同一天被評(píng)分，則這兩個(gè)項(xiàng)目的評(píng)分時(shí)間是相同的，即兩個(gè)項(xiàng)目有相同的time(U,I)。hlU為用戶的半生命周期，依賴于用戶在不同天數(shù)的評(píng)分次數(shù)。對(duì)于hlU值較大的用戶，擁有更長(zhǎng)的生命周期，其興趣衰減比生命周期短的用戶緩慢。

使用指數(shù)遺忘函數(shù)計(jì)算出來(lái)的時(shí)間權(quán)重，對(duì)原始的評(píng)分值RUiIj進(jìn)行預(yù)處理，即：

(2)

3實(shí)驗(yàn)結(jié)果及分析

3.1數(shù)據(jù)集

使用的數(shù)據(jù)集是Movielens 100K。通過(guò)網(wǎng)絡(luò)進(jìn)入該網(wǎng)站，注冊(cè)后任意挑選已經(jīng)看過(guò)的電影，并根據(jù)喜好在1～5分中給出評(píng)分。為了評(píng)價(jià)算法的推薦質(zhì)量，實(shí)驗(yàn)按照評(píng)分時(shí)間戳將該數(shù)據(jù)集分成兩部分。第一部分是訓(xùn)練集，是除去第二部分外的所有項(xiàng)目評(píng)分。第二部分是測(cè)試集，包含每個(gè)用戶評(píng)分時(shí)間最接近現(xiàn)在的10個(gè)項(xiàng)目評(píng)分。對(duì)于每一個(gè)用戶，測(cè)試集中的項(xiàng)目評(píng)分時(shí)間都比訓(xùn)練集中的更接近現(xiàn)在。

3.2評(píng)價(jià)指標(biāo)

從HERLOCKER等[7]的觀點(diǎn)出發(fā)，在衡量推薦系統(tǒng)的質(zhì)量時(shí)，有兩個(gè)主要的度量應(yīng)該考慮，分別是準(zhǔn)確度和覆蓋率。從這兩個(gè)角度出發(fā)，做一系列的實(shí)驗(yàn)，對(duì)筆者所提出的推薦算法與傳統(tǒng)的群體推薦算法進(jìn)行對(duì)比。

3.2.1準(zhǔn)確度度量

采用NDCG指標(biāo)(normalized discounted cumulative gain)對(duì)準(zhǔn)確度進(jìn)行度量。這是一種非常受歡迎的評(píng)價(jià)排列準(zhǔn)確度的方法，獲得了越來(lái)越高的關(guān)注。實(shí)踐表明給出推薦列表更人性化，正確的推薦順序要比準(zhǔn)確的預(yù)測(cè)評(píng)分更重要。首先計(jì)算每個(gè)群體用戶的NDCG，然后將用戶的NDCG平均值作為群體的NDCG[8-10]。群體用戶的NDCG越大，說(shuō)明算法產(chǎn)生的相關(guān)項(xiàng)目越靠近列表前面，因此群體更有可能對(duì)推薦結(jié)果滿意。

設(shè){P1,P2,…,Ps}為推薦給一個(gè)群體的項(xiàng)目集合；s為推薦列表中項(xiàng)目的數(shù)量；U為一個(gè)用戶；RUPi為用戶U對(duì)項(xiàng)目Pi(i是項(xiàng)目Pi在群體推薦列表中的位置)的真實(shí)評(píng)分。用戶U與群體G之間的DCG(discounted cumulative gain)和NDCG的定義式為：

(3)

(4)

(5)

3.2.2群體覆蓋率度量

這里使用的覆蓋率度量方法不同于傳統(tǒng)的方法。對(duì)于傳統(tǒng)的覆蓋率度量，通常用于個(gè)體推薦，用來(lái)度量給用戶推薦的項(xiàng)目占所有項(xiàng)目的比例。但是這里使用的叫做群體覆蓋率，用來(lái)度量群體推薦的有效性。因?yàn)閿?shù)據(jù)的稀疏性和信息的不完備性，有些群體無(wú)法得到有效的推薦結(jié)果。能夠有效推薦的群體數(shù)量的比例是值得度量的。覆蓋率的定義式為：

(6)

3.3實(shí)驗(yàn)結(jié)果

對(duì)比算法有以下幾個(gè)：沒(méi)有時(shí)間權(quán)重衰減的推薦算法，命名為CF-AVG；先個(gè)體推薦再用最小損失法聚合群體推薦算法，命名為CF-LM；帶有時(shí)間權(quán)重衰減的CF-LM算法，命名為T(mén)IME-CF-LM；先使用平均值法聚合個(gè)體評(píng)分再用協(xié)同過(guò)濾算法為群體推薦算法，命名為AVG-CF；帶有時(shí)間權(quán)重衰減的AVG-CF算法，命名為T(mén)IME-AVG-CF。群體成員數(shù)量為3、5、8的群體各隨機(jī)產(chǎn)生500組，對(duì)這些群體給出推薦列表，然后與測(cè)試集中的項(xiàng)目相對(duì)比，利用準(zhǔn)確度和群體覆蓋率這兩個(gè)指標(biāo)衡量實(shí)驗(yàn)結(jié)果。不同群體成員數(shù)量下筆者推薦算法與對(duì)比算法的實(shí)驗(yàn)結(jié)果如表1所示。

