基于偏好融合的群組推薦方法研究綜述

許曉明，梅紅巖，于 恒，李曉會(huì)

(遼寧工業(yè)大學(xué) 電子與信息工程學(xué)院，遼寧 錦州 121001)

1 引 言

推薦系統(tǒng)滿足了用戶從海量數(shù)據(jù)中獲取有效信息的需求，隨著大數(shù)據(jù)時(shí)代的到來(lái)，推薦系統(tǒng)的應(yīng)用領(lǐng)域也越來(lái)越廣，處理的數(shù)據(jù)量也逐漸呈指數(shù)級(jí)增長(zhǎng)[1].傳統(tǒng)的個(gè)性化推薦的提出是為了滿足個(gè)體用戶的需求，實(shí)際上很多活動(dòng)都是以群體進(jìn)行，例如旅游、聚餐、團(tuán)購(gòu)等.上世紀(jì)70年代開(kāi)始，逐漸有學(xué)者開(kāi)始研究針對(duì)群體成員的推薦，即群組推薦.群組推薦既滿足用戶個(gè)性需求，也符合群居生活的特殊要求以滿足群組的共性需求.隨著群體的不斷豐富，群組推薦成為解決推薦問(wèn)題的一種重要手段引起了許多專家學(xué)者的廣泛關(guān)注，如何對(duì)群組用戶進(jìn)行推薦也成為了推薦領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題.同時(shí)，群組推薦的應(yīng)用領(lǐng)域越來(lái)越廣，例如音視頻推薦、旅游線路規(guī)劃、聚餐、Web瀏覽、購(gòu)物、學(xué)習(xí)等領(lǐng)域[2-7].

由于群組推薦與個(gè)性化推薦針對(duì)的推薦對(duì)象存在明顯差異，由個(gè)體用戶變?yōu)槿后w用戶，需要考慮群體內(nèi)所有成員對(duì)于預(yù)推薦項(xiàng)目的喜好程度.只有預(yù)推薦項(xiàng)目滿足群組內(nèi)成員的偏好要求，并對(duì)群組成員之間的偏好沖突進(jìn)行緩解，才能使得預(yù)推薦項(xiàng)目符合群組的所有成員的滿意度要求.同時(shí)，群組推薦中群組成員與項(xiàng)目之間的交互數(shù)據(jù)非常稀疏，很多情況下不能直接利用群組的歷史交互進(jìn)行建模，因此要通過(guò)聚合群組中成員的偏好對(duì)群組偏好進(jìn)行建模.故而群體偏好融合成為群組推薦的關(guān)鍵步驟[8].

偏好融合[1]是指利用一組成員的每個(gè)成員偏好進(jìn)行建模，選擇并融合成為群組偏好的過(guò)程，可以在群組推薦的不同階段進(jìn)行.對(duì)偏好融合策略和方法的不同選擇，可以形成不同的群組推薦系統(tǒng)，得到不同的推薦效果.為了滿足群組成員的總體滿意度和推薦公平性，在具體實(shí)驗(yàn)中，如何選擇最合適的融合策略和融合方法，仍是群組推薦領(lǐng)域研究的熱點(diǎn)問(wèn)題之一[9].

目前國(guó)內(nèi)外對(duì)于群組推薦偏好融合中的相關(guān)問(wèn)題等進(jìn)行了較為深入的研究.國(guó)外主要包括引入情境和會(huì)話信息的偏好融合改進(jìn)[10]，對(duì)成員的影響力挖掘[11]，考慮偏好的動(dòng)態(tài)交互性[12-14]等；國(guó)內(nèi)主要從成員交互角度出發(fā)對(duì)偏好融合的策略進(jìn)行改進(jìn)[15]，或?qū)σ胱⒁饬C(jī)制進(jìn)行創(chuàng)新[16]，當(dāng)前存在的諸多研究中多考慮到成員之間的特性和個(gè)性化問(wèn)題，重點(diǎn)放在滿意度要求上，而在融合偏好過(guò)程中對(duì)時(shí)空因素考慮相對(duì)較少.本文基于當(dāng)前國(guó)內(nèi)外偏好融合的群組推薦方法的研究現(xiàn)狀，首先對(duì)群組推薦的基本定義及步驟進(jìn)行了簡(jiǎn)要介紹.重點(diǎn)介紹了偏好融合的基本策略和方法，及基于偏好融合的群組推薦方法的研究現(xiàn)狀.總結(jié)了群組推薦方法的常用評(píng)價(jià)指標(biāo)，和現(xiàn)有群組推薦方法使用的相關(guān)數(shù)據(jù)集，并通過(guò)實(shí)驗(yàn)重點(diǎn)分析比較了不同偏好融合對(duì)推薦結(jié)果的影響及偏好融合、推薦特征、推薦預(yù)測(cè)方法之間的關(guān)系.最后對(duì)基于偏好融合的群組推薦方法未來(lái)的研究方向進(jìn)行歸納.

2 群組推薦概述

2.1 群組推薦定義

群組推薦[1]是指通過(guò)將用戶的個(gè)人推薦聚合為整個(gè)群組的推薦，或者根據(jù)用戶的個(gè)人偏好模型建模群組偏好來(lái)生成推薦列表的一種基于群體用戶的推薦方法.至今群組推薦還未形成統(tǒng)一的定義，一般多采用文獻(xiàn)[17,18]利用共識(shí)分?jǐn)?shù)給出群組推薦的形式化定義，如式(1)所示：

F(G,i)=w1×groupprerating(G,i)+w2×(1-dis(G,i))

(1)

式(1)中，groupprerating(G，i)為群組對(duì)項(xiàng)目i的群組預(yù)測(cè)評(píng)分，表明該群組整體對(duì)預(yù)推薦項(xiàng)目整體上的喜好程度；dis(G，i)為群組成員之間對(duì)項(xiàng)目i評(píng)分的分歧度，表明成員之間的偏好沖突程度；且w1+w2=1.群組推薦的最終目的使共識(shí)函數(shù)最大化，當(dāng)群組的預(yù)測(cè)評(píng)分足夠高時(shí)，群組的分歧度足夠小，表明推薦的項(xiàng)目也就更符合群組成員的偏好要求.但該形式化定義無(wú)法適用于所有的群組推薦方法，因此，群組推薦的定義依舊是一個(gè)開(kāi)放性問(wèn)題[1,8,9].

