基于上下文感知推薦的協同過濾技術

馬永波 彭玉

摘要：移動電子商務已經開始在用戶的決策和偏好中扮演著越來越重要的角色。為了更有效地在移動環境中為用戶提供推薦信息，該文提出了基于上下文感知推薦的協同過濾技術，該技術利用用戶重要的移動上下文信息來改進基于項目的協同過濾算法中相似性的度量，重新用改進的相似度計算方法來獲得項目的預測評分。通過實驗數據表明，基于上下文感知推薦的協同過濾技術可以在用戶處于移動環境時為用戶提供更準確的推薦結果，可以有效緩解移動用戶評分數據稀疏性所帶來的推薦結果失真的問題。

關鍵詞：上下文信息;協同過濾;移動電子商務;個性化推薦

中圖分類號：TP302.1? ? 文獻標識碼：A

文章編號：1009-3044（2022）19-0085-02

1引言

隨著移動互聯網技術的飛速發展，移動電子商務逐漸走進人們的生活。但是，人們在移動環境中購物的上下文信息不能與PC購物的上下文信息完全一致。各種應用于傳統電子商務的個性化推薦技術，當然也未必完全適用于移動電子商務。當用戶在移動設備上購物時，天氣、溫度和位置等上下文信息是不同的。因此，在進行個性化推薦時，應考慮這些上下文信息，從而為客戶提供更高效、更個性化的推薦服務。例如，在一個在線旅游網站中季節是較重要的推薦背景因素之一，向客戶推薦的夏季和冬季旅游內容信息可能完全不同。因此，如何在移動環境中為用戶提供更高效的個性化服務也開始成為研究熱點。

目前一些研究人員已開始將傳統的個性化推薦技術與無處不在的移動網絡環境下的用戶上下文因素相結合。例如，Adomavicius等人強調了下一代個性化推薦技術會將用戶的上下文信息整合到個性化推薦過程中[1]。 Annie Chen提出了一個上下文感知協同過濾系統，該系統主要基于用戶的協同過濾推薦，而不是基于項目的協同過濾推薦[2]。高敏等人提出了一種基于神經網絡和 Slope One 算法的個性化上下文感知協同過濾[3]。

綜上所述，將特定的個性化推薦技術與用戶的各種上下文因素相結合，是個性化推薦系統發展的一個新方向。本文在上述文獻的研究基礎上繼續探索，用上下文信息來改進項目之前相似度的計算，從而能獲得更準確的項目預測評分，得到更準確的項目推薦給用戶，提高電子商務系統的用戶體驗。

2傳統的Item-based協同過濾技術

2.1傳統基于項目的協同過濾算法的基本原理

Item-based協同過濾推薦算法的核心就是通過計算項目之間的相似度，然后選擇最相似的項目進行預測[4]。

1）首先，應該建立一個用戶檔案。基于項目的協同過濾技術的基本數據源是一個用戶評分數據矩陣R。它存儲了[a]個用戶對[b]個項目給出的評分。[a]表示用戶信息[U=（u1，u2，…ua）]，[b]表示項目信息[I=（i1，i2，…ib）]。如果用戶[u]對項目[i]進行了評分，它將生成評分[Rui]，[Rui]的值介于 0 和 5 之間。用評分數值越大，則用戶越喜歡該項目。

2）選擇最近鄰居：協同過濾技術的關鍵是選擇目標項目的最近鄰居，并利用鄰居的偏好來預測活躍用戶的偏好。在基于項目的 CF 算法中，應該首先計算項目之間的相似度。我們使用 Pearson 相關性來計算項目之間的相似度。計算公式如式（1）。

[sim（i，j）=u∈Ui，j（Ru，i-Ri）（Ru，j-Rj）u∈Ui，j（Ru，i-Ri）2u∈Ui，j（Ru，j-Rj）2]? ? ? [（1）]

[sim（i，j）]表示目標項[i]與最近鄰居[j]之間的相似性，[Ru，i]、[Ru，j]表示用戶[u]對項目[i]和[j]的評分，[Ri]和[Rj]分別表示對項目[i]和項目[j]的平均評分。

