基于情境感知的餐飲推薦模型設計

王偉偉 段富

摘 要： 針對移動餐飲個性化推薦的情境敏感性，結合傳統基于內容和協同過濾推薦方法的不足，以移動餐飲推薦為應用背景，詳細設計了基于餐飲本體的情境模型和基于SWRL規則的推理方法。將基于情境的推薦和基于用戶興趣的推薦相結合，得到一個自適應的混合推薦模型。實驗結果表明，該模型相比傳統推薦模型解決了冷啟動等問題，并提高了推薦結果的準確率和召回率。

關鍵詞： 餐飲推薦； 情境感知； 協同過濾； 用戶興趣； SWRL； 混合推薦

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2018）18?0154?04

Design of food recommendation model based on context awareness

WANG Weiwei， DUAN Fu

（School of Computer Science and Technology， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract： In allusion to the context sensitivity of mobile food personalized recommendation and the disadvantages of the traditional recommendation method based on content and collaborative filtering， the context model based on food ontology and the inference method based on the SWRL rule are designed detailly， taking mobile food recommendation as the application background. An adaptive hybrid recommendation model is obtained by combining context?based recommendation with user interest based recommendation. The experimental results show that in comparison with the traditional recommendation model， this model can solve the problem of cold boot， and improve the precision and recall rates of recommendation results.

Keywords： food recommendation； context awareness； collaborative filtering； user interest； SWRL； hybrid recommendation

伴隨著互聯網技術的蓬勃發展，人們已經從信息匱乏邁入信息過載的年代。于是，各型各色的推薦系統應運而生。目前，推薦系統已經在各種大型多媒體和電子商務網站上得到廣泛應用。當前被研究者普遍認可的基本推薦策略有兩種，分別是基于內容和協同過濾推薦。但是這些推薦都忽略了一點，就是用戶所處的情境，如時間或者位置。如何對用戶情境進行定義、有效獲取和建模計算，并將其融入到信息推薦的過程中，成為個性化推薦系統研究的重點之一。根據Dey等人的定義，情境感知是利用用戶和設備環境等情境信息，向用戶推送符合當前環境下的信息或者服務[1]。而本體模型是當前較為主流的情境建模方法。比如武漢大學的李楓林等人將本體和SWRL規則相結合為用戶提供高質量個性化健康信息服務[2]。湖南人文科技學院的賀桂和等人提出利用本體和Agent技術相結合的方法，實現了基于情境感知的電子商務平臺的個性化推薦[3]。傳統的基于內容的推薦和協同過濾推薦均各有優缺點，結合這點，張弛等人提出一種混合推薦模型，相比傳統推薦技術，有效提高推薦質量，并在Web資源系統中得到應用[4]。國外的Woerndl等人將基于內容的情景感知推薦、基于知識的情境感知推薦和基于協同過濾的情境感知相混合，根據位置、加油站信息、剩余汽油量等情境因素，實現了加油站推薦系統[5]。Yu等人混合了基于內容過濾的情境感知推薦和基于知識的情境感知推薦，根據位置、時間等信息，為智能手機提供多媒體信息推薦服務[6]。

1 情境推薦

1.1 情境建模

本體是目前公認的表示情境語義建模的最有效的方法[7]。本體提供了很好的情境語義建模手段。情境語義建模是對情境的概念抽象，情境推理則是基于低層情境對用戶的高層情境做出識別或者預測。在移動信息推薦中主要實體有用戶、對象和環境。本人以餐飲推薦為基礎，設計了三層結構的情境本體模型，即用戶本體、餐飲本體和情境本體及相應的實例。

1.1.1 用戶本體

用戶本體包括兩個類，分別是：

1） 用戶情境，描述用戶的基本屬性，包括用戶姓名、性別、年齡、家鄉、身體狀況等子類；

2） 用戶社會情境，包括信仰和民族兩個子類。

1.1.2 餐飲本體

餐飲本體包括7個子類，分別是餐飲名稱、餐飲類型、口味、主料、佐料、烹飪方式和食物療效。

1.1.3 情境本體

情境本體包括兩大類，分別是：

1） 時間情境，包括日期、時間和季節3個子類；

2） 物理情境，包括溫度、季節和位置。

1.2 推理設計

本文采用SWRL設計的推理規則主要分為兩大類，分別是情境演繹規則和推薦優化規則。

1） 情境演繹規則是對用戶當前所處的情境做出識別或者預測，是情境感知系統實現的基礎。本文的餐飲推薦模型中的情境推薦服務主要是識別當前用戶情境，結合用戶自身屬性，給用戶推薦適合當前情境的飲食選擇。例如，如果用戶A的Hometown=“四川省”，且Location=“山西省”，則系統會將FoodStyle=“川菜”的餐飲食品a推薦給該用戶。SWRL規則設計如下：

