面向冷啟動(dòng)用戶偏好獲取的自適應(yīng)物品詢問(wèn)列表生成方法

汪 靜,趙海燕，陳慶奎,曹 健

1(上海市現(xiàn)代光學(xué)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室,光學(xué)儀器與系統(tǒng)教育部工程研究中心,上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093)2(上海交通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)系,上海 200030)

1 引 言

推薦系統(tǒng)可以為用戶主動(dòng)選擇和推送他們可能感興趣的信息.近年來(lái)，推薦系統(tǒng)引起了電子商務(wù)應(yīng)用的普遍關(guān)注并得到了廣泛應(yīng)用.推薦系統(tǒng)利用用戶已有的行為數(shù)據(jù)、項(xiàng)目和用戶的特征來(lái)獲取用戶的興趣模型，在預(yù)測(cè)活躍用戶的興趣時(shí)表現(xiàn)出了較高的準(zhǔn)確性.然而，推薦技術(shù)在實(shí)際應(yīng)用中遭受冷啟動(dòng)問(wèn)題的阻礙，包括新用戶冷啟動(dòng)和新項(xiàng)目冷啟動(dòng)問(wèn)題.

冷啟動(dòng)是指系統(tǒng)中沒(méi)有或沒(méi)有足夠的關(guān)于新用戶或新項(xiàng)目的信息(評(píng)級(jí)、標(biāo)簽等)，現(xiàn)有的推薦技術(shù)在新用戶或新項(xiàng)目上的應(yīng)用沒(méi)有很好的效果.在基于內(nèi)容的推薦技術(shù)中，利用項(xiàng)目的屬性可以減輕項(xiàng)目冷啟動(dòng)問(wèn)題帶來(lái)的負(fù)面影響，并且這些項(xiàng)目信息也易于獲取.相比較而言，用戶冷啟動(dòng)更難以處理，因?yàn)樾枰掠脩糁鲃?dòng)提供他的相關(guān)信息(如年齡，喜歡的風(fēng)格等)或直接表達(dá)他對(duì)項(xiàng)目的感覺(jué)(如提供評(píng)分、提供標(biāo)簽等)，但大多數(shù)用戶厭煩于提供太多信息或評(píng)價(jià)太多項(xiàng)目[1].此外，推薦的準(zhǔn)確性與用戶的滿意度也直接相關(guān)[2]，新用戶從首次使用推薦系統(tǒng)時(shí)，就開(kāi)始評(píng)估系統(tǒng)，如果系統(tǒng)不能為用戶提供可靠的建議，就可能使用戶在系統(tǒng)學(xué)習(xí)并返回正確的建議之前離開(kāi).所以，新用戶冷啟動(dòng)問(wèn)題成為推薦系統(tǒng)中需要解決的首要問(wèn)題.

用于緩解新用戶冷啟動(dòng)的技術(shù)可以分為被動(dòng)學(xué)習(xí)和主動(dòng)學(xué)習(xí).被動(dòng)學(xué)習(xí)依靠評(píng)分的慢慢積累，因此學(xué)習(xí)新用戶的偏好非常緩慢[3].主動(dòng)學(xué)習(xí)允許系統(tǒng)與用戶交互，有選擇地挑選項(xiàng)目請(qǐng)求用戶評(píng)分，或者創(chuàng)建個(gè)性化問(wèn)卷，從而獲取用戶數(shù)據(jù).現(xiàn)有的主動(dòng)學(xué)習(xí)方法基于不確定性、熵等信息選擇物品讓用戶提供反饋[3].然而由于用戶的差異性，其適合的最佳策略是不一樣的.

本文提出了一個(gè)解決用戶冷啟動(dòng)問(wèn)題的自適應(yīng)列表生成的主動(dòng)學(xué)習(xí)策略，通過(guò)用戶提供的前一階段的評(píng)分，采用訓(xùn)練出的分類器為用戶選擇生成下一階段問(wèn)卷內(nèi)容的策略，從而對(duì)不同的用戶呈現(xiàn)不同的問(wèn)卷內(nèi)容，最終使新用戶跨過(guò)冷啟動(dòng)階段.同時(shí)，本文中提出了采用優(yōu)化算法來(lái)優(yōu)化各個(gè)階段問(wèn)卷長(zhǎng)度(物品數(shù)量)，以獲得最佳效果.

