基于事件社會網絡推薦系統綜述*

廖國瓊 ,藍天明 ,黃曉梅 ,陳 輝 ,萬常選 ,劉德喜 ,劉喜平

1(江西財經大學 信息管理學院,江西 南昌 330013)

2(江西省高校數據與知識工程重點實驗室(江西財經大學),江西 南昌 330013)

3(武夷學院,福建 南平 354300)

4(江西財經大學 軟件與物聯網工程學院,江西 南昌 330013)

近年來,隨著信息技術的發展,基于事件社會網絡(event-based social network,簡稱EBSN)[1],如 Douban Events、Meetup、Plancast 等,為人們在線上與線下同時交互提供了便捷方式.通過這些平臺,用戶既可以根據個人愛好加入不同線上興趣組,也可以發布并主持和參加感興趣的各種事件(如音樂會、體育活動、聚會、學術會議等).不同于其他社會網絡,ESBN 包含兩種互動方式:線上互動和線下互動.線上互動是指用戶可以通過線上網絡進行溝通;線下互動是用戶在特定時間和地點參加線下事件,進行面對面交流.因此,EBSN 充當了虛擬世界和現實世界之間的橋梁,有效地增強了用戶的互動交流.

EBSN 每天都會產生大量新事件和新興趣組,目前已擁有大量用戶且在快速增長.例如,截至2019 年11 月,Meetup 已有超過4 000 萬用戶和32 萬興趣組,每月舉辦的事件超過300 萬.對于事件組織者而言,其希望參與事件的人數越多越好,而對于用戶而言,他們希望認識更多的朋友、增強事件體驗.然而,面對EBSN 中的海量信息,用戶越來越難以發現他們喜好的事件和興趣組,因此,研究EBSN 推薦系統具有重要研究意義和應用前景.

國內外許多重要研究機構與高校的研究者們對EBSN 進行了研究,獲得了許多研究成果,發表在多個重要領域的國際學術會議和期刊.本文根據最近研究對EBSN 推薦系統進行了綜述:第1 節概述EBSN 的定義、結構、屬性和特征.第2 節介紹EBSN 推薦系統的基本框架,以及與其他推薦系統的區別.第3 節對EBSN 推薦系統的推薦方法和內容進行總結和對比分析.第4 節分析EBSN 推薦系統的研究難點及發展趨勢.第5 節總結全文工作.

1 EBSN 概述

Liu 等人[1]最早提出EBSN 的概念,其形式化描述為:EBSN 是一個異構網絡G=〈U,Aon,Aoff〉,其中,U表示具有n個用戶的集合,Aon表示線上社交關系的集合,Aoff表示線下社交關系的集合.EBSN 可分為線上社交網絡Gon=〈U,Aon〉和線下社交網絡Goff=〈U,Aoff〉兩部分.

圖1 為常見的EBSN 網絡結構.EBSN 中存在多種社會關系,包括用戶參與興趣組關系、用戶參與事件關系、事件與舉辦地點關系等.用戶加入線上興趣組形成了線上網絡(online network),用戶參加事件則形成了線下網絡(offline network).

Fig.1 EBSN network structure圖1 EBSN 網絡結構

EBSN 中的實體主要有用戶、標簽、興趣組、事件、位置、事件組織者等.與其他社會網絡(social network)如Facebook、Twitter 等相比,EBSN 具有以下獨特特征.

(1) 顯式偏好缺失.在EBSN 中,通常未提供顯式用戶偏好信息,但會提供用戶表達參與意愿的選項.如Meetup 中,用戶通過回復RSVP(一種選擇機制)表明是否將會參與一個事件.由于選擇“正”的用戶比選擇“負”或未回答的用戶更有可能參加事件,故已有研究大多用RSVP 回復“正”的用戶代表其參與了事件.Macedo 等人[2]分析了Meetup 中事件的RSVP 分布情況,統計數據顯示:超過45%的事件最多有1 個RSVP,大約90%的事件最多有10 個RSVP.因此,回復了“RSVP”的用戶數量不多,這使大多數傳統推薦算法不適用于EBSN 推薦.

(2) 事件和興趣組參與呈重尾分布.Liu 等人[1]通過對2011 年10 月～2012 年1 月Meetup 中的數據分析,發現用戶參與事件和興趣組都呈現重尾分布.這說明大多數事件只有少數參與者,但也存在具有大量參與者的事件.同樣,盡管大多數興趣組規模較小,但在Meetup 數據集中也存在大型興趣組.

(3) 事件發生呈現時空規律性.Liu 等人[1]通過數據分析發現,社會事件發生表現出規律的時空模式.例如:通常在工作日的下午14 點左右會舉辦相對較多數量的事件,到晚上8 點發生的事件數達到一天的最大值;周末的事件在全天分布相對均勻;事件主要發生在城市地區等等.

(4) 事件參與地理依賴性.Macedo 等人[2]描繪了Meetup 中用戶家庭位置與事件發生位置之間的距離分布,發現大約50%的用戶為距離其家庭位置10km 范圍內的事件提供了正RSVP,但未向距離其家庭位置100km 以外的事件提供RSVP.Liu 等人[1]觀察到,用戶參與的事件中有81.93%發生在其家庭位置10 英里范圍內,表明用戶傾向于參加其家庭位置附近的事件而不是更遠的事件.

(5) 事件生命周期短.事件的生命周期為事件創建到其結束之間的時間段.事件推薦僅在事件創建之后到事件開始之前有效.Macedo 等人[2]發現,大多數事件的生命周期為5～100 天.這意味著雖然一小部分事件的生命周期非常短(1 天),但大多數事件的發生時間足以讓用戶發現或引起他們的注意.

(6) 用戶表達參與意愿呈現時間規律性.在事件的生命周期中,用戶表達參與意愿呈現時間規律性.越接近事件的發生時間,則該事件接收的用戶參與意愿越多.Macedo 等人[2]發現:在生命時間超過100 天的事件中,在事件最后的20%生命階段中,所有正RSVP 的提供超過80%,即大多數RSVP 的提供時間接近事件的發生時間.

(7) 線上網絡結構密集.Liu 等人[1]發現:EBSN 的線上網絡比線下網絡更為密集,具體表現為線上網絡具有較大的強連通分量、較高的聚類系數和較低的平均分離度.其原因是,用戶參與線上網絡的人數多于實際參與社會事件的人數.