2.2 群組推薦步驟

群組推薦主要由群組發(fā)現(xiàn)、偏好融合、預(yù)測(cè)推薦3部分組成，步驟如圖1所示.國(guó)內(nèi)外學(xué)者對(duì)于群組推薦方法的改進(jìn)和創(chuàng)新通常圍繞著群組推薦的3個(gè)步驟進(jìn)行，如何在生成相似度更高的群組，如何更好地解決群組成員間的偏好沖突，如何提高推薦結(jié)果的準(zhǔn)確率和多樣性，成為群組推薦研究領(lǐng)域的重點(diǎn)問(wèn)題[1,8,9].

圖1 群組推薦步驟圖
Fig.1 Group recommendation steps

2.2.1 群組發(fā)現(xiàn)

群組發(fā)現(xiàn)[19]是指將用戶分為具有相似偏好的用戶小組，是群組推薦的關(guān)鍵前提步驟，其群組劃分結(jié)果將直接影響后續(xù)偏好融合和預(yù)測(cè)推薦步驟的效用[1,8,9].群組推薦的精確度由群組成員的內(nèi)在相似度直接決定，當(dāng)群組成員的內(nèi)在相似度高于一定值時(shí)，群組推薦結(jié)果的精度能夠與個(gè)性化推薦結(jié)果的精度持平甚至超出[1,19].目前群組發(fā)現(xiàn)需要考慮的因素越來(lái)越多，從傳統(tǒng)的組大小、組內(nèi)凝聚力、關(guān)聯(lián)強(qiáng)度等逐漸向數(shù)據(jù)集屬性和相應(yīng)應(yīng)用場(chǎng)景上偏移，主要方式有隨機(jī)分組、相似度計(jì)算、聚類3種[8].

2.2.2 偏好融合

偏好融合[20]是指利用偏好融合策略在推薦前建模群組成員的共同興趣偏好，或在推薦后建模群組成員的共同推薦偏好.它可以簡(jiǎn)單分為獨(dú)立的兩個(gè)方面:1)偏好融合策略.有時(shí)也被稱為“融合策略”[20]，需要同時(shí)考慮成員的總體滿意度以及公平性問(wèn)題等等;2)偏好融合方法.可以將偏好融合方法根據(jù)其發(fā)生的階段以及融合的內(nèi)容，分成兩類，分別是模型融合方法[20]和推薦融合方法[21].

2.2.3 預(yù)測(cè)推薦

預(yù)測(cè)推薦[1,8]是指對(duì)項(xiàng)目預(yù)測(cè)評(píng)分并進(jìn)行推薦.群組推薦的經(jīng)典預(yù)測(cè)推薦方法是由傳統(tǒng)的個(gè)人推薦方法演變而來(lái)，隨著技術(shù)的進(jìn)步與發(fā)展，越來(lái)越多的新興技術(shù)被用于群組推薦過(guò)程中，目前比較有代表性的幾種推薦技術(shù)的偏好融合特點(diǎn)及存在問(wèn)題如表1所示.

表1 群組推薦技術(shù)對(duì)比Table 1 Comparison of group recommendation technology

在使用預(yù)測(cè)推薦技術(shù)時(shí)，要根據(jù)所使用的技術(shù)，對(duì)偏好融合部分使用的策略和方法進(jìn)行選擇和調(diào)整.例如，通常情況下，基于深度學(xué)習(xí)的群組推薦由于其技術(shù)的特殊性多使用推薦融合方法；而基于信任及可信度的群組推薦由于在群組發(fā)現(xiàn)時(shí)已經(jīng)考慮到成員偏好多使用模型融合方法和經(jīng)典的偏好融合策略.

3 基于偏好融合的群組推薦方法

3.1 偏好融合概述

群組偏好的概念，是由Dyer等人[20]在上個(gè)世紀(jì)70年代研究群組的決策性問(wèn)題時(shí)最初提出.群組偏好是由所有群組用戶的個(gè)人偏好融合出來(lái)并能夠代表群組決策意見(jiàn)的群組整體偏好[1].在群組推薦中，偏好融合是指將群組內(nèi)群組成員的個(gè)人偏好整合為群組偏好的過(guò)程，它由兩部分組成，分別是偏好融合策略和偏好融合方法.偏好融合策略是指在對(duì)群組成員偏好進(jìn)行提取過(guò)程中所使用的規(guī)則，偏好融合方法是指在群組推薦過(guò)程中進(jìn)行偏好融合的建模方法，偏好融合方法劃分為模型融合[20]和推薦融合[21].在基于偏好融合的群組推薦過(guò)程中，偏好融合策略可以在不同的偏好融合方法上使用，兩者相對(duì)獨(dú)立.兩者的不同組合可以形成不同的推薦系統(tǒng)[1,8]，達(dá)到不同的推薦效果.

3.2 基于改進(jìn)偏好融合策略的群組推薦方法

文獻(xiàn)[8,9,21,22]分析了各種融合策略的優(yōu)劣，本文根據(jù)文獻(xiàn)[8]給出的偏好融合策略的分類，將基于改進(jìn)偏好融合策略的群組推薦方法分為以下3類:

·基于單一融合策略的群組推薦方法

單一融合策略是指最基本的相對(duì)單一的偏好提取規(guī)則.常見(jiàn)的單一融合策略包括加法策略[21]、均值策略[23]、最開(kāi)心策略[21]、最受尊敬者策略[21]、平均避免痛苦[31]、最小痛苦[24]等.

