基于情景感知技術(shù)的網(wǎng)絡(luò)信息資源個(gè)性化推薦方法

張 磊

(安徽工商職業(yè)學(xué)院，安徽 合肥 231131)

0 引 言

隨著計(jì)算機(jī)通信技術(shù)和互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)中形成了數(shù)量龐大、內(nèi)容豐富的信息資源，人們?cè)谙硎苄畔①Y源提供的便利的同時(shí)，也受到信息量過載的困擾。隨著電子商務(wù)、物聯(lián)網(wǎng)的發(fā)展，傳統(tǒng)的互聯(lián)網(wǎng)領(lǐng)域被拓寬，當(dāng)前社會(huì)也已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代，但是信息過載問題卻日益嚴(yán)重。雖然搜索引擎等傳統(tǒng)的檢索技術(shù)，可以為用戶提交與需求相匹配的網(wǎng)絡(luò)信息資源，但是由于同質(zhì)化程度高，難以滿足用戶在特定情境、目的和時(shí)期的個(gè)性化信息需求，用戶還需要進(jìn)一步的過濾和篩選，才能獲得符合需求的信息[1]。為滿足不同用戶的個(gè)性化信息需求，學(xué)術(shù)界將研究的側(cè)重點(diǎn)放在個(gè)性化推薦方法上，分析用戶潛在需求，建立興趣模型，對(duì)信息數(shù)據(jù)進(jìn)行篩選和過濾，最終從大量數(shù)據(jù)中推送符合用戶興趣的信息。從技術(shù)角度，個(gè)性化推薦具體包括用戶興趣偏好、個(gè)性化推薦、評(píng)價(jià)與改進(jìn)3個(gè)流程；從信息過濾角度，是對(duì)網(wǎng)絡(luò)信息資源內(nèi)容進(jìn)行協(xié)同和混合式過濾[2]。傳統(tǒng)個(gè)性化推薦方法，通常只對(duì)用戶和項(xiàng)目的二維關(guān)系進(jìn)行評(píng)分，沒有考慮所處的環(huán)境情景。因此，本文基于情景感知技術(shù)對(duì)網(wǎng)絡(luò)信息資源個(gè)性化推薦方法進(jìn)行研究，進(jìn)一步提高個(gè)性化推薦的精確度，改善用戶體驗(yàn)，對(duì)于網(wǎng)絡(luò)信息資源推薦提供一定理論指導(dǎo)，促進(jìn)情景感知技術(shù)的實(shí)踐應(yīng)用。

1 構(gòu)建基于情景感知的興趣匹配模型

情景感知技術(shù)能夠利用周邊環(huán)境、位置等情況信息，采集和處理相關(guān)信息，環(huán)境情景對(duì)于實(shí)際個(gè)性化推薦應(yīng)用具有巨大作用，能夠?yàn)橛脩籼峁┗谇榫案兄膫€(gè)性化服務(wù)。本文將社會(huì)關(guān)系網(wǎng)絡(luò)引入情景感知當(dāng)中，不同于單個(gè)用戶和團(tuán)體用戶的個(gè)性化推薦策略，引入社會(huì)網(wǎng)絡(luò)關(guān)系后需要對(duì)其共同特性進(jìn)行感知，不再?gòu)?qiáng)調(diào)用戶的獨(dú)立情景，用戶間的社交情景作為感知的主體被突出[3]。本文下面將從社會(huì)網(wǎng)絡(luò)關(guān)系的角度出發(fā)，研究用戶間的社會(huì)關(guān)系劃分，為網(wǎng)絡(luò)信息資源的個(gè)性化推薦提供支撐。