文章的后續(xù)內(nèi)容安排如下：第二部分介紹相關(guān)的研究工作；第三部分描述算法思想；第四部分介紹具體的實(shí)驗(yàn)過(guò)程、對(duì)照試驗(yàn)以及實(shí)驗(yàn)結(jié)果分析；最后是文章的總結(jié)以及對(duì)未來(lái)工作方向的分析展望.

2 相關(guān)工作

2.1 生成詢問(wèn)列表的方法

研究者近年來(lái)提出了一些生成詢問(wèn)列表的方法.基于不確定采樣的方法的主要思想選取那些評(píng)分差異較大的物品，即有爭(zhēng)議性的物品，讓用戶提供評(píng)分；而variance策略會(huì)選擇樣本池中方差最高的物品呈獻(xiàn)給用戶；entropy策略選擇熵值最高的物品詢問(wèn)用戶評(píng)分.也有一些方法將幾種方法進(jìn)行集成，采用多個(gè)模型的綜合意見(jiàn)來(lái)決定選取哪些物品.但是，這些方法都忽略了不同用戶最適用的詢問(wèn)列表生成方法可能是不一樣的.

2.2 考慮自適應(yīng)調(diào)整的推薦方法

很多學(xué)者都認(rèn)識(shí)到自適應(yīng)推薦能夠給系統(tǒng)帶來(lái)更快更好的性能提升.文獻(xiàn)[4]將老用戶當(dāng)作“假設(shè)的”新用戶看待，將數(shù)據(jù)集劃分成多個(gè)包含相似實(shí)例的子集，并在子集上構(gòu)建決策樹(shù)，依據(jù)決策樹(shù)對(duì)新用戶進(jìn)行分類，并呈現(xiàn)不同的推薦物品.文獻(xiàn)[5]提出的ADTS模型，在對(duì)系統(tǒng)中用戶進(jìn)行推薦時(shí)，建立用戶之間的信任機(jī)制，隨著獲取到的評(píng)分?jǐn)?shù)量不斷增多，實(shí)時(shí)更新用戶間的信任強(qiáng)度，動(dòng)態(tài)調(diào)整用戶看到的推薦內(nèi)容.文獻(xiàn)[6]的作者主張將推薦作為一個(gè)排名問(wèn)題看待，提出將矩陣分解(MF)與AdaRank算法相結(jié)合對(duì)模型分多輪進(jìn)行訓(xùn)練，對(duì)系統(tǒng)中用戶設(shè)置權(quán)重，重點(diǎn)增加訓(xùn)練成績(jī)較差的用戶的權(quán)重，不斷修正模型中的推薦組件.文獻(xiàn)[7]根據(jù)時(shí)間因素建立自適應(yīng)推薦，利用時(shí)間上下文感知的推薦系統(tǒng)關(guān)注評(píng)分的時(shí)間上下文，追蹤用戶的偏好演變，并相應(yīng)地調(diào)整推薦建議.

以上研究從多個(gè)方面考慮對(duì)推薦模型進(jìn)行調(diào)整，但是這些研究不是針對(duì)新用戶的.

2.3 決策樹(shù)

