劉榮榮

(天津大學 管理與經濟學部，天津 300072)

?

考慮時間情境的群體推薦算法研究

劉榮榮

(天津大學 管理與經濟學部，天津 300072)

摘要：群體推薦能夠有效地解決群體社交活動問題，存在著廣闊的應用前景。然而現有的群體推薦研究是不完善的，很少考慮用戶的時間情境信息。針對這個現狀，在傳統群體推薦方法的基礎上考慮時間情境信息，利用時間衰減函數對評分進行預處理后再產生群體推薦列表。實驗結果表明,所提出的算法能為群體提供有效的推薦，且引入時間情境可以提高推薦質量。

關鍵詞：群體推薦；時間情境；協同過濾

個體推薦系統根據用戶的興趣偏好和歷史購買記錄推薦用戶可能感興趣的商品或信息，是一種有效解決信息過載現象的工具，也帶來了巨大的商業(yè)利潤。但其針對的僅僅是個體用戶，對于想要進行集體活動的群體用戶難以發(fā)揮效用，這催生了群體推薦系統。群體推薦并不是個體推薦的簡單疊加，因為群體中會存在不同的意見，個體間的興趣愛好千差萬別，想要找到整個群體都滿意的項目十分困難。目前尚沒有公眾普遍認可的群體推薦算法或系統，群體推薦中仍然有很多因素需要進一步研究，比如上下文信息。上下文信息包括用戶訪問系統的時間、地點、心情等，對提高推薦系統的推薦質量非常重要。時間情境是其中最重要的一種信息，對用戶興趣有著深入而廣泛的影響。用戶興趣是經常變化的，對物品的偏好有季節(jié)效應，且物品也有生命周期。要準確預測用戶現在的興趣，應該更加關注用戶最近的行為，而不是公平對待用戶的每一個行為。

因此運用時間情境更符合人的興趣變化趨勢，引入時間情境，運用衰減函數計算時間權重，對評分預處理，在個體推薦的基礎上聚合個體評分為群體產生推薦列表。

1相關工作

1.1群體推薦系統

伴隨著Web2.0的興起，推薦系統受到更多的關注，其應用也越來越廣泛。國外對群體推薦相關的研究較早，涉及很多相關學科，如運籌學、統計學、群決策、不確定理論和模糊理論等。群體推薦系統可以使用隱式信息或顯式信息來實現推薦[1]。一般情況下使用的是顯式信息，比如Pocket Restaurant Finder推薦系統[2]在做出推薦前需要用戶做問卷調查來展示自己的偏好；還有Movielens推薦系統[3]則使用用戶對電影的評分這種顯示信息。也有推薦系統使用隱式信息的，比如Flytrap[4]，這個系統致力于為健身房內的所有人推薦音樂，推薦的依據是健身房中用戶在電腦上播放的音樂或歌曲。

1.2時間情境

推薦系統的作用是當大量項目存在時，幫助用戶找到所需要的信息或商品，一般來說，這些商品或信息應該是基于用戶歷史偏好計算出來的最能吸引用戶的商品或信息。在這樣的過程中，發(fā)掘情境信息，比如時間、地點、天氣、設備和心情等，能夠起到提高推薦結果的作用。在這些情境信息中，時間情境信息是上下文信息中最重要最有用的信息。時間情境信息能夠追蹤用戶偏好的變化，識別用戶興趣，是基于上下文信息推薦系統的重要輸入。時間情境信息能夠較容易地使用現有技術從推薦系統中得到。時間情境是推薦中應該備受關注的問題，因為用戶的興趣是經常變化的。例如一個程序員隨著工作時間的增加，逐漸從閱讀初級入門書籍過渡到閱讀專業(yè)書籍；一個女孩隨著年齡的增長，逐漸不喜歡動畫片，轉而喜歡浪漫愛情電影。因此人們現在的興趣比以前的興趣更重要，應該使用時間情境來降低以前興趣所占比例，更加關注現在的興趣和行為。然而，盡管個體推薦中已經存在時間情境的研究，但至今群體推薦的相關研究相對較少。

2考慮時間情境的群體推薦算法

在推薦系統中，用戶可使用評分表示對已體驗項目的喜好程度。假設U={U1,U2,…,Um}和I={I1,I2,…,In}分別表示用戶集合和項目集合；R為m×n矩陣，表示m個用戶對n個項目的評分，稱為用戶-項目矩陣；RUiIj表示用戶Ui對項目Ij(i=1,2,…,m; j=1,2,…,n)的評分。