在使用單一融合策略的群組推薦方法中，通常根據(jù)數(shù)據(jù)集和融合要求，選用不同的單一融合策略.文獻(xiàn)[25]采取均值策略融合群組偏好向量,并與服務(wù)特征向量共同生成群組對(duì)服務(wù)的評(píng)分.然而，單一融合策略對(duì)整體偏好的把握性較差，較少考慮負(fù)面偏好的影響，例如均值策略產(chǎn)生的推薦結(jié)果可能會(huì)使個(gè)別成員不滿，即出現(xiàn)所謂的“痛苦”問(wèn)題[20].

·基于混合融合策略的群組推薦方法

混合融合策略也被稱作組合策略，是指在群組推薦中，組合兩種或兩種以上單一融合策略形成新的提取規(guī)則來(lái)進(jìn)行群組偏好的提取.群組推薦通過(guò)組合多種融合策略來(lái)解決單一融合策略存在的問(wèn)題[8,21,22].

TDF[26]的偏好融合過(guò)程利用中值策略能夠?qū)阂庠u(píng)分和篡改信息有效規(guī)避這一優(yōu)點(diǎn)，結(jié)合均值策略，進(jìn)行偏好融合.文獻(xiàn)[27]在利用多層感知器獲得用戶和項(xiàng)目之間潛在特征向量的非線性相互作用后，基于個(gè)人推薦分?jǐn)?shù)提出了基于納什均衡的混合融合策略，以確保群體用戶的平均滿意度.文獻(xiàn)[28]通過(guò)外部社會(huì)信任網(wǎng)絡(luò)調(diào)整最終的小組偏好等并選取合適的單一融合策略.文獻(xiàn)[29]提出混合比例和無(wú)嫉妒的公平匯總策略來(lái)生成最公平的群體推薦列表.文獻(xiàn)[30]提出了一種混合策略，通過(guò)融合群組中所有成員的推薦評(píng)分形成對(duì)該群組的整體評(píng)分.

·基于加權(quán)融合策略的群組推薦方法

加權(quán)融合策略又稱作加權(quán)模型[20]，是指通過(guò)對(duì)成員影響力的計(jì)算為群組成員的決策性分配權(quán)值后，再進(jìn)行偏好的聚合提取,可以根據(jù)是否存在交互行為將加權(quán)融合策略分為靜態(tài)模型和交互模型.加權(quán)融合模型考慮群組成員對(duì)群組偏好的影響因素有很多，例特征、角色、信任層次等，也可以根據(jù)特定的數(shù)據(jù)要求進(jìn)行計(jì)算，故而其靈活性較高.加權(quán)模型為每個(gè)群組成員分配不同的權(quán)重[31,32]，在計(jì)算群體偏好時(shí)更加準(zhǔn)確.

3.2.1 靜態(tài)模型

靜態(tài)模型中的群組成員權(quán)重通常是通過(guò)計(jì)算后預(yù)先定義的權(quán)重值.文獻(xiàn)[31]從利他行為與容忍度兩個(gè)角度切入，為子組分配權(quán)重，以減少群組偏好屬性特征.文獻(xiàn)[32]通過(guò)綜合計(jì)分項(xiàng)目比例因子(CIPF)使用改進(jìn)的相似度公式，以獲得個(gè)人預(yù)測(cè)評(píng)分；通過(guò)引入項(xiàng)目類型比例因子來(lái)計(jì)算組類型偏好和用戶類型偏好之間的類型相似度，來(lái)改進(jìn)偏好融合策略.文獻(xiàn)[33]項(xiàng)目特征屬性均值相似性權(quán)重和特征屬性頻度權(quán)重兩個(gè)方面來(lái)得到群體偏好模型.

3.2.2 交互模型

交互模型根據(jù)用戶與項(xiàng)目的交互行為來(lái)分配權(quán)重.文獻(xiàn)[34]通過(guò)用戶-項(xiàng)目交互的建模，從數(shù)據(jù)中學(xué)習(xí)聚合策略來(lái)解決偏好聚合問(wèn)題.文獻(xiàn)[35]通過(guò)對(duì)組項(xiàng)交互數(shù)據(jù)和用戶項(xiàng)交互數(shù)據(jù)進(jìn)行交互學(xué)習(xí)，并基于社會(huì)影響的群體表征學(xué)習(xí)，來(lái)根據(jù)成員偏好學(xué)習(xí)群組偏好.文獻(xiàn)[36]將預(yù)測(cè)的評(píng)分分為自我預(yù)測(cè)和偏好交互兩部分，通過(guò)歷史組活動(dòng)信息和推薦后評(píng)分反饋機(jī)制生成個(gè)性化交互參數(shù).文獻(xiàn)[37]采用神經(jīng)注意力機(jī)制來(lái)描述每個(gè)組及其成員之間的偏好交互，結(jié)合組和項(xiàng)目特征以準(zhǔn)確地學(xué)習(xí)項(xiàng)目上的組偏好權(quán)重.文獻(xiàn)[38]考慮朋友關(guān)系及用戶相似性，提取出用戶的社交權(quán)重和活動(dòng)權(quán)重，形成新的群組用戶偏好模型.文獻(xiàn)[39]建立用戶之間交互的全局信任估計(jì)模型，以計(jì)算用戶對(duì)于最終群組決策的影響力.除此之外考慮成員交互的加權(quán)偏好融合策略[40，41]也成為交互模型的研究熱點(diǎn).

3.3 基于改進(jìn)偏好融合方法的群組推薦方法

文獻(xiàn)[1，8，21]對(duì)融合方法進(jìn)行了總結(jié)，將目前常用的偏好融合方法可分為以下3類：對(duì)個(gè)人用戶推薦結(jié)果按分組進(jìn)行合并，對(duì)個(gè)人用戶的預(yù)測(cè)評(píng)分按分組進(jìn)行融合以及在預(yù)測(cè)推薦前建立群組偏好模型.其中，由于推薦結(jié)果融合和評(píng)分融合都是在完成每個(gè)用戶的預(yù)測(cè)推薦之后進(jìn)行融合，所以在文獻(xiàn)[1,8,9]中推薦結(jié)果融合和評(píng)分融合被統(tǒng)稱為推薦融合;模型融合[20]則是先把群組成員的偏好模型融合生成群組偏好模型，再根據(jù)群組偏好進(jìn)行預(yù)測(cè)推薦.模型融合與推薦融合的過(guò)程對(duì)比如圖2所示.

