交互式電視中個性化推薦系統的研究

陳 萌，楊 成，王 歡，陳潔超

（中國傳媒大學 信息工程學院，北京100024）

交互式電視是一種雙向電視，用戶能夠通過電視屏幕的交互界面進行信息反饋，從而建立用戶和電視信息的雙向聯系[1]。隨著三網融合的深入和數字家庭的興起，交互式電視走進千家萬戶。與此同時，交互式電視用戶也面臨著“信息迷霧”的問題：大量的資源同時呈現，導致用戶無從選擇，資源利用率低，資源與用戶間形成一條無形的“信息鴻溝”。在這種情況下，把個性化推薦系統引入交互式電視，為用戶提供個性化信息過濾服務，成為一種迫切的需求。

個性化推薦系統最初是針對互聯網“信息過載”問題而提出的，不同于一般的信息過濾系統，其特點有：1）將傳統的用戶發起請求變為系統自動向用戶提供服務，引導用戶發掘潛在興趣點；2）以社會網絡為基礎、個性化需求為中心建立用戶喜好模型[2]。

個性化推薦系統可以分為信息采集和預處理、模型分析、推薦以及存儲4個功能模塊，其中包含用戶、項目和推薦算法3個關鍵要素，而推薦算法是整個系統的核心。后文將對基于內容的推薦、協同過濾推薦、基于關聯規則的推薦以及混合推薦幾個重要的算法加以分析和比較。根據算法的比較結果，總結得出交互式電視中個性化推薦系統的3個研究重點——精確性、實時性和自動性，以及冷啟動、數據稀疏性、推薦“孤峰”等幾個研究難點。此外，本文還從節目推薦、電視商務和廣告定向投放3個方面闡述了個性化推薦系統在未來交互式電視中的實際應用，并且從應用角度分析預測了未來該研究的幾個潛在的研究方向。

1 個性化推薦系統概述

個性化推薦系統要完成整個推薦過程需有3個要素：項目、用戶和推薦算法。設C是所有用戶的集合，S是所有項目的集合，效用函數u（）用于計算項目s對用戶c的推薦度。而推薦算法研究的問題就是找到推薦度最大的對象s*[3],即

從功能角度看，個性化推薦系統（如圖1所示）可劃分為：信息采集和預處理模塊、喜好模型建立分析模塊、推薦模塊和信息存儲模塊。用戶通過系統的交互界面提供信息或由系統自動收集用戶行為信息，預處理量化后存入數據庫作為后續分析的基礎；提取存儲模塊中用戶或項目的量化信息，按推薦算法的需要進行數據分析，得到用戶與項目或項目間或用戶間的關聯模型；把分析后的模型導入推薦模塊，運行的推薦結果通過交互界面顯示給用戶，同時記錄用戶的反饋信息，用于修正推薦機制。

2 主流的推薦算法及算法對比

推薦系統的核心部分是推薦算法，推薦算法的優劣直接決定了整個個性化推薦系統的性能。下面將對幾個主流算法進行分析和對比。

2.1 基于內容的推薦算法

基于內容的推薦算法（Content-based Recommendation）[4]是把特征作為描述項目的基本單位。從用戶看過的資料中提取特征，采用神經網絡、決策樹等機器學習方法學習用戶興趣，建立用戶喜好模型ContentBasedProfile（c）；根據不同特征在項目中出現的位置和頻率的不同，確定待預測項目與用戶喜好相匹配的程度。用效用函數表示[3]，即

式中：sim（）即為相似度計算，可采用歐幾里得距離、皮爾遜相似度和向量夾角余弦距離等方法計算。該算法的處理對象多為項目的文字描述，推薦過程不需用戶介入，只考慮項目間的關系，實時性好。

2.2 協同過濾推薦算法

協同過濾（Collaborative Filtering）算法是社會化方式移植到網絡環境中的產物，其核心是基于社會網絡進行統計預測，即通過用戶-項目矩陣（如圖2所示）尋找用戶間或項目間的相似性，再結合用戶的歷史信息得出項目的推薦度，根據推薦值排序獲得推薦項。因無須提取項目特征信息，該類算法更適合處理電影、音樂等特征結構復雜的項目。具體可分為基于用戶和基于項目兩種。

