基于模糊邏輯的多代理推薦系統(tǒng)

施笑畏，宓為建，萇道方，張 艷

(上海海事大學(xué)物流工程學(xué)院，上海 201306)

0 引言

數(shù)字電視作為一種全新的廣播方式，為電視觀(guān)眾帶來(lái)海量節(jié)目.為了讓用戶(hù)快速、準(zhǔn)確地獲取其真正感興趣的內(nèi)容，主動(dòng)向用戶(hù)推薦符合其需求的個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生.

文獻(xiàn)［1-3]提出的個(gè)性化推薦技術(shù)的特點(diǎn):(1)推薦原理.根據(jù)用戶(hù)喜好對(duì)基本電子節(jié)目指南(EPG)進(jìn)行篩選.鑒于各因素的不確定性，僅憑基本EPG信息很難使推薦系統(tǒng)有效找到用戶(hù)喜歡的節(jié)目.(2)喜好學(xué)習(xí)方法.文獻(xiàn)［1]假設(shè)用戶(hù)喜好是靜態(tài)不變的;文獻(xiàn)［2]僅采用清晰反饋法修正用戶(hù)顯性喜好;文獻(xiàn)［3]采用清晰反饋與對(duì)頻道觀(guān)看頻率的反饋統(tǒng)計(jì)相結(jié)合的方法來(lái)修正用戶(hù)喜好，但根據(jù)頻道學(xué)習(xí)的喜好遠(yuǎn)遠(yuǎn)不能完整表示用戶(hù)的潛在需求.(3)用戶(hù)喜好檔案內(nèi)容.3個(gè)系統(tǒng)僅包含用戶(hù)喜好特征，忽略用戶(hù)厭惡特征.實(shí)際上，厭惡特征對(duì)用戶(hù)的節(jié)目選擇同樣起決定性作用.(4)篩選推薦算法.都采用清晰算法，即節(jié)目的評(píng)估結(jié)果是“感興趣”或“不感興趣”.清晰數(shù)學(xué)不能模擬人類(lèi)的柔性推理思維，尤其是當(dāng)一個(gè)節(jié)目既包括用戶(hù)感興趣的特征又包括用戶(hù)厭惡的特征時(shí)，就很難評(píng)估該節(jié)目是否值得被推薦.

從以上分析可以發(fā)現(xiàn)，如何模擬人的思維，向用戶(hù)推薦高質(zhì)量的個(gè)性化節(jié)目是目前需要進(jìn)一步研究的問(wèn)題.

本文從以下幾個(gè)方面入手提高推薦質(zhì)量:(1)節(jié)目指南信息量的完善.鑒于即時(shí)電視規(guī)范(TVAnytime)［4]中，元數(shù)據(jù)不僅包括詳細(xì)的節(jié)目?jī)?nèi)容描述信息，還包括用戶(hù)喜好信息和用戶(hù)觀(guān)看節(jié)目的歷史數(shù)據(jù)［5]，本文在TV-Anytime環(huán)境下進(jìn)行節(jié)目推薦研究.(2)用戶(hù)喜好的真實(shí)性和完整性.用戶(hù)檔案同時(shí)包括喜好和厭惡特征，鑒于喜好隨時(shí)間推移而變化發(fā)展，本文動(dòng)態(tài)修正喜好檔案.(3)模糊邏輯模擬人的思維方式.

1 多代理推薦系統(tǒng)

1.1 系統(tǒng)結(jié)構(gòu)

推薦系統(tǒng)結(jié)構(gòu)見(jiàn)圖1.該系統(tǒng)主要包括模糊用戶(hù)喜好檔案、模糊篩選代理、模糊推薦代理、交互代理和檔案修正代理.模糊篩選代理基于模糊邏輯推理，將即將播放節(jié)目的元數(shù)據(jù)與模糊用戶(hù)喜好檔案進(jìn)行匹配，然后根據(jù)模糊閾值篩選出用戶(hù)可能感興趣的節(jié)目;模糊推薦代理向每個(gè)用戶(hù)提供最優(yōu)的節(jié)目推薦表，并發(fā)送到用戶(hù)端;交互代理提供界面，負(fù)責(zé)收集用戶(hù)清晰或隱含的反饋信息;檔案修正代理基于交互代理遞交的反饋信息，修正用戶(hù)喜好檔案.在多代理系統(tǒng)(MAS)中，代理間需要依賴(lài)相互通信實(shí)現(xiàn)不能單獨(dú)完成的功能.通常，MAS中的代理間通信是基于知識(shí)查詢(xún)和處理語(yǔ)言(KQML)完成的.［6-7]在本系統(tǒng)中，各代理間也存在通信關(guān)系，例如，為了得到用戶(hù)新的喜好信息，需要模糊推薦代理和交互代理與檔案修正代理通信.