3）當得到所有相似性時，按大小排序并選擇前 K個相似性最大的項目，組成項目[i]的最近鄰集合[Ii]。最后，可以通過計算評分的加權平均值來利用K個鄰居的評分來預測活躍用戶的偏好，該加權平均值表示如公式（2）：

[Pu，i=Ri+j∈Iisim（i，j）*（Ru，j-Rj）j∈Ii（|sim（i，j）|）]? ? ? ? ? ? ? ? （2）

通過上述方法預測用戶對所有未評分項的評分，然后選擇預測評分最高的前若干個項作為推薦結果反饋給當前用戶。

這三個步驟涵蓋了基于項目的協同過濾算法的基本過程。然后，我們將介紹如何基于上下文信息為用戶在移動環境中生成預測。

3基于上下文感知推薦的協同過濾技術

3.1上下文信息的概念

本文介紹的是一種基于項目的協同過濾技術，它結合了移動用戶的上下文信息，所以我們首先應該介紹一下上下文信息是什么。

上下文信息是一個多方面的概念，許多研究人員給出了不同的定義。 2001年，Dey提出了他對上下文信息的定義：“上下文信息是可以用來表征實體狀況的任何信息[5]。實體是被認為與用戶和應用程序之間的交互相關的人、地點或對象，包括用戶和應用程序本身。”在本文中，提出上下文是可以影響用戶行為和偏好的一些物理環境因素（如時間、地點、天氣等）和用戶信息特征因素（性別、行為、知識、背景、職業等）。為了在個性化推薦過程中有效地使用這些上下文信息，應將上下文信息表示如下：

[C=（c1，c2，…cn）]? ? ? ? ? ? ? ? ? ? ? ? ? （3）

C 表示一種類型的上下文信息，例如時間、天氣或地點。[ci]由許多不同的變量組成。例如，在時間類型中，有多個值（比如上午、中午、下午和晚上）或者特定的時間值（例如 5：00pm，11：00am 等）。而用戶在上下文信息的不同變量中，可能對同一項目有不同的偏好。例如，用戶可能喜歡在早上瀏覽有關股市的新聞和信息，而在晚上更喜歡瀏覽娛樂新聞。所以可以給出C的定義：

[c=（ci1，ci2，…cik）]? ? ? ? ? ? ? ? ? ? ? ? （4）

然后，將詳細介紹基于上下文感知推薦的協同過濾技術的具體過程。該推薦技術是基于傳統的item-based CF，所以下面介紹的過程與本文第2節中提到的內容類似。

改進推薦技術的第一步也是建立用戶檔案，必須結合一些用戶的上下文信息來建立用戶矩陣。在傳統的item-based CF中，構建的是一個包含用戶信息和項目信息的二維模型。當加入用戶上下文信息之后，就可以構建用戶、項目以及相關上下文信息的[User×Item×Context]三維模型。比如用戶[U1]對項目[I1]在上下文[C11]下的偏好評分值可記為[RU1，I1，C11]。

3.2計算上下文之間的相似度

計算上下文之間的相似度旨在找出在其他上下文中給出的哪些評分與當前上下文更相關。但是每種上下文類型中都有許多變量。因此，首先要找出其他上下文的哪些變量與當前上下文的變量相同。可以使用以下等式計算兩個上下文信息變量之間的相似性：

[simt（x，y，i）=u=1m（Ru，i，x-Ri）（Ru，i，y-Ri）u=1m（Ru，i，x-Ri）2u=1m（Ru，i，y-Ri）2]? ? ? ? ? [（5）]

這個公式中，[t]表示一種上下文信息變量，[Ru，i，x]表示用戶[u]在上下文[t]中對變量[x]給項目[i]的評分，[Ri]表示對項目[i]評分的平均值。

可以利用公式（5） 來計算活動用戶的當前上下文與其他上下文之間的相似度記為[sim（c，s，i）]，其中 C 表示當前上下文，[s]表示當前上下文中與其他上下文中的變量相同的變量。

3.3選擇最近鄰居并產生推薦

在選擇目標項目的最近鄰居之前，可以根據上面計算得到相似度來計算活躍用戶在當前上下文信息C中對項目[i]的評分。計算方法定義如下：

[Ru，i，c=s?cRu，i，x（t=1nsimt（c，s，i））t=1nsimt（c，s，i）]? ? ? ? ? ? ? ? ? ? ?[（6）]