1.1 挖掘用戶行為模式

分析用戶行為的目的，在于找出現(xiàn)實(shí)環(huán)境中用戶的接觸規(guī)律，以此劃分社會(huì)關(guān)系。由于用戶行為不易模擬，因此本文以網(wǎng)絡(luò)信息資源數(shù)據(jù)集的接觸頻率為切入點(diǎn)，探尋情景融合下的用戶行為模式。網(wǎng)絡(luò)信息資源的聯(lián)結(jié)關(guān)系，能夠反映用戶接觸行為[4]。利用網(wǎng)絡(luò)信息資源，設(shè)置接觸矩陣，臨時(shí)接觸不能代表用戶間存在社會(huì)網(wǎng)絡(luò)關(guān)系，同時(shí)無法驗(yàn)證具有相似的興趣偏好。因此從用戶間的接觸歷史記錄出發(fā)，使用累積連接判斷用戶社會(huì)網(wǎng)絡(luò)關(guān)系的穩(wěn)定性。用A、B分別表示相鄰接觸矩陣，f表示接觸頻率。為計(jì)算相鄰用戶接觸頻率，使用矩陣距離函數(shù)對(duì)其進(jìn)行衡量，在實(shí)際應(yīng)用中，熟悉的用戶關(guān)系穩(wěn)定，接觸頻率相應(yīng)提高，通過計(jì)算整個(gè)網(wǎng)絡(luò)環(huán)境中的相鄰穩(wěn)定接觸矩陣距離，消除臨時(shí)接觸的影響，可以更好地反映用戶行為規(guī)律[5]。根據(jù)相鄰用戶接觸頻率，挖掘用戶行為模式，其表達(dá)式為

(1)

其中，s(i,j)表示數(shù)據(jù)集，i、j表示元素值。

1.2 提取網(wǎng)絡(luò)信息資源社會(huì)關(guān)系

在上述挖掘用戶行為模式的基礎(chǔ)上，提取網(wǎng)絡(luò)信息資源社會(huì)關(guān)系和匹配用戶興趣的偏好。在網(wǎng)絡(luò)中，用戶聯(lián)系頻發(fā)的節(jié)點(diǎn)連接頻率要高于其他節(jié)點(diǎn)，以累積穩(wěn)定連接為基礎(chǔ)，對(duì)聯(lián)系緊密的節(jié)點(diǎn)進(jìn)行社會(huì)關(guān)系劃分，再以此為基礎(chǔ)拓展到整個(gè)網(wǎng)絡(luò)。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化，主要表現(xiàn)為網(wǎng)絡(luò)節(jié)點(diǎn)和邊的變化，具體根據(jù)構(gòu)建節(jié)點(diǎn)和邊的加入序列或刪除序列，可以細(xì)化為節(jié)點(diǎn)增加、節(jié)點(diǎn)刪除、邊增加和邊刪除[6]。網(wǎng)絡(luò)節(jié)點(diǎn)的增加和刪除，也是由邊的變化決定的。對(duì)于原本頻率低于閾值的邊，頻率高于閾值時(shí)，表明為新增加的穩(wěn)定連接；當(dāng)原本頻率高于閾值的邊，頻率低于閾值時(shí)，表明為刪除的穩(wěn)定連接。對(duì)于網(wǎng)絡(luò)中出現(xiàn)的非穩(wěn)定連接，其節(jié)點(diǎn)不一定全部加入社會(huì)關(guān)系網(wǎng)絡(luò)中，對(duì)于社會(huì)網(wǎng)絡(luò)外的全部節(jié)點(diǎn)，通過遍歷每個(gè)節(jié)點(diǎn)，判斷所處的社會(huì)關(guān)系。由于網(wǎng)絡(luò)節(jié)點(diǎn)和邊在不斷變化，進(jìn)而導(dǎo)致劃分的社會(huì)關(guān)系網(wǎng)絡(luò)也在不斷發(fā)生變化，具體可以分為產(chǎn)生和消失、分割和合并、增長(zhǎng)和縮小的演化事件[7]。其中，產(chǎn)生表示網(wǎng)絡(luò)節(jié)點(diǎn)出現(xiàn)新的連接，當(dāng)前無社會(huì)關(guān)系相連接，因此產(chǎn)生新的社會(huì)關(guān)系；消失表示社會(huì)關(guān)系中所有邊被刪除后，該社會(huì)關(guān)系也被刪除；合并表示不同社會(huì)關(guān)系中的節(jié)點(diǎn)產(chǎn)生連接，進(jìn)而導(dǎo)致社會(huì)關(guān)系合并為一體；分割表示相同社會(huì)關(guān)系因節(jié)點(diǎn)的刪除而分割為兩個(gè)社會(huì)關(guān)系；增長(zhǎng)表示社會(huì)關(guān)系內(nèi)節(jié)點(diǎn)數(shù)量增多；縮小表示社會(huì)關(guān)系內(nèi)節(jié)點(diǎn)數(shù)量減少。在實(shí)際應(yīng)用中，社會(huì)關(guān)系不僅依靠網(wǎng)絡(luò)節(jié)點(diǎn)劃分，還應(yīng)具有標(biāo)識(shí)性[8]。對(duì)于社會(huì)關(guān)系的跟蹤策略要能夠檢索到任意節(jié)點(diǎn)ID。根據(jù)上述演化規(guī)則，不斷更新節(jié)點(diǎn)ID，以此反映具體社會(huì)關(guān)系的變化。