圖2 模型融合與推薦融合過(guò)程對(duì)比圖Fig.2 Comparison of model fusion and recommendation fusion process

3.3.1 模型融合

模型融合在預(yù)測(cè)推薦之前進(jìn)行，它對(duì)輸入的每個(gè)成員偏好進(jìn)行匯總，得到最終的群組偏好模型并進(jìn)行輸出.在建模時(shí)，可以綜合考慮多個(gè)維度，例如個(gè)人屬性、關(guān)系屬性等，對(duì)數(shù)據(jù)集提供的用戶顯式反饋信息、項(xiàng)目特征等信息進(jìn)行挖掘，全面考察小組內(nèi)的偏好關(guān)系[8].文獻(xiàn)[42]放棄傳統(tǒng)的定量權(quán)重，選取偏好主觀融合的方式，對(duì)模型融合進(jìn)行改進(jìn).文獻(xiàn)[43]結(jié)合了兩種融合方法的優(yōu)點(diǎn)并根據(jù)實(shí)驗(yàn)得出了“群組偏好與個(gè)人偏好具有相似性”的結(jié)論.文獻(xiàn)[44]研究面對(duì)未知情況用戶偏好的不確定性，研究個(gè)人或集體偏好的定性及不確定性表達(dá).文獻(xiàn)[45]研究具有區(qū)間值模糊偏好關(guān)系的推薦方法，利用集體優(yōu)先級(jí)計(jì)算偏好融合出現(xiàn)的時(shí)機(jī).

3.3.2 推薦融合

推薦融合方法的偏好融合過(guò)程發(fā)生在對(duì)于個(gè)體用戶的預(yù)測(cè)推薦之后，它的結(jié)果通常為群組預(yù)測(cè)評(píng)分或群組推薦列表[8,20].根據(jù)融合的內(nèi)容差異，推薦融合方法可分為評(píng)分融合[21]和排序融合[22].

評(píng)分融合方法首先利用傳統(tǒng)個(gè)性化推薦方法對(duì)群組內(nèi)每個(gè)成員對(duì)于候選項(xiàng)目的預(yù)測(cè)評(píng)分進(jìn)行計(jì)算，后根據(jù)群組生成的結(jié)果將得到的預(yù)測(cè)評(píng)分分成不同小組并分別進(jìn)行融合，從而得到各個(gè)群組整體的對(duì)候選項(xiàng)目的預(yù)測(cè)評(píng)分.文獻(xiàn)[46]融合均值策略和最小辛苦策略，提出了修正滿意平衡策略進(jìn)行評(píng)分融合.文獻(xiàn)[47]結(jié)合評(píng)論、類別和地理位置，為不同的組別進(jìn)行推薦.

排序融合方法首先利用傳統(tǒng)的個(gè)性化推薦算法為群組內(nèi)每個(gè)成員進(jìn)行推薦，將生成的推薦結(jié)果列表進(jìn)行融合，得到群組的整體推薦結(jié)果列表[12].文獻(xiàn)[48]結(jié)合時(shí)間因子對(duì)數(shù)據(jù)進(jìn)行聚類，融合成員推薦列表得到最終的群組推薦結(jié)果.

4 群組推薦評(píng)價(jià)指標(biāo)

效用評(píng)價(jià)對(duì)于檢驗(yàn)群組推薦的性能和發(fā)現(xiàn)其存在的問(wèn)題來(lái)說(shuō)十分重要，是群組中無(wú)法忽視的環(huán)節(jié)[1,8].群組推薦的評(píng)價(jià)指標(biāo)有以下幾類：

·準(zhǔn)確度

準(zhǔn)確度，又稱“精度”，在推薦系統(tǒng)中，指推薦結(jié)果與所有預(yù)推薦項(xiàng)目之間的比率，多用來(lái)衡量用戶對(duì)于其推薦項(xiàng)目列表的興趣程度，是推薦結(jié)果的最重要的評(píng)價(jià)方面.群組推薦的準(zhǔn)確度評(píng)價(jià)用到的評(píng)價(jià)指標(biāo)有許多，主要用到的指標(biāo)有RMSE,MAP,F1,Recall,Precision,AUC,nDCG[8,49]等.根據(jù)文獻(xiàn)[50]對(duì)推薦系統(tǒng)準(zhǔn)確度的分類，將以上準(zhǔn)確度指標(biāo)分為評(píng)分準(zhǔn)確度、分類準(zhǔn)確度、排序準(zhǔn)確度3種，各準(zhǔn)確度評(píng)價(jià)指標(biāo)的類別和作用見(jiàn)表2.

在群組推薦的準(zhǔn)確度評(píng)估上，可以根據(jù)群組推薦對(duì)結(jié)果的不同要求，使用不用的準(zhǔn)確度指標(biāo).通常在傳統(tǒng)推薦系統(tǒng)中，只考慮準(zhǔn)確度要求，多使用Precision來(lái)計(jì)算推薦結(jié)果的準(zhǔn)確度，同時(shí)結(jié)合召回率，利用兩者之間的負(fù)相關(guān)性評(píng)價(jià)群組推薦的準(zhǔn)確性；而對(duì)于推薦排序要求嚴(yán)格的群組推薦而言，推薦結(jié)果的排序更能影響推薦系統(tǒng)的性能，故而多使用nDCG作為準(zhǔn)確度評(píng)價(jià)指標(biāo).

Precision描述用戶對(duì)系統(tǒng)推薦商品感興趣的概率，其計(jì)算公式見(jiàn)式(2)：

(2)

其中R(u)是在訓(xùn)練集上根據(jù)用戶行為對(duì)用戶推薦的推薦列表，T(u)是在測(cè)試集上的行為列表，Precision定義為預(yù)測(cè)得到的相關(guān)項(xiàng)目數(shù)與用戶喜愛(ài)的項(xiàng)目總數(shù)的比率，用于描述推薦列表中有多少項(xiàng)目是準(zhǔn)確的.

