基于眼動實驗的個性化地圖推薦模型探討

方 瀟，李 萌，包 芃，林宏波

（1.信息工程大學 地理空間信息學院，河南 鄭州 450052；2.沈陽建筑大學 交通與機械學院， 遼寧 沈陽 110168；3. 69027部隊， 新疆 烏魯木齊830002）

基于眼動實驗的個性化地圖推薦模型探討

方 瀟1，李 萌1，包 芃2，林宏波3

（1.信息工程大學 地理空間信息學院，河南 鄭州 450052；2.沈陽建筑大學 交通與機械學院， 遼寧 沈陽 110168；3. 69027部隊， 新疆 烏魯木齊830002）

結合地學眼動實驗方法，提出一種以用戶視覺為主體的個性化地圖推薦模型，避免了個性化推薦技術中冷啟動與用戶數據稀疏的缺陷,使得在現有的用戶興趣與需求挖掘條件下,個性化服務的推薦結果更加精確。最后對模型進行了測試, 并得出了統計結果。

眼動實驗；個性化推薦；地圖服務；數據挖掘

目前，國外將個性化地圖服務與電子商務和旅游服務推薦系統相結合，相繼推出PALIO、GiMoDig、Deep Map等個性化地圖服務的原型推薦系統。國內學者對個性化地圖服務的研究隨著網絡地圖服務技術的普及也已經有很大的發展，研究主要集中于定制技術層面，較成熟的應用服務有百度、搜狗等網絡地圖。然而，傳統的個性化推薦服務獲取用戶需求的方式只局限于用戶對計算機的操作，面對多樣化與多變性的用戶信息就顯得力所不及，推薦結果常常不盡人意。眼動研究被認為是分析人類信息獲取和信息加工最有效的方式[1]。本文基于地圖學眼動實驗直觀獲取用戶視覺信息，結合個性化推薦技術，提出一種實時有效的個性化地圖推薦模型，較好地彌補用戶需求獲取困難與用戶興趣多樣化而導致的推薦結果不穩定的缺陷，提高了用戶對于推薦服務的滿意度。

1 個性化地圖推薦服務的概念

1.1 個性化地圖服務

個性化地圖服務是以滿足用戶對地圖的個性化需求為目的，實現地圖服務的方式、資源、內容的個性化，以此滿足用戶需求，提高服務效率。它的定義為：個性化地圖服務是一種能夠提供適應用戶個性需要的服務，即可以根據用戶提出的明確要求被動地提供服務，或者通過對用戶個性、知識結構、認知特征、使用行為等多種信息進行挖掘、加工、整理，而主動地提供滿足用戶潛在需求的服務模式[2]。服務模式分為2種：基于被動獲取用戶需求的地圖定制服務與主動挖掘用戶信息與需求的地圖自適應服務。

1.2 個性化推薦技術

個性化推薦技術是介于定制服務技術與自適應服務技術中的一個過渡層次，是利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定購買合適產品，模擬銷售人員幫助客戶完成購買過程[3]。個性化推薦技術是以主動的服務方式通過用戶需求來驅使個性化服務。它需要以定制服務的參數化模板技術為基礎，結合自適應服務的數據挖掘技術，提取用戶信息和分析用戶需求，匹配服務數據庫的特定服務，以滿足用戶對服務的需求。

個性化推薦技術秉承以用戶為中心的服務體系，在國內外的研究中都取得了豐碩的成果。但個性化推薦技術在發展中也產生了許多問題。例如，因用戶需求與興趣的多樣化，導致目標用戶無法有效匹配鄰近用戶的數據稀疏性問題與歷史用戶數據稀少，新用戶無法進行服務推薦匹配的冷啟動問題[4]，這些問題決定著個性化推薦結果的準確性與穩定性。為此，國內外不少學者研究了相應的解決方案。 ConorHayes等人將用戶當前2個階段的語境信息的檢索技術相結合，提高了推薦結果的精確度；MatevKunaver等人利用3種不同的推薦算法合成一種新的推薦算法，使得推薦的結果更加穩定；BuhwanJeong將用戶信任等級融入推薦算法，有效地解決了個性化推薦的冷啟動問題；李濤等人基于用戶聚類的方法優化了用戶數據矩陣，有效解決了推薦過程中的數據稀疏性問題；王衛平利用k-means對聚類用戶，并依靠金字塔框架處理模型來預處理評分數據，有效體現了用戶評分時間對推薦結果的影響，提高了推薦質量；劉旭東等人將用戶興趣與協同過濾算法相結合，解決了推薦過程中評分的數據稀疏性問題。