1.3 用戶興趣的偏好匹配

對(duì)網(wǎng)絡(luò)中的社會(huì)關(guān)系進(jìn)行提取后，就可以進(jìn)行面向社會(huì)關(guān)系網(wǎng)絡(luò)的情景感知個(gè)性化推薦。首先需要確定情景要素，在本文中，用戶的社會(huì)關(guān)系劃分是最重要的情景要素。假定t時(shí)刻的網(wǎng)絡(luò)W(t)表示為

W(t)=〈u(t),e(t)〉

(2)

其中，u(t)表示用戶，e(t)表示項(xiàng)目。相應(yīng)的社會(huì)關(guān)系劃分表示為

(3)

(4)

2 設(shè)計(jì)基于情景感知技術(shù)的個(gè)性化推薦算法

個(gè)性化信息推薦，首先根據(jù)相似用戶有相似興趣的基本假設(shè)，利用用戶對(duì)項(xiàng)目網(wǎng)絡(luò)信息資源的偏好數(shù)據(jù)，通過相似性計(jì)算得到用戶的最近鄰，利用最近鄰的評(píng)分預(yù)測(cè)用戶的評(píng)分，最后根據(jù)預(yù)測(cè)產(chǎn)生個(gè)性化推薦[9]。本文提出一種結(jié)合情景的過濾推薦算法，綜合考慮周圍環(huán)境情景和社會(huì)網(wǎng)絡(luò)關(guān)系。

2.1 計(jì)算用戶綜合情景相似度

個(gè)性化推薦算法的核心是獲取用戶的最近鄰，用戶最近鄰的選取原則，是有相似的興趣偏好和需求?；诖嗽瓌t，利用環(huán)境情景和社會(huì)關(guān)系情景數(shù)據(jù)，分別計(jì)算二者單項(xiàng)的用戶相似度[10]。本文提出的環(huán)境情景相似度的計(jì)算公式可以表示為

目前已經(jīng)實(shí)現(xiàn)的預(yù)測(cè)淺水流常規(guī)且最有效的方法是反射地震法，這種方法預(yù)測(cè)精度高、成本低，主要是通過對(duì)淺地震反射深度剖面的獲取實(shí)現(xiàn)對(duì)淺水流的預(yù)測(cè)。而反射深度剖面是通過地震反射勘探技術(shù)獲得CMP疊加時(shí)間剖面，參照鉆孔標(biāo)定的速度進(jìn)行時(shí)深轉(zhuǎn)換而獲得。

(5)

(6)

其中，Sxy表示用戶x和y的信任傳遞，n(x)表示x在信任網(wǎng)絡(luò)中的相鄰節(jié)點(diǎn)。將計(jì)算出的環(huán)境情景相似度sim(ax,ay)q和社會(huì)關(guān)系情景Sxy進(jìn)行加權(quán)融合，得到綜合情景相似度sim(ax,ay)，具體計(jì)算公式可以表示為

sim(ax,ay)=λ×sim(ax,ay)q+(1-λ)Sxy

(7)

