基于用戶交互行為的群組推薦偏好融合策略

唐福喜，劉克劍*，馮　玲，江靜煒

(1.西華大學計算機與軟件工程學院，四川 成都　610039;2.西藏飛躍智能科技有限公司，西藏 拉薩　850000)

?

基于用戶交互行為的群組推薦偏好融合策略

唐福喜1，劉克劍1*，馮玲1，江靜煒2

(1.西華大學計算機與軟件工程學院，四川 成都610039;2.西藏飛躍智能科技有限公司，西藏 拉薩850000)

摘要：為盡可能減小群組成員對所推薦項目的不滿意度，提高推薦系統的準確度，在傳統推薦系統的基礎上，提出一種基于用戶交互行為的偏好融合策略。通過成員間協同過濾獲得用戶對項目的預測評分，通過組間協同過濾獲得群組對項目的預測評分，再利用用戶間的交互行為獲得用戶在群組中的權重，進而獲得群組對推薦項目的最終評分。通過改進的GMAE評估模型對本融合策略進行驗證和評價,結果表明，本策略在準確度、推薦項目多樣性方面較傳統協同融合策略有明顯提高。

關鍵詞：推薦系統；群組推薦；交互行為；偏好融合；GMAE

隨著大數據時代的來臨，搜索引擎在一定程度上解決了用戶從海量信息中準確獲取目標對象困難的問題；但是搜索引擎一般要求用戶對目標對象有比較清晰的了解，否則很難尋找到目標對象。在用戶對目標尚不明確或了解不夠充分時，推薦系統可以通過推薦對象，來達到推測用戶偏好的目的。傳統推薦系統一般是為單獨用戶進行推薦，然而現實生活中很多活動是由群組共同進行的[1-3]，例如聚餐、看電影、旅行等。組推薦系統在實際應用中，需要滿足總體滿意度、公平性、可理解性等要求，滿足不同的要求需要使用不同的融合策略。在偏好融合方面，目前主要有加權模型(MCF)[1,4],其主要思想是根據群組成員的特征、角色、影響力等因素，為每個成員分配不同的權重，如根據成員年齡、性別等人口統計學信息對用戶進行分類，然后賦予不同的權重[5-6]。L.Baltrunas等[5]考慮了組間相似度(GCF)對偏好融合策略的影響，其研究結果表明，不同融合策略若單純利用組間相似度，則影響較小，推薦效果不明顯[1,5]。本文就偏好融合策略進行了探討，提出一種基于用戶交互行為的偏好融合策略。

1群組推薦的形式化

目前，群組推薦還沒有統一的形式化定義，S. B. Roy等[6]用共識函數為群組推薦做了定義，共識函數主要分為2部分：群組評分和偏好差異程度[3,7]。為更好地闡述偏好融合策略，本文重新定義群組推薦系統。

設ITEMS={I1,I2,…,Im}表示所有項目的集合，USERS={U1,U2,…,Un}表示所有用戶的集合，群組G?USERS，prerating(i,j)表示用戶Ui對項目Ij的預測評分。由于推薦系統所普遍存的數據稀疏性問題，所以prerating(i,j)可以利用協同過濾的方式[3]得到。

定義1群組評分預測

設群組G對項目Ij的預評分為GroupRating(G,j)，由組群中每個成員對項目Ij的預評分的融合所得。其形式化定義為

(1)

定義2TOP-K組推薦

在得到群組用戶對每個項目的評分預測后，通常將評分最高的K個項目推薦給群組，即TOP-K。由TOP-K所生的推薦項目集T-IK需要滿足以下2個條件：

1)GroupRating(G,i)>GroupRating(G,j),其中?Ii∈T-IK,?Ij?T-IK；

2)如果GroupRating(G,i)=GroupRating(G,k),其中Ii,Ik∈T-IK,i≠k,若frequency(i)≥frequecy(k),則rank(i)>rank(k)。frequency(i)表示項目Ii被選擇的頻率，rank(i)表示項目Ii在T-IK中的降冪排序的順序。

基于群組推薦系統的定義，本文的主要工作是利用協同過濾獲得群組內用戶以及群組對項目的初始評分，再利用下文中偏好融合策略對這些初始評分進行融合。

2傳統偏好融合策略

表1中給出了傳統組推薦系統常用的一些融合策略[8-10]。均值策略是把組內成員的評分平均值作為群組評分，是組推薦系統最常用的策略；然而均值策略產生的推薦可能引起個別群組成員的不滿[6]。最小痛苦策略、痛苦避免策略是在均值策略上進行改進得到的；但此類方法需要人為設置過濾閾值，閾值設置過大或過小對推薦結果都有非常大的影響[9]。最受尊敬者策略是選擇群組內權重最大的用戶，將其評分作為群組的評分，但這種方法會造成內部分用戶的不滿意度增加[7,10]。