這些特征給EBSN 推薦系統帶來了一些挑戰,主要有:

(1) 冷啟動問題.冷啟動問題是推薦系統面臨的一個挑戰.推薦系統需要根據用戶的歷史信息預測用戶未來的行為,因此需要用戶的大量歷史數據.而對新用戶和新項目來說,沒有相應的歷史評分數據,這導致用戶與用戶、項目與項目之間無法計算相似性,從而無法預測評分,無法獲取新用戶、新項目的推薦結果.由于EBSN 中顯式偏好缺失,用戶幾乎不對參與過的事件評分;而且ESBN 推薦的事件是在未來時間發生,在事件發生前沒有任何用戶參與及評價信息.同時,EBSN 中用戶表達參與意愿的發生呈現時間規律性,即大多數用戶的參與意愿提供時間接近事件的發生時間,這使得EBSN 推薦系統難以使用這部分信息.因此,EBSN 推薦系統面臨的冷啟動問題尤為嚴重.

(2) 數據稀疏問題.數據稀疏是推薦系統面臨的另一個重大挑戰,指用戶的評分數量在評分矩陣中所占的比例過小,這會導致非常差的推薦質量.EBSN 中,事件和興趣組參與呈重尾分布,即大多數事件和興趣組只有少數參與者;同時,EBSN 中表達了參與意愿的用戶數量非常少.因此,EBSN 推薦系統面臨的數據稀疏問題更突出.

(3) 準確獲取用戶偏好問題.EBSN 中包含豐富的上下文信息,這些信息從不同側面、不同角度直接或間接反映及影響用戶偏好,因此它們是獲取用戶偏好和推薦生成的基礎.同時,這些信息表現形式復雜多元,如事件描述信息、EBSN 網絡結構、用戶評論、數值、地理坐標、圖片等.利用向量表示這些信息時,通常具有較高維數.如何融合這些信息以準確獲取用戶偏好,是EBSN 推薦系統面臨的又一重大挑戰.

因此,有必要為EBSN 推薦系統研究新的方法和策略,以滿足不同需要.

2 EBSN 推薦系統概述

2.1 EBSN推薦系統的框架

EBSN 推薦系統的框架主要包括3 層:數據采集層、數據處理層和推薦生成層.如圖2 所示.

1)數據采集層.數據采集層獲取被推薦對象的各種相關信息,為EBSN 推薦系統提供數據來源.采集的信息主要包括用戶信息、事件信息、興趣組信息、用戶參與事件信息和用戶參與興趣組信息等.

2)數據處理層.數據處理層負責對采集到的數據進行預處理,主要包括上下文信息提取與融合、顯式與隱式反饋數據獲取、用戶偏好獲取、群組識別和群組偏好獲取等,為推薦生成層提供依據和支撐.

3)推薦生成層.推薦生成層利用不同的推薦生成算法得到推薦結果.EBSN 推薦系統中常用的推薦生成方法有基于內容的推薦生成方法、上下文感知推薦生成方法、基于因子分解的推薦生成方法、基于圖模型的推薦生成方法、基于概率模型的推薦生成方法、基于深度學習的推薦生成方法、基于啟發式算法推薦生成方法和混合推薦生成方法.

Fig.2 Framework of the EBSN recommendation system圖2 EBSN 推薦系統的框架

2.2 EBSN推薦系統與其他推薦系統的區別

推薦系統目前已經在各個領域中被用于解決信息過載問題,通常需要結合用戶的歷史偏好信息向用戶推薦其可能喜歡的項目.推薦方法是推薦系統中最核心、最關鍵的部分,在很大程度上決定了推薦系統的性能.

(1) 傳統推薦系統

Jannach 等人[3]將傳統推薦系統分為基于協同過濾的推薦系統、基于內容的推薦系統、基于知識的推薦系統和混合推薦系統.

· 基于協同過濾的推薦系統找出與被推薦用戶具有相似偏好的其他用戶喜好的項目,或找出與被推薦用戶喜好的項目相似的項目并推薦.

· 基于內容的推薦系統在推薦過程中首先需要定義項目的相關內容特征,然后基于被推薦用戶喜好的項目特征提取用戶的偏好特征,并推薦與用戶偏好特征相似的項目.

· 基于知識的推薦系統需要和用戶進行多輪會話,從每一輪會話中直接獲取用戶需求,在互動過程中,結合用戶需求篩選出候選項中用戶感興趣的項目.

· 混合推薦系統在推薦過程中采用了多種算法,通過結合不同算法的長處,避免或克服其短處,獲得更高效的推薦結果.

(2) 社會化推薦系統

近年來,結合社會化信息的推薦系統引起了更多研究者的注意.社會化推薦系統通過挖掘社交關系獲取社會化信息[4],結合社會化信息與用戶基本信息,將社會化信息作為一種輔助信息提高推薦效果[5].由于添加了多種社會化信息的特性,能獲取到更準確的用戶偏好,因此,社會化推薦能更高效的解決推薦系統中的常見難題,如冷啟動、數據稀疏等.

(3) 基于位置的社會網絡推薦系統

基于位置的社會網絡(location-based social network,簡稱LBSN)是一個具有3 層結構的異構網絡,包括地理位置層、社會關系層和媒體內容層[6].LBSN 中有豐富的信息,如用戶、位置、時間、用戶簽到和社會關系、評價等信息.推薦系統利用LBSN 中豐富的信息,有針對性地向用戶推薦其感興趣的地點、朋友、路徑和社會活動等,以提高用戶的使用體驗和活躍性.LBSN 推薦系統通常包括位置推薦、路徑推薦、朋友推薦、社會活動推薦、鏈接預測等功能[7].

(4) 與其他推薦系統的區別

EBSN 推薦系統是目前主動為用戶提供各種服務信息的技術之一,它需要滿足用戶的事件推薦、群組推薦和朋友推薦等服務的基本需求,具有社會化推薦系統的基本特點,與LBSN 推薦系統有相似的異構社會網絡關系等.表1 列出了基于事件社會網絡推薦系統與其他推薦系統在原始數據收集、用戶偏好獲取、推薦生成、推薦目標和被推薦對象等方面的異同點.

Table 1 Comparison of the EBSN recommendation system with other recommendation systems表1 EBSN 推薦系統與其他推薦系統的對比

3 EBSN 推薦系統的推薦方法和推薦內容

EBSN 推薦系統中,推薦目標與被推薦對象之間存在復雜的關系.借助于事件的描述內容、用戶的社會關系等上下文信息,EBSN 推薦系統可以獲取更準確的用戶偏好,從而獲得更準確的推薦結果.本文總結現有EBSN推薦系統的推薦方法主要包括8 種:基于內容的推薦方法、上下文感知推薦方法、基于因子分解的推薦方法、基于圖模型的推薦方法、基于概率模型的推薦方法、基于深度學習的推薦方法、基于啟發式算法的推薦方法和混合推薦方法.與傳統推薦系統相比,EBSN 推薦系統具有更多推薦內容.本文依據推薦內容將EBSN 推薦系統分為事件推薦、群組推薦、事件安排、參與者預測、聯合推薦、朋友推薦、場地推薦這7 種.