表2 各種準(zhǔn)確度評(píng)價(jià)指標(biāo)的類別和作用Table 2 Types and functions of various accuracy evaluation indexes

nDCG評(píng)價(jià)在Top-k推薦列表的排序準(zhǔn)確率，其計(jì)算公式如式(3)和式(4)所示：

(3)

(4)

式(3)中，i表示項(xiàng)目編號(hào)，p1表示第l個(gè)項(xiàng)目的評(píng)分列表，u表示用戶,利用k值來(lái)調(diào)整推薦結(jié)果的數(shù)量.由于搜索結(jié)果隨著檢索詞的不同，返回的數(shù)量是存在差異的，DCG作為一個(gè)累加值，對(duì)兩個(gè)不同的搜索結(jié)果比較時(shí)存在局限性，因此需要利用式(4)對(duì)DCG進(jìn)行歸一化處理，IDCG為理想情況下DCG的最大值.

nDCG的值域?yàn)閇0,1]，但通常不會(huì)計(jì)算得到0和1的值，當(dāng)nDCG處于0-1之間時(shí)，值越大代表準(zhǔn)確率越高.

·多樣性

群組推薦的多樣性是指群組推薦結(jié)果列表中項(xiàng)目與項(xiàng)目之間的相似程度，推薦項(xiàng)目之間的相似度越低，推薦結(jié)果的多樣性就越好.雖然群組推薦的準(zhǔn)確性十分重要，但是如果用戶看見(jiàn)推薦的項(xiàng)目都十分相似，用戶便會(huì)產(chǎn)生一定的厭煩情緒，從而影響群組對(duì)群組推薦的滿意程度.因此，評(píng)估群組推薦的多樣性也是極為必要的.推薦系統(tǒng)通常使用Jaccard相似度系數(shù)[6]來(lái)計(jì)算兩個(gè)項(xiàng)目之間的類型相似度，群組推薦多通過(guò)計(jì)算整個(gè)推薦列表的類型相似度來(lái)評(píng)價(jià)推薦結(jié)果的多樣性.

Jaccard相似性系數(shù)利用集合的交集與集合的并集之比來(lái)對(duì)兩個(gè)集合的相似度進(jìn)行計(jì)算.給定集合A和集合B，Jaccard系數(shù)定義為A與B交集的大小與A與B并集的大小的比值，定義如下:

當(dāng)集合A，B都為空時(shí)，J(A，B)定義為1.

Jaccard 距離用于描述集合之間的相異程度.Jaccard 距離越小，證明樣本之間的差異程度越小，樣本相似度越高，公式如式(5)所示.

(5)

由于Jaccard相似系數(shù)的定義，列表內(nèi)的平均相似度分布在0到1之間，平均相似度越接近1，列表內(nèi)項(xiàng)目間的相異程度越高，即推薦列表多樣性越好.

·覆蓋率

覆蓋率是指群組推薦能夠進(jìn)行推薦的項(xiàng)目范圍[8].群組推薦評(píng)價(jià)覆蓋范圍的通常方式是計(jì)算每個(gè)群組的推薦結(jié)果列表的目錄覆蓋率.由于群組推薦結(jié)果的覆蓋率往往會(huì)影響群組推薦結(jié)果的準(zhǔn)確率.因此，在評(píng)估群組推薦結(jié)果的覆蓋率時(shí)必須考慮和結(jié)果準(zhǔn)確率之間的影響關(guān)系[6].

目錄覆蓋率是通過(guò)將總體中每個(gè)用戶的前n個(gè)建議的總和來(lái)衡量的.如果將用戶劃分為多個(gè)組，并且計(jì)算組建議而不是單個(gè)建議，那么我們將根據(jù)每個(gè)組的前n個(gè)建議的組合來(lái)度量目錄覆蓋率.隨后，將此集合的基數(shù)(即此聯(lián)合中的項(xiàng)數(shù))除以系統(tǒng)目錄中的項(xiàng)數(shù)，以獲得目錄覆蓋率.

·其他指標(biāo)

除了準(zhǔn)確率、多樣性、覆蓋率外，常用的群組推薦評(píng)價(jià)指標(biāo)還有用戶滿意度和驚喜度.用戶滿意度是指用戶對(duì)于推薦結(jié)果列表的滿意程度，是群組效用評(píng)價(jià)的重要指標(biāo)之一[8].文獻(xiàn)[51]通過(guò)用戶調(diào)查問(wèn)卷方式進(jìn)行評(píng)價(jià)，與個(gè)性化推薦相比，群組推薦涉及到的調(diào)查人員更多，耗費(fèi)的精力也更多.驚喜度是指用戶對(duì)于推薦列表中項(xiàng)目的驚喜程度，是一種新興的評(píng)價(jià)指標(biāo)，目前還沒(méi)有明確的公認(rèn)的計(jì)算方法[1,8].

5 數(shù)據(jù)集

由于群組推薦需要的數(shù)據(jù)集中必須包含分組信息，但很少有自帶分組信息的數(shù)據(jù)集，所以相比較于傳統(tǒng)的個(gè)性化推薦方法，獲取群組推薦相關(guān)的數(shù)據(jù)集更加困難.目前國(guó)內(nèi)外普遍采用的方法是使用傳統(tǒng)個(gè)性化推薦方法的數(shù)據(jù)集，根據(jù)算法要求或數(shù)據(jù)集屬性，從數(shù)據(jù)集中發(fā)現(xiàn)群組[21].

傳統(tǒng)推薦方法中常用的數(shù)據(jù)集有MovieLens、BookCrossing、Jester Joke、Netflix等.