其中，參數(shù)λ表示推薦算法中環(huán)境情景和社會(huì)關(guān)系情景的影響權(quán)重，λ值越大，說明周圍環(huán)境的用戶情景相似度起到的作用越大，反之，則說明用戶社會(huì)網(wǎng)絡(luò)信任關(guān)系的作用越大。當(dāng)λ=1或0時(shí)，綜合情景相似度就表示單一影響條件下的用戶相似度。通常條件下，實(shí)際個(gè)性化推薦應(yīng)用中的周圍環(huán)境情景和社會(huì)網(wǎng)絡(luò)關(guān)系情景不一定同等重要，因此具體的參數(shù)λ可根據(jù)具體情況進(jìn)行調(diào)整[12]。在得到用戶綜合情景相似度之后，為用戶選擇最近鄰。最近鄰是與目標(biāo)用戶具有較高相似性的用戶集合。預(yù)先設(shè)置一個(gè)固定值K，確定最近鄰集合大小，根據(jù)用戶綜合情景相似度，計(jì)算目標(biāo)用戶與其他用戶的相似度值，從大到小依次進(jìn)行排列，與目標(biāo)用戶最近鄰的前K個(gè)用戶，就組成該目標(biāo)用戶的最近鄰集合。

2.2 預(yù)測(cè)與生成用戶偏好推薦

過濾推薦算法的基本前提是偏好相似的用戶會(huì)對(duì)同一項(xiàng)目給出相似評(píng)價(jià)。因此，得到用戶最近鄰后，根據(jù)最近鄰評(píng)分對(duì)目標(biāo)用戶評(píng)分進(jìn)行預(yù)測(cè)[13]。本文提出的基于情景感知的未評(píng)分項(xiàng)目偏好預(yù)測(cè)，可以用以下公式進(jìn)行表示

(8)

根據(jù)預(yù)測(cè)的偏好值，將預(yù)測(cè)偏好值從大到小依次進(jìn)行排列，為目標(biāo)用戶推薦偏好值最大前n個(gè)的服務(wù)項(xiàng)目。

本文綜合考慮周圍環(huán)境情景和用戶社會(huì)網(wǎng)絡(luò)關(guān)系情景，提出個(gè)性化推薦過濾算法，利用計(jì)算出的環(huán)境情景偏好和用戶社會(huì)網(wǎng)絡(luò)關(guān)系，得到用戶綜合情景相似度，為目標(biāo)用戶選擇最近鄰集合后，預(yù)測(cè)潛在情景偏好并生成推薦。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 選取基準(zhǔn)比較算法和數(shù)據(jù)集

為驗(yàn)證本文設(shè)計(jì)的個(gè)性化推薦方法的有效性，將本文方法設(shè)為實(shí)驗(yàn)組，選擇傳統(tǒng)方法作為對(duì)比組，具體包括基于內(nèi)容的過濾算法、協(xié)同過濾算法和混合式過濾算法，以上3種方法都是不考慮情景感知的個(gè)性化推薦方法。在實(shí)驗(yàn)中，選擇E數(shù)據(jù)集來驗(yàn)證推薦方法的有效性[14]。該數(shù)據(jù)集中包含用戶對(duì)產(chǎn)品的評(píng)分信息和信任關(guān)系信息，滿足本文的實(shí)驗(yàn)數(shù)據(jù)需要。

3.2 評(píng)價(jià)指標(biāo)

(9)

數(shù)據(jù)集中用戶對(duì)項(xiàng)目的打分值，通常是0～5的整數(shù)。對(duì)于推薦項(xiàng)目相關(guān)性，若用戶對(duì)項(xiàng)目的評(píng)分大于4分，則認(rèn)為該項(xiàng)目的評(píng)價(jià)為優(yōu)[15]。用戶偏好相關(guān)性β，用來評(píng)價(jià)用戶對(duì)推薦項(xiàng)目的相關(guān)性，具體可以表示為

(10)

其中，|S|表示用戶集合，|Qn|表示用戶所處實(shí)際情景類型數(shù)目，|Enm|表示與所處某一實(shí)際情景Qm的用戶Sn相關(guān)的項(xiàng)目數(shù)，qnml表示第l個(gè)相關(guān)的項(xiàng)目。對(duì)于不含情景感知信息的用戶偏好，|Qn|為1。在計(jì)算用戶偏好相關(guān)性時(shí)，需要依據(jù)用戶偏好，將項(xiàng)目分為相關(guān)、不相關(guān)兩類，本文判定方法為，若項(xiàng)目的偏好值大于用戶集中測(cè)試的平均偏好，則認(rèn)為是相關(guān)的項(xiàng)目。