圖2 m×n用戶-項目矩陣

基于用戶的協同過濾（User-based Collaborative Filtering）[5]的具體思路是：1）以用戶對項目的評分為向量，計算用戶c與其他用戶的相似度sim（c,c′），確定用戶c的喜好相似鄰c′；2）把相似鄰c′對項目s的評分以及與用戶c的相似度進行加權平均（ave），得出用戶c對項目s的效用值。所以效用函數為

基于項目的協同過濾（Item-based Collaborative Filtering）[6]基于以下假設：能夠引起用戶興趣的項目，必與其之前評分高的項目相似。根據假設，計算用戶c已評價的項目s＇與待預測項目s的相似度sim（s,s＇）；然后將用戶c對項目s＇的評分和相似度sim（s,s＇）加權平均，得出用戶c對項目s的效用值。故效用函數為

基于項目協同算法與基于內容算法的區別在于：挖掘項目間關系時，基于內容的算法不需要用戶信息，僅通過項目的特征決定；而基于項目的協同算法是通過用戶的評分來確定項目間關系的。

2.3 基于關聯規則的推薦算法

基于關聯規則的推薦（Association Rules-based Recommendation）的本質在于挖掘一個數據集中項目之間的關系。該推薦算法有兩個關鍵要素：支持度support(s? s′)=P（s∪ s′）和置信度confidence(s? s′)=P(s′|s)（其中s是待預測項目，是用戶c的喜好項目）。支持度是數據剪枝的重要依據，而置信度反映了項目s與用戶喜好項s′的關聯性，即效用值的衡量標準。關聯規則可以采用Apriori，AprioriTid和DHP等方法進行挖掘，其結果具有很大的未知性。

2.4 混合算法

在實際中往往將多個算法混合，以達到更好的推薦效果。關于如何組合各個推薦算法，有研究者提出了以下幾種組合方法[7]：

1）加權混合。用線性公式按照一定權重組合幾種算法，權重值通過測試數據集反復實驗后確定。

2）變換混合。對于不同的情況，選擇最為合適的推薦機制計算推薦。

3）分層混合。采用多種推薦算法，將一種算法的結果作為另一種算法的輸入。

2.5 主流推薦算法的比較

以上幾種推薦算法各有千秋，采用的相似度計算公式不同、建立喜好模型時選擇的訓練模型不同等都會影響個性化推薦系統的性能。在此，將主流算法的優缺點進行總結比較（如表1所示）。

基于內容的算法和基于規則的算法都可以實現離線處理且無須用戶-項目矩陣分析，所以實時性和自動性都不錯，但精確性方面卻遜于協同過濾算法。這3種算法在可擴展性和冷啟動問題上都存在一定程度的問題。此外，協同過濾算法的稀疏性問題較為嚴重，而基于內容算法的推薦多樣性明顯不足。

表1 主要推薦算法比較分析表

3 交互電視中個性化推薦系統的研究重點與難點

交互式電視中個性化推薦系統的研究重點有：精確性、實時性和自動性。對于用戶方面，能夠基于用戶的喜好提供相關的精確推薦，而且對用戶信息的采集要盡量減少用戶的手動操作；根據收看節目的需要，推薦的結果要具有實時性，這樣用戶才能在開機后立刻根據推薦結果選擇收看的節目，并對推薦結果做出及時反饋。對于運營方，高精度的推薦可以為營運方建立起忠實客戶群，增加經濟收益；實時對用戶的反饋做出響應，能更準確地把握用戶動向。

在研究過程中，還發現以下幾個普遍的研究難點：

1）冷啟動

冷啟動包括新用戶和新項目兩個問題。數據庫中沒有新用戶的歷史數據，既不能根據訓練集訓練用戶興趣模型，也無法根據社會網絡尋找相似鄰用戶。雖然可通過用戶注冊信息或者熱點推薦在一定程度上緩解，但收效并不理想。新項目加入數據庫的初期因為評價信息不足，無法使用協同等算法進行分析推薦，這很可能導致該項目沉沒在大量的項目中無人問津。對于“冷啟動”問題，目前一般考慮使用混合推薦方法來應對。

2）數據稀疏問題

對單個用戶來說，已經評論過的項目集僅是整個龐大項目集的一小部分；另一方面，因為地域、文化或者喜好的差異，用戶間的評價項也存在稀疏問題，嚴重影響推薦的準確度。SVD算法通過把矩陣分解降維，使系數矩陣降到低維稠密矩陣；或是使用基于人口統計學的方法，提取用戶年齡、地域、性別等信息輔助用戶興趣建模[8]。