3.1 基于內容的推薦方法

在EBSN 推薦系統中,基于內容的推薦方法通過事件描述建立事件特征,通過分析用戶參與事件的描述信息獲得用戶偏好特征,通過計算事件描述特征和用戶偏好特征的相似度獲得用戶感興趣的事件進行推薦.

Yin 等人[8]將用戶、事件、位置、時間和文本內容之間的關系嵌入到共享的低維向量中,獲得用戶和事件在相同的低維空間中的特征向量.根據特征向量計算目標用戶對推薦事件的偏好、合作伙伴對事件的偏好,同時結合目標用戶與推薦合作伙伴之間的社交關系親密度,向用戶推薦事件-合作伙伴對.目標用戶對合作伙伴事件對的偏好計算公式如下:

其中,u,u′,e分別是目標用戶、被推薦合作伙伴和被推薦事件,其特征向量分別是是偏差.

Zhang 等人[9]使用Latent Dirichlet Allocation(LDA)[10]提取每個事件的主題分布,根據用戶的歷史參與信息提取用戶的主題分布,然后計算事件和用戶的主題分布的相似性,從中選擇具有高相似度的事件進行推薦.

Wang 等人[11]采用前饋神經網絡將事件的內容描述、發生地點和發生時間嵌入到低維向量中,以表示事件的潛在特征,然后根據用戶的歷史行為學習用戶的偏好特征向量,最后計算用戶的偏好特征向量和事件特征向量的相似度,推薦相似度最高的前n個事件.

基于內容的推薦方法結合事件的內容描述、地點位置、時間等提取事件的特征,通過用戶的歷史參與信息獲取用戶的偏好特征,能獲取更準確的用戶偏好.推薦結果根據被推薦用戶的興趣偏好產生,因此,不會因為數據稀疏無法產生推薦結果,能解決新事件的冷啟動問題.但是推薦結果只根據用戶的歷史喜好產生,推薦結果基本與用戶歷史偏好相似.因為新用戶沒有歷史喜好,所以該方法無法為新用戶產生推薦結果.

3.2 上下文感知推薦方法

EBSN 推薦系統中,要推薦的事件都是即將發生的,不含任何用戶的參與信息,故存在事件冷啟動問題.通過引入上下文信息,可有效解決該問題.EBSN 中雖然缺乏用戶的顯式反饋信息,但包含多種上下文信息,如事件主題、內容描述、舉辦時間、舉辦場地、用戶社會關系等.上下文感知推薦方法首先結合這些上下文信息從用戶參加的歷史事件集合中提取用戶對事件的偏好,如用戶的事件主題偏好、用戶的事件描述內容偏好、用戶的事件舉辦時間偏好和用戶的事件舉辦場地偏好等,獲得這些偏好后,直接融合或使用矩陣分解等方法融合,得到用戶偏好,然后依據用戶偏好獲取被推薦對象,最后對被推薦對象排序或使用BPR[12]等方法優化排序獲取推薦列表.由于結合上下文信息能從多個角度獲得用戶更全面準確的偏好,因此可以幫助用戶從海量資源中獲取滿足其自身需要的信息.上下文感知推薦方法是應用于EBSN 推薦系統中的一種高效的推薦方法.

在傳統推薦系統中,用戶對項目的評分模型可以表示如下:

上下文感知推薦方法將其擴展為包含多種上下文信息的多維評分模型,如:

或者,

其中,D1,D2,…,Dn代表維度,用戶對項目的評分函數被定義為空間D1×…×Dn上的函數.

在EBSN 推薦系統中,結合上下文進行推薦已有大量的研究,如文獻[13-24]等.

Macedo 等人[13]利用了上下文信息T,S,C,V:T為時間信息,計算用戶的時間偏好和事件發生時間的余弦相似度作為在上下文T中用戶對事件的評分;S為用戶的社會關系信息,計算用戶所在群組成員共同參與事件的頻率作為在上下文S中用戶對事件的評分;C為事件描述內容的信息,計算事件描述內容和用戶的內容偏好之間的相似度作為用戶在上下文C中用戶對事件的評分;V為地理位置信息,計算事件發生地點和用戶的地點偏好之間的距離作為在上下文V中用戶對事件的評分.將這些評分結合起來學習進行事件推薦,評分公式如下:

給定目標用戶u∈U和上下文信息t∈T,s∈S,c∈C,v∈V,使用列表學習方法Coordinate Ascent 學習獲取前n個事件推薦,獲取公式如下:

其中,n表示要推薦的事件數,Eu表示用戶過去參加過的事件集.

Wang 等人[18]在推薦中結合了其他社交網絡的信息,該信息表示事件組織者的社會影響,同時考慮了群組成員之間的互動.作者結合時間、位置、內容、事件組織者影響和群組成員影響等5 種上下文信息獲取用戶對事件的評分,并使用如下融合模型來計算用戶-事件對(u,e)的總體推薦得分:

其中,S′=[St(u,e),Sv(u,e),Sc(u,e),Sh(u,e),Sm(u,e)].公式(7)中,5 個評分分別對應用戶考慮時間、位置、內容、事件組織者影響和群組成員影響時對事件的評分,W=[wt,wv,wc,wh,wm]是5 個評分的權重向量.

文獻[14-17,19-24]分別結合了不同的上下文信息(如網絡拓撲結構、事件組織者、事件描述內容)、時空信息、用戶的社會關系和社交媒體中用戶的帖子內容等,獲取用戶對事件的偏好.Trinh 等人[25]結合了事件內容、時空信息和用戶偏好,向關鍵用戶的活躍朋友推薦事件.Ding 等人[26]結合了用戶社會關系、時間偏好、位置偏好、用戶活躍程度預測新事件中的參與用戶.

上下文感知推薦方法結合豐富的上下文信息獲得更準確的用戶偏好,因此能提高推薦準確率.引入上下文信息能從多方面補充用戶與事件信息,在一定程度上彌補了數據稀疏的不足;同時,由于新用戶和新事件都有基本的信息,這些信息能作為上下文信息,因此可以避免冷啟動問題.但是上下文獲取的難度大,對其建模與計算的復雜度高.