User（？ x）∧hasHometown（？ x ，四川省）∧hasLocation（？ x ，山西省）∧Food（？ y）∧hasFoodStyle（？ y ，川菜）→ Acquired（？ x，？ y）

2） 推薦優化規則是在得到基于情境的初始推薦結果后，結合基于用戶興趣的混合推薦，得到最終的初始推薦結果（下面會介紹）。這里得到的初始推薦結果一般會包含不適合用戶的推薦結果。所以引入推薦優化規則目的是對這些初始推薦結果進行過濾。例如，如果用戶B的PhysicalCondition=“糖尿病”，則系統會將初始結果中Taste=“甜”或者Condiment=“糖”的餐飲食品b進行過濾刪除。SWRL規則設計如下：

B（？ x）∧hasPhysicalCondition（？ x，糖尿病）∧ b（？ y）∧hasTaste（？ y ，甜）∨hasCondiment（？ y ，糖）→ unAcquired（？ x，？ y）

2 模型融合

1） 當用戶第一次進入系統時，由于用戶還沒有任何系統行為，比如收藏、打分等，內容推薦和協同過濾推薦必然出現冷啟動問題。所以只有情境推薦引擎介入，結合當前物理情境和用戶情境，將情境數據和待推薦餐飲實施匹配，形成初始推薦，解決冷啟動問題。比如用戶來自四川省，并且當前時間是午餐時間，則會給他推薦關鍵字是“川菜”和“午餐”的食物。

2） 隨著用戶瀏覽、收藏和打分行為的發生，提取處理用戶行為，得到用戶特征向量，內容推薦引擎和協同推薦引擎介入，分別得到基于既有興趣和潛在興趣的推薦結果。最終初始推薦結果是將三個引擎推薦結果按照一定權重設置和優先級合并、組合、排序得到的。情境、內容和協同三個推薦引擎的權重分別設為α，β和γ。當用戶第一次登錄時，權重設置為α=1，β=γ=0；當情境性很強時，比如當天氣溫驟升或者持續，或當情境性很弱且用戶剛開始使用系統不久，權重設置為α>β=γ；當情境性很弱且用戶行為數據很多時，權重設置為α<β=γ。

3） 初始推薦結果一般會包括一些不符合要求的結果，所以首先要進行過濾操作。比如某用戶有糖尿病，系統則會匹配推薦優化規則庫把有關鍵字“甜味”或者“糖”的結果過濾。此外還會過濾掉一些用戶已經產生過行為或者用戶評分普遍很低的餐飲對象。

4） 經過過濾的推薦結果直接展示給用戶一般沒有問題，但是如果給他們進行一些排名，則可以更好地提升用戶滿意度。排名策略一般包括新穎性排名和用戶反饋排名。綜合排名后，將Top?N個結果作為最終推薦列表。

3 實驗分析

3.1 實驗設計

本文所使用的數據集是通過爬蟲程序抓取并分析了來自中華美食網的四十幾個菜系，900多種食材以及3 000多種食品的相關信息。保存到本地MySQL數據庫后，根據本文對數據的要求，將餐飲食品根據其類型、口味、主料、烹飪方式和療效等特征進行預處理，得到每種餐飲食品的特征向量。比如對于“魚香肉絲”這道菜，其特征集合為{熱菜，川菜，家常菜，魚香味，豬肉里脊，冬筍，胡蘿卜，黑木耳，炒}，計算出各個特征對應的權重，得到該食品的特征向量。

系統原型采用Android 5.0平臺開發，情境本體采用Protégé 3.4工具建模，本體描述語言為OWL2，推理規則描述語言為SWRL，推理機使用的是JESS（Java Expert System Shell）。本文在情境本體的基礎上，構建了36條情境演繹規則和19條情境優化規則。

本文實驗總共召集30名大學生志愿者使用系統原型，以三個階段的形式依次進行，分別進行5次實驗，實驗控制最終推薦結果的個數Top?N中的N取值為10～30，每次增加5。第一個階段系統設定α=1，得到情境推薦列表Top?N；第二個階段設定α=0，β=γ=0.5，得到興趣推薦列表Top?N；第三個階段分別取α=0.7，0.6，0.5，0.4和0.3，得到情境推薦和興趣推薦的混合推薦列表Top?N。

3.2 評測指標

評測一個推薦系統的效能通常采用召回率（Recall）和準確率（Precision）。定義如下：

[Recall=推薦正確的項目數感興趣的項目總數]

[Precision=推薦正確的項目數被推薦的項目總數]

一般綜合考量一個推薦系統的推薦效率會選擇F?Measure值，計算公式如下：

[F=2×Precision×RecallPrecision+Recall]