決策樹(shù)是運(yùn)用于分類以及回歸的一種樹(shù)結(jié)構(gòu).決策樹(shù)自上而下建立，依據(jù)內(nèi)部節(jié)點(diǎn)的不同取值建立分支，劃分?jǐn)?shù)據(jù)子集，并在子集上重復(fù)重復(fù)建立下層節(jié)點(diǎn)，最終生成完整樹(shù)結(jié)構(gòu).本文中用決策樹(shù)對(duì)用戶進(jìn)行分組，對(duì)于不同分組的用戶運(yùn)用不同的預(yù)測(cè)模型，實(shí)現(xiàn)詢問(wèn)列表的個(gè)性化.文獻(xiàn)[8]提出FDT(Factorized Decision Trees)算法重新定義決策樹(shù)的生成方式，并用MPS(Most Popular Sampling)方法加速?zèng)Q策樹(shù)的生長(zhǎng).文獻(xiàn)[9]用分類器依據(jù)用戶對(duì)物品評(píng)分的高低將用戶分為三組：喜歡、不喜歡和未知，并以組為單位對(duì)那些未評(píng)價(jià)過(guò)的物品進(jìn)行評(píng)分預(yù)測(cè).

2.4 遺傳算法

遺傳算法的基本思想是模擬自然界物種進(jìn)化過(guò)程與求解極值問(wèn)題的一種自適應(yīng)全局優(yōu)化搜索算法[10].遺傳算法對(duì)種群中個(gè)體的基因進(jìn)行編碼，經(jīng)過(guò)交叉、變異以及優(yōu)勝劣汰的自然選擇，最終留下最優(yōu)個(gè)體，適用于解決復(fù)雜的非線性和多維空間尋優(yōu)等實(shí)際問(wèn)題，并已成功應(yīng)用于自動(dòng)控制、無(wú)線傳感、藥物開(kāi)發(fā)等領(lǐng)域.

本文使用遺傳算法自動(dòng)地對(duì)不同階段的列表長(zhǎng)度進(jìn)行優(yōu)化，以找到最佳的列表長(zhǎng)度設(shè)置.

3 算法描述

本文提出的算法會(huì)根據(jù)用戶對(duì)上一列表的不同反饋(評(píng)分)決定用戶下一列表的內(nèi)容.詢問(wèn)列表具體層次的設(shè)計(jì)可以根據(jù)數(shù)據(jù)集特點(diǎn)以及應(yīng)用情況進(jìn)行擴(kuò)展或縮減，但是當(dāng)列表層次過(guò)多時(shí)會(huì)導(dǎo)致模型計(jì)算復(fù)雜，交互過(guò)程時(shí)間過(guò)長(zhǎng)，用戶體驗(yàn)差等，而列表層次過(guò)少時(shí)就無(wú)法呈現(xiàn)適合目標(biāo)用戶的物品，無(wú)法獲取充分或有價(jià)值的信息，所以本文中算法以三階段詢問(wèn)列表(階段1，階段2，階段3)向用戶展示物品并獲取評(píng)分，但是本文的方法可以用于更多階段.

為了便于形式化的表示，本文用到的符號(hào)標(biāo)記如表1所示，符號(hào)之間的具體關(guān)系如圖1所示.

表1 數(shù)學(xué)符號(hào)
Table 1 Math notation

符號(hào)意 義I,U分別代表物品集合、用戶集合A,B,C分別表示不同的模型L表示詢問(wèn)列表k表示列表總長(zhǎng)度ki表示第i個(gè)列表的長(zhǎng)度T1階段1構(gòu)建的決策樹(shù)T2階段2構(gòu)建的決策樹(shù)T3階段3構(gòu)建的決策樹(shù)S1表示階段1的初始訓(xùn)練集S2·表示階段2的初始訓(xùn)練集S3··表示階段3的初始訓(xùn)練集

3.1 階段1列表生成方法

在本文提出的方法中，要保證三點(diǎn)，一是每層的決策樹(shù)都能夠被成功構(gòu)建，這就要求詢問(wèn)物品時(shí)要能收獲足夠多的反饋，不能冷門；二是由于實(shí)驗(yàn)方法逐級(jí)分組的特點(diǎn)，要求有足夠多的用戶能支持實(shí)驗(yàn)中的不斷的劃分；三是由于每個(gè)階段都需要建立分類器，而逐級(jí)分組的特點(diǎn)又會(huì)加劇數(shù)據(jù)的稀疏性，所以要求用戶集的篩選過(guò)程要盡量選用活躍用戶或評(píng)分更多的用戶.綜上，實(shí)驗(yàn)中的第一個(gè)詢問(wèn)列表L1采用popularity作為選擇策略.

