李 冰，王 虎，王 銳

(1.江西師范大學(xué) 軟件學(xué)院，江西 南昌 330022；2.武漢理工大學(xué) 管理學(xué)院，湖北 武漢 430070;3.江西理工大學(xué) 經(jīng)濟管理學(xué)院，江西 贛州 341000)

近幾年互聯(lián)網(wǎng)信息呈幾何數(shù)增長，為了讓用戶在海量信息中快速找到自己需要的內(nèi)容，需要服務(wù)推薦系統(tǒng)向用戶實施服務(wù)內(nèi)容的主動式推薦。目前的服務(wù)推薦領(lǐng)域主要偏向于研究提升推薦的精準(zhǔn)度，隨著研究的不斷深入，推薦算法的精準(zhǔn)度逐步提升，但同時推薦內(nèi)容給用戶帶來的信息量越來越少，視野狹窄，缺少多樣化的推薦內(nèi)容。

在服務(wù)匹配(服務(wù)推薦)領(lǐng)域，學(xué)者們對客戶個性化服務(wù)推薦展開了深入的探討，個性化服務(wù)推薦技術(shù)已經(jīng)被廣泛運用于電子商務(wù)、移動通信、社會保險、教育、醫(yī)療等眾多行業(yè)，其研究重點在于為個體客戶提供個性化服務(wù)內(nèi)容[1-6]。在個性行為分析方面，ANDREASSEN等[7]通過對用戶個體差異進(jìn)行分析，對驅(qū)使用戶網(wǎng)上抱怨的因素展開了研究。張曉東等[8]基于價值性和適應(yīng)性兩個維度對個體行為進(jìn)行分類研究，提出個體行為分析與優(yōu)化方法。以上研究主要是從用戶個性行為的角度進(jìn)行分析，探討不同的個體特征會帶來怎樣的行為，而不是從個性特征與客戶個體所需要的服務(wù)之間的關(guān)系展開研究。

人類具有社會性群體活動的天性，近年來，學(xué)者們開始關(guān)注客戶群體服務(wù)推薦[9-13]。目前，群體服務(wù)推薦的研究文獻(xiàn)還相對較少。無論是個性服務(wù)推薦還是群體服務(wù)推薦，其研究目標(biāo)都是使得服務(wù)推薦系統(tǒng)的推薦效果越來越精準(zhǔn)。

隨著研究的不斷深入，學(xué)者們發(fā)現(xiàn)過分追求精準(zhǔn)性指標(biāo)，會犧牲服務(wù)推薦結(jié)果的多樣性。學(xué)者們開始將服務(wù)推薦目標(biāo)從精準(zhǔn)性轉(zhuǎn)向到多樣性。如鄧明通等[14]提出了基于用戶偏好和動態(tài)興趣的多樣性推薦方法。石進(jìn)平等[15]基于社交關(guān)系和用戶偏好提出一種面向多樣性和相關(guān)度的圖排序框架。柳益君等[16]研究發(fā)現(xiàn)用戶社交網(wǎng)絡(luò)分析可為高校圖書館發(fā)現(xiàn)用戶的多樣興趣,進(jìn)而提供主題多樣性的閱讀推薦服務(wù)。王茜等[17-18]提出基于價格消費習(xí)慣的商品多樣性推薦方法。杜巍等[19]提出一種融入新鮮度度量的多樣性推薦模型，在候選推薦項目集合中增加新鮮度參數(shù)來調(diào)節(jié)長尾項目所占比例,進(jìn)而生成最終的推薦列表。MA等[20]構(gòu)建了雙圖網(wǎng)絡(luò)模型,提出了一種提高聚合推薦多樣性的算法。但總體來說，對于多樣性推薦的研究時間還比較短，服務(wù)推薦多樣性研究還不成熟。

國外少數(shù)學(xué)者提出服務(wù)的多樣性和精準(zhǔn)性可以由用戶自由選擇，推薦系統(tǒng)可以向用戶提供一個自由選擇調(diào)節(jié)按鈕，按鈕的兩端分別是多樣性和精準(zhǔn)性。當(dāng)用戶選擇偏向于多樣性時，推薦列表當(dāng)中新穎性的商品權(quán)值更大，排序靠前。當(dāng)用戶選擇偏向于精準(zhǔn)性時，推薦列表當(dāng)中熱門商品權(quán)值更大，排序更靠前。但這種思路的本質(zhì)上還是將精準(zhǔn)性和多樣性對立起來，沒有有機統(tǒng)一。