圖1 推薦系統(tǒng)結(jié)構(gòu)

1.2 模糊邏輯控制原理在推薦系統(tǒng)中應(yīng)用的原因

篩選推薦過(guò)程如下:初始狀態(tài)下，系統(tǒng)僅具備部分的用戶(hù)顯性喜好知識(shí)，需要在推薦過(guò)程中不斷學(xué)習(xí)用戶(hù)的潛在喜好以及用戶(hù)喜好的發(fā)展變化，為保證推薦的可靠性奠定基礎(chǔ).是否選擇某個(gè)節(jié)目基于用戶(hù)的顯性和潛在喜好、各喜好及厭惡特征之間的綜合考慮等，用戶(hù)的決定是基于一些復(fù)雜反應(yīng)的最終結(jié)果.換言之，由于很難量化用戶(hù)對(duì)某個(gè)節(jié)目的各種感覺(jué)，整個(gè)推薦過(guò)程難以建立清晰的數(shù)學(xué)模型.鑒于模糊原理可以通過(guò)模擬人的思維方式來(lái)柔性描述并解決這類(lèi)問(wèn)題，本文在節(jié)目推薦系統(tǒng)中采用模糊邏輯推理方法.典型的模糊邏輯推理結(jié)構(gòu)［8-9]見(jiàn)圖2.

圖2 模糊邏輯推理結(jié)構(gòu)

2 模糊用戶(hù)喜好檔案

2.1 特征—喜好程度—權(quán)重(FLW)用戶(hù)喜好檔案

采用FLW用戶(hù)喜好檔案描述用戶(hù)喜好特征和厭惡特征，其中每一個(gè)特征都用3維矢量(特征、喜好程度和權(quán)重)定義.在FLW中，特征指節(jié)目的屬性，如特定的節(jié)目類(lèi)型、演員等.

如果用戶(hù)喜好檔案U中有q個(gè)不同特征，則可表示為

式中:fi表示第i個(gè)特征;li表示對(duì)fi的喜好程度;wi表示fi的權(quán)重.權(quán)重是相關(guān)特征種類(lèi)的重要性指標(biāo)，如用戶(hù)選擇節(jié)目時(shí)看重節(jié)目類(lèi)型，則節(jié)目類(lèi)型的權(quán)重大.喜好程度則表示用戶(hù)喜歡該特征的程度.相同特征種類(lèi)的權(quán)重一樣，不同特征的喜好程度不一定相同.

2.2 模糊特征—喜好程度—權(quán)重(FFLW)用戶(hù)喜好檔案

模糊用戶(hù)檔案將清晰參數(shù)值(喜好程度和權(quán)重)轉(zhuǎn)化為隸屬度，見(jiàn)圖3.圖中:l和w分別表示特征喜好程度和權(quán)重;μ為變量所屬相關(guān)區(qū)域的可信度.l∈［－0.5，0.5]，|i|越大說(shuō)明用戶(hù)喜歡或厭惡的情緒越強(qiáng)烈;w∈［0，1]，w越大表示該特征越重要.

圖3 用戶(hù)檔案參數(shù)的模糊化

為便于交換信息，本系統(tǒng)中節(jié)目信息和用戶(hù)檔案信息都用可擴(kuò)展標(biāo)記語(yǔ)言(XML)表示.［10]

3 模糊篩選推薦處理

3.1 篩選和推薦步驟

首先，模糊篩選代理基于模糊邏輯推理，對(duì)即將播出的節(jié)目信息與FFLW喜好檔案進(jìn)行匹配，預(yù)估出用戶(hù)對(duì)該節(jié)目感興趣的程度P.然后根據(jù)閾值篩選出用戶(hù)可能喜歡的節(jié)目，按P對(duì)篩選的結(jié)果進(jìn)行歸類(lèi)排序，由模糊推薦代理生成推薦列表，并發(fā)送至用戶(hù)端.具體可被分解為3個(gè)子步驟:(1)特征匹配評(píng)估;(2)節(jié)目匹配評(píng)估;(3)設(shè)定閾值進(jìn)行節(jié)目篩選和推薦排序.最后，用戶(hù)收到的推薦表中不僅包含推薦節(jié)目的信息，還包含各推薦節(jié)目相應(yīng)的P.P不僅包含反映節(jié)目與用戶(hù)檔案匹配程度的數(shù)值大小，還包含預(yù)計(jì)用戶(hù)可能對(duì)該節(jié)目的情緒感受.感興趣程度的模糊隸屬函數(shù)分布見(jiàn)圖4，該圖不僅適用于節(jié)目匹配結(jié)果，也適用于特征匹配結(jié)果.