3.3 基于因子分解的推薦方法

基于因子分解的推薦方法利用EBSN 中的顯式和隱式反饋信息提取部分用戶的偏好,結合因子分解生成所有用戶的偏好,然后采用BPR、排序學習等方法學習得到推薦列表.常見的因子分解模型有矩陣分解(MF)[27]、概率矩陣分解(PMF)[28]、集體矩陣分解(CMF)[29]、SVD[30]、SVD++[30]、張量分解[31]等.

EBSN 中存在豐富的隱式反饋信息和上下文信息.各種上下文、用戶、事件、群組之間形成了多種多樣的關系,因子分解模型可以發現構成這些關系各實體的潛在因子.EBSN 推薦系統中,基于因子分解的推薦方法首先獲得與推薦目標和被推薦對象相關的關系,如用戶與朋友的關系、事件與事件發生地點的關系等.然后結合這些關系,使用因子分解方法確定推薦目標和被推薦對象的潛在因子,獲得推薦目標和被推薦對象之間的評分矩陣,最后采用隨機梯度下降、BPR、坐標上升法等優化算法學習被推薦對象的排名.

已有研究利用因子分解方法產生推薦,不同的參考文獻采用了不同的因子分解模型.

Zhang 等人[32]提出了一個集體貝葉斯泊松分解(CBPF)模型來解決EBSN 中冷啟動本地事件推薦問題.CBPF 模型的評分矩陣為為用戶潛在因子,θe為事件潛在因子.作者認為:用戶u和他的朋友f存在潛在因子相似矩陣Suf,事件潛在因子包含事件組織者潛在因子θo、事件位置潛在因子θl、事件描述內容潛在因子θc和單詞潛在因子βv.模型通過標準集體矩陣分解模型的思想,聯合這些因子預測用戶對事件的評分,并采用有效的坐標上升算法學習事件排名.

Qiao 等人[33]結合用戶的線上和線下社會關系、事件的地理位置特征和潛在的用戶事件評分,對用戶進行事件推薦.其擴展評分矩陣如下:

其中,α為融合參數.使用潛在因子分解方法得到近似用戶評分矩陣,公式如下:

用戶對事件發生的區域偏好評分矩陣定義如下:

其中,是關于用戶ui的潛在因子,是一個低維行向量;Mt是關于區域mt的潛在因子,是一個低維列向量;Pjt表示事件ej在區域mt發生的概率.

Du 等人[34]結合發現的k個用戶最相似事件的影響因子預測事件參與率.作者提出了事件描述內容因子、事件發生時間因子、事件發生地點因子和用戶的社交關系因子,通過鄰域集將這些因子融合,模型組合如下:

其中,表示用戶u的平均評分;N(u,e;k)表示和用戶u參加的事件e最相似的k個事件集合,是由相似性度量Simu(e;ei)確定的,其整合了所有提取的因子;wei是和矩陣分解模型參數一起學習的自由參數;Uu和Ee分別代表用戶u的特征向量和事件e的特征向量.在計算過程中,只需要存儲和更新每個事件的k-最近鄰居的參數,而不是所有事件對.

Li 等人[35]提出一種稱為集體矩陣分解與事件-用戶鄰居(CMF-EUN)模型來推薦事件.CMF-EUN 由3 部分組成:集體矩陣分解、事件鄰域發現和用戶鄰域發現.模型考慮了相似用戶的影響因子和相似事件的影響因子.整體模型如下所示:

第1 部分中,Uu和Ee分別代表用戶u的特征向量和事件e的特征向量;第2 部分表示相似用戶的影響,其中,表示用戶u的平均得分,Nk1(u,e)表示與事件e相似的事件;第3 部分表示相似事件的影響,其中,表示事件e的平均得分,Nk2(e,u)表示與用戶u相似的用戶集合.k1 和k2 分別表示事件鄰域和用戶鄰域的數量.最后,使用隨機梯度下降算法進行優化.

文獻[36-47]提出了多種因子分解模型,以計算用戶之間的影響、進行事件推薦、朋友推薦、跟隨者推薦、參與者預測、獲取參與者影響力等.

因子分解編程容易實現,實現復雜度低,預測效果好,具有良好的可擴展性.通過獲取EBSN 中多種多樣的關系,因子分解方法能有效獲取用戶偏好,從不同角度對相同數據解釋,相當于增加了數據量,因此彌補了數據稀疏的不足;同時,由于獲取了用戶與事件的多種關系,也在一定程度上解決了冷啟動問題.但存在的缺點有:需要花費大量時間訓練模型,獲得的推薦結果不具有很好的可解釋性等.

3.4 基于圖模型的推薦方法

基于圖模型的推薦方法將EBSN 中的用戶、群組和事件等實體構建成圖,并度量圖中節點的相似度,獲取推薦列表.Meng 等人[48]將基于圖模型的社會化推薦方法分為兩種:一是基于圖結構的推薦方法,二是鏈接預測方法.EBSN 推薦系統主要采用了鏈接預測方法.鏈接預測方法能把原始的輸入數據表示成特征向量,通過獲取隱式和顯式反饋信息,計算用戶和事件的相似度產生推薦.

基于圖模型的推薦主要有兩個方面:一是構圖,二是對被推薦對象排序.EBSN 中通常包括用戶、群組、事件、社會關系、標簽、位置、時間、事件組織者等實體信息,使用這些信息可以構建多部圖.然后使用隨機游走[49]、重啟隨機游走[50]、馬爾可夫模型等方法度量圖中節點的相似度,來對圖的節點排序.

隨機游走類似于PageRank[51],是在一維或多維空間上的隨機過程,它能用來表示不規則的變動形式.重啟隨機游走是一種特殊的隨機游走,在每一步游走時,隨機游走者以一定概率跳到鄰居節點或回到起點.通過以下公式計算一次迭代向量→.

其中,為隨機游走向量,表示轉移概率矩陣,1-c為重啟概率,是隨機游走重啟向量.

EBSN 中有許多研究基于圖模型推薦,文獻[52,53]采用隨機游走方法,文獻[54-58]采用重啟隨機游走方法.

Pham 等人[53]提出一個基于圖的通用模型稱為HeteRS,其所提出的圖有6 種節點類型,包括用戶U、事件E、群組G、標簽L、位置V和會話D,這些節點之間存在用戶參與事件關系〈U,E〉、群組組織事件關系〈E,G〉、事件擁有發生地點關系〈E,V〉、用戶參與群組關系〈U,G〉、用戶擁有標簽關系〈U,L〉、群組擁有標簽關系〈G,L〉、事件擁有發生時間關系〈E,D〉.這些關系構成了圖的邊.在圖上采用隨機游走解決向用戶推薦群組、向群組推薦標簽以及向用戶推薦事件這3 個推薦問題.隨機游走過程如下:

其中,u(t),e(t),g(t),l(t),d(t),v(t)是分布概率向量,分別表示在時間t訪問用戶、事件、群組、標簽、會話和位置的概率;αMN({〈M,N〉,〈N,M〉})∩R′≠?,αMN>0 且表示從節點類型M到節點類型N的轉移權重;PMN為轉移矩陣;qu為查詢向量,如果i=u時,qu等于1,其他情況等于0.最后,在構造的圖上,針對候選用戶運行該算法,以獲得用戶的推薦事件.

