基于用戶簽到行為的群組興趣點(diǎn)推薦模型

陶永才，丁 鑫，石 磊，衛(wèi) 琳

1(鄭州大學(xué) 信息工程學(xué)院, 鄭州 450001)

2(鄭州大學(xué) 軟件技術(shù)學(xué)院, 鄭州 450002)

1 引 言

近年來，互聯(lián)網(wǎng)的發(fā)展促使人們從信息匱乏的時代進(jìn)入信息過載的時代[1].推薦系統(tǒng)通過挖掘用戶與項(xiàng)目之間的關(guān)系，分析用戶的興趣分布，幫助用戶從海量數(shù)據(jù)中發(fā)現(xiàn)符合其興趣的項(xiàng)目，滿足用戶的個性化需求[2].

隨著基于位置的社交網(wǎng)絡(luò)的快速發(fā)展，為用戶推薦其可能感興趣的地點(diǎn)成為一個研究熱點(diǎn).現(xiàn)有的推薦系統(tǒng)主要關(guān)注如何為單個用戶提供個性化推薦服務(wù)，而在實(shí)際生活中人們通常是以群組的形式參加各種活動，因此推薦系統(tǒng)更需要考慮如何向群組推薦，使推薦結(jié)果能夠滿足群組的需求并使所有群組成員都均衡滿意.除了要準(zhǔn)確獲取組內(nèi)成員的個體偏好外，群組推薦系統(tǒng)還需要考慮如何將多位組員的個體偏好融合為群組偏好[2]，因此偏好融合策略，成為群組推薦研究的關(guān)鍵.現(xiàn)有的偏好融合策略都有各自的優(yōu)點(diǎn)和不足，例如均值策略[3]在組內(nèi)成員偏好非常相似時得到的聚合效果較好，但如果組內(nèi)成員的喜好差別很大，那么結(jié)果將變得較差.最開心策略將群組成員中的最高評分做為群組評分，但易產(chǎn)生"痛苦"問題.最小痛苦策略能避免"痛苦"問題，但無法解決惡意評分的問題.基于此，本文在GPUC模型中使用一種加權(quán)混合融合策略以彌補(bǔ)單一融合策略的不足.考慮到不同的用戶對群組偏好的影響不同，在進(jìn)行偏好融合時應(yīng)該為用戶分配不同的權(quán)重，GPUC模型根據(jù)用戶的活躍度來分配權(quán)重.然后根據(jù)群組偏好的差異度選擇不同的融合策略.與文獻(xiàn)[5]提出的HAaB算法的對比實(shí)驗(yàn)表明，采用了加權(quán)混合融合策略的GPUC模型推薦準(zhǔn)確度提高了4.03%.

2 相關(guān)工作

2.1 推薦算法

目前常用的推薦算法有基于鄰域的算法，隱語義模型，基于圖的模型，混合推薦算法等.基于鄰域的算法包括基于用戶的協(xié)同過濾算法和基于內(nèi)容的協(xié)同過濾算法.基于用戶的協(xié)同過濾算法根據(jù)用戶評分比較用戶間的相似性，并向目標(biāo)用戶推薦相似用戶感興趣的項(xiàng)目[16].基于內(nèi)容的協(xié)同過濾算法是從待推薦對象中選擇與用戶已經(jīng)選擇的對象有相似特征的項(xiàng)目做為推薦結(jié)果[17].隱語義模型是一種基于機(jī)器學(xué)習(xí)的方法，通過優(yōu)化特定的指標(biāo)建立最優(yōu)的模型.找到用戶興趣和項(xiàng)目之間的隱含特征聯(lián)系.具有較好的理論基礎(chǔ).推薦系統(tǒng)中常用的模型和方法有LDA模型，隱含類別模型，矩陣分解等.基于圖的模型將用戶和項(xiàng)目的二元關(guān)系抽象為圖，將用戶和項(xiàng)目抽象為圖中的點(diǎn)，用戶對項(xiàng)目的行為抽象為邊，利用圖上的算法進(jìn)行推薦.混合推薦算法是為了彌補(bǔ)單個推薦算法的不足綜合上述方法中的兩種或更多來進(jìn)行推薦.例如文獻(xiàn)[14]提出的HLB混合推薦算法針對用戶的長短期興趣的差異，對用戶的長期閱讀興趣采用基于內(nèi)容的協(xié)同過濾推薦算法，短期閱讀興趣則采用基于用戶的協(xié)同過濾推薦算法[14].