2 基于眼動實驗的個性化地圖推薦模型

2.1 推薦模型流程

依據眼動實驗的原理來設計個性化地圖推薦模型，以期利用人體的直觀視覺信息來推測用戶需求。模型的流程如圖1所示。

圖1 個性化地圖推薦服務流程圖

2.1.1 數據來源與處理

眼動數據是推薦模型的主要數據來源，本模型的眼動數據來源于眼動儀通過捕捉用戶在一定時間內的眼動軌跡數據與眼動熱點數據。

2.1.2 用戶行為挖掘與需求分析

系統自動接收眼動實驗過程得到的眼動數據，通過用戶在瀏覽地圖網頁中各個區域的時間和先后順序，并基于關聯規則與數據挖掘技術來對眼動數據進行解析和查詢，分析地圖用戶對當前地圖的需求信息。

2.1.3 匹配地圖服務與個性化推薦

將上一步得到的用戶需求信息（地圖推薦結果）傳輸至地圖服務器，地圖服務器在獲取用戶需求之后，調用地圖數據庫的地圖產品與用戶需求進行匹配，后利用可視化技術將地圖產品顯示至客戶瀏覽器，完成整個地圖服務的推薦。

2.2 推薦模型框架

依據個性化地圖推薦模型的流程，本文將推薦模型分為3部分：前臺數據獲取系統（數據搜集）、數據處理系統（用戶需求分析與查詢）、地圖匹配與顯示系統（地圖匹配及可視化）。具體功能如2圖所示。

圖2 個性化地圖推薦模型框架

2.2.1 前臺數據獲取系統

前臺系統的功能分為2部分，一部分是眼動數據的搜集功能；另一部分是地圖的查詢與檢索功能。當用戶未直接向系統提交需求時，系統將根據用戶信息和視覺信息自動對用戶進行周期性的眼動實驗，每隔一段時間將產生眼動實驗的數據，系統將不斷搜集眼動數據并將其傳輸至數據處理系統的數據挖掘子系統。當用戶向系統提交直觀的需求時，系統將需求信息傳輸至數據處理系統的地圖查詢子系統，搜索用戶所需的地圖信息。

2.2.2 數據處理系統

主要依靠3個子系統混合處理數據。

1）數據挖掘子系統。依據眼動數據的觀察時間與順序節點，提取出注視時間數據和觀察順序數據，將這些數據傳輸至需求分析子系統。

2）需求分析子系統。基于數據挖掘子系統所提取的注視時間、觀察順序數據和數據關聯規則，提取用戶可能感興趣的地圖模塊信息，得到關于當前用戶的地圖第1興趣信息、地圖第2興趣信息、地圖第3興趣信息，以此形成用戶需求的推薦信息。

3）地圖查詢子系統。此子系統將基于前臺用戶所輸入的直觀需求進行地圖查詢，查詢信息將傳輸至地圖匹配與顯示系統進行下一步的處理。

2.2.3 地圖匹配與顯示系統

該子系統的主要功能就是將數據處理系統得出的需求信息進行地圖匹配與可視化。該部分把直觀的或者非直觀的需求信息通過地圖數據庫進行地圖匹配，將個性化推薦系統的結果以可視化的形式反饋給用戶，讓整個推薦過程具有人機交互的效果，使用戶對個性化推薦系統有個良好的體驗。

3 基于眼動實驗方法的模型實例驗證

3.1 實驗準備

3.1.1 實驗目的

采用眼動實驗法，主要基于地圖用戶注視地圖的時間、順序與用戶需求的關系，對用戶的眼動實驗數據進行分析，驗證模型推薦結果的有效性。

3.1.2 被試取樣

本例從在校大學生中隨機選取了125人來完成本次眼動實驗，年齡均在20～30歲之間，其中本科生50名，研究生50名，博士生25名。

3.1.3 實驗器材與材料

選取俄羅斯行政區劃地圖為實驗底圖，采用Tobii T-120型眼動儀作為實驗儀器，該眼動儀采樣頻率120 Hz，空間分辨率為0.3°，偏離度為0.1°，頭部動作自由度為30 cm×22 cm×30 cm，精確度為0.5 cm，眼跟蹤技術為亮瞳孔和暗瞳孔跟蹤，眼跟蹤服務器為嵌入式，屏幕尺寸為43.18 cm薄膜晶體管液晶顯示。