1)MovieLens

MovieLens[19]是經(jīng)典的電影評(píng)分?jǐn)?shù)據(jù)集，該數(shù)據(jù)集存放了用戶對(duì)自己觀看過(guò)的電影的評(píng)分，為5分制評(píng)價(jià)表.根據(jù)算法的適用規(guī)模，可以選用兩個(gè)不同大小的數(shù)據(jù)集.小規(guī)模的數(shù)據(jù)集存在1萬(wàn)個(gè)評(píng)分?jǐn)?shù)據(jù)，包括1682部電影的評(píng)分，由近1000個(gè)獨(dú)立用戶給出.大規(guī)模的數(shù)據(jù)集存在約100萬(wàn)個(gè)評(píng)分?jǐn)?shù)據(jù)，包括3900部電影的評(píng)分，評(píng)分用戶高達(dá)6000個(gè).

2)BookCrossing

BookCrossing數(shù)據(jù)集是基于Book-Crossing圖書社區(qū)的對(duì)于書籍評(píng)分的數(shù)據(jù)集，他的用戶以匿名形式進(jìn)行評(píng)分，評(píng)分?jǐn)?shù)據(jù)分為顯式和隱式兩種，約有超27萬(wàn)個(gè)匿名用戶對(duì)近30萬(wàn)本圖書進(jìn)行評(píng)分.

3)Jester Joke

Jester Joke數(shù)據(jù)集由加州大學(xué)伯克利分校的Ken Goldberg公布，該數(shù)據(jù)集包含410萬(wàn)個(gè)評(píng)分，評(píng)分項(xiàng)目固定為100個(gè)笑話，用戶數(shù)超7萬(wàn)個(gè)，評(píng)分區(qū)間在(-10,10)內(nèi)任意連續(xù)實(shí)數(shù).

4)Netflix

Netflix數(shù)據(jù)集同樣也是常用的公開(kāi)的電影評(píng)分?jǐn)?shù)據(jù)集，它包含約10億個(gè)評(píng)分，集合了約48萬(wàn)個(gè)匿名用戶對(duì)超1萬(wàn)電影的匿名評(píng)價(jià)，來(lái)自于電影租賃網(wǎng)站Netflix.

6 基于偏好融合策略的群組推薦方法實(shí)驗(yàn)與分析

實(shí)驗(yàn)選取3種不同的偏好融合策略在兩種不同的推薦方法上進(jìn)行實(shí)驗(yàn)，并且設(shè)定不同的群組規(guī)模，探究偏好融合策略、推薦方法、群組規(guī)模對(duì)結(jié)果的影響，以及3者之間的關(guān)系.實(shí)驗(yàn)從準(zhǔn)確率、多樣性、覆蓋率方面對(duì)基于偏好融合策略的群組推薦方法進(jìn)行對(duì)比分析.實(shí)驗(yàn)表明，群組推薦結(jié)果的優(yōu)劣與群組規(guī)模、偏好融合策略、推薦預(yù)測(cè)方法的選取密切相關(guān)；在偏好融合過(guò)程中選擇偏好融合策略和方法時(shí)需要考慮群組規(guī)模的大小和推薦方法的特性.

6.1 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)使用MovieLens(100k)數(shù)據(jù)集離線評(píng)估不同的推薦策略.該數(shù)據(jù)集包含了1682部受歡迎的、長(zhǎng)片長(zhǎng)度的、專業(yè)制作的電影的信息，包括在943名用戶的5分制評(píng)分表上的10萬(wàn)個(gè)評(píng)價(jià).

6.2 性能評(píng)價(jià)與分析

針對(duì)偏好融合策略目前的發(fā)展趨勢(shì)，分別選取均值策略、文獻(xiàn)[31]提出的加權(quán)偏好融合策略、文獻(xiàn)[26]提出的混合策略，進(jìn)行對(duì)比試驗(yàn).分別使用協(xié)同過(guò)濾和混合推薦作為預(yù)測(cè)推薦方法，相似度計(jì)算作為群組發(fā)現(xiàn)方法，實(shí)驗(yàn)對(duì)比偏好融合策略與推薦方法、群組規(guī)模的關(guān)系，及他們對(duì)推薦結(jié)果的影響.

在混合推薦、協(xié)同過(guò)濾下3種偏好融合策略精度對(duì)比結(jié)果如圖3和圖4所示.

圖3 不同偏好融合策略混合推薦的準(zhǔn)確性Fig.3 Accuracy of hybrid recommendation based on different preference fusion strategies

在混合推薦、協(xié)同過(guò)濾下3種偏好融合策略推薦結(jié)果覆蓋率對(duì)比結(jié)果如圖5和圖6所示.

3種策略不同推薦方法下結(jié)果多樣性的對(duì)比結(jié)果如表3所示.

圖4 不同偏好融合策略協(xié)同過(guò)濾推薦的準(zhǔn)確性Fig.4 Accuracy of collaborative filtering recommendation based on different preference fusion strategies

圖5 不同組規(guī)?；旌贤扑]結(jié)果覆蓋率Fig.5 Coverage of mixed recommendation results in different groups

圖6 不同組規(guī)模協(xié)同過(guò)濾推薦結(jié)果覆蓋率Fig.6 Coverage of collaborative filtering recommendation results with different group sizes

對(duì)比圖3和圖4可以看出，在群組規(guī)模較小的情況下3種方法準(zhǔn)確率差異在0.02以內(nèi).隨著組規(guī)模的增加，推薦結(jié)果的準(zhǔn)確性在逐步下降.混合策略及加權(quán)策略相對(duì)于單一策略具有更好的準(zhǔn)確率，且在群組規(guī)模增大時(shí)也具有良好的穩(wěn)定性.這是由于選取的3種策略在進(jìn)行偏好融合時(shí)，均值策略會(huì)引起痛苦問(wèn)題，混合策略在此基礎(chǔ)上將兩端部分的值進(jìn)行了一定省略，而加權(quán)策略雖然減少群組偏好屬性特征，但在群組一定群組規(guī)模下，對(duì)屬性值的數(shù)量把握存在偏差.

由表3可以看出同種偏好融合策略在不同推薦方法上對(duì)結(jié)果多樣性的影響較小，不同偏好策略在同種推薦方法上對(duì)結(jié)果多樣性的影響較大.這證明推薦結(jié)果的多樣性受偏好融合策略的影響相對(duì)于受推薦方法的影響要小一些.造成該結(jié)果的原因主要是由于推薦方法的計(jì)算方式和著重點(diǎn)的不同，對(duì)于不同類型項(xiàng)目的預(yù)測(cè)評(píng)分和排名也有所差異，導(dǎo)致推薦列表中項(xiàng)目的多樣性差異大.