3.3 實(shí)驗(yàn)結(jié)果與對(duì)比測(cè)試分析

為了比較環(huán)境情景和社會(huì)關(guān)系情景的不同權(quán)重對(duì)于個(gè)性化推薦的影響，取固定值K為10，對(duì)公式(7)中的參數(shù)λ取值進(jìn)行設(shè)置，分別檢驗(yàn)社會(huì)關(guān)系情景權(quán)重對(duì)本文方法性能的影響，實(shí)驗(yàn)結(jié)果見表1。

表1 不同權(quán)重的評(píng)價(jià)結(jié)果對(duì)比

由表1可知，環(huán)境情景和社會(huì)關(guān)系情景都會(huì)對(duì)個(gè)性化推薦性能產(chǎn)生影響，說明在個(gè)性化推薦中，綜合考慮環(huán)境情景和社會(huì)關(guān)系情景信息，有利于提高推薦的效果，提高個(gè)性化推薦精確度。綜合以上評(píng)價(jià)指標(biāo)結(jié)果，本文將權(quán)重參數(shù)λ取值為0.8，此時(shí)本文設(shè)計(jì)推薦方法的效果最佳，將其作為實(shí)驗(yàn)組，與三種傳統(tǒng)的個(gè)性化推薦方法進(jìn)行對(duì)比測(cè)試。由于使用情景感知技術(shù)，考慮到數(shù)據(jù)稀疏性的差別，將數(shù)據(jù)集按不同總數(shù)區(qū)間分別進(jìn)行比較，具體結(jié)果見表2。

表2 不同數(shù)據(jù)區(qū)間推薦結(jié)果對(duì)比

由表2可知，本文方法與傳統(tǒng)推薦方法相比，能更好地適應(yīng)數(shù)據(jù)稀疏性環(huán)境。推薦方法的評(píng)價(jià)指標(biāo)對(duì)比結(jié)果如圖1所示。

圖1 不同方法的評(píng)價(jià)指標(biāo)對(duì)比

由圖1可以看出，相對(duì)于傳統(tǒng)個(gè)性化推薦方法，本文設(shè)計(jì)方法的推薦項(xiàng)目相關(guān)性和用戶偏好相關(guān)性分別為0.4和0.65，比傳統(tǒng)方法的推薦項(xiàng)目相關(guān)性和用戶偏好相關(guān)性高，具有較好的效果。因此本文設(shè)計(jì)的方法具有實(shí)際應(yīng)用價(jià)值。

4 結(jié)論與討論

本文基于情景感知技術(shù)，對(duì)網(wǎng)絡(luò)信息資源的個(gè)性化推薦方法進(jìn)行研究。

(1)通過構(gòu)建用戶興趣匹配模型，設(shè)計(jì)個(gè)性化推薦過濾算法，在個(gè)性化推薦中使用情景感知技術(shù)，有利于提高推薦的精確度和提升用戶體驗(yàn)，具有一定研究意義和實(shí)際應(yīng)用價(jià)值。

(2)個(gè)性化推薦是一個(gè)較為復(fù)雜的體系，在理論、方法和應(yīng)用等方面還需要投入大量的研究工作。針對(duì)本文的研究，后續(xù)可從以下幾方面進(jìn)行拓展和延伸。首先，需要解決個(gè)性化推薦的信息安全和隱私問題。有些攻擊者可能利用虛假信息來攻擊信息網(wǎng)絡(luò)，對(duì)信息推薦系統(tǒng)的安全造成危害，同時(shí)對(duì)保護(hù)用戶的隱私也提出挑戰(zhàn)，因此需要采用更有效的技術(shù)去解決信息安全問題。其次，考慮在情景感知中加入文本分析技術(shù)，利用分析和推理文本的感情色彩，幫助用戶進(jìn)行決策，是具有實(shí)際意義的研究課題。