3.2 實驗方法

采用隨機抽取法進行實驗，被試人員對材料均不熟悉，可排除經驗對結果的影響。具體步驟如下。

1）被試人員使用眼動儀開始捕捉眼球軌跡，校準眼動參數。

2）實驗正式開始，被試人員觀察眼動實驗材料2 min。

3）被試人員獲取推薦結果，并對結果進行選擇與評價，實驗結束。

3.3 實驗結果及分析

本例隨機抽取5位被試者的實驗結果進行展示，被試者眼動實驗的熱點圖、軌跡圖如圖3、4所示。

圖3 眼動實驗熱點圖

在眼動實驗熱點圖中,紅色區域代表當前用戶注視時間相對最長的區域；黃色區域代表當前用戶注視時間相對較長的區域；綠色區域代表當前用戶注視時間相對較少的區域；沒有上色的區域代表當前用戶未觀察或者觀察時間極短的區域。

圖4 眼動實驗軌跡圖

在眼動實驗軌跡圖中，有許多以數字為標記的點，數字由1到N，表示眼動儀捕捉到當前用戶的N個注視點。這些注視點是根據眼球發生跳動及眼球運動的軌跡來記錄的，注視點的大小根據注視時間的長短而設定。在圖中，可以清楚地掌握實驗用戶的興趣點和觀察順序。

在進行實驗時，將用戶分別標記為U1、U2、…、Un，建立關于每一個用戶的眼動數據記錄表。表中的參數有：Number（時間標簽序號）、FixationIndex（注視點的序號）、DataTimeStampStratOffset（眼睛變化注視點的開始時間）以及GazePointX（眼睛在屏幕上水平坐標的掃描均值）、GazePointX（眼睛在屏幕上豎直坐標的掃描均值）等。

模型系統將存儲每1個被試者的眼動數據記錄表，經分析得出推薦結果。隨機抽取的5份被試者推薦結果及滿意度的調查統計表如表1所示。

以滿意計10分，比較滿意計8分，一般計6分，不滿意計0分。本實驗對125位用戶的滿意度進行了統計。其中評價為滿意的用戶80人，評價為比較滿意的用戶25人，評價為一般的用戶15人，評價為不滿意的用戶5人。實驗綜合評分為86.8分。說明該個性化推薦模型是可行的，模型評價為良好。

表1 推薦結果統計表

4 結 語

針對現有個性化推薦面臨冷啟動及推薦數據稀疏性的問題，運用眼動實驗方法與個性化推薦技術，建立了一套自動分析用戶需求的個性化地圖推薦模型。該模型打破個性化推薦中常規的用戶需求獲取手段，借鑒“所見即所得”的服務思想，基于對用戶視覺的分析來推測用戶需求，為其推薦地圖服務，有效地提高了用戶獲取需求信息的準確性。

[1] 瞿珍.網絡廣告視覺搜索的眼動研究[D].金華:浙江師范大學,2009

[2] 吳增紅.個性化地圖服務理論與方法研究[D].鄭州:信息工程大學,2011

[3] Resnick P, VarianH R.Recommender Systems[C].Communications of the ACM, New York, USA, 1997

[4] Sarwar B M.Sparsity,Sealability and Distribution in Recommender systems[P].University of Minisota,2001

[5] 張仙峰.當前閱讀研究中的眼動指標述評[J].心理與行為研究,2006,4(3):236-240

[6] Deshpande M，Karypis G.Item-based Top-n Recommendation Algorithms[J].ACM Trans Inf Syst, 2004,22(1):143-177

[7] 曾春,邢春曉,周立柱.個性化服務技術綜述[J].軟件學報,2002,13(10):1 952-1 954

[8] 韓玉昌.眼動儀和眼動實驗法的發展歷程[J].心理科學,2000,23(4):454-457

[9] Rich E.User Modeling via Stereotypes[J].Cognitive Science, 1979,3(4):329-354

[10] 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

P283.1

B

1672-4623（2015）01-0167-04

10.3969/j.issn.1672-4623.2015.01.056

方瀟，碩士，主要研究方向為地學可視化。

2013-12-04。

項目來源：國家高技術研究發展計劃資助項目（2012AA12A404）；國家自然科學基金資助項目（41171353）。