2.2 群組推薦的偏好融合

在進(jìn)行群組偏好融合時要考慮使用哪種偏好融合方法和融合策略.

群組推薦的偏好融合方法根據(jù)融合發(fā)生的階段分為：模型融合和推薦融合.模型融合發(fā)生在推薦形成之前，首先將群組成員個體偏好模型融合形成群組偏好模型，然后基于群組偏好模型為群組進(jìn)行推薦.推薦融合則是在組內(nèi)成員個人推薦生成后，將所有成員的推薦結(jié)果根據(jù)一定的融合策略進(jìn)行融合得到群組推薦結(jié)果.電影組推薦系統(tǒng)HappyMovie[10]，音樂組推薦系統(tǒng)MusicFX[8]均采用推薦融合方法，而旅游組推薦系統(tǒng)CATS[9]則采用模型融合方法.目前對于具體應(yīng)該采用哪種偏好融合方法并沒有統(tǒng)一的定論.偏好融合方法的選擇往往是根據(jù)實(shí)際情況得出的.文獻(xiàn)[13]提出"群組偏好與個人偏好具有相似性"，并利用該結(jié)論提出一種改進(jìn)的偏好融合組推薦方法，將模型融合和推薦融合統(tǒng)一.偏好融合策略則是指將單個組員的個體偏好融合為群組偏好的方法.在實(shí)際應(yīng)用中，為了滿足滿意度、公平性和可理解性等要求，常常會根據(jù)不同的情境選擇不同的融合策略.常用的組推薦融合策略有公平策略、均值策略、痛苦避免均值策略、最小痛苦策略、最開心策略.文獻(xiàn)[11]對經(jīng)典常用的偏好融合策略進(jìn)行了研究討論.分析了上述策略的優(yōu)點(diǎn)和不足之處，例如最開心策略可能會引起個別群組成員的不滿，產(chǎn)生所謂的"痛苦"問題；痛苦均值避免策略解決了"痛苦"問題，但其融合策略與閾值的選擇有很大關(guān)系.

2.3 群組推薦的研究現(xiàn)狀

群組推薦正受到越來越多的關(guān)注.ACM推薦系統(tǒng)大會在2011年以"家庭群組電影推薦"為主題舉辦了推薦挑戰(zhàn)賽[7].旅游組推薦系統(tǒng)CATS[9]、音樂組推薦系統(tǒng)MusicFX[8]是目前存在的典型商業(yè)組推薦系統(tǒng).群組推薦一般包括兩個步驟：一是融合組內(nèi)成員偏好形成群組偏好；二是根據(jù)群組偏好對項(xiàng)目進(jìn)行預(yù)測并生成推薦列表.Fernando Ortega等的研究表明組推薦系統(tǒng)的性能根據(jù)群組的大小有所不同，而基于矩陣分解和協(xié)同過濾技術(shù)的組推薦系統(tǒng)在其實(shí)驗(yàn)數(shù)據(jù)集上表現(xiàn)最好[4].文獻(xiàn)[6]采用模型融合的方法，基于用戶的社交網(wǎng)絡(luò)關(guān)系構(gòu)建群體偏好模型為群組用戶進(jìn)行視頻推薦，取得了較好的推薦效果.文獻(xiàn)[12]在SVD中加入用戶的社交行為和社交關(guān)注關(guān)系特征，將其用于個體推薦并通過對個體推薦列表的融合獲取群組推薦.文獻(xiàn)[5]則假定推薦列表是根據(jù)用戶評分排列，提出一種列表融合方法HAaB，將均值策略和波達(dá)計(jì)數(shù)結(jié)合使用，得到了較好的推薦效果.

3 基于用戶簽到行為的群組興趣點(diǎn)推薦模型

由于推薦融合的方法具有更高的靈活度且推薦結(jié)果更易于解釋，GPUC模型采用推薦融合的方法，首先為組內(nèi)成員進(jìn)行個體推薦，然后根據(jù)加權(quán)融合策略融合組員的推薦列表.在進(jìn)行融合時要考慮到不同組員對群組偏好的影響也不同，例如比較活躍的用戶對群組偏好的影響應(yīng)該比不活躍的用戶影響大，因此應(yīng)為不同的用戶分配不同的權(quán)重，同時為了彌補(bǔ)傳統(tǒng)偏好融合策略的不足，本文采用一種混合融合策略，根據(jù)組內(nèi)成員偏好的差異度采用不同的融合策略.

圖1為GPUC模型推薦過程的流程圖.