3.3 結果分析

1） Top?N中N值的確定

分析表1，圖1和圖2后發現，隨著推薦項目N的增大，準確率逐漸下降而召回率在逐漸上升，這點符合一般推薦系統的規律。在不考慮權重因子對于結果的影響的前提下，當N=25時，F?Measure值最大，準確率最高。

2） 權值α，β，γ的確定

當α=1時，只根據情境推薦飲食，雖然能解決冷啟動的問題，但是推薦效率不是很高。當α=0時，只根據興趣推薦飲食，推薦的準確率和召回率相比情境推薦得到了提高。

由表1可得，當α=0.4時，無論最終推薦飲食數目有多少，F?Measure值都最大。再結合圖1～圖3，最終證明本文提出的混合推薦模型在應對不同情境下的飲食推薦策略都有著不錯的效果。

4 結 語

為了面向廣大用戶提供個性化的飲食推薦服務，本文綜合考慮了基于用戶情境和基于用戶興趣的兩方面因素，構建了混合用戶情境和興趣的混合推薦模型。經過大量實驗證明，所設計的推薦模型能有效解決推薦系統存在的冷啟動和數據稀疏的問題。相比情境推薦和興趣推薦，能有效提高準確率和召回率，較好滿足用戶對于個性化飲食服務的需求。同時，本文的模式還可以推廣到其他一些領域的信息服務。

由于問題的復雜性，還可以從以下幾個方面進行改進：更好更詳細地描述用戶的情境因素，提高推薦質量；推理規則設置需要領域專家的配合，對于某種食材是否和其他不同名字的食材是同一個，以及菜系別名的確定都需要食品領域專家的幫助；由于用戶興趣是多變的，所以對于基于興趣推薦引擎，未來需要加入用戶特征模型更新模塊，已達到更加準確推薦的目的。

參考文獻

[1] DEY A K. Providing architectural support for building context?aware applications [D]. Atlanta： Georgia Institute of Technology， 2000.

[2] 李楓林，李娜.基于情景的醫藥信息服務本體建模及規則推理研究[J].情報理論與實踐，2016，39（5）：120?124.

LI Fenglin， LI Na. Context?based medical information service ontology modeling and rule inference research [J]. Information studies： theory & application， 2016， 39（5）： 120?124.

[3] 賀桂和，曾奕棠.基于情境感知的電子商務平臺個性化推薦模型研究[J].情報理論與實踐，2013，36（6）：81?84.

HE Guihe， ZENG Yitang. Research on personalized recommendation model of e?commerce platform based on context awareness [J]. Information studies： theory & application， 2013， 36（6）： 81?84.

[4] 張馳，陳剛，王慧敏.基于混合推薦技術的推薦模型[J].計算機工程，2010，36（22）：248?250.

ZHANG Chi， CHEN Gang， WANG Huimin. Recommendation model based on blending recommendation technology [J]. Computer engineering， 2010， 36（22）： 248?250.

[5] WOERNDL W， BROCCO M， EIGNER R. Context?aware recommender systems in mobile scenarios [J]. International journal of information technology & web engineering， 2009， 4（1）： 67?85.

[6] YU Z， ZHOU X， ZHANG D， et al. Supporting context?aware media recommendations for smart phones [J]. IEEE pervasive computing， 2006， 5（3）： 68?75.

[7] 艾丹祥，張玉峰，左暉，等.基于情境語義推理的O2O移動推薦系統研究[J].情報雜志，2015，34（8）：182?189.

AI Danxiang， ZHANG Yufeng， ZUO Hui， et al. Research on O2O mobile recommendation system based on contextual semantics inference [J]. Journal of intelligence， 2015， 34（8）： 182?189.

[8] 項亮.推薦系統實踐[M].北京：人民郵電出版社，2012.

XIANG Liang. Recommended system practice [M]. Beijing： Posts and Telecom Press， 2012.

[9] 王道平，李秀雅，楊岑.基于內容相似度的知識協同過濾推送算法研究[J].情報理論與實踐，2013，36（10）：86?90.

WANG Daoping， LI Xiuya， YANG Cen. Research on knowledge collaborative filtering push algorithm based on content similarity [J]. Information studies： theory & application， 2013， 36（10）： 86?90.

[10] 葛桂麗，袁凌云，王興超.基于情境感知的用戶個性化興趣建模[J].計算機應用研究，2017，34（4）：995?999.

GE Guili， YUAN Lingyun， WANG Xingchao. Personalized user interest modeling based on context aware [J]. Application research of computers， 2017， 34（4）： 995?999.

[11] 楊武，唐瑞，盧玲.基于內容的推薦與協同過濾融合的新聞推薦方法[J].計算機應用，2016，36（2）：414?418.

YANG Wu， TANG Rui， LU Ling. News recommendation method by fusion of content?based recommendation and collaborative filtering [J]. Journal of computer applications， 2016， 36（2）： 414?418.