Liao 等人[58]將群組參加無經驗事件的決策過程分為征詢組外朋友意見階段和組內成員協商階段,在兩個階段分別采用隨機游走和重啟隨機游走獲取用戶和群組偏好.Li 等人[54]提出了反向重啟隨機游走算法,在構造的圖上,針對每個候選事件運行,以獲得每個用戶的推薦事件.Liu 等人[52]構造了由不同類型的節點,包括用戶U、事件E、群組G、事件主辦者H和主題Z組成的混合圖.在圖上執行隨機游走,獲得具有高收斂概率的候選事件.并在文獻[55]中,應用重啟隨機游走(RWR)算法來計算用戶事件相似性得分.在文獻[56]中提出了一種基于演化圖的連續推薦(EGSR)算法.在演化圖上執行重啟隨機游走,為用戶推薦事件.

Zhang 等人[57]提出了一個基于群組的事件參與預測框架,該框架在混合EGU(事件E-群組G-用戶U)網絡上使用個性化重啟隨機游走,以捕獲群組內在的社交關系.Lu 等人[59]提出一種雙層局部隨機游走(DLRW)方法來提取用戶的社交特征,并基于GBDT 算法構建了事件參與預測模型.

Boutsis 等人[60]考慮用戶的歷史參與行為特征和地理位置偏好,將用戶組織成群組,利用混合馬爾可夫模型來提取群組中用戶的行為模式,進行個性化事件推薦.

基于圖模型的推薦具有高靈活性和可擴展性,能在數據量不足的情況下做出相對高質量的推薦,能解決數據不足的問題和事件冷啟動問題.但該方法的訓練過程中需要大量的訓練數據,耗費時間過長,推薦結果受限于歷史數據,而且對新用戶和新群組難以產生好的推薦.

3.5 基于概率模型的推薦方法

基于概率模型的推薦方法使用統計學習方法從樣本數據中學習概率分布模型[48],學習到概率分布模型后,利用該模型生成被推薦對象的概率得到推薦列表,也稱為概率生成方法.概率生成方法的核心在于學習并獲取概率分布函數的參數,其具體的步驟包括構造似然函數、從已有的數據中學習到參數,使得似然函數的值最大.常見被使用的概率生成模型有高斯混合模型、樸素貝葉斯模型、隱馬爾可夫模型等.一種應用于推薦系統的簡單概率模型[61]在形式上表示如下[48].

假設存在用戶集合U和項目集合I以及一個潛在的主題集合Z,項目集合中的每一個項目都有一個相應的潛在主題,用戶與主題之間存在一個概率分布,項目與主題之間也有概率分布.

用戶u、項目i和主題z之間的聯合概率計算公式如下:

用戶u和項目i之間的聯合概率為

優化目標函數如下:

用戶u選擇項目i的概率為

EBSN 中存在多種多樣的概率分布,如用戶事件概率分布、用戶主題概率分布、事件主題概率分布、用戶群組概率分布、用戶社會關系概率分布等等.這些概率分布模型中的隨機變量通常是相互獨立的,因此可以將不同的因素作為隨機變量計算它們的聯合概率.EBSN 推薦系統中,首先通過采樣統計學習各種概率分布模型的參數,然后考慮推薦模型中涉及的各種隨機變量之間的關系,計算這些隨機變量的聯合概率,得到最終的推薦目標與被推薦對象之間的概率.

EBSN 推薦系統中,使用概率生成模型進行推薦的研究有文獻[62-69]等;在推薦過程中,結合概率方法的有文獻[32,36,64,70]等.

Yin 等人[62]使用基于貝葉斯網絡的概率生成模型來解決EBSN 中的社區檢測問題.可以對檢測到的社區進行更有效的事件推薦或群組推薦,模型如下:

Yuan 等人[63]提出一個概率生成模型來模擬群組偏好的生成過程,其用戶u在給定主題z以及開關量x的條件下,對事件e的概率為

Du 等人[69]提出一個內容場所感知主題模型(CVTM),該模型從內容和場地兩個角度捕捉群組對事件的興趣.其群組對事件的評分計算如下:

Jeong 等人[68]提出一種考慮群體凝聚力(GGC)的群體推薦模型,其用戶u在給定主題z以及開關量x,o的條件下,對事件e的概率為

文獻[32,36,64,65,67,70]提出了不同的概率生成模型,用于計算群組參與事件的概率、用戶參與事件的概率、兩個用戶在事件、群組和地理位置上影響概率、用戶對其好友的影響概率與用戶對事件的喜好概率等.

概率生成模型從統計的角度表示數據的分布情況,學習收斂速度快.當學習的樣本數量足夠時,能快速收斂到真實模型.因其學習到的是數據的概率分布,這能夠反映出同類數據的相似度,因此可以解決事件冷啟動問題.但概率生成模型復雜性較高,需要較長的學習時間,不能向新用戶和新群組推薦.

3.6 基于深度學習的推薦方法

深度學習能夠自動學習到數據的隱式特征表示,發現數據的潛在特征,并能通過在低層特征上變換形成高層的抽象特征.基于深度學習的推薦方法[71]建立深度學習模型捕獲輸入的用戶和項目的相關信息,尋找發現數據中存在的錯綜復雜的關系,然后學習到用戶和項目之間的非線性關系,挖掘用戶與項目的潛在特征,最后,融合用戶與項目的特征表示獲取推薦列表.已知的應用于推薦系統的深度學習模型有許多,如一些經典的模型包括多層感知機、自編碼器、卷積神經網絡、循環神經網絡等[71].

基于深度學習的EBSN 推薦系統結合EBSN 的特點與深度學習的優點,利用用戶、群組和事件的信息、顯式反饋與隱式反饋信息、上下文信息與社交關系信息等,通過獲取被推薦對象相關的各種原始數據,如用戶信息、事件信息、顯式反饋信息與隱式反饋信息與其他信息,將需要的信息處理成合適的數據作為深度學習模型的輸入.通過建立的各種深度學習模型,學習生成推薦列表并進行推薦.已有部分研究在EBSN 上結合深度學習模型產生推薦[11,46,72-76].