基于上述現(xiàn)狀，筆者提出一種考慮了多樣性和精準(zhǔn)性的多目標(biāo)混合推薦模型，研究客戶對服務(wù)內(nèi)容的多樣化選擇偏好，從眾多傾向性變量中抽象并概括出3個具體因子：二次選擇因子、個性選擇因子和熱門選擇因子，這3個因子變量能夠從宏觀上概括和解釋客戶的多樣化選擇情況，揭示出事物之間本質(zhì)的聯(lián)系；然后基于3個多樣化因子構(gòu)建混合推薦策略，同時滿足客戶對服務(wù)內(nèi)容的重復(fù)選擇、差異選擇和熱門選擇的傾向性需求。筆者所探求的理論與方法，旨在對目前的服務(wù)匹配理論與方法的不足進(jìn)行補充和完善，該研究不僅在方法和算法方面進(jìn)行了創(chuàng)新，還基于多樣化因子視角提出了多目標(biāo)混合服務(wù)匹配思想和方法，為今后服務(wù)匹配和服務(wù)推薦等領(lǐng)域的深入研究提供了新的方向。

1 客戶服務(wù)選擇多樣性因子分析

客戶在選擇產(chǎn)品時，選擇性會多種多樣，有時會重復(fù)購買已經(jīng)購買過的商品，有時會選擇新穎的個性化內(nèi)容，有時會選擇熱門的商品。服務(wù)推薦系統(tǒng)如果要準(zhǔn)確推薦服務(wù)內(nèi)容，就必須先確定客戶多樣性選擇因子(diversity selection factor，DSF)，筆者將多樣化選擇因子進(jìn)一步細(xì)化為二次選擇因子fi、個性選擇因子fp和熱門選擇因子fg。其中,fi為二次選擇因子，客戶在購買商品時，有些商品需要重復(fù)性購買，如日用品，每隔一段時間就需要重復(fù)購買，因此推薦系統(tǒng)需要根據(jù)慣性進(jìn)行二次推薦。fp為個性選擇因子，有些客戶不喜歡從眾，喜歡標(biāo)新立異，購買能夠展示自己與別人不同的商品，因此推薦系統(tǒng)需要根據(jù)客戶興趣偏好進(jìn)行個性推薦。fg為熱門選擇因子，有些客戶在購買商品時喜歡購買熱門商品，這樣有更多的安全感，因此推薦系統(tǒng)需要根據(jù)熱銷排行榜進(jìn)行熱門推薦。

目前個性化服務(wù)推薦和熱門服務(wù)推薦已有大量的研究成果，而二次服務(wù)推薦研究較少?？蛻絷P(guān)系管理的目標(biāo)是吸引新客戶，留住老客戶。以往的服務(wù)推薦系統(tǒng)的推薦思路是：客戶購買了商品A，推測其可能需要商品B并推薦給該客戶，忽視了對已購買商品的二次推薦，即客戶在未來某個時刻或者某個場景下還會再次購買A產(chǎn)品，并在這之前向客戶推薦。在實踐中，二次推薦的關(guān)鍵在于找準(zhǔn)推薦的時機，如果時機把握不準(zhǔn)，過于提前或延后，則對用戶來說這種推薦信息就是一種騷擾信息。

從推薦的內(nèi)容上看，二次推薦可以分為完全重復(fù)推薦、部分重復(fù)推薦和推理式推薦。完全重復(fù)推薦是指對客戶實施再次推薦時，所推薦的內(nèi)容和客戶歷史購買產(chǎn)品完全一致。部分重復(fù)推薦是指對客戶實施再次推薦時，所推薦的內(nèi)容和客戶歷史購買產(chǎn)品部分相似，并非完全一樣。推理式推薦[21]是指對客戶實施再次推薦時，先預(yù)測客戶的興趣遷移和興趣演化，然后推理出客戶的服務(wù)需求，最后進(jìn)行推薦。隨著客戶年齡的增長和對商品品質(zhì)要求的提高，客戶的興趣也會變化。如客戶在不同年齡段，對蛋糕的款式和造型要求都不相同。再如客戶在某個時刻購買了《人工智能概述》這本書，接下來客戶可能會深入了解人工智能方面的知識，這時系統(tǒng)可以推薦《人工智能算法》《人工智能實戰(zhàn)》等書籍。

2 傳統(tǒng)服務(wù)推薦算法

傳統(tǒng)的服務(wù)推薦算法框架如圖1所示，首先通過用戶行為分析構(gòu)建興趣模型，然后選擇一種具體的推薦算法，常見的推薦算法有協(xié)同過濾、基于用戶推薦、基于內(nèi)容推薦、基于人口統(tǒng)計推薦、基于關(guān)聯(lián)規(guī)則推薦等等，得到服務(wù)推薦列表，最后將前N個項目推薦給用戶。