表3 各種策略不同推薦方法結(jié)果多樣性的影響對(duì)比Table 3 Comparison of the effects of different strategies and different recommendation methods on the diversity of results

對(duì)比分析圖5和圖6，可以看到3種策略推薦結(jié)果的覆蓋率總體上隨著組規(guī)模的增加逐步降低，當(dāng)群組規(guī)模增大時(shí)，與均值策略對(duì)比，混合策略和加權(quán)策略的下降趨勢(shì)逐漸平穩(wěn).說(shuō)明推薦結(jié)果的覆蓋率既受到偏好融合策略的影響，也受到群組規(guī)模的影響.在實(shí)際應(yīng)用中，需要對(duì)群組規(guī)模進(jìn)行把控，即群組發(fā)現(xiàn)過(guò)程需要更加準(zhǔn)確，對(duì)組內(nèi)相似度要求要更加嚴(yán)格.

實(shí)驗(yàn)表明，不存在全局最優(yōu)的偏好融合策略，只存在相對(duì)于推薦方法和群組規(guī)模的最優(yōu)的偏好融合策略[1,8,9].

就目前的對(duì)比試驗(yàn)可以發(fā)現(xiàn)：

1)單一偏好融合策略并不能夠滿足現(xiàn)階段推薦結(jié)果對(duì)準(zhǔn)確率、多樣性、覆蓋率的要求，而混合策略和加權(quán)策略在特定數(shù)據(jù)集和推薦方法上給出的推薦結(jié)果要更優(yōu)秀.均值策略將所有成員的評(píng)分值作為群組評(píng)分，但均值策略的推薦結(jié)果容易出現(xiàn)“痛苦問(wèn)題”.故而在實(shí)驗(yàn)過(guò)程中，均值策略相比較使用的混合策略和加權(quán)策略，各評(píng)價(jià)指標(biāo)表現(xiàn)欠佳.所使用的混合策略混合了中值策略和均值策略，依舊沒(méi)有解決痛苦問(wèn)題.

2)混合策略和加權(quán)策略往往對(duì)數(shù)據(jù)集的屬性和推薦方法的計(jì)算方式有特定要求.所使用的混合策略能夠緩解由惡意評(píng)分和篡改信息所帶來(lái)的對(duì)結(jié)果的不良影響，但對(duì)數(shù)據(jù)集評(píng)分的稀疏程度有所要求；加權(quán)模型減少群組偏好屬性特征，對(duì)原數(shù)據(jù)集的用戶偏好屬性的數(shù)量有所要求的.當(dāng)用戶評(píng)分?jǐn)?shù)據(jù)或交互數(shù)據(jù)較稀疏時(shí)，這兩種策略都無(wú)法很好地融合群組偏好.

3)在偏好融合策略的選擇上要考慮數(shù)據(jù)集本身的屬性以及群組規(guī)模和推薦方法的選擇.偏好融合策略是能夠準(zhǔn)確得到群組偏好從而準(zhǔn)確地進(jìn)行群組推薦的關(guān)鍵因素，也是群組推薦系統(tǒng)主要研究的方向之一.如何對(duì)現(xiàn)有融合策略進(jìn)行針對(duì)性優(yōu)化和根據(jù)不同群組的用戶特征及應(yīng)用背景選擇融合策略，成為了群組推薦系統(tǒng)中的關(guān)鍵問(wèn)題.

4)進(jìn)行模型融合時(shí)，群組規(guī)模的大小需要進(jìn)行著重討論.實(shí)驗(yàn)證明，不管是準(zhǔn)確度、多樣性還是覆蓋率，大多隨著群組規(guī)模的不斷增大而降低，證明群組推薦的推薦效果會(huì)隨著群組規(guī)模的增大而變差.在選擇群組規(guī)模時(shí)，既需要根據(jù)數(shù)據(jù)集屬性和要求，還需要考慮最后的推薦效果.

7 基于偏好融合的群組推薦未來(lái)研究方向

偏好融合策略是能夠準(zhǔn)確得到群組偏好從而準(zhǔn)確地進(jìn)行群組推薦的關(guān)鍵因素，也是群組推薦系統(tǒng)主要研究的方向之一.如何對(duì)現(xiàn)有融合策略進(jìn)行針對(duì)性優(yōu)化和根據(jù)不同群組的用戶特征及應(yīng)用背景選擇融合策略，成為了群組推薦系統(tǒng)中的關(guān)鍵問(wèn)題.

隨著新技術(shù)的成熟和科技的發(fā)展，偏好融合策略也應(yīng)從單一策略向混合策略發(fā)展.基于偏好融合的群組推薦未來(lái)研究方向有:

·提高組內(nèi)成員相似度，對(duì)融合策略進(jìn)行混合或加權(quán)

首先利用群組發(fā)現(xiàn)的相關(guān)方法對(duì)組內(nèi)成員相似度進(jìn)行提高，降低數(shù)據(jù)對(duì)偏好融合的要求，同時(shí)對(duì)多種單一策略進(jìn)行混合或加權(quán)，結(jié)合不同偏好融合方法，對(duì)偏好融合進(jìn)行改進(jìn)，例如文獻(xiàn)[52]利用動(dòng)態(tài)泊松分解得到量化用戶動(dòng)態(tài)傾向，采用高階奇異值分解預(yù)測(cè)用戶在不同時(shí)間節(jié)點(diǎn)下對(duì)不同項(xiàng)目的傾向性，計(jì)算用戶傾向構(gòu)建高相似度用戶集合，對(duì)用戶集合采用改進(jìn)后的基于密度峰值的聚類算法進(jìn)行劃分，實(shí)現(xiàn)群組發(fā)現(xiàn)，來(lái)解決用戶傾向具有時(shí)間遷移性和群組可重疊性問(wèn)題，以提高群組用戶相似度，優(yōu)化群組推薦結(jié)果.