通常，一個群體至少包含兩個成員，都有共同的意愿去參加群體活動。m表示群體中成員的數量，RUi(i=1,2,…,m)表示用戶Ui對推薦系統所有項目的評分情況，因此群體中所有成員對項目的評分可以簡單地描述為以下矩陣形式：

用戶在體驗項目后,通過給項目評分來展現對項目的喜好程度；同時從推薦系統中能夠很容易獲得評分時間戳，是指系統規(guī)定時間點到評分時間點的時間間隔。時間間隔越長代表評分時間越接近現在。例如如果用戶U1對I2的評分時間為5天，意味著用戶是在推薦系統規(guī)定時間之后的第5天給出評分的。

另外，用戶的偏好被很多因素影響，例如年齡和職業(yè)等內在因素，或者是親密的朋友和周圍的環(huán)境等外在因素?？傊脩舻呐d趣不是固定不變的，而是隨著時間的變化而遷移。目前大多數的研究工作放在時間窗或者遺忘函數上，用這些方法來學習和跟蹤用戶的行為。時間窗方法傾向于完全忽視某個時間段之前的信息，可能會導致重要信息的丟失。筆者使用指數遺忘函數[5-6]，其是一種適應性的函數，可以用來逐漸降低以往評分的權重，其定義式為：

其中，time(U,I)是正整數，表示根據項目的評分時間偏好應該降低到什么程度。最近時間設為0天，第二個最近時間設為1天，第三個最近時間設為2天，以此類推。對同一個用戶，如果兩個項目在同一天被評分，則這兩個項目的評分時間是相同的，即兩個項目有相同的time(U,I)。hlU為用戶的半生命周期，依賴于用戶在不同天數的評分次數。對于hlU值較大的用戶，擁有更長的生命周期，其興趣衰減比生命周期短的用戶緩慢。

使用指數遺忘函數計算出來的時間權重，對原始的評分值RUiIj進行預處理，即：

(2)

3實驗結果及分析

3.1數據集

使用的數據集是Movielens 100K。通過網絡進入該網站，注冊后任意挑選已經看過的電影，并根據喜好在1～5分中給出評分。為了評價算法的推薦質量，實驗按照評分時間戳將該數據集分成兩部分。第一部分是訓練集，是除去第二部分外的所有項目評分。第二部分是測試集，包含每個用戶評分時間最接近現在的10個項目評分。對于每一個用戶，測試集中的項目評分時間都比訓練集中的更接近現在。

3.2評價指標

從HERLOCKER等[7]的觀點出發(fā)，在衡量推薦系統的質量時，有兩個主要的度量應該考慮，分別是準確度和覆蓋率。從這兩個角度出發(fā)，做一系列的實驗，對筆者所提出的推薦算法與傳統的群體推薦算法進行對比。

3.2.1準確度度量

采用NDCG指標(normalized discounted cumulative gain)對準確度進行度量。這是一種非常受歡迎的評價排列準確度的方法，獲得了越來越高的關注。實踐表明給出推薦列表更人性化，正確的推薦順序要比準確的預測評分更重要。首先計算每個群體用戶的NDCG，然后將用戶的NDCG平均值作為群體的NDCG[8-10]。群體用戶的NDCG越大，說明算法產生的相關項目越靠近列表前面，因此群體更有可能對推薦結果滿意。

設{P1,P2,…,Ps}為推薦給一個群體的項目集合；s為推薦列表中項目的數量；U為一個用戶；RUPi為用戶U對項目Pi(i是項目Pi在群體推薦列表中的位置)的真實評分。用戶U與群體G之間的DCG(discounted cumulative gain)和NDCG的定義式為：

(3)

(4)

(5)

3.2.2群體覆蓋率度量

這里使用的覆蓋率度量方法不同于傳統的方法。對于傳統的覆蓋率度量，通常用于個體推薦，用來度量給用戶推薦的項目占所有項目的比例。但是這里使用的叫做群體覆蓋率，用來度量群體推薦的有效性。因為數據的稀疏性和信息的不完備性，有些群體無法得到有效的推薦結果。能夠有效推薦的群體數量的比例是值得度量的。覆蓋率的定義式為：

(6)