表1　傳統偏好融合策略

3基于用戶交互的偏好融合策略

3.1單個用戶對項目的評分預測

由于推薦系統共同面臨數據稀疏問題，所以當項目數量巨大的時候，每個用戶并不一定會對所有項目進行評分。為預測用戶對未評分項目的評分，可采用協同過濾推薦算法，即搜尋用戶的最相似用戶，利用相似用戶對項目評分進行預測。

在使用協同過濾之前，先對數據進行預處理，將項目中沒有被任何用戶評分的項目移除，以減小數據空間，提高效率。

首先，采用余弦法計算用戶之間的相似度，接著利用式(2)計算群組內每一位成員對項目的預測評分：

(2)

式中：Per_rating(ui,Ij)表示用戶ui對項目Ij的預測評分；Nei_Clus(ui)表示用戶ui的相似用戶構成的鄰居集；‖Nei_Clus(ui)‖表示鄰居集的成員數目；rating(uk,Ij)表示鄰居中用戶對項目Ij的評分。

3.2群組間協同過濾算法

單個用戶間具有相似性，群組間也會具有相似性，如相似家庭組，具有相似目的的旅行團體等。通過相似群組來對新群組進行偏好預測是具有可行性的[1-2,10]。首先，需要對以群組為元構成的集合進行聚類，聚類的目的是為減小數據搜索空間，提高效率，并且這種方式不會帶來精確度的損失。當每一個新群組加入的時候，只需要將新加入的群組與每一個類的中心群組進行相似性比較，通過相似性的大小確定其所屬的類，然后在相應的類中尋找與其最相似的群組，并預測其對項目的評分。

然后，利用組間協同過濾算法計算群組G對項目Ij的預測評分，其形式化描述為

SIM_RATING(G,Ij)=

(3)

式中：SIM_RATING(G,Ij)表示群組G對項目Ij的預測評分；Sim(G,G′)表示群組G與G′的相似度；Raitng(G′,Ij)表求群組G′對項目Ij的評分。本文中，群組相似度采用Jaccard系數[8]進行表示：

(4)

3.3基于用戶交互的偏好融合策略

在群組決策中，并不是所有用戶建議的影響和效果是一樣的，有的成員的建議更具有影響力，有的次之，這與實際生活中的群組決策很類似，比如，聚餐活動時，對美食了解較深的成員的建議更具有說服力是一樣的道理。為此，獲取用戶在群組中的權重對于群組決策來說具有相當重要的意義，有學者提出利用遺傳算法或模擬退火算法等來獲取用戶的權重[11-14]，這一定程度上提高了偏好融合的公平性；但這類算法只是單純的從最優化角度去考慮，并未考慮用戶之間的交互行為[1]。用戶之間的交互行為可以很大程度上體現出用戶對整個群組需求的關注度、了解度以及用戶在群組決策中的影響力。通過獲取用戶的交互行為，可以間接獲取用戶在當前群組決策中的影響力或者影響權重。

Step1:通過用戶交互行為計算用戶權重。

(5)

Step2:推薦融合。

通過協同過濾獲得群組中每位用戶對項目的評分，通過組間協同過濾獲得群組對項目的預評分，接下來，就將二者通過加權融合，得到最終的群組評分預測：

(6)

參數α、β通過實際數據集產生。本模型在實際生活中也具有參考意義，人們進入一個陌生的區域或領域的時候，對當前環境不夠了解，需要參考他人的意見或者建議，但做決定是由自身發出的；因此，二者結合才能最終做出正確的決定。本模型就是利用了這個原理。

Step 3:Top-K排序生成推薦列表

根據Step2產生的群組預測評分，按照定義2所述，即可生成推薦列表。

圖1　融合模型流程圖

4改進的模型評價體系

任何推薦系統所生成的推薦列表，都需要按照特定的評價模型進行評價，傳統的單人推薦通常只需要評價其準確率，而對于群組推薦，則不僅限于此。對群組推薦而言，其首要的是評價其準確度，其次還需要評價推薦列表的多樣性，因為通常的推薦項目都具有較高的相似性，用戶可能會因此產生厭倦的情緒。

4.1準確率評價

傳統推薦系統在評價準確率時通常采用MAE方法[15-21]，但在群組推薦系統中，傳統的MAE顯然是不適用的;因此，本文對傳統的MAE方法進行了改進，提出一種適合群組推薦系統的準確率評價模型(GMAE)

GMAE=

(7)

