基于情景化用戶偏好的信息推薦研究

李鴻勛 楊君

摘? 要：以支付寶為研究對象探討了情景化用戶偏好對信息推薦的影響，提出了基于情景化用戶偏好的信息推薦流程，改進(jìn)了已有的推薦算法。將傳統(tǒng)的協(xié)同過濾算法中由項目評分預(yù)測項目評分的模式調(diào)整為以用戶收支模式預(yù)測用戶的功能使用情況的模式。在推薦結(jié)果輸出階段，通過輸出情景化將時間這一情景因素融入推薦結(jié)果的輸出中，在合適的時間段向用戶進(jìn)行對應(yīng)功能的推薦來提高用戶對推薦結(jié)果的接受程度。

關(guān)鍵詞：情景;情景感知;用戶偏好;信息推薦

中圖分類號：TP391;G203 ? ? ? ?文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）22-0001-04

Abstract： Taking Alipay as the research object， the influence of contextualized user preferences on information recommendation is discussed， and the information recommendation process based on contextualized user preferences is proposed， and the existing recommendation algorithm is improved. In the traditional collaborative filtering algorithm， the mode of predicting project score from project score is adjusted to the mode of predicting user function usage based on user revenue and expenditure mode. In the recommendation result output stage， the context factor of time is integrated into the output of the recommendation result through the output of context， and the corresponding function is recommended to the user in an appropriate time period to improve the users acceptance of the recommendation results.

Keywords： context; context-awareness; user preference; information recommendation

0? 引? 言

當(dāng)下移動應(yīng)用市場競爭異常激烈的大環(huán)境下，應(yīng)用的運營商需要盡可能地利用已有的

技術(shù)來提高應(yīng)用的可觀性、實用性、體驗度等，以求在競爭中獲得生存和發(fā)展的機會。對于支付寶來說，經(jīng)過多年來的創(chuàng)新與實踐，支付寶開發(fā)出了大量的實用性功能為用戶提供理財、生活、教育等多方面的服務(wù)，然而這些服務(wù)大部分缺乏引導(dǎo)，并不為用戶所熟知及使用，不能很好地發(fā)揮其作用。通過推薦技術(shù)結(jié)合情景元素來挖掘支付寶實用性功能的潛力并在適當(dāng)?shù)那闆r下向用戶推薦可能需求的功能能夠提高用戶對支付寶的了解和使用依賴性，通過這種方式幫助支付寶延長支付寶的產(chǎn)品使用周期，在與同類型及類似產(chǎn)品的競爭中立于不敗之地并促進(jìn)“支付寶生態(tài)圈”的整體健康發(fā)展。

1? 情景與情景化的實現(xiàn)

所謂情景，即表明用戶所處的現(xiàn)實環(huán)境和虛擬環(huán)境，如時間、地點、正在進(jìn)行的活動、使用的平臺及平臺上正在進(jìn)行的活動等。情景的定義會受到實體類型的影響，實體既可以是現(xiàn)實中的人或物體也可以較為抽象的地點、領(lǐng)域，根據(jù)實體的不同類型情景也被賦予不同的含義。隨著衛(wèi)星監(jiān)測技術(shù)、物聯(lián)網(wǎng)和傳感器技術(shù)以及網(wǎng)站、應(yīng)用程序監(jiān)測技術(shù)的應(yīng)用，系統(tǒng)對用戶當(dāng)前所處情景的感知與捕獲能力也在日漸提高，并隨著情景理論的完善和情景感知技術(shù)的發(fā)展誕生出了基于情景感知的自適應(yīng)服務(wù)。情景感知服務(wù)能夠利用傳感設(shè)備和感知程序智能化地識別用戶當(dāng)前情景，并建立自適應(yīng)調(diào)節(jié)機制來提高感知系統(tǒng)的適應(yīng)性。在情景感知的實際應(yīng)用中，系統(tǒng)能夠根據(jù)用戶的偏好和實時的情景反饋情況適時調(diào)整服務(wù)策略。