首先，根據(jù)公式(1)計(jì)算物品的流行度，其中表示對(duì)該物品打分的用戶集.

Popularity(i)=|U(i)|

(1)

圖1 算法過(guò)程圖Fig.1 Algorithm process

(2)

Log(popularity)*Entropy策略是一個(gè)平衡策略，其在保證獲取的評(píng)分?jǐn)?shù)據(jù)量的同時(shí)，將物品的攜帶的信息量加入考量范圍，log函數(shù)試圖克服entropy與popularity間的分布差異對(duì)實(shí)驗(yàn)結(jié)果帶來(lái)的影響.Entropy的計(jì)算公式見(jiàn)公式(3)，式中，P(ri=r)表示評(píng)分r的概率，k表示用戶可以給出的評(píng)分?jǐn)?shù)，如在EachMovie中采取0到5分制，此時(shí)k=5，r從0開(kāi)始.

(3)

(4)

本文使用準(zhǔn)確率Precision來(lái)評(píng)估某一策略在目標(biāo)用戶上的運(yùn)用效果，計(jì)算方法見(jiàn)公式(4)，R(u)表示推薦系統(tǒng)給出的物品集合，T(u)表示測(cè)試集上用戶u喜歡的物品集合.若Precision大于某一閾值σ時(shí)，即有理由相信該用戶“適用于”該策略，并在數(shù)據(jù)集中對(duì)該用戶標(biāo)注該策略對(duì)應(yīng)的標(biāo)簽，A模型對(duì)應(yīng)′A′標(biāo)簽，B模型對(duì)應(yīng)′B′標(biāo)簽，C模型對(duì)應(yīng)′C′標(biāo)簽.接著用這些被程序標(biāo)注過(guò)的記錄構(gòu)建決策樹(shù)T1，決策樹(shù)的構(gòu)建可以參照文獻(xiàn)[14]，這邊不再贅述.用構(gòu)建好的對(duì)數(shù)據(jù)集中那些沒(méi)有標(biāo)注的記錄進(jìn)行分類標(biāo)注，再根據(jù)標(biāo)簽分組，將數(shù)據(jù)集劃分成三個(gè)數(shù)據(jù)子集，作為階段2的訓(xùn)練集.

3.2 階段2列表生成方法

第2階段的生成方法有三個(gè)版本，具體版本的選擇是根據(jù)用戶對(duì)階段1中物品的評(píng)分，分類器T1得出的類別.階段1用流行度對(duì)用戶進(jìn)行大類別的劃分，而階段2開(kāi)始對(duì)不同用戶使用不同策略進(jìn)行細(xì)化分組.由階段1分好的三個(gè)子集，S11，S12以及S13分別作為三個(gè)版本的階段2的初始訓(xùn)練集，并用不同的策略生成詢問(wèn)列表，其他的處理方法基本相同，所以在這里采用子集S11作為代表，闡述階段2的思想.

子集S11用A模型選擇k2個(gè)物品(S12用B模型選擇物品，S13用C模型選擇物品)，生成詢問(wèn)列表L2，發(fā)起第二輪詢問(wèn).獲取用戶對(duì)L2中物品的評(píng)分，形成新的數(shù)據(jù)集S21.再對(duì)S21中用戶隨機(jī)劃分，并分別運(yùn)用A、B、C模型，當(dāng)準(zhǔn)確率P>σ時(shí)，則對(duì)該用戶進(jìn)行標(biāo)注.用帶標(biāo)簽的數(shù)據(jù)構(gòu)建決策樹(shù)T2，并用T2對(duì)未標(biāo)注用戶進(jìn)行標(biāo)注.最后按照標(biāo)簽將S21劃分成三個(gè)部分S111、S112、S113.

3.3 階段3列表生成方法

階段3是在階段2的基礎(chǔ)上對(duì)用戶進(jìn)行更細(xì)致的分組.階段3要用策略選擇出k3個(gè)物品作為L(zhǎng)3，其他處理方式與階段2基本相同.