式中：‖I‖表示評分項目總數；‖G‖表示群組中的成員數量。

推薦列表的覆蓋率評價往往與準確率的評價是共同進行的，因為高覆蓋率往往會以降低準確度為代價。

4.2推薦列表的多樣性評價

通常推薦系統的推薦列表包含了很多相似的項目。在組推薦系統中，如果推薦列表中的項目過于相似，會導致群組的選擇范圍縮小，并有可能產生厭倦的情緒；因此，推薦項目的多樣化也是組推薦的一個重要指標。通常方法是計算推薦列表中項目的相似度來衡量推薦系統的多樣性[11]。為計算項目間的相似度，通常采用Jaccard系數[15]來計算2個項目的相似度。

(8)

接下來計算推薦列表的多樣性

(9)

其中k表示推薦列表的項目總數, Divers的取值介于0與1。

5實驗結果

5.1實驗數據集

本實驗采用100K MovieLens數據集，該數據集包含943名影評者對1 682部電影的10萬條評分，其評分范圍為0～5，其中0表示影評者未對該電影進行評分。

由于目前還沒有用于群組推薦系統的數據集，為此本文借鑒文獻[10]的方法，構建模擬真實情景下的群組評分數據。其主要思想是將用戶分為不同的小組，為每位成員分配不同的權重，并通過加權的方式得到群組對項目的評分。每個群組所包含的成員數至少為2個，最多為30個。根據原始數據集的特點，將資源項目按屬性分為不同的類別，每一個資源可以同時屬于多個類別。通過文獻[8,11]的方法，得到本實驗所用的數據集，將2/3的數據集作為訓練集，余下1/3作為測試集，通過實驗檢驗推薦結果與測試集的差異度。

5.2實驗結果及分析

1)獲取最佳最終加權參數α、β。

α、β為推薦結果產生的控制參數，通過實驗找出最佳的參數值，使GMAE最小即推薦準確度最高。為不受群組規模的影響，本實驗統一設定群組規模為5。

圖2　控制參數α的取值

實驗結果如圖2所示。可以看出，當α=0.6，β=0.4時，推薦結果的準確度最高，效果視為最好。當α=1時，即只有群組成員按權重進行推薦融合；當α=0時，即只采用群組間協同過濾的方式進行預測評分。從實驗結果來看，單獨使用這2種策略時，推薦效果都不理想。這從實際角度解釋也是可行的，因為群組在進行評分時，組內成員的作用是決定性的，其他相似群組的建議起次要作用。

2)3種融合策略GMAE比較。

本實驗比較了組間協同過濾(GCF)[4]、單獨成員加權(MCF)[5]以及本文所提出的融合模型(PROPOSED)。圖3示出在不同群組規模時，分別產生的推薦結果的GMAE的對比結果。

圖3　融合策略對比

實驗結果表明，在相同群組規模的前提下，相比GCF本文所提出的模型的準確率提高約17%，相比MCF，其準確率提高約10%，并且受群組規模的影響較小。

3)推薦項目多樣性。

組推薦系統中，推薦項目的多樣性是評價其性能的重要指標。本實驗將組間協同過濾(GCF)、成員加權(MCF)以及本文提出的融合模型(PROPOSED)所得到的推薦列表進行多樣化評價，其結果如圖4所示。

圖4　推薦列表多樣性對比

其結果表明，群組成員越少，其推薦列表的多樣性越差，成員數較多時，多樣性越好。實驗也證明了本文所提出的融合模型所得到的推薦列表的多樣性明顯優于另外2種融合模型。

6結論及展望

本文通過用戶交互行為獲得用戶在群組中的影響權重，通過組間協同過濾的方式獲得群組對項目的初始預測評分，最后，利用加權融合的方式，獲得最終群組對項目的評分預測，并通過TOP-K獲得最終的推薦列表。通過構造實驗數據集進行試驗，以檢驗模型的推薦效果，其結果表明，與GCF和MCF相比，本模型的準確率分別提高約17%和10%。

本模型引入用戶的交互行為作為成員權重，對于單一的協同過濾方法，具有明顯優勢；但是本文沒有提出用戶交互行為的自動獲取和自適應改變權重的模型，這是今后工作的重點。另外，本模型的時間復雜度相比單一協同過濾方法要高，這也是之后工作要解決的問題。

參考文獻

[1]張玉潔,杜雨露,孟祥武.組推薦系統及其應用[J].計算機學報,2015,38(4):745.

[2]孟祥武,紀威宇,張玉潔.大數據環境下的推薦系統[J]. 北京郵電大學學報(自然科學版), 2015, 38(2): 1.

[3]孟祥武,劉樹棟,張玉潔，等.社會化推薦系統研究[J]. 軟件學報, 2015, 26(6): 1356.

[4]Ardissono L, Goy A, Petrone G, et al. Intrigue: Personalized Recommendation of Tourist Attractions for Desktop and Hand held Devices[J]. Applied Artificial Intelligence, 2003, 17(8/9): 687.