表1　不同群體成員數(shù)量下筆者推薦算法與對(duì)比算法的實(shí)驗(yàn)結(jié)果

由表1可知，在群體成員數(shù)量分別為3、5和8的情況下，筆者推薦算法得到的準(zhǔn)確度和群體覆蓋率均比其他算法大，即該算法在準(zhǔn)確度和群體覆蓋率上都比其他算法好，群體推薦效果更優(yōu)。而且?guī)в袝r(shí)間權(quán)重衰減的群體推薦算法的推薦結(jié)果都優(yōu)于沒(méi)有時(shí)間權(quán)重衰減算法。

4結(jié)論

目前群體推薦算法的研究很少考慮時(shí)間情境，而時(shí)間情境會(huì)對(duì)推薦結(jié)果產(chǎn)生影響。筆者提出的推薦算法使用用戶評(píng)分時(shí)間這一時(shí)間情境，在時(shí)間權(quán)重衰減評(píng)分的基礎(chǔ)上為群體用戶產(chǎn)生推薦列表。實(shí)驗(yàn)結(jié)果表明，筆者推薦算法能夠提供更有效的推薦結(jié)果，且時(shí)間情境的運(yùn)用提高了算法的推薦質(zhì)量。今后還需更加深入細(xì)致地研究時(shí)間情境，尋找更優(yōu)的時(shí)間衰減函數(shù)和方法，進(jìn)一步地提高群體推薦系統(tǒng)的推薦效果。

參考文獻(xiàn)：

[1]JAMESON A,SMYTH B.Recommendation to groups[J].Lecture Notes in Computer Science,2007(4321):596-627.

[2]MCCARTHY J F,ANAGNOST T D.MusicFX: an arbiter of group preferences for computer supported collaborative workouts[C]∥Proceedings of the 1998 ACM Conference on Computer Supported Cooperative Work.[S.l.]:[s.n.],1998:363-372.

[3]JUNG J J.Attribute selection-based recommendation framework for long-tail user group: an empirical study on movielens dataset [J].Expert Systems with Applications,2011,39(4):4049-4054.

[4]CROSSEN A,BUDZIK J,HAMMOND K J.Flytrap: intelligent group music recommendation[C]∥Proceedings of the 7th International Conference on Intelligent User Interfaces.[S.l.]: ACM,2002:184-185.

[5]AGGARWAL C C,HAN J,WANG J,et al.A framework for projected clustering of high dimensional data streams[C]∥Proceedings of the Thirtieth International Conference on Very Large Data Bases.[S.l.]:[s.n.],2004:852-863.

[6]ZHENG N,LI Q.A recommender system based on tag and time information for social tagging systems[J].Expert Systems with Applications,2011,38(4):4575-4587.

[7]HERLOCKER J L,KONSTAN J A,BORCHERS A,et al.An algorithmic framework for performing collaborative filtering[C]∥Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.[S.l.]: ACM,1999:230-237.

[9]BALTRUNAS L,MAKCINSKAS T,RICCI F.Group recommendations with rank aggregation and collaborative filtering[C]∥Proceedings of the Fourth ACM Conference on Recommender Systems.[S.l.]: ACM,2010:119-126.

[10]PERA M S,NG Y K.A group recommender for movies based on content similarity and popularity[J].Information Processing & Management,2013,49(3):673-687.

LIU Rongrong:Postgraduate;College of Management and Economics,Tianjin University,Tianjin 300072,China.

[編輯：王志全]

文章編號(hào)：2095-3852(2016)01-0093-04

文獻(xiàn)標(biāo)志碼:A

收稿日期：2015-10-11.

作者簡(jiǎn)介：劉榮榮(1990-)，女，山東泰安人，天津大學(xué)管理與經(jīng)濟(jì)學(xué)部碩士研究生.

中圖分類號(hào)：TP391.7

DOI：10.3963/j.issn.2095-3852.2016.01.020

Group Recommendation Algorithm Research Considering Time Context

LIU Rongrong

Abstract：Group recommendation can effectively solve social activity problems that it has broad application prospects.However,current group recommendation research is not sufficient that it rarely considers users' time context information.In terms of this current situation,the proposed algorithm considers time context information on the basis of traditional group recommendation algorithm.Time decay function is used to preprocess ratings and then group recommendation list is generated.The experiemental results show that the proposed algorithm provide effective recommendation for groups and time context can improve recommendation quality.

Key words：group recommendation; time context; collaborative filtering