2? 基于情景化用戶偏好的信息推薦流程

基于情景化用戶偏好的信息推薦流程如圖1所示，推薦系統(tǒng)根據(jù)信息推薦的需要、數(shù)據(jù)挖掘與分析方法及情景感知技術(shù)的特點，通過顯性獲取和隱性獲取兩種方式對信息推薦系統(tǒng)所需的用戶數(shù)據(jù)、情景數(shù)據(jù)、項目數(shù)據(jù)、評價數(shù)據(jù)等相關(guān)數(shù)據(jù)進(jìn)行獲取和收集。其中顯性獲取就是通過用戶主動為項目打分以及主動輸入用戶個人信息等方式，而隱性獲取則是通過記錄用戶的行為操作以及通過傳感器、其他感知程序?qū)κ褂谜叩闹悄苁謾C以及身處的現(xiàn)實環(huán)境進(jìn)行一定程度的感知從而獲得情景數(shù)據(jù)。收集到的數(shù)據(jù)可能存在著格式不統(tǒng)一以及部分?jǐn)?shù)據(jù)缺失、錯誤等情況，所以信息推薦系統(tǒng)需要在獲取到數(shù)據(jù)之后對數(shù)據(jù)格式進(jìn)行規(guī)范化并且對缺乏分析價值的數(shù)據(jù)進(jìn)行清除，在得到較為理想化的數(shù)據(jù)后將這些數(shù)據(jù)存儲到情景化偏好的用戶模型庫中進(jìn)行持久化管理。在信息推薦階段，推薦系統(tǒng)將用戶模型庫中的數(shù)據(jù)導(dǎo)入到經(jīng)過情景化改進(jìn)的算法中計算從而得到推薦結(jié)果，該結(jié)果在經(jīng)過用戶的體驗和反饋后，將用戶的評價情況實時更新到用戶模型庫中以便以后信息推薦系統(tǒng)能夠向用戶進(jìn)行更加準(zhǔn)確的信息推薦活動。

圖1? 基于情景化用戶偏好的信息推薦流程示意圖

3? 基于情景化用戶偏好的推薦算法研究

3.1? 算法概述

本研究中所采用的基于用戶情景化偏好的推薦算法是在傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法上改進(jìn)得來的。本研究以支付寶為研究對象，通過對比以用戶的交易類型以及對應(yīng)的交易額度為代表的用戶交易行為來對用戶進(jìn)行一定的分類，并通過皮爾遜相關(guān)系數(shù)和交易類型占比來找到交易行為接近的近鄰用戶。在向用戶輸出推薦結(jié)果的過程中，本課題將時間元素融入推薦結(jié)果的推送過程中。由于近鄰用戶使用某項功能的高頻時間通常符合該類型人群的生活方式和使用習(xí)慣，如在職員工會在月初將部分工資投入到基金、定期等功能中進(jìn)行理財，異地工作、學(xué)習(xí)的人員在節(jié)假日前會使用購票功能購買返鄉(xiāng)車票，因此可以在統(tǒng)計近鄰用戶使用功能的高頻時段后，在對應(yīng)的時段向目標(biāo)用戶推薦該項功能，把握準(zhǔn)確的推薦時間段可以增強用戶對推薦結(jié)果的接受程度和嘗試意愿，提高推薦的效率。

3.2? 算法設(shè)計及說明

如圖2所示，基于用戶情景化偏好的支付寶功能推薦算法的執(zhí)行步驟可以大體分為用戶相似度計算、尋找近鄰用戶、評價預(yù)、結(jié)果推薦、情景化功能推薦等五個主要階段。

各個階段的具體說明如下：

（1）用戶相似度計算。本研究先通過用戶的交易行為相似度對用戶類型進(jìn)行初步區(qū)分，由于皮爾遜相似度計算公式忽視了兩個用戶之間交易類型協(xié)同情況的探討，因此本研究采用皮爾遜相似度公式和交易類型相似度相結(jié)合的調(diào)和F分?jǐn)?shù)來獲得更加準(zhǔn)確的用戶交易行為的調(diào)和相似度。由于皮爾遜相似度可能出現(xiàn)負(fù)數(shù)從而影響調(diào)和F分?jǐn)?shù)的計算效果，故取皮爾遜相似度計算結(jié)果的絕對值。計算公式如式（1）所示：

其中，u，v為支付寶的用戶，s（u，v）為用戶u與v之間最終的相似度，P（u，v）為交易行為的皮爾遜相似度，T（u，v）為用戶u與v之間交易類型的相似性。P（u，v）與T（u，v）的計算公式如式（2）和式（3）所示：