3）推薦“孤峰”問題

“孤峰”問題是推薦算法精確度研究的悖論面，也就是說，推薦項目與用戶主興趣點過于相似，總是集中在有限的范圍內。造成該問題的原因：一是新用戶加入時，歷史數據不足，不能全面分析用戶在多個范圍的興趣度；二是用戶給系統的反饋不斷地加深了主興趣點的峰值。故在滿足用戶個性化需求的同時，要兼顧推薦多樣性，不能一味地去迎合用戶，還應適當引導用戶挖掘新的興趣點。

4 個性化推薦系統在未來交互電視中的應用

一個優秀的交互電視個性化推薦系統，在滿足用戶個性化需求的同時，又可以為運營商達到提高業績或優化管理等目的，從而實現用戶與運營方的雙贏。以個性化推薦算法為基礎搭建的推薦系統可與用戶形成長期穩定的關系，建立起以忠實用戶為內核的球狀發散用戶群，減少用戶的流失。

4.1 視音頻節目推薦

視音頻節目推薦是個性化推薦技術在交互式電視中最基本也是目前發展最好的應用。利用用戶的觀看歷史信息和行為信息，以及鄰居用戶的觀看喜好，建立用戶喜好模型，為用戶自動推薦可能感興趣的節目，既優化了用戶體驗又提高了運營商的收視率。此外，工程師在開發時還應注意簡化反饋過程的用戶參與度，盡量采用用戶行為信息收集模式而非打分反饋。

濟南有線曾對該應用進行過小范圍的試點，一方面根據用戶的個性化喜好建立個人頻道，與公共綜合頻道形成互補之勢，另一方面利用基于用戶的協同過濾算法為用戶推薦節目。從對此次試點進行的基于長尾效應KPI的跟蹤分析結果來看，節目長尾效應和用戶長尾效應的“頭”“尾”都獲得提升，尤其是節目的指標尤為明顯。這次試點從實際應用角度驗證了個性化推薦技術對于交互電視發展運營的支持推動作用十分富有成效[9]。

4.2 電視購物推薦

電視購物推薦面向的服務對象是用戶，任務是為用戶提供對商品的推薦，幫助用戶決定購買什么產品。根據用戶的年齡、職業、愛好等基本信息，分析用戶喜好，定期推薦他們感興趣的項目。當用戶在查找項目時，進行跟蹤分析，以便向用戶提供合適的可選擇推薦。收集用戶購物歷史，自動分析用戶的購買記錄，為每個用戶提供對其個性化專門定制的推薦列表[10]。根據已有的用戶-商品表格，挖掘與當前用戶曾經購買過且評分相似的商品，然后推薦最暢銷或關聯最強的商品給用戶。通過推薦算法可以在海量顧客基數和商品目錄上進行擴展，及時對用戶數據的變化做出反應。

4.3 廣告定向投放

廣告定向投放的終極目標是希望每個廣告都投遞給有需要的用戶，對這些用戶來說，廣告更能成為需求信息的來源。廣告定向投放一方面可以根據數據庫中用戶的興趣信息以及電視購物歷史，對用戶分類進行廣告投放。例如，用戶經常觀看育兒節目，購買過尿不濕等產品，可以猜想該用戶家庭中有幼兒，進而選擇對其投放奶粉廣告。另一方面，可以把廣告和正在播出的節目加以關聯，例如在體育類節目中間插播體育用品廣告，實現真正的以用戶為中心開展業務。

5 交互電視中個性化推薦系統未來需要研究的問題

5.1 安全隱私性

推薦系統是基于用戶的歷史數據進行分析的，那么這些涉及個人隱私的信息在存入數據庫的一刻就面臨著泄露的風險[11]。使用匿名進行注冊可在一定程度上緩解該問題，但是又會帶來用戶信譽危機和推薦精確度下降等后續問題。此外，個性化推薦還面臨著欺詐推薦的問題，這和搜索引擎上的欺詐排名相似。如某出版商為使自己的影片盡可能成為推薦項，偽造多個用戶抬高該項目的評價度。這就需要設計算法檢測用戶的評分行為和信用度，過濾虛假用戶。