3.3實驗結果

對比算法有以下幾個：沒有時間權重衰減的推薦算法，命名為CF-AVG；先個體推薦再用最小損失法聚合群體推薦算法，命名為CF-LM；帶有時間權重衰減的CF-LM算法，命名為TIME-CF-LM；先使用平均值法聚合個體評分再用協同過濾算法為群體推薦算法，命名為AVG-CF；帶有時間權重衰減的AVG-CF算法，命名為TIME-AVG-CF。群體成員數量為3、5、8的群體各隨機產生500組，對這些群體給出推薦列表，然后與測試集中的項目相對比，利用準確度和群體覆蓋率這兩個指標衡量實驗結果。不同群體成員數量下筆者推薦算法與對比算法的實驗結果如表1所示。

表1　不同群體成員數量下筆者推薦算法與對比算法的實驗結果

由表1可知，在群體成員數量分別為3、5和8的情況下，筆者推薦算法得到的準確度和群體覆蓋率均比其他算法大，即該算法在準確度和群體覆蓋率上都比其他算法好，群體推薦效果更優(yōu)。而且?guī)в袝r間權重衰減的群體推薦算法的推薦結果都優(yōu)于沒有時間權重衰減算法。

4結論

目前群體推薦算法的研究很少考慮時間情境，而時間情境會對推薦結果產生影響。筆者提出的推薦算法使用用戶評分時間這一時間情境，在時間權重衰減評分的基礎上為群體用戶產生推薦列表。實驗結果表明，筆者推薦算法能夠提供更有效的推薦結果，且時間情境的運用提高了算法的推薦質量。今后還需更加深入細致地研究時間情境，尋找更優(yōu)的時間衰減函數和方法，進一步地提高群體推薦系統的推薦效果。

參考文獻：

[1]JAMESON A,SMYTH B.Recommendation to groups[J].Lecture Notes in Computer Science,2007(4321):596-627.

[2]MCCARTHY J F,ANAGNOST T D.MusicFX: an arbiter of group preferences for computer supported collaborative workouts[C]∥Proceedings of the 1998 ACM Conference on Computer Supported Cooperative Work.[S.l.]:[s.n.],1998:363-372.

[3]JUNG J J.Attribute selection-based recommendation framework for long-tail user group: an empirical study on movielens dataset [J].Expert Systems with Applications,2011,39(4):4049-4054.

[4]CROSSEN A,BUDZIK J,HAMMOND K J.Flytrap: intelligent group music recommendation[C]∥Proceedings of the 7th International Conference on Intelligent User Interfaces.[S.l.]: ACM,2002:184-185.

[5]AGGARWAL C C,HAN J,WANG J,et al.A framework for projected clustering of high dimensional data streams[C]∥Proceedings of the Thirtieth International Conference on Very Large Data Bases.[S.l.]:[s.n.],2004:852-863.

[6]ZHENG N,LI Q.A recommender system based on tag and time information for social tagging systems[J].Expert Systems with Applications,2011,38(4):4575-4587.

[7]HERLOCKER J L,KONSTAN J A,BORCHERS A,et al.An algorithmic framework for performing collaborative filtering[C]∥Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.[S.l.]: ACM,1999:230-237.

[9]BALTRUNAS L,MAKCINSKAS T,RICCI F.Group recommendations with rank aggregation and collaborative filtering[C]∥Proceedings of the Fourth ACM Conference on Recommender Systems.[S.l.]: ACM,2010:119-126.

[10]PERA M S,NG Y K.A group recommender for movies based on content similarity and popularity[J].Information Processing & Management,2013,49(3):673-687.

LIU Rongrong:Postgraduate;College of Management and Economics,Tianjin University,Tianjin 300072,China.

[編輯：王志全]

文章編號：2095-3852(2016)01-0093-04

文獻標志碼:A

收稿日期：2015-10-11.

作者簡介：劉榮榮(1990-)，女，山東泰安人，天津大學管理與經濟學部碩士研究生.

中圖分類號：TP391.7

DOI：10.3963/j.issn.2095-3852.2016.01.020

Group Recommendation Algorithm Research Considering Time Context

LIU Rongrong

Abstract：Group recommendation can effectively solve social activity problems that it has broad application prospects.However,current group recommendation research is not sufficient that it rarely considers users' time context information.In terms of this current situation,the proposed algorithm considers time context information on the basis of traditional group recommendation algorithm.Time decay function is used to preprocess ratings and then group recommendation list is generated.The experiemental results show that the proposed algorithm provide effective recommendation for groups and time context can improve recommendation quality.

Key words：group recommendation; time context; collaborative filtering