Wu 等人[72]提出了一個端到端的深度事件參與預測(DEAP)框架,這是一個三級分層LSTM 架構,可以明確地模擬用戶的多維和不斷變化的偏好,目的在于解決用戶事件參與的可預測性.

Jhamb 等人[73]利用降噪自動編碼器作為所提出的ACDA 模型的主要構建塊,模型使用注意機制將上下文信息編碼為用戶偏好的隱藏表示,利用降噪自動編碼器預測用戶的偏好以進行個性化事件推薦.Li 等人[77]采用極限學習機(ELM)對EBSN 中提取的空間特征、時間特征、語義特征、社會關系特征和歷史特征學習,將事件推薦問題轉為分類問題.

有部分研究在推薦過程中結合了深度學習方法,融合EBSN 中的多種信息獲取更準確的用戶偏好.Wang 等人[46]利用帶有字嵌入的卷積神經網絡(CNN)來深度捕獲用戶感興趣的事件的上下文信息,并為每個用戶建立用戶潛在模型.然后,將用戶潛在模型合并到概率矩陣分解(PMF)模型中,以提高推薦準確性.Luceri 等人[74]引入了一個深度神經網絡(DNN)框架,該框架能夠模擬社會影響和預測人類行為.Wang 等人[11]使用前饋神經網絡將事件的特征嵌入到低維向量中.Pramanik 等人[75]提出了一個基于深度神經網絡的框架DeepVenue,用于推薦舉辦Meetup 事件的場所.

EBSN 中有大量各種類型的上下文信息,包括文本、圖像、音頻甚至視頻等,其他推薦方法難以完全利用上這些信息.但深度學習模型中無需用戶手工設計特征,它能自動從輸入數據中有效學習潛在的有用特征表示,能夠對數據進行非線性建模,捕獲關系錯綜復雜的用戶與事件特征.深度學習模型通過大量數據的訓練,能獲取更為準確的用戶偏好,緩解冷啟動問題.深度神經網絡具有廣泛的適用性和高度的靈活性,能輕松快速地構建出推薦模型.但是深度學習中參數太多,難以解釋其具體作用,因此可解釋性較差.同時,深度學習需要大量數據才能完成其模型訓練,若數據量太小,學習到的模型推薦效果可能會很差.深度學習模型有時可能需要進行大量超參數調整.

3.7 基于啟發式算法的推薦方法

EBSN 中,有的用戶會在一段時間內參與多個事件,因此這些用戶希望能合理地安排參與自己喜歡的事件.事件的組織者希望自己組織的事件有更多感興趣的用戶來參與,也會希望有合理的事件安排,這通常被稱為事件安排問題.用戶參與事件具有許多約束條件,例如事件沖突約束、事件容量約束、用戶預算約束等,為用戶提供滿意的事件安排需要盡量滿足這些約束.然而,這些約束有時相互矛盾,需要綜合考慮提出目標函數,使得目標函數獲得最優值,目標函數代表了用戶或組織的滿意度.事件安排問題通常是NP 難問題,啟發式算法是解決NP 難問題的常用方法,因此,我們稱其為基于啟發式算法的推薦方法.

Tong 等人[78]提出了瓶頸感知社會事件安排(BSEA)問題,設計了兩種基于貪心的啟發式算法解決BSEA 問題.該問題考慮了3 個影響因素:活動與用戶之間的位置影響、活動與用戶之間屬性的相似性以及用戶之間的社會關系.

事件安排需要滿足最大化平均效用的最小值,同時滿足事件容量和用戶社會關系的約束.效用函數為

其中,D(lu,le)表示用戶位置與事件發生位置的距離,sim(tu,te)表示用戶與事件的相似度.

平均效用表示為

其中,M(e)表示事件安排M中安排給事件e的用戶集合.

She 等人[79]定義了效用感知社會事件參與者計劃(USEP)問題,該問題同時考慮了時空沖突和旅行支出約束,并需要最大程度地提高事件參與者的整體滿意度.其效用函數為

其中,μ(u,e)表示用戶對事件的偏好.She 等人在文獻[80]中提出了帶事件沖突和事件容量限制的全局事件安排(GEACC)問題,該問題的目的是找出滿足事件沖突和事件容量限制的事件安排,對所有安排的事件和用戶,最大化用戶對事件的偏好總和.She 等人還在文獻[81]中提出了反饋感知事件安排(FASEA)問題.在給用戶安排事件時,考慮用戶接受或拒絕安排事件的反饋,從而使用戶接受的事件總數最大化.

Liang 等人[82]提出的事件安排問題,其目標是最小化用戶與事件的空間距離和用戶社會關系緊密度的總和,以使事件安排多樣化.其效用函數為

其中,第1 項是事件安排的每個用戶與事件之間距離的總和,第2 項是用戶社交關系的緊密程度.Liang 還在文獻[83]中提出了三維匹配事件安排(EATDM)問題,其提出的效用評分同時考慮了用戶、事件組織者和事件.

Kou 等人[84]提出了交互感知全局事件參與者安排(IGEPA)問題.它在全局范圍內優化事件和參與者之間的安排,避免了事件之間的沖突.作者提出的效用函數考慮了用戶偏好和用戶之間的潛在交互程度.其效用函數表示如下:

文獻[85-88]分別考慮了不同的約束條件,如差旅預算、事件參與上限和下限、用戶的空閑時間、用戶的平均移動速度、用戶的整體偏好等,以滿足最大化全局效用分數,最大程度增加事件參與者人數,確保每個用戶都可以按時參加活動等目標函數進行事件安排.Li 等人[89]定義了增量雙邊偏好穩定安排(IBPSP)問題,旨在動態制定使用戶和事件組織者都滿意的安排.

基于啟發式算法的推薦考慮了更多條件,因此能有更精確的推薦結果.但其考慮的問題和解決過程比較復雜,因此難以建模.此外,EBSN 平臺上爬取的數據集通常沒有包含一些必要的約束信息,因此需要復雜的數據處理過程.

3.8 混合推薦方法

上述各種推薦方法與傳統的推薦方法都各有優缺點.混合推薦方法是指同時使用多種推薦技術產生推薦,從而結合不同方法的優點、彌補缺點、獲得更好的推薦效果.Burke 等人[90]提出了混合推薦方法的7 種混合策略,Jannach 等人[3]將其劃分成3 種:整體式混合設計、并行式混合設計和流水線式混合設計,其中,整體式混合設計策略是EBSN 推薦系統中采用最多的混合推薦策略.