圖1 推薦流程示意圖Fig.1 Recommended flow diagram

1)抓取用戶數(shù)據(jù)，形成用戶-興趣點(diǎn)簽到頻數(shù)矩陣.

2)將矩陣向量化，找到與目標(biāo)用戶有相似興趣的最近鄰集合，通過基于用戶的協(xié)同過濾為目標(biāo)用戶推薦其可能感興趣的項(xiàng)目.基于TF-IDF的思想預(yù)測用戶對推薦項(xiàng)目的評分.從而得到用戶個人推薦列表.

3)通過用戶-興趣點(diǎn)簽到矩陣計(jì)算用戶的權(quán)重，同時根據(jù)用戶個人推薦列表生成群組-推薦地點(diǎn)評分矩陣.根據(jù)群組評分的分歧度選取合適的融合策略融合組內(nèi)成員偏好，并將融合后得分最高的地點(diǎn)推薦給用戶.

3.1 個人推薦列表

1)獲取用戶-興趣點(diǎn)頻數(shù)矩陣

為用戶進(jìn)行推薦首先要獲取用戶的偏好，進(jìn)行組推薦則首先要獲取組內(nèi)所有成員的偏好.一般的用戶偏好獲取方法分為顯式獲取和隱式獲取.顯式獲取模式根據(jù)用戶對項(xiàng)目的評分獲取用戶偏好.但現(xiàn)實(shí)中很難要求用戶對每一個項(xiàng)目都進(jìn)行評分，因此顯式獲取的方式易出現(xiàn)稀疏性問題.隱式獲取模式則不需要用戶提供偏好信息，而是根據(jù)用戶的歷史行為來挖掘用戶偏好.采用隱式獲取用戶興趣的方法更有利于保護(hù)用戶的隱私.因此本文采用隱式獲取的方法，提取用戶的歷史簽到記錄，得到以下的用戶-興趣點(diǎn)簽到頻數(shù)矩陣.

(1)

其中m表示數(shù)據(jù)集中的用戶數(shù)，n表示數(shù)據(jù)集中有用戶簽到的興趣點(diǎn)的總數(shù).Vi,j表示第i位用戶在興趣點(diǎn)j處簽到的次數(shù).

2)最近鄰集合

兩個用戶簽到地點(diǎn)越相似則這兩位用戶的興趣分布越相似.矩陣中每一行代表一個用戶的興趣分布，可以表示為向量形式，例如Vi={vi,1,vi,2,…,vi,n-1,vi,n}表示用戶i的興趣分布，則兩位用戶之間的相似度計(jì)算如式(2)所示.

(2)

其中sim(ui,uj)表示用戶i和用戶j(i,j=1,2,…,m)之間的相似度.將用戶按照和目標(biāo)用戶i的相似程度排序，取前K位用戶組成用戶i的最近鄰集合Ni.將K位最近鄰簽過到的興趣點(diǎn)做為目標(biāo)用戶的待推薦項(xiàng)目.

3)評分預(yù)測

基于用戶的簽到信息只能獲取用戶的興趣點(diǎn)和簽到頻次，無法得到用戶對興趣點(diǎn)的評分.TF-IDF是一種評價字詞對文件重要程度的算法，該算法在考慮字詞重要性的同時也兼顧了字詞的普遍性[15].在預(yù)測用戶對興趣點(diǎn)的喜好程度時可以借用TF-IDF算法思想：用戶在某一地點(diǎn)簽到次數(shù)越多，說明用戶對該地點(diǎn)更感興趣，但若數(shù)據(jù)集中的用戶在該地點(diǎn)簽到頻數(shù)較高則說明對該地點(diǎn)的推薦缺乏新穎性，使用TF-IDF來計(jì)算用戶對某一興趣點(diǎn)的喜好程度如式(3)所示.

(3)

其中deg(ui,pa)表示用戶i對興趣點(diǎn)a的喜好程度.n(i,a)表示用戶i在興趣點(diǎn)a處簽到的次數(shù)，num(i)表示用戶i簽到總數(shù)，Tu表示數(shù)據(jù)集中用戶的總數(shù)，Nu(a)表示在地點(diǎn)a簽過到的用戶數(shù). 對于用戶i簽過到的興趣點(diǎn)可以使用公式(4)得到一個0到1之間的數(shù)字做為用戶i對興趣點(diǎn)a的評分.

(4)

其中deg(ui,p)表示用戶i對所有興趣點(diǎn)的平均喜好程度，rat(ui,pa)表示用戶i對興趣點(diǎn)a的評分.