圖4 感興趣程度的模糊隸屬函數(shù)分布

3.2 特征匹配

特征匹配是指評(píng)估節(jié)目中某特征與用戶(hù)喜好的相關(guān)性.節(jié)目

式中:ti為第i個(gè)特征.

為了得到用戶(hù)對(duì)該特征的感興趣程度f(wàn)，需要首先將節(jié)目中的該特征映射到用戶(hù)喜好檔案中.若用戶(hù)喜好檔案中不包含該特征，則f為“0”;若用戶(hù)喜好檔案中包含該特征，則執(zhí)行以下步驟.

(1)選定輸入輸出變量.該步驟是能否體現(xiàn)模糊邏輯控制優(yōu)越性的關(guān)鍵，對(duì)于以后控制結(jié)果的理想程度起著至關(guān)重要的作用.先選定輸出變量，再找出對(duì)輸出變量影響最大的變量作為輸入變量.本文將f作為輸出變量，選擇對(duì)f影響最大的特征喜好程度l和特征權(quán)重w作為輸入變量.

(2)輸入輸出變量的模糊化.對(duì)輸入輸出變量進(jìn)行模糊區(qū)劃分，給每個(gè)區(qū)一個(gè)唯一的名字，然后從語(yǔ)義上對(duì)每個(gè)標(biāo)號(hào)定義相應(yīng)的模糊集.根據(jù)大量的實(shí)驗(yàn)數(shù)據(jù)，本文確定的輸入輸出變量的隸屬函數(shù)分別見(jiàn)圖3和4.

(3)建立模糊推理規(guī)則.模糊推理規(guī)則主要是指聯(lián)系輸入/輸出變量的控制規(guī)則.本文所得規(guī)則如下:① If l is“不喜歡”And w is“次要”Then f is“厭惡”;② If l is“不喜歡”And w is“重要”Then f is“非常厭惡”;③ If l is“一般”And w is“重要”Then f is“一般”;……;④ If l is“喜歡”And w is“重要”Then f is“很感興趣”.

(4)去模糊化.為了最終輸出控制動(dòng)作，模糊推理結(jié)果的模糊量必須轉(zhuǎn)換為清晰量.最常用的兩種轉(zhuǎn)換方法為面積重心法和最大平均值法:前者合成所有有激勵(lì)輸出的規(guī)則作為結(jié)果，適用于平滑控制，是過(guò)程控制常用的方法;后者取激勵(lì)強(qiáng)度最大的規(guī)則作為結(jié)果，常用于最壞情況分析或風(fēng)險(xiǎn)分析等決策控制.

由于面積重心法可考慮到更多有用的因素，本系統(tǒng)采用該方法去f的模糊化，即

式中:μ［j]為第j條規(guī)則輸出面積的高;yj為重心橫坐標(biāo);m為規(guī)則總數(shù).根據(jù)具體條件激勵(lì)起的規(guī)則隸屬度可求出f，其他未被激勵(lì)的規(guī)則隸屬度為0.

3.3 節(jié)目匹配

節(jié)目匹配用于評(píng)估P.由于節(jié)目的組成特征在評(píng)估時(shí)已考慮特征的喜好程度和特征種類(lèi)權(quán)重等因素，可通過(guò)相關(guān)f的平均值計(jì)算得出

式中:n為節(jié)目中包含的特征總數(shù).將P映射到圖4中，可得到用戶(hù)對(duì)該節(jié)目的預(yù)測(cè)態(tài)度.

3.4 篩選和排序

設(shè)置閾值篩選節(jié)目元數(shù)據(jù)，選擇用戶(hù)可能感興趣的節(jié)目，然后根據(jù)P依次排序，并推薦給用戶(hù).在本系統(tǒng)中，由模糊推薦代理進(jìn)行排序和推薦處理.