·結(jié)合多領(lǐng)域方法和新的技術(shù)

結(jié)合深度學(xué)習(xí)相關(guān)方法，引入其他影響因子，針對(duì)特定數(shù)據(jù)集的屬性進(jìn)行研究和改進(jìn).

例如文獻(xiàn)[34]首次將注意力機(jī)制與二部圖嵌入技術(shù)相結(jié)合，利用并整合用戶的全局/局部社交網(wǎng)絡(luò)結(jié)構(gòu)信息，提出了一種新的深度社交影響學(xué)習(xí)框架來(lái)克服在預(yù)估用戶社交影響時(shí)的數(shù)據(jù)稀疏性、避免過(guò)擬合，改善群組推薦效果.文獻(xiàn)[53]在科研咨詢領(lǐng)域，對(duì)檢測(cè)快報(bào)實(shí)現(xiàn)精準(zhǔn)推薦自動(dòng)精確推薦.文獻(xiàn)[19]基于多視圖學(xué)習(xí)對(duì)用戶相似度矩陣分配權(quán)重提出群組發(fā)現(xiàn)算法;文獻(xiàn)[54]采用張量分解方法獲取記錄的隱形特征矩陣，利用馬爾可夫聚類算法實(shí)現(xiàn)對(duì)記錄的分類，根據(jù)分類結(jié)果發(fā)現(xiàn)用戶群組，解決廣播用戶興趣復(fù)合性問(wèn)題，減小組內(nèi)用戶與群組整體在觀看興趣方面的平均絕對(duì)誤差，提高組內(nèi)成員的觀看興趣相似度.

·優(yōu)化偏好融合策略和方法選擇方案

在選擇偏好融合策略和方法時(shí)，首先要考慮群組規(guī)模的大小，不同數(shù)據(jù)集和群組發(fā)現(xiàn)方法輸出群組規(guī)模的結(jié)果不同，但對(duì)推薦結(jié)果覆蓋率的趨勢(shì)基本相同;其次需要考慮不同推薦方法上偏好融合策略對(duì)推薦結(jié)果精度的影響，最佳偏好融合策略和方法的選擇與推薦算法直接相關(guān);最后需要考慮推薦結(jié)果對(duì)多樣化的要求，減少偏好融合對(duì)結(jié)果多樣化的劣性影響.

以考慮群組規(guī)模和組內(nèi)相似度為例，通常在要求群組規(guī)模較大且群組群組本身相似度較高時(shí)，可以選擇最大滿意度策略，其表現(xiàn)優(yōu)于均值策略和最小痛苦策略[8];在要求群組規(guī)模較小且群組內(nèi)在相似度較高時(shí)，均值策略和最大滿意度策略的表現(xiàn)均優(yōu)于最小痛苦策略;而對(duì)不要求較高相似度的群組，均值策略表現(xiàn)最佳.

·針對(duì)推薦結(jié)果多樣性要求進(jìn)行偏好融合策略或方法優(yōu)化

在推薦結(jié)果的多樣性要求上可以改進(jìn)或優(yōu)化推薦方法以達(dá)到目的.例如文獻(xiàn)[55]融入情境信息挖掘群組行為特征，構(gòu)建群組行為偏好特征向量，將每個(gè)群組看成一個(gè)個(gè)體，在推薦時(shí)，每個(gè)群組和其他群組對(duì)項(xiàng)目的歷史評(píng)分進(jìn)行協(xié)同，以提高推薦效果.文獻(xiàn)[56]將群組推薦建模成多目標(biāo)問(wèn)題，將目標(biāo)函數(shù)定義為群組用戶的滿意度和物品的流行度，并利用數(shù)據(jù)特征和計(jì)算特性設(shè)計(jì)適合多目標(biāo)推薦問(wèn)題的免疫算子，在預(yù)測(cè)推薦上引入免疫多目標(biāo)算法，優(yōu)化推薦方法;文獻(xiàn)[57]對(duì)用戶的搜索點(diǎn)擊日志和瀏覽器的瀏覽日志進(jìn)行統(tǒng)計(jì)，從文本相似度、語(yǔ)言模型相關(guān)度、潛在的語(yǔ)義關(guān)聯(lián)關(guān)系三個(gè)方面充分分析用戶興趣方向之間的關(guān)聯(lián)關(guān)系.

8 結(jié)束語(yǔ)

隨著數(shù)據(jù)量的指數(shù)級(jí)增加，群體推薦被廣泛應(yīng)用于各個(gè)領(lǐng)域，并逐步成為推薦領(lǐng)域熱門研究方向.與個(gè)性化推薦不同，群組推薦的推薦對(duì)象是分成不同小組的群組成員，符合當(dāng)前人們?nèi)后w性活動(dòng)逐步增多的現(xiàn)狀.隨著對(duì)群組推薦的深入研究，對(duì)群組成員的偏好提取以及群組決策的公平性問(wèn)題不斷產(chǎn)生新的思考.如何更好地解決群組成員之間的偏好沖突，形成更準(zhǔn)確更多樣性的群組偏好，成為群組推薦的主要任務(wù).本文主要根據(jù)近期各專家學(xué)者的研究成果對(duì)基于偏好融合的群組推薦展開(kāi)研究與分析，并結(jié)合近期研究工作對(duì)群組推薦的評(píng)價(jià)指標(biāo)和相關(guān)數(shù)據(jù)集進(jìn)行總結(jié)歸納，分析比較了不同偏好融合對(duì)推薦結(jié)果的影響及偏好融合、推薦特征、推薦方法之間的關(guān)系，同時(shí)對(duì)基于偏好融合的群組推薦方法的發(fā)展進(jìn)行展望.未來(lái)研究應(yīng)該發(fā)現(xiàn)或改進(jìn)偏好融合策略，結(jié)合多方法在不同群組甚至不同項(xiàng)目上動(dòng)態(tài)分配權(quán)值，實(shí)現(xiàn)群組的動(dòng)態(tài)推薦.