圖1 傳統(tǒng)服務(wù)推薦的基本框架

不同推薦算法對客戶不同的多樣化選擇因子的考慮是不一樣的?；谟脩舻耐扑]和基于內(nèi)容的推薦相比較，基于用戶的推薦更容易產(chǎn)生新穎性、個性的服務(wù)內(nèi)容，基于內(nèi)容的推薦更容易產(chǎn)生與歷史內(nèi)容相似的推薦結(jié)果。不同推薦算法分析及其對多樣性因子的傾向性選擇如表1所示。

表1 不同推薦算法分析及其對多樣性因子的傾向性選擇

姜書浩等[22]針對不同人對多樣性的偏好不同，提出一種在精準(zhǔn)性和多樣性之間平衡的推薦方法，首先基于客戶歷史數(shù)據(jù)預(yù)測客戶的多樣性偏好程度，然后對推薦列表進(jìn)行過濾，產(chǎn)生滿足不同多樣性要求的推薦結(jié)果。該方法雖然涉及到了多樣性選擇，但不夠全面，忽視了二次選擇因子。

可見，目前已有的服務(wù)推薦算法在服務(wù)多樣性的傾向性選擇上面比較片面，服務(wù)推薦算法選定后，就會在3個選擇因子當(dāng)中傾向于其中的某個。而在實際應(yīng)用過程中，客戶的需求是多樣化的，在不同的時期，客戶的多樣性傾向也會不同。一般對于新客戶而言，比較傾向于熱門推薦，對于老客戶而言，比較傾向于個性推薦與二次推薦。

客戶在不同生命周期階段和不同情境下對于多樣性選擇因子的傾向不同。但是，目前的服務(wù)推薦算法并沒有考慮到用戶的這種傾向性選擇，而是籠統(tǒng)地進(jìn)行推薦，這樣在實際運用過程中經(jīng)常會出現(xiàn)錯匹配現(xiàn)象。有的時候客戶需要個性推薦，而推薦系統(tǒng)提供了很多重復(fù)性的推薦內(nèi)容和極度熱門的推薦內(nèi)容；有時候客戶需要周期性購買日常所需，推薦系統(tǒng)又推薦了非相關(guān)內(nèi)容。這樣就造成了推薦系統(tǒng)不夠精準(zhǔn)，更缺少多樣性的現(xiàn)象。

3 基于多樣性選擇因子的多目標(biāo)混合推薦算法

3.1 基于多樣性因子的推薦框架

基于多樣性因子的多目標(biāo)混合推薦框架如圖2所示，可看出二次推薦算法、個性推薦算和熱門推薦算法的選取需要根據(jù)具體應(yīng)用場景來確定。

圖2 基于多樣性因子的多目標(biāo)混合推薦框架

選取基于內(nèi)容推薦、基于用戶推薦、基于人口統(tǒng)計推薦和協(xié)同過濾推薦算法，將各個算法所推薦的項目集混合在一起，構(gòu)成推薦項目全集。項目全集中包含了二次推薦項目集、個性推薦項目集和熱門推薦項目集。根據(jù)多樣性選擇因子權(quán)重的大小確定多樣性項目集。如某客戶在某時期的二次選擇因子、個性選擇因子和熱門選擇因子權(quán)重分別為0.3、0.5、0.2，假定客戶前端只顯示10個推薦結(jié)果，則可以按照權(quán)重大小先在個性項目集中選取前5個項目，在二次推薦項目集中選取前3個項目，在熱門項目集中選取前2個項目，這10個項目即為最終的服務(wù)推薦結(jié)果。多樣性項目集生成示意圖如圖3所示。

圖3 多樣性項目集生成示意圖

3.2 多樣性選擇因子權(quán)重的確定

客戶的多樣性選擇因子是動態(tài)變化的過程，不同的客戶對二次選擇因子、個性選擇因子和熱門選擇因子的選擇傾向不同。即使是同一客戶，在客戶不同生命周期階段、不同情境下，客戶的多樣性選擇也會有差異。故可以針對每位客戶選擇偏好來確定3個多樣性選擇因子權(quán)重搭配。將客戶每次選擇的服務(wù)內(nèi)容按照3個多樣性選擇因子歸為3類：二次選擇服務(wù)項目、個性選擇服務(wù)項目和熱門選擇服務(wù)項目。