模糊篩選代理中設(shè)定的閾值既可以是一個(gè)清晰值，也可以是一個(gè)模糊值，比如“用戶(hù)有多么喜歡它”.如果P大于閾值，說(shuō)明用戶(hù)想要看該節(jié)目，篩選代理把該節(jié)目的元數(shù)據(jù)發(fā)給模糊推薦代理.

4 檔案修正

本系統(tǒng)中，用戶(hù)喜好建模包括初始化和動(dòng)態(tài)修正兩個(gè)過(guò)程.用戶(hù)檔案模型的初始化可采用兩種方法進(jìn)行:(1)根據(jù)用戶(hù)清晰反饋信息;(2)分析用戶(hù)行為歷史數(shù)據(jù).第1種方法無(wú)須贅述，第2種方法類(lèi)似于用戶(hù)檔案修正算法.由于用戶(hù)無(wú)法清晰表達(dá)其潛在需求，并且用戶(hù)的需求隨時(shí)間不斷發(fā)展變化，在初始建模后，用戶(hù)喜好檔案需根據(jù)清晰反饋和對(duì)行為反饋的學(xué)習(xí)不斷地進(jìn)行補(bǔ)充和修正.這些工作由檔案修正代理負(fù)責(zé)完成.

對(duì)一個(gè)推薦節(jié)目，用戶(hù)通常有3種態(tài)度:播放、刪除和忽略.系統(tǒng)將根據(jù)用戶(hù)行為進(jìn)一步修正用戶(hù)檔案，算法描述如下:

(1)如果用戶(hù)觀(guān)看某個(gè)節(jié)目中的一段，在該系統(tǒng)中，對(duì)節(jié)目i，

式中:fji是節(jié)目i中第j個(gè)特征;wtji是特征fji屬于t特征類(lèi)型的權(quán)重;w′tji是修正后的wtji;lji是用戶(hù)對(duì)特征fji的喜好程度;l′ji是修正后的lji;Wi是觀(guān)看節(jié)目i的總時(shí)間;Ri是節(jié)目i本身的時(shí)間長(zhǎng)度;θ是觀(guān)看時(shí)間閾值，若觀(guān)看時(shí)間小于θ，認(rèn)為用戶(hù)對(duì)該推薦節(jié)目不感興趣，權(quán)重和喜好程度需下調(diào);α，β∈(0，1)，用于減小權(quán)重和喜好程度的變化速度.因?yàn)闄?quán)重較之喜好程度更穩(wěn)定，α≤β.參考圖3，修正后的權(quán)重被約束在［0，1.00]區(qū)間內(nèi)，而修正后的特征喜好程度被約束在［－0.50，0.50]區(qū)間內(nèi).

(2)若用戶(hù)已刪除某推薦節(jié)目，Wi為“0”.

(3)若用戶(hù)忽略某推薦節(jié)目，無(wú)反饋.

5 應(yīng)用示例

5.1 原型系統(tǒng)實(shí)驗(yàn)

實(shí)驗(yàn)包括1臺(tái) PC，1個(gè) TriMedia card，多代理系統(tǒng)和1臺(tái)電視.PC充當(dāng)用戶(hù)端PDR，存放節(jié)目源并安裝系統(tǒng)，TriMedia card用于進(jìn)行視頻解碼，電視用于演示節(jié)目.該系統(tǒng)在單機(jī)PC/Linux下運(yùn)行.

圖5為本推薦系統(tǒng)的主界面.界面左欄列出系統(tǒng)各個(gè)功能;中間列的上方為節(jié)目推薦表，下方為選中節(jié)目的信息.對(duì)選中的節(jié)目，用戶(hù)可以選擇播放、刪除、忽略.對(duì)前兩個(gè)選擇，可獲取反饋信息，用于修正檔案.

圖5 系統(tǒng)主界面

節(jié)目源:包含200個(gè)不同節(jié)目的片段，每個(gè)節(jié)目片段2～10 min.30個(gè)用戶(hù)參加實(shí)驗(yàn).

評(píng)估過(guò)程:首先，用戶(hù)建立初始用戶(hù)喜好檔案;然后，200個(gè)節(jié)目分5批用于測(cè)試推薦系統(tǒng)的推薦結(jié)果是否符合用戶(hù)需求.

評(píng)估準(zhǔn)則:則用參數(shù)p和r評(píng)估節(jié)目推薦系統(tǒng)的推薦效果.p反映推薦的節(jié)目與用戶(hù)興趣的相關(guān)程度.r反映有多少用戶(hù)感興趣的節(jié)目被推薦，又有多少用戶(hù)感興趣的節(jié)目被誤判為乏味的節(jié)目.