4 列表長(zhǎng)度的優(yōu)化設(shè)置

上述階段1、階段2以及階段3中都有一個(gè)重要參數(shù)：詢問(wèn)列表長(zhǎng)度，即k1、k2、k3，也是影響實(shí)驗(yàn)結(jié)果好壞的決定性參數(shù).設(shè)k=k1+k2+k3，在k值一定的情況下，(k1、k2、k3)有很多不同的組合，所以本文用帶有約束條件的遺傳算法對(duì)(k1、k2、k3)組合進(jìn)行編碼，具體的約束條件可以根據(jù)算法要求和實(shí)際問(wèn)題設(shè)計(jì).

將解空間中的所有(k1、k2、k3)組合視為一個(gè)個(gè)體，k1、k2、k3分別用n位基因表示，個(gè)體染色體共用3n位基因位表示，并隨機(jī)生成種群(共m個(gè)個(gè)體)，設(shè)置交叉因子λ、變異因子μ，對(duì)個(gè)體染色體上的任意位置進(jìn)行變異或交叉.在自然選擇階段，考慮約束條件對(duì)個(gè)體的淘汰機(jī)制，若新生個(gè)體不滿足約束則保留老個(gè)體；若新生個(gè)體滿足約束則淘汰老個(gè)體，保留新個(gè)體，并設(shè)置種群迭代次數(shù)γ，此過(guò)程中始終保持種群規(guī)模不變，得到最終的新種群.最后對(duì)新種群中的個(gè)體染色體進(jìn)行解碼，前n位、中間n位以及最后n位分別轉(zhuǎn)換為k1、k2、k3，得到m個(gè)(k1、k2、k3)組合.

由于本文試驗(yàn)中的k設(shè)置為30，所以種群中的個(gè)體用15位二進(jìn)制編碼，前5位代表k1值，中間5位代表k2值，最后5位代表k3值，并根據(jù)構(gòu)建決策樹(shù)的條件以及列表長(zhǎng)度的考慮，對(duì)k1、k2、k3加以約束條件如公式(5)所示：

(5)

5 實(shí)驗(yàn)過(guò)程與結(jié)果分析

5.1 數(shù)據(jù)預(yù)處理

文中所提算法有逐級(jí)分類的特點(diǎn)要求有足夠多的用戶及評(píng)分，所以本文的實(shí)驗(yàn)采用美國(guó)DEC系統(tǒng)研究中心提供的EachMovie數(shù)據(jù)集1.該數(shù)據(jù)集有72916名用戶，1628部不同的電影(電影和錄像)，總計(jì)2811983個(gè)評(píng)分，每條記錄分別由用戶編號(hào)(Person_ID)，電影編號(hào)(Movie_ID)，評(píng)分(Score)，權(quán)重(Weight)以及時(shí)間戳(Modified)組成.EachMovie中的評(píng)分由0.0,0.2,0.4,0.6,0.8,1.0，共6個(gè)等級(jí)組成，為了方便計(jì)算，將評(píng)分統(tǒng)一轉(zhuǎn)化成0-5分制，0.0分對(duì)應(yīng)0分，1.0對(duì)應(yīng)5分.此外，Weight字段的不同值有不同的意義，Weight=1時(shí)，表示用戶對(duì)該電影的評(píng)分為0分；當(dāng)Weight<1時(shí)，表示用戶覺(jué)得該電影“聽(tīng)起來(lái)很糟糕”，雖然沒(méi)看過(guò)但表示不會(huì)看，因此在處理數(shù)據(jù)集時(shí)，將Weight<1的記錄中Score字段直接設(shè)置為0，與“用戶對(duì)該電影評(píng)分為0分”的情況做相同處理.

實(shí)驗(yàn)過(guò)程中，以用戶為單位劃分訓(xùn)練集與測(cè)試集.通過(guò)對(duì)數(shù)據(jù)集稀疏度的計(jì)算，選用3000名評(píng)分?jǐn)?shù)據(jù)最多的用戶構(gòu)成用戶集U，剩余用戶中抽取340名用戶作為測(cè)試集，保證9:1的訓(xùn)練集與測(cè)試集.