公式(4)可以用于為用戶簽過到的興趣點(diǎn)評分，對于用戶未簽到的地點(diǎn)則使用協(xié)同過濾的方法，根據(jù)在該地簽過到的最近鄰用戶的評分生成預(yù)測評分.如果最近鄰用戶j對興趣點(diǎn)a的評分為rat(uj,pa)，則目標(biāo)用戶對該地點(diǎn)的評分如式(5)所示.

(5)

對組內(nèi)用戶推薦過程如算法1所示：

算法1.組內(nèi)用戶個體推薦算法

輸入：matrix，數(shù)據(jù)集上用戶-興趣點(diǎn)簽到頻次矩陣；

G，待推薦組用戶集合；

N，計(jì)劃推薦給用戶的項(xiàng)目數(shù)；

輸出：每個組內(nèi)用戶的推薦列表.

1.foreach useruiin G

2.calculate similarity betweenuianduj

//利用公式(1)計(jì)算兩用戶間的相似度

3. make the first kth users as neighbors[]

4.foreach neighbor in neighbors[]

5.forpain neighbor′s sign-in collection

6. calculate deg(neighbor，pa)

//利用公式(3)

7.if(uihas been signed inpa)

8. rat[a]=rat(ui,pa);

//已簽到地利用公式(4)

9.else

10. rat[a]=rat(ui,pa);

//未簽到地利用公式(5)

11.endif;

12.endfor;

13.endfor

14.sort the rat[] in descending order;

15.while(count!= N){

16.recommend_list[count++]=pj}

17.}

18.end

3.2 偏好融合策略

傳統(tǒng)的偏好融合策略忽略了不同的群組成員對群組偏好的影響，在一個群組中，由于每位成員的活躍度不同，對群組偏好的影響也不同，在進(jìn)行偏好融合時，活躍度高的用戶的偏好更具有參考價值.基于此，本文考慮根據(jù)用戶的活躍度來計(jì)算用戶在群組中的權(quán)重，而用戶在不同的地方簽到次數(shù)越多則說明用戶越活躍，該用戶對群組興趣的影響越大.設(shè)計(jì)權(quán)重的計(jì)算如式(6)所示：

(6)

其中w(ui)表示用戶i在群組中的權(quán)重.fi表示用戶i簽到總次數(shù)，qi表示用戶i成為其他用戶近鄰的次數(shù)，由公式(6)可以看出隨著fi，qi的增加，用戶權(quán)重也呈現(xiàn)增長趨勢.對兩個參數(shù)進(jìn)行調(diào)和則可以全面反應(yīng)用戶在群組中的權(quán)重，對公式(6)進(jìn)行化簡，得到最終權(quán)重公式如式(7)所示.

(7)

融合策略的效果與組內(nèi)成員偏好差距有關(guān)，例如當(dāng)組內(nèi)成員偏好差距較小時，均值策略的效果會比較好，但當(dāng)成員偏好差別較大時均值策略會對評分較少的群組成員產(chǎn)生不公平現(xiàn)象.本文考慮組內(nèi)成員偏好的差異度同時結(jié)合用戶在組內(nèi)的權(quán)重.當(dāng)群組成員對一個項(xiàng)目的評分差異較小時，采用加權(quán)均值策略，取群組成員對該項(xiàng)目的加權(quán)平均分做為群組評分.當(dāng)群組成員對一個項(xiàng)目的評分差異較大時采用最尊者策略，權(quán)重最大的組員即為最尊者，將最尊者的評分作為群組評分.加權(quán)混合融合策略的評分計(jì)算如式(8)所示.

(8)

其中rat(ui,pa)表示用戶i對推薦地點(diǎn)a的評分，diff(pa)表示群組用戶對待推薦地點(diǎn)a評分的分歧程度.分歧方差計(jì)算如式(9)所示.

(9)

其中ave(G,pa)是群組中的用戶對待推薦地點(diǎn)a預(yù)測評分的平均值.

基于加權(quán)混合融合策略的群組推薦過程如算法2所示：

算法2.群組推薦算法

輸入：matrix，數(shù)據(jù)集上用戶-簽到頻數(shù)矩陣；

Vi，群組用戶-推薦集合評分矩陣；

G, 組用戶集合；

輸出：群組推薦結(jié)果.