上下文感知推薦方法中,EBSN 推薦系統通常需要結合上下文信息從多個角度獲取用戶偏好.Wang 等人[18]采用多種上下文信息的特征組合作為獲取用戶偏好的輸入數據.基于因子分解的推薦方法中,也需要從多角度獲取用戶偏好,而且通常需要優化才能得到因子分解的結果.Gu 等人[40]采用的因子分解模型分別考慮了用戶和事件隱因子特征以及用戶和事件之間的多個上下文特征來捕獲用戶的偏好.在基于圖模型的推薦方法中,EBSN 推薦系統也需要采用不同的數據來源獲取用戶偏好.Liu 等人[52]同時考慮了采用隨機游走獲得的用戶參與事件收斂概率與根據用戶歷史事件參與信息獲得的偏好計算用戶偏好.

基于概率模型的推薦方法、基于深度學習的推薦方法和基于內容的推薦方法在獲取推薦系統的輸入數據時,同樣可以結合多種方法獲取.由此可知,EBSN 推薦系統中大多數時候采用是混合推薦方法.

3.9 推薦方法比較

每種推薦方法都有優點和不足,表2 對比了本文列出的8 種EBSN 推薦系統的推薦方法的優點和缺點.

Table 2 Comparison of recommended methods for the EBSN recommendation system表2 EBSN 推薦系統推薦方法的對比

3.10 EBSN推薦系統的推薦內容

從推薦內容的角度,EBSN 推薦系統可以分為事件推薦、群組推薦、事件安排、參與者預測、聯合推薦、朋友推薦、場地推薦.

· 事件推薦的目標是向用戶推薦事件,根據用戶的歷史參與記錄信息和用戶的社會關系,采用上下文感知、因子分解、概率生成、隨機游走、深度學習等方法獲取用戶對事件內容、舉辦時間、舉辦地點和組織者等的偏好,然后采用BPR、學習排序方法等對被推薦事件排序獲取事件列表.

· 群組推薦的目標是向群組推薦事件,通過獲取用戶對事件的偏好以及用戶在群組中的影響力權重,融合群組成員偏好得到群組偏好,或使用概率生成、隨機游走等方法得到群組對事件的偏好.然后對被推薦事件排序獲得群組成員相對滿意的事件列表.

· 事件安排為用戶推薦安排多個事件,在約束條件的限制下,使用一個目標函數,該目標函數通常綜合考慮了多種情況.在目標函數達到最優值獲得的事件序列即為推薦安排的事件序列,目標函數的最優解通常使用啟發式算法獲取.

· 參與者預測指預測事件的參與者,能向事件組織者推薦事件的參與者.通常,參與者預測需要根據事件的上下文信息,計算用戶偏好與該事件的相似程度,獲取用戶列表.

· 聯合推薦指同時向用戶推薦多個對象,如同時向用戶推薦事件和伙伴,根據用戶偏好、伙伴偏好、用戶與伙伴的社交關系親密度、事件的上下文信息等計算用戶對事件-伙伴對的評分,找出并推薦評分最高的多個事件-伙伴對.

· 朋友推薦指向用戶推薦朋友,根據用戶的歷史參與事件記錄、用戶的社交關系等找出與目標用戶最相似的用戶并推薦;

· 場地推薦指向事件組織者推薦事件舉辦場地,通過計算場地相似度、事件相似度和興趣組相似度,采用深度學習方法獲取用于舉辦目標事件的場地排名列表.

EBSN 推薦系統按推薦內容的分類對比見表3.

Table 3 Comparison of classification of the EBSN recommendationsystem表3 EBSN 推薦系統的分類對比

4 EBSN 推薦系統的難點與發展趨勢

綜上所述,近年來,EBSN 推薦系統已取得了較多研究和應用進展.但在未來的研究與應用中,以下方面仍然值得重點關注和研究.

(1) 冷啟動問題

EBSN 中每天都有大量新用戶加入,他們沒有歷史事件評價信息及朋友信息.事件的組織者或興趣組的組織者邀請這些用戶參加事件、興趣組將會非常困難.EBSN 中每天會發布大量新事件,這些事件都是未來即將發生的,這意味著事件在開始時沒有歷史參與者,在事件發生前沒有任何用戶參與評價的信息.即使事件從發布到開始前這段時間內可能會有少量的用戶表示愿意參加信息,但是該信息非常稀疏,且不能代表用戶真正參加了事件.另外,經典推薦系統通常使用的用戶反饋信息(例如評分或評論)在EBSN 中變得無用,因為當事件參與者在他們參加事件之后給出評分和評論時,事件已經結束無需推薦.EBSN 中每天會有大量的新興趣組成立,向用戶推薦這些興趣組也將變得十分困難.因此,EBSN 推薦系統中向新用戶、新興趣組推薦事件,向用戶、興趣組推薦新事件變得非常困難,存在嚴重冷啟動問題.

解決冷啟動問題的直接方法是采用基于內容的推薦技術,通常可以利用空間、時間、內容和社會關系信息等來緩解EBSN 推薦系統中的冷啟動問題.文獻[36,67]從新事件的文本描述集合中推斷出潛在的主題處理事件冷啟動問題.Zhang 等人[32]將事件內容、組織者、位置和用戶社交關系整合在一起,能夠在統一模型中推斷冷啟動事件.Wang 等人[18]將EBSN 和其他社交網絡的信息結合起來,用以解決冷啟動問題.Li 等人[15]將用戶興趣、組織者影響力和地理偏好整合到新事件推薦中.Jhamb 等人[37]利用群組的潛在因素解決冷啟動問題.Du 等人[21]使用用戶和組織者之間的社交關系來緩解事件推薦中的冷啟動問題.Du 等人[69]利用事件組織者與事件描述之間的相關性以及事件描述與事件舉辦地點之間的相關性解決群組事件推薦冷啟動問題.Liu 等人[55]利用EBSN中的不同關系和異步反饋來處理新事件冷啟動問題.雖然已有的研究在一定程度上緩解了冷啟動問題,但仍需尋找更有效的技術和方法,這是EBSN 推薦系統中一項非常重要的研究內容.

