結合情感信息的個性化推薦算法

辛賢龍

結合情感信息的個性化推薦算法

辛賢龍

隨著互聯網的快速發展，在面臨“信息過載”情況下推薦系統扮演者越來越重要的角色。而在很多場景下人類決策的過程中，情感同樣發揮非常重要的作用，因此，情感信息在推薦系統中不容忽視。而實際用戶決策過程中，情感對于不同用戶的重要程度也是不一樣的。針對情感對于用戶的重要程度研究，提出用熵來度量不同情感對于用戶的重要性，并結合傳統的協同過濾算法，提出一種結合情感信息的個性化推薦算法，最后，通過實驗跟傳統的協同過濾算法進行對比發現準確度有所提高。

個性化推薦協同過濾情感信息熵

0 引言

隨著大數據時代的到來，“信息過載[1]”問題日益突出。面臨著大量的信息，用戶必須花費大量的時間尋找所需的信息，傳統的信息查找方式越來越難以滿足用戶的需求。個性化推薦系統在20世紀90年代作為一個獨立的概念被提出來，在其中發揮了重大的作用。個性化推薦是根據用戶和項目的特征以及用戶的歷史行為來預測他對未知事物的喜好程度，然后向用戶推薦用戶可能感興趣的。推薦算法通常被分為以下幾類：協同過濾推薦算法[2]、基于內容的推薦算法[3]、混合推薦算法[4]。

其中協同過濾推薦算法是目前應用最廣的推薦算法，而其又可以分為兩類:基于用戶的協同過濾算法[5]和基于項目的協同過濾算法[6]。基于用戶的協同過濾算法通過研究用戶的歷史行為來計算用戶之間的相似性，最后利用用戶之間的相似性來做推薦，這個方法的思想是相似興趣的用戶購買行為也比較相似。基于商品的協同過濾算法則是通過商品的被購買記錄來計算商品之間的相似性，以之來推推薦，其思想是用戶往往會購買比較相關的商品。

近年來隨著自然語言技術的快速發展，從文本中提取情感信息作為一個熱點被越來越多的人所關注。推薦系統本質上也只是輔助用戶決策的工具，如何在推薦系統中結合人類的情感分析逐漸受到關注。

1 相關工作

2010年, ACM Recsys’10（ACM Recommender Systems 2010）主辦了一個面向“上下文感知的電影推薦”的專題研討會，提出了3個方向的上下文感知推薦任務，基于情緒的推薦就是其中之一。Yue Shi[7]等提出基于特別情感的電影相似性計算方法，提高了預測精度。YasharMoshfeghi[8]等提出了一種從電影用戶評論中抽取情感信息，然后結合電影的一些特征來計算各個特征影響用戶偏好的概率的基于模型的協同過濾算法。

王立才[9]等提出結合情緒信息的改進的協同過濾算法，它運用“用戶-情感”矩陣計算用戶情感相似性，結合傳統的相似性計算方法來做用戶相似度計算，并作出推薦。

情感作為人類特有的心理特征，在用戶決策中扮演著很重要的角色。在結合到推薦算法過程中，情感與隨著web2.0到來而興起的標簽有著類似的一面，有學者通過標簽將原來的用戶-項目二部圖轉換為用戶-項目-標簽三部圖來生成推薦，提高了算法性能，并一定程度上緩解了冷啟動問題。在結合情感信息進行推薦時也可以利用轉化為三部圖的思想，但由于情感

與標簽的差異性，計算的時候會有很大的區別。

本文通過“用戶-情感”矩陣和“情感-情感”關聯矩陣計算情感權重，通過“用戶-項目”打分矩陣計算用戶情感打分，通過信息熵[10]計算情感對于用戶的重要性，得到用戶對項目的情感評分預測，再結合傳統的協同過濾算法得到最終的預測。

2 結合情感分析的個性化推薦算法

2.1 數據定義

2.2 算法描述

結合情感信息的個性化推薦算法核心算法如下:

(1) 基于“項目-情感”矩陣 M計算“情感-情感”關聯矩陣S

(2) 根據“項目-情感矩陣”M和“情感-情感”S關聯矩陣計算“情感權重-項目”矩陣W

(3) 根據“用戶-項目”打分矩陣以及情感權重矩陣計算“用戶-情感”打分矩陣

(4) 通過信息熵計算情感對于用戶的重要性

(5) 綜合以上的通過公式計算得到用戶對項目的預測評分

(6) 將預測分值最高的N個推薦給用戶

2.3 項目的情感權重計算

每一個項目都有相對應的一組情感特征，但每個情感特征對于項目的貢獻確實不同的，為了體現不同情感對項目的權重差異，需要對項目情感進行建模。

項目情感矩陣M(包含n個項目和k個情感特征)，如果

用余弦相似度公式計算i情感和k情感的相似性如公式（1）：

根據項目情感矩陣 M 以及情感-情感關聯矩陣 S 計算情感i在項目j中的權重為公式（2）：

2.4 用戶情感評分

由于用戶個體背景、性格等各方面的差異，每個用戶對不同情感都有不同的偏好程度。由于每個項目包含各種情感，因此可以通過“用戶-項目”打分矩陣來計算用戶對應各個不同情感的評分。有一種簡單的方法，通過用戶對項目的打分間接得到對情感的打分，然后直接把用戶對項目的打分作為用戶對情感的打分，把用戶對包含某情感的商品的評分的平均分數作為用戶對該情感的打分。但此方法在應用的時候會發現一個問題。假設，用戶U對一個包含情感i的項目j評分為90（該項目中情感權重為80％），用戶U對另一個包含情感i的項目k評分也為90（該項目中情感權重為10％，按以上方法計算，這用戶-項目打分對用戶-情感打分的影響是一樣的，直觀上，此方法用在這里顯然有點問題。需要加上一個權重因子度量用戶對項目的打分對用戶情感打分的影響度，公式(2)計算得到的W是一個很理想的因子，顯然權重Wij越大，用戶對項目j的打分對情感打分影響越大，反之越小，如公式（3）：表示用戶U對項目j的打分，表示用戶U打分的項目中包含情感e的集合，表示用戶對情感i的打分。

2.5 基于情感信息的用戶評分預測

根據以上的情感對項目的權重以及用戶對情感的評分公式（4）：是根據(3)計算得到的用戶u對情感i的評分，是根據(2)計算得到的情感i對于項目j的權重。

2.6 情感的信息熵由于每個項目都有一組情感特征，那么用戶對項目的打分就可以映射到情感上去。同一個情感特征可能會在很多項目中出現，由上面的計算我們知道，不同的情感的項目的權重有差異，用戶對情感的偏好也有差異。我們可以直接利用這些預測用戶項目評分。但考慮到一個問題，以上用戶對于情感的偏好是利用”用戶-項目”計算而得的。如果用戶對某個情感毫無偏好，那么該情感在該用于對項目評分的時候完全不發揮作用，觀察公式(3)，會發現趨向于用戶的平均評分值，導致(4)計算得到的預測值趨向于平均值，不能體現出用戶對此情感的不在意性。相反的，如果某個情感對用戶非常重要，對出現該情感的項目的評分都很高，而公式(4)也體現不出此重要性。由于個人的背景、性格、認知等方面的不同，不同的情感對于不同的個人重要程度是不一致的，在計算的時候，需要刻畫出這種不一致性。

從信息論的角度看，熵代表系統的混亂程度，可以體現情感對于不同用戶的重要性差異。基于以上的考慮公式（5）：

其中是用戶u對包含情感e的項目打分為x的比例，Pui反應了打分的分布狀況，越大，表明打分越混亂，那么情感的重要性就比較低，越小就表明打分一致性越高，那么相應情感的重要性就比較高。

2.7 改進的基于情感信息的用戶評分預測

2.8 結合情感信息與傳統協同過濾算法的用戶評分預測

3 實驗

本文的實驗平臺是PC(cpu 2.6GHz,內存2GB),windows 7操作系統(X86)。

3.1 數據集

本文采用公開的 Moviepilot數據集,是 2010年CAMRa2010提供的，包含105137個用戶對25058部電影的4544409條評分，評分分數為0到100之間的整數。數據集中的項目都對應一組情感特征值，共有6712個情感標記，分布在16個維度上。最終經過數據清洗以及去噪后，篩選出共12562個用戶對2315部電影的338607個打分數據作為實驗的數據集。為了檢驗實驗效果，本文跟傳統的基于項目的協同過濾算法進行了對比。

3.2 評價指標

本文采用MAE（Mean Absolute Error）[11]作為評價指標，MAE表示預測值與實際評價值的偏差，MAE越小，評價越準確。設預測的評分集合表示為，對應的實際評分集合表示為，則為公式（7）：