5.2 算法過(guò)程

綜合上一節(jié)對(duì)階段1，階段2、階段3以及遺傳算法的介紹，實(shí)驗(yàn)步驟詳述如下：

1)用遺傳算法得出(k1、k2、k3)組合.

2)第1階段，根據(jù)流行度，選擇k1個(gè)物品和用戶集U中用戶的評(píng)分作為訓(xùn)練集S.

3)對(duì)S中的用戶隨機(jī)運(yùn)用任某一模型，計(jì)算準(zhǔn)確率P，若P>σ，則對(duì)該用戶標(biāo)注對(duì)應(yīng)模型的標(biāo)簽.

4)用帶有標(biāo)簽的用戶及其評(píng)分信息構(gòu)建第一層決策樹(shù)T1，并用T1對(duì)其他未標(biāo)注的用戶進(jìn)行標(biāo)注.

5)按照用戶的標(biāo)注分組，得到的多個(gè)數(shù)據(jù)子集即為下一階段的訓(xùn)練樣本集.階段1內(nèi)容結(jié)束.

6)用戶進(jìn)入2階段，根據(jù)階段1得到的數(shù)據(jù)子集，運(yùn)用相應(yīng)的模型(A、B或C)選擇k2個(gè)物品，獲取用戶評(píng)分，擴(kuò)充訓(xùn)練樣本.

7)對(duì)訓(xùn)練樣本中用戶隨機(jī)運(yùn)用某一模型，計(jì)算準(zhǔn)確率P，若P>σ，則對(duì)該用戶標(biāo)注.

8)用帶有標(biāo)簽的數(shù)據(jù)構(gòu)建第二層決策樹(shù)T2，并對(duì)其他未標(biāo)注數(shù)據(jù)進(jìn)行標(biāo)注.

9)按照標(biāo)簽分組，分成的數(shù)據(jù)子集將作為下個(gè)列表的訓(xùn)練樣本集.階段2內(nèi)容結(jié)束.

10)用戶進(jìn)入階段3階段，用階段2分出來(lái)的數(shù)據(jù)子集，運(yùn)用相應(yīng)的模型，選擇k3個(gè)物品，獲取評(píng)分，擴(kuò)充樣本.

11)隨機(jī)運(yùn)用模型，按照準(zhǔn)確率進(jìn)行標(biāo)注，構(gòu)造第三層決策樹(shù)T3，并對(duì)未標(biāo)注內(nèi)容進(jìn)行標(biāo)注.

12)按照標(biāo)注的標(biāo)簽分組，得到最終的用戶群組，以便對(duì)新用戶進(jìn)行推薦.階段3內(nèi)容結(jié)束.

13)將L1中的物品向新用戶u發(fā)起詢問(wèn)，根據(jù)新用戶的回答，用T1決定該用戶適合于階段2的某一模型，再向新用戶詢問(wèn)L2中的物品，用T2決定該用戶適合階段3的某一模型，最后向新用戶詢問(wèn)L3中的物品，用T3得到該用戶的類群W.

15)或者，根據(jù)W中不同用戶對(duì)目標(biāo)用戶的影響大小對(duì)評(píng)分加權(quán)，預(yù)測(cè)出加權(quán)評(píng)分r′作為該用戶u的預(yù)測(cè)評(píng)分，計(jì)算RMSE.

5.3 對(duì)照試驗(yàn)

本實(shí)驗(yàn)采用兩個(gè)對(duì)照實(shí)驗(yàn)：基于決策樹(shù)的方法D-Tree以及基于流行度的方法Popu.