皮爾遜相似度計算公式可以通過用戶之間的交易類型與交易金額對用戶進(jìn)行相關(guān)度判斷。公式中，i表示某一種交易類型，Iu表示用戶u的交易類型集合，Iv表示用戶v的交易類型集合，nu，i表示用戶u平均每天在某一種交易類型上的交易金額，如nu，餐飲=60表示用戶u平均每天在餐飲方面用支付寶進(jìn)行消費的金額是60元，表示用戶的日均交易金額。

交易類型相似度T即為兩用戶間相同交易類型數(shù)量NIu∩Iv與他們存在的所有交易類型總數(shù)NIu∪Iv之間的比值，通過交易類型的差異性反映出用戶類型的差異。

（2）尋找最近鄰用戶。根據(jù)K近鄰算法（KNN）的思想，在采用快速排序算法對前一步驟得到的相似度集進(jìn)行降序排列后，取數(shù)據(jù)集的前K個相似用戶，即與目標(biāo)用戶相似度最高的K個用戶，作為近鄰用戶。

（3）評價預(yù)測。傳統(tǒng)的協(xié)同過濾算法的評價預(yù)測部分通過目標(biāo)用戶的評價均值與近鄰用戶評價的高于均值部分的和來得到，而在本研究中，用戶對某項功能的評價則可以通過該用戶對這一項功能的使用意愿（即使用頻率）來反映。在支付寶功能的使用中，由于受到功能性質(zhì)差異的影響，有些功能幾乎每天都會被使用，然而有些功能則只會每個月被使用極少次，如活躍用戶每天都會使用螞蟻森林這一功能，但是對于普通用戶，一個月可能購買火車票或機票的次數(shù)寥寥無幾，如果計算所有功能使用次數(shù)的均值，得到的預(yù)測結(jié)果將會與實際情況產(chǎn)生較大偏差，不能準(zhǔn)確反映出用戶對該功能的合理使用情況，因此本研究在協(xié)同過濾算法原有的評價預(yù)測公式上進(jìn)行改進(jìn)，僅采用近鄰用戶的使用次數(shù)作為計算的參照以避免取功能使用次數(shù)均值所帶來的誤差，評價預(yù)測的具體公式如式（4）所示：

其中，pu，i表示目標(biāo)用戶u對功能i的預(yù)期每月使用次數(shù)，s（u，u′）表示近鄰用戶u′與目標(biāo)用戶u之間的相似度，ru′，i表示近鄰用戶u′對功能i的每月使用次數(shù)。

在該階段中，算法將融入功能使用的高頻時間段這一情景元素，并對近鄰用戶使用功能的高頻時段進(jìn)行同步處理，即在統(tǒng)計所有近鄰用戶使用某項功能的高頻時段后取其眾數(shù)作為目標(biāo)用戶使用該項功能意愿最高的時間段。如在對近鄰用戶使用“充值中心”這一項功能的常用時間段進(jìn)行統(tǒng)計之后發(fā)現(xiàn)大部分近鄰用戶傾向于在月初使用該功能，則將“月初”作為目標(biāo)用戶的期望使用時間段置入到功能推薦集合中。

（4）結(jié)果推薦。在經(jīng)過上述步驟得到用戶對于某項功能使用情況的預(yù)測值之后，將所得到的預(yù)測值與支付寶用戶中有使用該功能的用戶每個月的使用次數(shù)均值進(jìn)行對比，若目標(biāo)用戶對該功能使用次數(shù)的預(yù)測值不小于使用過該功能用戶的使用次數(shù)均值則將該結(jié)果納入待推薦項目中，其具體示意如式（5）所示：

（5）情景化功能推薦。本研究在推送推薦結(jié)果的過程中，對推薦結(jié)果的輸出進(jìn)行情景化，將目標(biāo)用戶期望使用某項功能的時間段作為情景化的維度對該項功能的推薦過程進(jìn)行進(jìn)一步加工，當(dāng)信息推薦系統(tǒng)感知到當(dāng)前目標(biāo)用戶處于功能推送的理想情景下時，系統(tǒng)即對其進(jìn)行相關(guān)功能推薦。