[5]Baltrunas L, Makcinskas T, Ricci F. Group Recommendations with Rank Aggregation and Collaborative Filtering[C]// ACM Conference on Recommender Systems. New York:Blackwell Publishing Ltd, 2011:407-423.

[6]Roy S B, Amer-Yahia S, Chawla A, et al. Space Efficiency

in Group Recommendation[J]. The VLDB Journal, 2010, 19(6): 877.

[7]劉樹棟,孟祥武.基于位置的社會化網絡推薦系統[J].計算機學報,2015,38(2) :322.

[8]王理,張淑蓮.基于用戶偏好融合的組推薦算法綜述[J]. 電腦知識與技術, 2014, 10(7): 1511.

[9]許海玲,吳瀟,李曉東,等.互聯網推薦系統比較研究[J]. 軟件學報, 2009, 20(2):350.

[10]李岱峰,覃正.一種基于資源多屬性分類的群組推薦模型[J]. 統計與決策, 2010(8):153.

[11]Chen Y L, Cheng L C, Chuang C N. A Group Recommendation System with Consideration of Interactions Among Group Members[J]. Expert Systems with Applications, 2008, 34(3): 2082.

[12]張玉潔,孟祥武.遺忘遺傳算法及其在信用評分中的應用[J]. 北京科技大學學報, 2012, 34(4): 471.

[13]郭磊,馬軍,陳竹敏,等.一種結合推薦對象間關聯關系的社會化推薦算法[J].計算機學報, 2014, 37(1): 219.

[14]Wang J, Liu Z, Zhao H. Group recommendation based on the pagerank[J]. Journal of Networks, 2012, 7(12): 2019.

[15]Pessemier T D, Dooms S, Martens L. Comparison of Group Recommendation Algorithms[J]. Multimedia Tools & Applications, 2014, 72(3):2497.

[16]Quijano-Sanchez L, Recio-Garcia J A, Diaz-Agudo B, et al.Social Factors in Group Recommender Systems[J]. ACM Transactions on Intelligent Systems and Technology, 2013, 4(1):1.

[17]Jameson A, Smyth B. Recommendation to Groups[C]//The Adaptive Web. Berlin: Springer, 2007: 596-627.

[18]Amer-Yahia S, Roy S B, Chawlat A, et al. Group Recommendation: Semantics and Efficiency[J]. The Proceedings of the VLDB Endowment,2009, 2(1): 754.

[19]Garcia I, Pajares S, Sebastia L, et al. Preference Elicitation Techniques for Group Recommender Systems[J]. Information Sciences, 2012,189(8): 155.

[20]Masthoff J. Group Modeling: Selecting a Sequence of Television Items to Suit a Group of Viewers[J]. User Modeling and User-Adapted Interaction,2004, 14(1): 37.

[21]Garcia I, Pajares S, Sebastia L,et al. Preference Elicitation Techniques for Group Recommender Systems[J]. Information Sciences, 2012,189(8): 155.

(編校：饒莉)

Research on the Integration Strategy of Group Recommendation Based on User’s Interactive Behaviors

TANG Fuxi1, LIU Kejian1*, FENG Ling1，JIANG Jingwei2

(1.SchoolofComputerandSoftwareEngineering,XihuaUniversity,Chengdu610039China;2.TibetFeiyueIntelligentTechnologyCo.,Ltd.，Lasa850000China)

Abstract:In order to reduce the unsatisfictory among the group and improve the accuracy of group recommender system, this paper proposes a preference integration strategy based on users’ interactive behaviors.This model obtained the each members’ prediction rating on the items and group’s predictions on the items based on the individual and group collaborative filtering algorithm. Additionally, this paper puts forward a method that obtains the weights of members, then obtains the final prediction of items through the preference fusion method. The model was evaluated and verified by the improved GMAE. The results of the experiments show that the proposed algorithm is better than traditional GCF on accuracy and diversity.

Keywords:recommender system; group recommendation; interaction behavior; preference integration; GMAE

收稿日期：2016-02-22

基金項目：國家科技支撐計劃項目西藏自然科學博物館數字館關鍵技術研究及集成示范(2011BAH26B01)；國家自然科學基金(61271413，61472329，61532009)；數字空間安全保障四川省高校重點實驗室開放基金課題資助(SZjj2015-055)；四川省教育廳重點項目資助(16ZA0165)；西華大學重點科研基金項目(Z1320607)；西華大學研究生創新基金(YCJJ2015187)。

*通信作者：劉克劍(1974—)，男，副教授，主要研究方向為計算機網絡和無線網絡技術、智能信息處理技術、高性能計算技術。E-mail：liukejian@gmail.com

中圖分類號：TP181；TP391.3

文獻標志碼：A

文章編號：1673-159X(2016)03-0051-6

doi:10.3969/j.issn.1673-159X.2016.03.011

·計算機軟件理論、技術與應用·