面向群組的電影推薦系統(tǒng)應(yīng)用

劉彤彤 馬文明 李湘南 宋玉龍

（1.煙臺(tái)大學(xué) 山東省煙臺(tái)市 264005 2.煙臺(tái)市科學(xué)技術(shù)情報(bào)研究所 山東省煙臺(tái)市 264005）

1 引言

隨著當(dāng)今世界機(jī)器學(xué)習(xí)技術(shù)的興起，科學(xué)技術(shù)也走上了新的高度，人們生活中對(duì)科技應(yīng)用的需求占比也越來(lái)越重。人們利用隨處可見的智能設(shè)備來(lái)完成工作娛樂(lè)生活，處在這種快節(jié)奏的生活下，人們面對(duì)隨處可見的復(fù)雜信息無(wú)法進(jìn)行選擇，出現(xiàn)了信息過(guò)載[1]的現(xiàn)象。為了解決信息過(guò)載的問(wèn)題，電子商務(wù)行業(yè)采用推薦系統(tǒng)技術(shù)為用戶推薦和介紹產(chǎn)品，旨在于對(duì)本身需求不清晰的用戶提供建議。而現(xiàn)在，隨著娛樂(lè)方式的增多，推薦系統(tǒng)技術(shù)的運(yùn)用不僅存在于電子商務(wù)行業(yè)，還擴(kuò)展到視頻音樂(lè)等多媒體行業(yè)中。

組推薦系統(tǒng)越來(lái)越成為研究的熱點(diǎn)之一[2]?，F(xiàn)代社會(huì)越來(lái)越重視人與人之間的交往與聯(lián)系，社交活動(dòng)影響著社交關(guān)系。例如，與朋友一起去風(fēng)景秀麗的地方旅游，學(xué)校組織各種社團(tuán)活動(dòng)，社區(qū)中的人們一起健身做操，等等。但是大部分情況下，群組內(nèi)成員對(duì)活動(dòng)的選擇會(huì)產(chǎn)生分歧，這就需要組推薦為群組活動(dòng)提供建議或者意見，它旨在為一組用戶推薦可能喜愛(ài)的項(xiàng)目，而非普通的個(gè)性化推薦[3]。組推薦系統(tǒng)將每個(gè)人都喜好都考慮到，進(jìn)行分析和篩選，使其推薦的結(jié)果滿足群組內(nèi)多數(shù)成員的要求。

本文介紹了傳統(tǒng)推薦系統(tǒng)的算法與組推薦系統(tǒng)，分析了組推薦偏好融合的多種策略，并根據(jù)分析結(jié)果構(gòu)建模型架構(gòu)實(shí)現(xiàn)面向群組的電影推薦系統(tǒng)。

2 組推薦系統(tǒng)概述

2.1 傳統(tǒng)推薦系統(tǒng)

傳統(tǒng)推薦系統(tǒng)（Recommender system）應(yīng)用在各大知名網(wǎng)站，例如京東和亞馬遜網(wǎng)站等。其主要的推薦系統(tǒng)算法分為基于內(nèi)容的推薦（Content-based Recommendation），協(xié)同過(guò)濾推薦（Collaborative Filtering Recommendation CF），基于知識(shí)的推薦方（Knowledge-based Recommendation）等?；趦?nèi)容的推薦方法是根據(jù)用戶歷史數(shù)據(jù)，獲取用戶喜好，利用用戶喜好推薦與其特征匹配的項(xiàng)目。協(xié)同過(guò)濾推薦方法是傳統(tǒng)推薦中最早也是使用最廣泛的推薦算法之一[4]，主要通過(guò)對(duì)比相似度來(lái)進(jìn)行篩選。該算法主要分為兩種，基于用戶的協(xié)同過(guò)濾算法（User-based CF）和基于項(xiàng)目的協(xié)同過(guò)濾算法（Itembased CF）?；谥R(shí)推薦的算法是將一個(gè)項(xiàng)目映射到某一特定用戶上，需要使用戶資料規(guī)范化，才能推薦與之需求相符的項(xiàng)目。

2.2 組推薦系統(tǒng)

傳統(tǒng)推薦算法基于對(duì)單個(gè)用戶推薦項(xiàng)目，只分析該用戶的喜好等因素，并且得出的結(jié)果可以直接展示給該用戶，而組推薦將一個(gè)群組設(shè)為整體，分析獲取群體內(nèi)所有用戶的喜好因素，再將個(gè)人結(jié)果整合成最終群組結(jié)果。因此群組推薦也可為單個(gè)用戶服務(wù)。協(xié)同過(guò)濾推薦算法在推薦系統(tǒng)的使用中非常普遍[5]。

組推薦系統(tǒng)基于共識(shí)分?jǐn)?shù)對(duì)群組進(jìn)行推薦，包括整個(gè)群組對(duì)預(yù)測(cè)項(xiàng)目的共同偏好和群組成員之間的差異偏好[2]。組推薦系統(tǒng)獲得群組成員的興趣偏好后，需要對(duì)偏好差異進(jìn)行分析，將各個(gè)用戶的偏好融合到一起。組推薦常見的融合策略[3]有以下幾種：

（1）公平策略。每次推薦時(shí)選取組內(nèi)某個(gè)成員的評(píng)分作為群組評(píng)分。pu為用戶的偏好，pG為群組的偏好，du為用戶對(duì)項(xiàng)目的評(píng)分。

（2）均值策略。將某項(xiàng)目的的所有用戶評(píng)分求平均值，作為該項(xiàng)目的分?jǐn)?shù)，再根據(jù)評(píng)分高低對(duì)群組推薦。