然后，可以利用包含了上下文信息的評分來計算項目[i]和項目[j]之間的相似度。然后選擇相似度較高的前[k]個項目作為項目[i]的最近鄰集合。相似度計算公式定義如下：

[sim（i，j，C）=u∈Ui，j（Ru，i，c-Ri，c）（Ru，j，c-Rj，c）u∈Ui，j（Ru，i，c-Ri，c）2u∈Ui，j（Ru，j，c-Rj，c）2]

接下來可以利用用戶對鄰居項目的評分來預測活躍用戶在當前上下文 C 中對項目[i]的評分。將評分計算方法定義為[Pu，i，C]。

[Pu，i，C=Ri，c+j∈Iisim（i，j，C）*（Ru，j，c-Rj，c）j∈Ii（|sim（i，j，C）|）]

4實驗結果及分析

為了驗證本文提出的推薦技術能具有更好的推薦性能，筆者設計了下面的實驗。為實驗提供的數據集來自著名的推薦系統MovieLens。抽取出該站點的10萬條評分記錄，這些記錄是由943個用戶對1682部電影的評分，評分數值從0到5。同時將用戶的年齡、性別和職業作為推薦系統的上下文信息。

推薦系統的推薦質量標準可以用平均絕對偏差MAE（mean absolute error）作為預測指標進行衡量。MAE越小，推薦質量越高。對于評分數據，預測的評分集合表示為{[β1]，[β2]，[…][βn] }，實際的評分集合表示為{[r1]，[r2]，[…][rn]}，采用常用的推薦質量度量方法——平均絕對偏差[6][MAE=i=1Nβi-riN]進行度量。

在實驗過程中，將本文改進算法與傳統的基于項目的協同過濾算法Item-based CF進行比較。最近鄰居的數量從10增加到100，每次增加10。通過實驗數據分析，可以看出改進算法能有更低的絕對偏差，這也說明在同樣的環境下，改進的推薦方法有更好的推薦精度，因此推薦效果更好。當隨著所預測產品的近鄰數目的增加，預測的質量也隨之提升，在用戶較多的情況下，實驗結果提升尤為明顯。實驗結果如圖1所示。

5結論與未來工作

考慮到用戶在不同的上下文環境中對物品有不同的偏好，本文研究提出了一種基于上下文感知的協同過濾推薦算法，該方法將用戶的重要上下文信息融入傳統的基于項目的協同過濾推薦技術中。筆者提出的方法局限性在于筆者在實驗中只選擇了三個屬性，即年齡、性別和職業作為用戶的上下文信息。但實際上，有時用戶的時間、位置、關系和其他上下文信息可能更重要。因此，在未來，筆者會設計實驗涵蓋更多的上下文信息和更多的數據評分來評估方法的有效性。同時，筆者將繼續研究將更多類型的上下文信息融入個性化推薦系統中。

參考文獻：

[1] Adomavicius G，Sankaranarayanan R，Sen S，et al.Incorporating contextual information in recommender systems using a multidimensional approach[J].ACM Transactions on Information Systems，2005，23（1）：103-145.

[2] Chen AN.Context-aware collaborative filtering system：predicting the user's preference in the ubiquitous computing environment[C]//Location- and Context-Awareness，2005：75-81.

[3] Gao M，Wu Z F. Personalized context-aware collaborative filtering based on neural network and slope one[C]//Cooperative Design，Visualization，and Engineering，2009：109-116.

[4] 鄧愛林.電子商務推薦系統關鍵技術研究[D].上海：復旦大學，2003.

[5] Dey A K.Understanding and using context[J].Personal and Ubiquitous Computing，2001，5（1）：4-7.

[6]Starwar G， Karypis J，et al.Item-based collaborative filtering recommendationalgorithms[C].In proceedings of the 10th Intl World Wide Web Conference. New York，2011：285-295.

收稿日期：2022-03-06

作者簡介：馬永波（1979—），男，四川成都人，講師，主要研究方向為計算機網絡技術、智能推薦系統;彭玉（1982—），女，四川成都人，副教授，碩士研究生，主要研究方向為電子商務、智能推薦系統。