3.3 實驗結果分析

為了檢驗本文提出的結合情感信息的個性化推薦算法，本實驗和傳統基于項目的協同過濾算法進行了對比，其中計算項目之間的相關性時用的是Pearson相關系數，而鄰居數目也調整到了最佳值。實驗分為兩部分，第一部分通過調節值，比較不同值得情況下本文提出的算法與傳統的協同過濾算法 MAE方面的表現。第二部門，調整到最優值，通過調節訓練集/測試集的比例，來測試兩者在不同稀疏度情況下MAE的情況，如圖1所示：

圖1 左右的比重。

圖2

可以發現隨著訓練集/測試集的比例的降低，即訓練數據越來越少，結合情感信息的個性化推薦算法的效果相對比較穩定，而傳統的協同過濾算法隨著訓練集的稀疏，到了一定 的臨界點后，效果急劇下降。這可能是因為，隨著訓練集數據的稀疏，經典的協同過濾算法在計算鄰居時產生的偏差越來越大，從而導致推薦效果的下降。而本文提出的方法中，由于結合了情感信息，數據稀疏性帶來的影響相對少很多。

4 總結

本文提出的結合情感信息的個性化推薦算法，通過“項目-情感”矩陣以及“情感-情感”關聯矩陣計算項目中情感的權重，通過“用戶-項目”打分矩陣計算“用戶-情感”打分，然后再根據情感對于用戶的信息熵來衡量情感對于不同用戶的重要性，最后結合傳統的協同過濾算法得到最條件。在Moviepilot數據集熵的實驗結果表明，利用本文算法預測的評分效果優于傳統的協同過濾算法。

[1] 藺豐奇,劉益．網絡化信息環境信息過載問題研究綜述[J]．情報科學，2007:36-48.

[2] 馬宏偉,張光衛，李鵬.協同過濾推薦算法綜述[J]. 小型微型計算機系統2009,30(7):1282-1288.

[3] 劉建國,周濤,汪秉宏.個性化推薦系統的研究進展[J].自然科學進展,2009,19(1):1-15

[4] GediminasAdomavicius, Alexander Tuzhilin. Toward the nextgeneration of recommender systems: A survey ofthestate-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering,2005,17(6): 734-749.

[5] Wang J,DeVries A P, Reinders M J T.Unifying user-based and item-based collaborative filtering approaches by similarity fusion[C].//Proceeding of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval .New York:ACM,2006:501-508:

[6] Sarwar B,KarypisG,KonstanJ,et al. Item based collaborative filtering recommendation algorithms[C].//Proceeding of the 10th International Conference on World Wide Web.New York:ACM,2001:285-295.

[7] Yue Shi, Martha Larson, Alan Hanjalic. Mining mood-specific movie similarity with matrix factorization forcontext-aware recommendation[C].//Proceedings of the Workshop on Context-Aware Movie Recommendation at the 4th ACM Conference on Recommender Systems, New York, USA, 2010: 34-40.

[8] YasharMoshfeghi, Benjamin Piwowarski, Joemon M.Jose. Handling data sparsity in collaborative filteringusing emotion and semantic based features[C].//In Proceedings of the 34thinternational ACM SIGIR conferenceon Research and development in Information,Beijing, China, 2011: 625-634.

[9] Wang LC, Meng XW, Zhang. YJ, Shi YC. New approaches to mood-based hybrid collaborative filtering[C].//In Proceeding of the RecSys2010 Workshop on CAMRa 2010. New York: ACM Press, 2010.

[10] 王衛平,楊磊.結合最大熵模型和tag特征的混合推薦系統[J].計算機系統應用，2011,20(7):65-68.

[11] 劉建國, 周濤, 郭強, 等. 個性化推薦系統評價方法綜述[J]. 復雜系統與復雜性科學, 2009, 6(3): 1-10.

A Personalized Recommendation Algorithm Based on Emotion Information

Xin Xianlong
(School of Computer Science, Fudan University, Shanghai 200120, China)

As the develop of the Internet, recommendation play a more and more important role in the face of “Information Overload”. In the course of human decision-making in many scenes, emotions play a very important role. So in recommender systems,emotion information can’t be ignored. Actually in the process of human decision-making, the importance of emotion for different users is very different. This paper focuses on the importance of emotion for different users, and presents a method that use tentrop to measure the importance of the emotion, then proposes a personalized recommendation Algorithm based on Mood Information. Experiments show the accuracy of this algorithm is higher than the traditional collaborative filter ingal gorithm.

Personalized Recommendation; Collaborative Filtering; Mood Information; Entropy

TP311

：A

1007-757X(2014)04-0038-03

2014.03.28)

辛賢龍，復旦大學計算機科學技術學院，碩士，研究方向：數據挖掘、推薦系統，上海，200120