式中:nT是推薦的節(jié)目總數(shù);nR是推薦符合用戶(hù)興趣的節(jié)目總數(shù);nI是符合用戶(hù)興趣的節(jié)目總數(shù).若用戶(hù)觀(guān)看某節(jié)目的時(shí)間大于該節(jié)目總時(shí)間的70%，則認(rèn)為用戶(hù)對(duì)該節(jié)目有興趣.

表1是測(cè)試平均結(jié)果.

表1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果顯示，該推薦系統(tǒng)可以學(xué)習(xí)用戶(hù)的潛在需求，并能動(dòng)態(tài)捕捉用戶(hù)喜好的潛在變化，為用戶(hù)提供可靠的推薦服務(wù).當(dāng)系統(tǒng)開(kāi)始運(yùn)行時(shí)，由于用戶(hù)注冊(cè)時(shí)的顯性需求不足以完全表達(dá)用戶(hù)的真正喜好，推薦效果一般;隨著系統(tǒng)使用時(shí)間增加，推薦效果逐步提高.鑒于用戶(hù)喜好總是緩慢進(jìn)行潛在變化，推薦效果無(wú)法達(dá)到百分之百的滿(mǎn)意.

6 結(jié)束語(yǔ)

如何模擬人的思維以提高推薦質(zhì)量是個(gè)性化節(jié)目推薦中需要解決的問(wèn)題.本文提出一個(gè)智能多代理節(jié)目推薦系統(tǒng)，用于在TV-Anytime環(huán)境下向多個(gè)用戶(hù)提供個(gè)性化推薦服務(wù).與傳統(tǒng)方法不同，該系統(tǒng)基于節(jié)目元數(shù)據(jù)和模糊用戶(hù)檔案知識(shí)管理，將用戶(hù)檔案以一種緊湊簡(jiǎn)潔的模糊結(jié)構(gòu)表示，包括用戶(hù)喜歡的和不喜歡的特征.用戶(hù)檔案可進(jìn)行動(dòng)態(tài)修正，如根據(jù)反饋信息增加或減少相關(guān)特征的參數(shù)大小.篩選和推薦代理基于模糊喜好檔案，使用模糊邏輯模擬人的柔性思維方式，可解決對(duì)一個(gè)既包含用戶(hù)喜好特征，又包含用戶(hù)厭惡特征節(jié)目評(píng)估的二義性問(wèn)題.實(shí)驗(yàn)結(jié)果顯示該系統(tǒng)推薦效果可靠.

［1]COTTER P，SMYTH B.PTV:personalized TV guides［C]//Proc 12th Conf on Innovative Applications of Artificial Intelligence，Austin，Texas，2000:287-295.

［2]Duco DAS，Herman ter HORST.Recommender Systems for TV［C]//Proc AAAI，1998:243-251.

［3]KURAPATI K，GUTTA S，SCHAFFER D，et al.A multi-agent TV recommender［C]//Proc User Modeling 2001:Personalization in Future TV Workshop，Sonthofen，Germany，2001:458-463.

［4]TV-Anytime system description document(informative with mandatory appendix B)［Z].WD608，TV-Anytime Forum，Aug.2004.

［5]TV-Anytime metadata specifications document［Z].SP003v12 Part A Appendix B，TV-Anytime Forum，Jun.2005.

［6]FININ T，F(xiàn)RITZSON R，MCKAY D，et al.KQML as an agent communication language［C]//Proc 3rd Int Conf on Inform and Knowledge Manage，1994:456-463.

［7]楊神化，施朝健，劉宇宏，等.多agent理論和技術(shù)在自動(dòng)避碰決策系統(tǒng)中的應(yīng)用［J].上海海事大學(xué)學(xué)報(bào)，2007，28(1):121-125.

［8]BABUSKA R.Fuzzy modeling for control［M].Norwell，MA:Int Series in Intelligent Technologies，Kluwer Academic Publishers，1998.

［9]陳錦標(biāo)，吳廣宇，應(yīng)士君.基于灰色模糊綜合評(píng)估法的大型船舶模擬操縱評(píng)價(jià)［J].上海海事大學(xué)學(xué)報(bào)，2008，29(4):1-5.

［10]JIS X4160-2007，XML Path Language(XPath)2.0［S].