對(duì)照實(shí)驗(yàn)D-Tree針對(duì)本文所提出的算法中會(huì)根據(jù)用戶對(duì)列表的不同反饋，選用不同的模型的特點(diǎn)而設(shè)計(jì)，D-Tree實(shí)驗(yàn)會(huì)從物品列表中隨機(jī)選出L1，用用戶集對(duì)L1中物品的評(píng)分構(gòu)成訓(xùn)練集，并對(duì)訓(xùn)練集中的用戶隨機(jī)分類，構(gòu)建出決策樹(shù)T；再隨機(jī)選擇物品生成L2，用新加入的評(píng)分?jǐn)?shù)據(jù)再訓(xùn)練T；按照同樣的方式生成L3，訓(xùn)練出成熟的決策樹(shù)T.新用戶u分別給出L1，L2以及L3中的物品評(píng)分，用T決定新用戶u的最終類別組U，再借助U中其他用戶的評(píng)分信息對(duì)該用戶做出推薦預(yù)測(cè).對(duì)照實(shí)驗(yàn)Popu是針對(duì)算法中多個(gè)詢問(wèn)列表相互關(guān)聯(lián)，后一個(gè)列表的具體內(nèi)容依據(jù)用戶對(duì)前一個(gè)列表的反饋不同進(jìn)行動(dòng)態(tài)調(diào)整而設(shè)計(jì)的，Popu實(shí)驗(yàn)按照物品流行度，一次性給出三個(gè)列表的全部?jī)?nèi)容，沒(méi)有分級(jí)詢問(wèn)和用戶分類的設(shè)置，最后根據(jù)協(xié)同過(guò)濾的方式對(duì)新用戶做出推薦.

5.4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中，列表呈現(xiàn)的物品長(zhǎng)度組合(k1、k2、k3)對(duì)實(shí)驗(yàn)結(jié)果的好壞起決定性影響，故接下來(lái)著重對(duì)這三個(gè)參數(shù)的不同組合下的RMSE進(jìn)行討論分析(以下所有圖例中ADL(Adaptive Dynamic List)表示自適應(yīng)動(dòng)態(tài)列表策略結(jié)果，D-Tree表決策樹(shù)策略的結(jié)果，Popu表示流行度策略的結(jié)果，其中Popu策略并無(wú)k1、k2、k3參數(shù)，在圖中僅作參考對(duì)照效果).

1)k1=10不變，k2遞增，k3遞減

圖2中縱坐標(biāo)表示RMSE值，橫坐標(biāo)表示(k2，k3)的組合.在k1=10，k2+k3=20的前提下，ADL的實(shí)驗(yàn)效果最優(yōu)，Popu的實(shí)驗(yàn)效果最差，并且不論是ADL還是對(duì)照試驗(yàn)D-Tree，RMSE值的總體波動(dòng)不大，表明RMSE值的變動(dòng)與k1和k2+k3相關(guān).因?yàn)閷?shí)驗(yàn)的第一次分類是劃分粗粒度的大類別，而第二、三次劃分類別是細(xì)粒度的劃分，劃分出的類別之間差異性相對(duì)較小，所以從實(shí)驗(yàn)結(jié)果也體現(xiàn)出k2、k3單獨(dú)作用于RMSE的影響較小，該結(jié)論在后面的實(shí)驗(yàn)結(jié)果中也將體現(xiàn).圖2(a)和圖2(b)相比較，加權(quán)評(píng)分的預(yù)測(cè)精確度比平均評(píng)分的預(yù)測(cè)精確度更高.

圖2 不同(k2,k3)組合下不同算法的RMSE的比較Fig.2 Comparisons of RMSE between different algorithms with different (k2,k3)

2)k2=10不變，k1遞增，k3遞減

圖3中縱坐標(biāo)表示RMSE值，橫坐標(biāo)表示(k1，k3)的組合.在k2不變的前提下，當(dāng)k1>4時(shí)，RMSE隨著k1的增大而

圖3 不同(k1,k3)組合下不同算法的RMSE的比較Fig.3 Comparisons of RMSE between different algorithms with different (k1,k3)

增大，隨著k3的減小而減小，實(shí)驗(yàn)結(jié)果在(4,10,16)處取得最優(yōu).當(dāng)k1<4時(shí)，由于物品數(shù)目過(guò)少，構(gòu)建出的決策樹(shù)不成熟，分類準(zhǔn)確度較低，導(dǎo)致實(shí)驗(yàn)誤差較大.