1.foreach useruiin G

2. calculate weight w(ui)

3.endfor

4.foreachpainvi

5. if(diff(pa)>α)

6. for(i in G)

7. {

8. if(w(i) is the most weighted)

9. GR[j]=rat(ui,pa)

10. }

11. else if(diff(pa)<α)

12. GR[j]=average(G,pj)

13.endfor

14.sort the GR[j] in descending order;

15.make the GR[0] as recommendation result

16.end

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)集

Gowalla是著名的基于位置的社交網(wǎng)絡(luò)站點(diǎn)，為用戶提供了基于位置的簽到服務(wù)，本文采用的數(shù)據(jù)集1是由斯坦福大學(xué)的研究學(xué)者通過Gowalla網(wǎng)站的公共接口獲取的.數(shù)據(jù)集共包含兩個文件，分別記錄簽到信息和用戶關(guān)系信息，均以txt文件格式存放.簽到記錄中共收集了6442890個簽到記錄，每個基本數(shù)據(jù)項(xiàng)包含用戶ID、簽到時間、簽到經(jīng)緯度、簽到地點(diǎn)ID等數(shù)據(jù)項(xiàng).在選擇用戶組時首先將兩份文件導(dǎo)入數(shù)據(jù)庫并利用用戶ID將兩表連接，過濾掉簽到頻數(shù)過低或朋友關(guān)系過少的用戶.最后將數(shù)據(jù)集按照8：2的比例劃分為訓(xùn)練集和測試集.

4.2 算法評價標(biāo)準(zhǔn)

基于用戶簽到行為的群組興趣點(diǎn)推薦分為個體推薦和群組推薦兩步.

準(zhǔn)確率和召回率是TOP-N推薦的重要評價標(biāo)準(zhǔn).在興趣點(diǎn)的推薦中，準(zhǔn)確率表示在推薦給用戶的項(xiàng)目中，用戶簽到的地點(diǎn)數(shù)占推薦數(shù)量的比例.召回率是用戶簽到的興趣點(diǎn)中被推薦地點(diǎn)所占的比率.F值是準(zhǔn)確率和召回率的調(diào)和平均值.本文利用F值來度量個體推薦結(jié)果的精確度.對于用戶u，令Ru作為模型推薦的地點(diǎn)集合,Tu作為測試集中用戶u簽到的地點(diǎn)的集合,其推薦準(zhǔn)確率P、召回率R、以及F值的計(jì)算分別為:

(10)

(11)

(12)

而群組通常是由多個個體組成的，一位成員的選擇不能代表群組的選擇，因此上述評價標(biāo)準(zhǔn)不適用于對群組推薦效果的評價.而RMSE(平方根誤差)通過計(jì)算預(yù)測評分與真實(shí)評分之間的誤差來評價推薦系統(tǒng)的推薦效果.本文將RMSE改進(jìn)后做為群組推薦結(jié)果的評價標(biāo)準(zhǔn).群組推薦評價標(biāo)準(zhǔn)RMSE計(jì)算公式如式(13)所示.

(13)

其中r(ui,pa)表示用戶i對推薦地點(diǎn)a的評分,G(pa)表示群組G對推薦地點(diǎn)a的評分.N表示該組用戶在推薦地點(diǎn)a簽到總次數(shù)，Gn代表群組成員個數(shù).

4.3 實(shí)驗(yàn)方案

實(shí)驗(yàn)設(shè)置情況如下：

1) 比較不同的相似鄰居個數(shù)k的值對個體推薦準(zhǔn)確率的影響.

2) 調(diào)整差異度閾值α使推薦效果達(dá)到最優(yōu).

3) 將加權(quán)混合融合策略的推薦效果與其它融合策略的推薦效果進(jìn)行比較.

4.3.1 相似鄰居個數(shù)

為了使群組推薦效果達(dá)到最優(yōu)，要盡可能準(zhǔn)確的獲取組內(nèi)成員的個人偏好.而對個體用戶進(jìn)行協(xié)同過濾推薦時，相似的鄰居個數(shù)k的值對推薦結(jié)果有一定的影響，實(shí)驗(yàn)對比了不同的k值對個體推薦結(jié)果準(zhǔn)確率的影響.結(jié)果如圖2所示.由圖2可以看出在實(shí)驗(yàn)數(shù)據(jù)集上，當(dāng)鄰居個數(shù)k的值為15，推薦個數(shù)為20時，推薦的準(zhǔn)確率最高.