4? 實驗及結(jié)果分析

4.1? 實驗數(shù)據(jù)采集

在實驗數(shù)據(jù)的選擇方面，在支付寶有限的數(shù)據(jù)中，用戶的交易記錄由于其高度個性化并且具有極強區(qū)分度是進(jìn)行用戶相似度對比的理想數(shù)據(jù)集，而各個用戶對支付寶各項功能的使用情況則是作為信息推薦系統(tǒng)中進(jìn)行推薦結(jié)果預(yù)測所必需的數(shù)據(jù)，因此本研究主要獲取支付寶用戶的交易記錄以及相應(yīng)用戶的功能使用情況。

在用戶的交易記錄獲取方面，本研究采用基于Python編寫的爬蟲程序調(diào)用Selenium模塊自動地登錄用戶的支付寶賬戶，并跳轉(zhuǎn)到交易記錄頁面中，選取研究所需的時間范圍內(nèi)的用戶交易記錄進(jìn)行逐條抓取。通過爬蟲程序以及調(diào)研所獲得的數(shù)據(jù)都將保存到Excel表格中以便于進(jìn)行后續(xù)的數(shù)據(jù)篩選及處理。

4.2? 結(jié)果分析

本研究采用結(jié)合精確率（Precision）和召回率（Recall）的調(diào)和F分?jǐn)?shù)（F-measure）作為推薦算法對某個用戶的推薦結(jié)果的準(zhǔn)確度的評估指標(biāo)對算法的效力進(jìn)行評估。

在統(tǒng)計出現(xiàn)理想推薦效果的K值后得到如圖3所示。由圖可知，當(dāng)K值在取12時，在多次試驗中算法出現(xiàn)理想效果的次數(shù)最多，因此K=12為最優(yōu)K值。

將最優(yōu)K值置入推薦算法對輸入數(shù)據(jù)集中隨機20%的用戶進(jìn)行推薦，得到的推薦結(jié)果及效果評價如表1所示。

由表2中數(shù)據(jù)可知，在對測試集中用戶進(jìn)行功能推薦的過程中，進(jìn)行輸出情景化之后的推薦算法在精確率、召回率及調(diào)和F分?jǐn)?shù)上的數(shù)值普遍大于未進(jìn)行情景化的數(shù)據(jù)，由此可見將情景化元素融入推薦的過程中能夠提高推薦的效率和用戶接受程度。

5? 結(jié)? 論

本文在傳統(tǒng)協(xié)同過濾算法的基本思路的基礎(chǔ)上提出了一種基于情景化用戶偏好的支付寶功能推薦算法。本文改進(jìn)后的算法采取從收支到功能使用的新模式，即將用戶的收支作為用戶歸類的依據(jù)，通過皮爾遜相似度系數(shù)計算用戶收入狀況的相似性以發(fā)現(xiàn)相性接近的近鄰用戶，再利用這些近鄰用戶的支付寶功能使用情況來通過加權(quán)平均數(shù)來預(yù)測目標(biāo)用戶的功能使用情況并進(jìn)行推薦。實驗證明了本文改進(jìn)后的算法相比傳統(tǒng)算法，其精確率，召回率和F-measure的值都有提高，具有一定的優(yōu)越性。

參考文獻(xiàn)：

[1] 李建軍，侯躍，楊玉.基于情景感知的用戶興趣推薦模型 [J].計算機科學(xué)，2019，46（S1）：502-506+510.

[2] 吳曉強，張春友，侍紅巖.情景感知在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用研究 [J].物聯(lián)網(wǎng)技術(shù)，2019，9（1）：34-36.

[3] 李大鵬，余宗健.基于移動情景信息融合的推薦算法研究 [J].信息系統(tǒng)工程，2017（6）：104-105.

[4] 李龍生，艾均，蘇湛，等.結(jié)合用戶行為和物品標(biāo)簽的協(xié)同過濾推薦算法 [J].計算機應(yīng)用與軟件，2018，35（6）：248-253.

[5] GUO T L，ZHOU J，LUO K D，et al. Differentially private graph-link analysis based social recommendation [J].Information Sciences，2018，463（2）：214-226.

[6] CHEN J W，WANG C，SHI Q H，et al. Social recommendation based on users attention and preference [J].Neurocomputing，2019，341：1-9.

作者簡介：李鴻勛（1997—），男，漢族，廣東汕頭人，學(xué)士學(xué)位，研究方向：信息系統(tǒng)與數(shù)據(jù)分析應(yīng)用;楊君（1979—），女，漢族，廣東廣州人，講師，博士，研究方向：智能信息系統(tǒng)。