（3）痛苦避免均值策略。設(shè)置一個(gè)痛苦閾值 ，對(duì)所有超出該值的評(píng)分求平均值，取該平均值作為群組評(píng)分。

（4）最受尊敬者策略。根據(jù)群組成員交互關(guān)系或其他信息選取某個(gè)權(quán)重高的成員，該成員的評(píng)分作為群組評(píng)分。uresp為最受尊敬用戶。

3 設(shè)計(jì)與實(shí)現(xiàn)

3.1 模型設(shè)計(jì)

模型中預(yù)測(cè)電影評(píng)分采用協(xié)同過(guò)濾算法，考慮到用戶與用戶之間可能受到社交關(guān)系等因素的影響，計(jì)算基于用戶的相似度，容易出現(xiàn)不穩(wěn)定的狀況。因此采用基于項(xiàng)目的協(xié)同過(guò)濾算法，將用戶所青睞的類似項(xiàng)目進(jìn)行推薦，計(jì)算復(fù)雜度相對(duì)較低。

模型中的推薦結(jié)果融合策略采用痛苦避免均值策略。均值策略在實(shí)際組推薦系統(tǒng)應(yīng)用中較為廣泛，卻可能使得個(gè)別用戶對(duì)推薦結(jié)果不滿意，個(gè)別極端的評(píng)分對(duì)群組推薦的結(jié)果產(chǎn)生不利的影響?？紤]到去除極端，保留大眾化的評(píng)分，采用痛苦避免均值策略。該策略對(duì)痛苦閾值上的評(píng)分?jǐn)?shù)據(jù)進(jìn)行平均處理，過(guò)濾掉可能引起痛苦的項(xiàng)目。

3.2 模型實(shí)現(xiàn)

圖1：模型實(shí)現(xiàn)流程圖

為群組推薦電影，利用用戶對(duì)電影的歷史評(píng)分，對(duì)群組成員進(jìn)行建檔。每個(gè)成員生成一個(gè)用戶描述文件，成員所在的每個(gè)群組生成一個(gè)群組描述文件。對(duì)用戶資料和群組資料進(jìn)行整理，除去多余用戶信息，建立評(píng)分矩陣。m 為用戶的數(shù)量，n 為電影的數(shù)量，矩陣如下：

根據(jù)獲得的評(píng)分矩陣，使用余弦相似度計(jì)算目標(biāo)電影與其他電影的相似程度，余弦相似度公式為：

再根據(jù)計(jì)算的相似度求目標(biāo)電影評(píng)分，將每個(gè)相似度作為權(quán)重，計(jì)算每個(gè)電影與其所占權(quán)重乘積并將所有乘積求和，與目標(biāo)電影相似的歷史電影，其評(píng)分作為參考的價(jià)值越大，最后對(duì)加和求平均值，得出目標(biāo)電影的預(yù)測(cè)評(píng)分。

將所有預(yù)測(cè)出的用戶評(píng)分，去掉低于參數(shù)α 的用戶評(píng)分，將剩下的電影評(píng)分?jǐn)?shù)據(jù)取平均值，作為群組預(yù)測(cè)電影評(píng)分，選擇排名前k 個(gè)的電影，使其成為預(yù)測(cè)的群組推薦電影列表。模型實(shí)現(xiàn)流程如圖1 所示。

3.3 評(píng)價(jià)指標(biāo)

3.3.1 準(zhǔn)確度

推薦系統(tǒng)的評(píng)分指標(biāo)同樣適用于組推薦系統(tǒng)。推薦系統(tǒng)的準(zhǔn)確度評(píng)價(jià)主要有RMSE，MAP，recall 等。RMSE 是體現(xiàn)了預(yù)測(cè)電影評(píng)分與真實(shí)評(píng)分的偏差，其值越小則偏差越小，說(shuō)明其準(zhǔn)確率越高。

3.3.2 覆蓋率

覆蓋率通過(guò)獲取群組的推薦結(jié)果占全部項(xiàng)目的比率來(lái)評(píng)價(jià)組推薦系統(tǒng)的覆蓋率情況[6]。覆蓋越多，項(xiàng)目越多樣化，對(duì)于提供項(xiàng)目者來(lái)說(shuō)非常有益。覆蓋率越高，推薦的項(xiàng)目種類雜，也可能存在著準(zhǔn)確度不高的情況，這就需要覆蓋率與準(zhǔn)確率放在一起來(lái)對(duì)推薦結(jié)果評(píng)估。

3.3.3 驚喜度

驚喜度也越來(lái)越成為評(píng)價(jià)組推薦系統(tǒng)結(jié)果滿意與否的度量之一[7]。驚喜的推薦項(xiàng)目對(duì)用戶來(lái)說(shuō)是陌生的，與用戶的喜好不相似，但是用戶卻對(duì)推薦結(jié)果有著不錯(cuò)的評(píng)價(jià)。例如給用戶推薦了沒(méi)有看過(guò)的電影，但是用戶看完之后對(duì)該電影評(píng)分挺高，這就可以認(rèn)為該推薦能夠讓用戶驚喜。

4 結(jié)束語(yǔ)

日常生活中不僅有單人推薦的需求，也有團(tuán)體推薦的需求，組推薦的出現(xiàn)解決了這一問(wèn)題。組推薦系統(tǒng)必須顧全所有群組內(nèi)用戶的需求，針對(duì)各種應(yīng)用面對(duì)不同的對(duì)象，采取相應(yīng)的融合策略，必要時(shí)可以融合多個(gè)策略以解決問(wèn)題，從而更貼合實(shí)際，符合用戶的需求。在電影推薦系統(tǒng)的設(shè)計(jì)中采用組推薦的融合策略，為進(jìn)行社交活動(dòng)的人們帶來(lái)了方便，也拓寬了推薦系統(tǒng)實(shí)用性的領(lǐng)域。