5.2 家庭多用戶研究

目前個性化推薦算法的研究基本是針對單個用戶的，沒有考慮到家庭中的多成員問題。不同于計算機的個體化屬性，電視機終端是面向整個家庭的娛樂設備。這就存在當前用戶是自己看還是和家人一起看，不同家庭的成員年齡性別分布，如何區分同一家庭的不同用戶等問題，研究中需要考慮到家庭多用戶的實際因素，進一步增強推薦的智能化。目前有人提出時間段統計方法，例如在暑假白天向有孩子的家庭多推送少兒節目等。

5.3 時間聚合和空間聚合

個性化推薦系統往往沒有對地域、時間、周圍人員等環境信息做過多的考慮，其實這些環境信息大大影響了用戶對推薦系統的期望[12]。系統使用數據集進行推薦研究時，往往忽略時間衰減度。需要進一步考慮到短、長期喜好的差別，平滑的記錄并模擬用戶喜好隨時間的變化。再者，用戶對節目觀看的時長可在一定程度上反應用戶的喜好，若把對項目的評價聚合到時間軸上，可以更全面地采集用戶信息。在空間方面，不同地域的用戶具有不同的文化背景，聚合地域因素可以使地方運營商有的放矢，針對性地引進影視劇，有效地規劃廣告的定向投放。

5.4 跨學科研究

個性化推薦系統不單單是技術問題，更涉及到社會學、傳播學、心理學的多學科交叉課題。其中包括了從眾心理和行為、熱點傳播、輿論引導、文化融合與碰撞等一系列人文社科的研究熱點。想要更好地研究和發展個性化推薦系統，就需要多學科的縱深和交流。

6 小結

隨著交互媒體的發展和用戶個性化需求的增長，個性化推薦在交互式電視中扮演著越來越重要的角色。盡管個性化推薦在交互式電視中的應用剛剛起步，依舊存在安全隱私、多用戶推薦、時空聚合等一系列待研究的問題，但是相信隨著個性化推薦研究與社會學、傳播學、心理學等多學科交叉研究的深入，以及交互式電視應用的推廣，個性化推薦系統在交互式電視中的發展將上升到一個新的高度，為更多的交互式電視用戶帶來更優化的體驗。

[1]LEE B，LEE R S.How and why people watch TV:implications for the future of interactive television[J].Journal of Advertising Research，1995，35（6）：9-18.

[2]許海玲，吳瀟，李曉東.互聯網推薦系統比較研究[J].軟件學報，2009（2）：350-362.

[3]ADOMAVICIUS G，TUZHILIN A.Toward the next generation of recommender systems:a survey of the state-of-the-art and possible extensions[J].IEEE Trans.Knowledge and Data Engineering，2005，17（6）：734-749.

[4]KOVACS A I，UENO H.Recommending in context:a spreading activation model that is independent of the type of recommender system and its contents[EB/OL].[2012-02-02].http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.100.9239＆rep=rep1＆type=pdf.

[5]SCHAFER J B，FRANKOWSKI D，HERLOCKER J，et al.Collaborative filtering recommender systems[J].The Adaptive Web:Lecture Notes in Computer Science，2007，4321：291-324.

[6]SARWAR B，KARYPIS G，KONSTAN J，et al.Item-based collaborative filtering recommendation algorithms[C]//Proc.Tenth International Conference on World Wide Web.Hong Kong：ACM Press，2001:285-295.

[7]BURKE R.Hybrid recommender systems:survey and experiments[J].User Modeling and User-Adapted Interaction，2002，12：331-370.

[8]PAZZANI M.A framework for collaborative,content-basedand demographic filtering[J].Artificial Intelligence Review，1999，13（5/6）：393-408.

[9]季文.個性化視頻推薦——互動電視運營趨勢淺析[J].中國數字電視，2011（5）：36-37.

[10]LINDEN G，SMITH B，YORK J.Amazon.com recommendations:item-to-item collaborative filtering[J].IEEE Internet Computing，2003（7）：76-80.

[11]吳成鋼，楊光，張翔，等.推薦系統應用及其安全性研究[J].信息網絡安全，2011（8）：69-71.

[12]ADOMAVICIUS G,TUZHILIN A.Multidimensional recommender systems:a data warehousing approach[J].Computer Science，2001，2232：180-192.