4.3.2 差異度閾值α

差異度閾值α影響著融合策略的選擇，實(shí)驗(yàn)以7人群組為推薦對象，每次實(shí)驗(yàn)分別設(shè)置不同的α值，對推薦結(jié)果進(jìn)行評價，實(shí)驗(yàn)結(jié)果如表1所示.由表1可以看出當(dāng)差異度閾值取0.4時，推薦精度更高.

1http://snap.standford.edu/data/loc-gowalla.html

圖2 用戶鄰居數(shù)對個人推薦準(zhǔn)確率的影響Fig.2 Precision of different numbers of neighbors

表1 不同差異度閾值α的實(shí)驗(yàn)結(jié)果表Table 1 Result of different threshold α

為了得到本文提出的加權(quán)混合融合策略的最佳條件，反復(fù)調(diào)整群組規(guī)模和差異度閾值α，實(shí)驗(yàn)結(jié)果如圖3所示.由圖3可以看出根據(jù)群組大小不同，α的取值也應(yīng)該有所不同，在群組人數(shù)較少時，α取較小的值可以提高推薦質(zhì)量，而當(dāng)群組規(guī)模較大時，閾值α也應(yīng)該適當(dāng)增大.實(shí)驗(yàn)結(jié)果表明在Gowalla數(shù)據(jù)集上，當(dāng)目標(biāo)群組人數(shù)為7，差異度閾值α取0.4時，推薦效果最好.

圖3 不同群組人數(shù)及α值的推薦結(jié)果Fig.3 Result in different group size and threshold α

4.3.3 加權(quán)混合融合策略和其他融合策略的比較

為了驗(yàn)證GPUC模型中采用的加權(quán)混合融合策略的有效性，實(shí)驗(yàn)選擇和傳統(tǒng)的單一融合策略平均滿意度策略，最尊者策略以及文獻(xiàn)[5]中提出的HAaB策略進(jìn)行比較.由于HAaB策略在群組成員偏好相似度較高的情況下推薦效果較好，而加權(quán)混合融合策略通過差異度閾值α的調(diào)和，對群組差異度不敏感，推薦準(zhǔn)確度相對穩(wěn)定.為了驗(yàn)證該策略在不同群組中的有效性，實(shí)驗(yàn)設(shè)置兩組由7名用戶組成的群組做為目標(biāo)群組.其中一組為偏好相似度較高的群組，由隨機(jī)挑選的一位目標(biāo)用戶及其最近鄰集合中的前6位組合而成.另一組則為低相似群組，由隨機(jī)挑選的7名用戶組成，在挑選的過程中將互為最近鄰的用戶去掉，直到群組中沒有互為最近鄰的用戶為止.在使用GPUC模型推薦時，將差異度閾值α設(shè)為0.4.實(shí)驗(yàn)結(jié)果如圖4所示.由圖4可以看出，平均滿意度策略，最尊者策略以及HAaB策略的推薦效果與群組偏好相似度的大小關(guān)系較大，對偏好相似度較高、偏好差異較小的群組的推薦效果要優(yōu)于相似度較低的群組.而無論群組差異度大小，GPUC模型通過差異度閾值α的調(diào)和使得模型可以根據(jù)具體情況選擇具體的融合策略，充分發(fā)揮各個融合策略的優(yōu)勢，因此對群組偏好差異度大小不敏感，推薦效果只與群組人數(shù)及差異度閾值α的選則有關(guān)，保證了模型在群組偏好相似度較高或者較低時都有較好的推薦效果，在對偏好差異較大的群組進(jìn)行推薦的準(zhǔn)確度交HAaB提高了4.03%，對偏好差異較小的群組進(jìn)行推薦的準(zhǔn)確度提高了1.31%.

圖4 不同融合策略的實(shí)驗(yàn)結(jié)果Fig.4 Results in different aggregation strategies

5 總結(jié)與展望

由于人類的社會性，群組推薦逐漸成為了推薦系統(tǒng)的研究熱點(diǎn).本文提出了基于用戶簽到行為的群組興趣點(diǎn)推薦模型GPUC.模型中采用了加權(quán)混合偏好融合策略融合群組成員的個人偏好，該策略既考慮了不同用戶對群組偏好的影響，同時也彌補(bǔ)了傳統(tǒng)的單一融合策略的不足，通過差異度閾值α的調(diào)和使GPUC模型在相似度較高的群組和相似度較低的群組中都有較好的推薦效果.相較與傳統(tǒng)的單一融合策略以及HAaB，本文提出的偏好融合策略能為用戶產(chǎn)生更準(zhǔn)確的推薦.