3)k3=10不變，k1遞增，k2遞減

圖4中縱坐標(biāo)表示RMSE值，橫坐標(biāo)表示(k1，k2)的組合.在k3不變的情況下，RMSE隨著k1的增大而增大，隨k2的減小而減小，ADL在(4,16,10)組合處取到最小值，D-Tree在(5,15,10)組合處取到最小值.結(jié)合圖2可以看出，RMSE隨著k1的減小而減小，因?yàn)殡A段1呈現(xiàn)的是根據(jù)流行度策略選擇的物品，這些物品過(guò)于流行，對(duì)用戶的正確分類不具有太大的價(jià)值，所以列表長(zhǎng)度在一定范圍內(nèi)是越小越好.

圖4 不同(k1,k2)組合下不同算法的RMSE的比較Fig.4 Comparisons of RMSE between different algorithms with different (k1,k2)

4)遺傳算法尋優(yōu)

圖5 遺傳算法尋優(yōu)Fig.5 Genetic algorithm optimization

設(shè)置交叉因子λ=0.1，變異因子μ=0.05.遺傳算法尋優(yōu)的實(shí)驗(yàn)效果如圖5所示，橫坐標(biāo)表示種群迭代次數(shù)γ，縱坐標(biāo)表示實(shí)驗(yàn)結(jié)果的平均RMSE和最優(yōu)RMSE.由圖可見(jiàn)種群在迭代次數(shù)γ=6次左右就開(kāi)始收斂，實(shí)驗(yàn)的誤差達(dá)到最小，并趨于穩(wěn)定.

綜上所述，各個(gè)策略對(duì)應(yīng)的最優(yōu)RMSE如表2所示，其中ADL策略的結(jié)果是在k1=4，k2+k3=26，λ=0.1，μ=0.05，γ=6，σ=0.8的參數(shù)組合下得到的.

表2 各個(gè)策略對(duì)應(yīng)的RMSE值
Table 2 RMSE of different strategies

RMSEADLD-TreePopu加權(quán)評(píng)分r'0.22190.34250.505平均評(píng)分r0.23660.34360.524

6 總 結(jié)

本文提出的針對(duì)用戶冷啟動(dòng)的自適應(yīng)動(dòng)態(tài)列表生成的策略，將要詢問(wèn)的物品分批次呈現(xiàn)給用戶，并根據(jù)用戶的回答動(dòng)態(tài)調(diào)整列表的內(nèi)容，使得獲取的數(shù)據(jù)更能體現(xiàn)用戶的興趣，也避開(kāi)了問(wèn)卷決策樹(shù)的弊端.主動(dòng)學(xué)習(xí)中，詢問(wèn)列表的內(nèi)容很大程度上決定了策略的優(yōu)劣，ADL算法模型在面臨新用戶時(shí)也能很好的擬合出用戶的偏好.實(shí)驗(yàn)的最終結(jié)果也表明，通過(guò)分層級(jí)向用戶詢問(wèn)物品評(píng)分并找到新用戶的群組，能夠在新用戶進(jìn)入系統(tǒng)的最初就能有不錯(cuò)的推薦準(zhǔn)確率，提高新用戶對(duì)系統(tǒng)的忠誠(chéng)度.

本算法雖然取得了一定的效果，但仍有許多值得深入研究的地方.例如，在構(gòu)造決策樹(shù)時(shí)，中間節(jié)點(diǎn)都是由物品構(gòu)建的，后面也可以考慮將某些數(shù)據(jù)特征(平均值、中位數(shù)、流行度等)也加入中間節(jié)點(diǎn)中，并且還可以將時(shí)間因素考慮進(jìn)來(lái)，對(duì)不同時(shí)間階段的用戶可以有不斷更新的物品集合，提高預(yù)測(cè)準(zhǔn)確率，這些都是后續(xù)預(yù)備研究的方向.