(2) 群組推薦

EBSN 推薦系統中的群組推薦指向群組推薦事件.在群組推薦中,群組內各成員具有不同的興趣偏好,需要協調各個群組成員的偏好,使其形成相對一致的意見后進行推薦.群組推薦的主要任務通常包括獲取群組成員的偏好、群組發現和偏好融合等.群組成員在形成對事件的偏好時,會受到用戶個性化、信任關系和用戶重要性等社會因素的影響.因此,如何引入社會因素幫助推薦,以獲得準確的用戶偏好,是值得關注的研究方向之一.群組發現是尋找具有相似特征的用戶構成的群組.EBSN 中存在成員數量少、用戶偏好相似且溝通較頻繁等特征的群組,但EBSN 通常沒有顯式存在這樣的群組信息,因此,在群組發現時,除可考慮成員的偏好相似性之外,還可考慮成員之間線上和線下交互.如何利用多種異構信息發現群組,是群組推薦領域值得研究的問題.偏好融合指融合群組成員的偏好,得到群組的偏好.在進行偏好融合時,既可考慮用戶的影響力、群組成員角色等多種因素計算用戶權重,也可考慮用戶的滿意度、公平性等性能要求,還可考慮群組成員的互動.群組決策過程實際上是群組成員之間相互交流、相互影響和相互妥協,最終達到一致意見的過程.因此,如何有效刻畫這種過程,是群組推薦面臨的難點.

目前,EBSN 群組推薦系統的研究還很少,隨著越來越多國內外研究單位的關注,EBSN 群組推薦也將成為研究熱點之一.

(3) 結合深度學習推薦

第3.6 節已介紹了基于深度學習的推薦方法:一是直接通過深度學習模型獲取用戶偏好,二是通過深度學習模型融合多種信息獲取用戶偏好的部分特征.與傳統的推薦方法相比,深度學習是一個有效的特征提取工具,可以更好地理解用戶的需求、事件特征以及它們之間的交互.因而,相比于傳統的推薦方法,結合深度學習的推薦方法可獲得更好的性能和推薦結果.近幾年,EBSN 推薦系統應用深度學習方法進行推薦已得到關注,但相關研究仍然不多.未來可從兩個方面研究基于深度學習的EBSN 推薦系統.

· 隨著深度學習的發展,不斷出現新的深度學習模型,采用新的深度學習模型進一步提高EBSN 推薦系統性能值得深入研究.

· EBSN 擁有豐富的上下文信息,如何用深度學習方法的融合更多這些上下文信息,以獲取更為準確的用戶偏好特征,也是值得研究的方向之一.

(4) 信息安全與隱私保護

EBSN 推薦系統能幫用戶在社交網絡中快速找到自己感興趣的群組、事件和朋友,使用戶能有更好的體驗,給用戶提供了極大的方便;但同時,讓用戶受信息與隱私被泄露的威脅.EBSN 推薦系統進行高效推薦的前提是掌握大量準確的用戶個性化信息,如用戶的偏好、用戶的社交關系等.從EBSN 網絡收集到的用戶個人信息,包括用戶的個人隱私或生活細節,無論是自愿還是無意,都可能被泄露.例如:由于EBSN 中的事件具有主題、舉辦地點和舉辦時間,事件推薦通常需要“準確的”和“詳細的”用戶個人信息,如用戶的位置,還可以通過分析用戶和他/她的團隊信息來推斷用戶的個人興趣.因此,了解EBSN 中的潛在信息安全與隱私保護,可以設計更安全的EBSN 平臺以保護用戶的個人隱私,解決EBSN 推薦系統中的信息安全和隱私保護問題,有利于推薦系統的發展與應用.

用戶的信息安全研究長期以來都是社會網絡領域的研究熱點.但是在EBSN 中,相關研究還很少.Chung 等人[94]嘗試調查Meetup 中的隱私泄漏,作者從網站的公開數據中發現并推斷出私人信息的內容.Dong 等人[95]通過連接用戶的線上和線下社交活動,使用幾種簡單而有效的隱私推理模型,可以高精度地推斷用戶的線上群組成員隱私和線下事件參與情況,隱私威脅程度非常嚴重.用戶需要準確快速的推薦服務,推薦系統需要先獲取準確的用戶個性化信息,然后才能提供準確的各種推薦服務,這就意味著用戶的個人信息會被共享,但是用戶的個人信息共享就表示個人信息和隱私的泄露.因此在實現EBSN 推薦服務的過程中,如何保護用戶的信息安全,減少用戶的個人隱私泄漏,是一項極具挑戰的工作.

(5) EBSN 推薦系統評價

推薦系統評價通常用于評估推薦系統是否具有良好性能,它能幫助推薦系統開發者發現系統存在的問題,從而幫助改善推薦性能.推薦系統評價已被眾多研究者關注,并提出了較多研究成果.Herlocker 等人[96]對協同過濾推薦系統的評價策略進行了回顧.Gunawardana 等人[97]根據評價上下文屬性概述了大量評價指標.Meng 等人[98]從數據集、評價方法、評價指標這3 個方面對基于位置的移動推薦系統的評價進行了綜述,并提出一種基于位置的移動推薦系統的評價體系.傳統推薦系統正逐漸形成成熟的評價體系,擁有較為完善的評價方法、大量評價指標和許多公開可用的數據集.

然而,目前針對EBSN 推薦系統評價的研究相對較少,未形成標準的評價體系.EBSN 推薦系統常用離線評價方法進行評價,常用的評價指標包括NDCG、AUC、MAP、Precision、Recall、ROC、F1、HitRate 等.在事件安排推薦系統中,將運行時間、內存消耗和自定義目標函數作為評價指標.

此外,EBSN 推薦系統中常用的數據集是從Meetup,Plancast 和Douban Event 等平臺爬取.

總的來看,EBSN 推薦系統尚未形成統一的評價標準和評價方法,且缺乏標準數據集.因此,結合EBSN 領域特征研究新穎的評價方法,以及根據EBSN 推薦系統的特點尋找專用評價指標,如覆蓋率、多樣性、新穎性等,都是未來具有潛力的研究方向.

5 總結

近年來,基于事件社會網絡的發展十分迅速,產生了豐富的事件和群組信息,給用戶選擇造成極大困難.將推薦系統引入EBSN,可有效提高用戶的使用體驗和平臺滿意程度.本文在分析EBSN 網絡特征和推薦面臨的挑戰性問題基礎上,對EBSN 推薦系統進行了較為全面的綜述.文中介紹和分析了EBSN 推薦系統的框架,包括數據采集層、數據處理層和推薦生成層;對EBSN 推薦系統目前采用的推薦方法進行了歸納和分類,包括基于內容的推薦方法、上下文感知推薦方法、基于因子分解推薦方法、基于圖模型推薦方法、基于概率模型的推薦方法、基于深度學習的推薦方法、基于啟發式算法的推薦方法以及混合推薦方法等8 類方法,并對它們的優缺點進行了對比與分析;根據推薦內容將EBSN 推薦系統分為事件推薦、群組推薦、事件安排、參與者預測、聯合推薦、朋友推薦、場地推薦;指出EBSN 未來需重點關注的研究方向,包括冷啟動、群組推薦、結合深度學習推薦、信息安全與隱私保護和EBSN 推薦系統評價等.