(1)短期多樣性選擇因子權(quán)重的確定。從長短期來看，可以采用以下方法確定多樣性選擇因子權(quán)重。設(shè)I(t)=I1(t)∪I2(t)∪I3(t)為某客戶在t時期所選擇的服務(wù)項目全集。I1(t)為二次選擇服務(wù)項目集，指客戶在t時期之前也選擇過的同類型服務(wù)項目集合。I3(t)為熱門服務(wù)項目集合，指在t時期客戶選擇了熱銷榜單上面項目的集合。I2(t)為個性服務(wù)項目集合，I2(t)=I(t)-I1(t)∪I3(t)，既不出現(xiàn)在熱銷榜單上面、又不出現(xiàn)在二次選擇項目上面的內(nèi)容被認(rèn)為是客戶的個性選擇服務(wù)項目。NI1、NI2、NI3分別表示二次選擇服務(wù)項目集I1(t)、個性服務(wù)項目集I2(t)、熱門服務(wù)項目集I3(t)所包含的項目數(shù)量。

(2)長期多樣性選擇因子權(quán)重的確定。從長期來看，可以通過馬爾科夫鏈來預(yù)測客戶對不同服務(wù)類別的偏好，這里通過實例進(jìn)行說明。將客戶每次選擇的服務(wù)內(nèi)容按照3個多樣性選擇因子歸為二次選擇服務(wù)項目、個性選擇服務(wù)項目和熱門選擇服務(wù)項目3類，分別標(biāo)記為A、B、C。假設(shè)某一時刻客戶狀態(tài)轉(zhuǎn)移的概率只依賴于其前一個狀態(tài)，即客戶當(dāng)前選擇服務(wù)類別的概率只依賴于其之前選擇的服務(wù)類別。通過分析某位客戶的歷史服務(wù)選擇記錄，可得到某客戶對不同服務(wù)類別的傾向表，如表2所示，其中的狀態(tài)轉(zhuǎn)移概率為模擬值，該客戶對不同服務(wù)類別選擇的馬爾科夫模型如圖4所示。

表2 某客戶對不同服務(wù)類別的傾向

圖4 某客戶對不同服務(wù)類別選擇的馬爾科夫圖

4 推薦系統(tǒng)冷啟動問題

對于初上線的推薦系統(tǒng)，由于客戶與服務(wù)內(nèi)容關(guān)聯(lián)數(shù)據(jù)較少，難以準(zhǔn)確預(yù)測客戶的多樣性選擇偏好。為了解決冷啟動問題，可以從粗粒度角度來確定多樣性選擇因子權(quán)重。具體思路是以客戶群為單位，計算一個綜合性的多樣性服務(wù)選擇因子。根據(jù)客戶當(dāng)前狀態(tài)及偏好選擇三者組合搭配比例，確定多樣性選擇因子F={fi,fp,fg}。待系統(tǒng)運行成熟后，可以根據(jù)每位客戶的當(dāng)前狀態(tài)有針對性地確定多樣性選擇因子。

筆者通過多智能體模擬方法，設(shè)置固定周期和一定數(shù)量的客戶，模擬3個因子在不同比例下整個系統(tǒng)運營的績效，找出整體績效最佳情況下3個因子的搭配比例。

設(shè)有N個客戶組成一個群體，第i個客戶所選擇的服務(wù)內(nèi)容為一個D維向量Xi=(xi1,xi2,…,xiD)，i=1,2,…,N。對于第i個客戶而言，推薦系統(tǒng)每次所推薦的服務(wù)內(nèi)容也可表示為一個D維向量Vi=(vi1,vi2，…,viD)，i=1,2,…,N?？蛻暨x擇服務(wù)后的滿意度為函數(shù)f(∑Xi)。

客戶群每完成一次服務(wù)選擇后(即完成一次迭代)，可以得到第i個客戶目前最偏好的服務(wù)內(nèi)容，即pbest(i)=pgi=(pi1,pi2,…,piD)。在所有客戶歷史最優(yōu)偏好當(dāng)中找到最大值，其所對應(yīng)的服務(wù)內(nèi)容可表示為gbest=(pbest(1),pbest(2),…,pbest(N))=(pg1,pg2,…,pgD)。其中，pbest為客戶的個性偏好選擇，體現(xiàn)出客戶對個性選擇因子的傾向；gbest為整個客戶群的共性選擇，體現(xiàn)出客戶對熱門選擇因子的傾向。

推薦系統(tǒng)運行客戶滿意度可根據(jù)式(1)～式(2)不斷進(jìn)行更新：

vid(t+1)=w×vid(t)+c1r1(t)(pid(t)-

xid(t))+c2r2(t)(pgd(t)-xid(t))

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

式(1)表示推薦系統(tǒng)在給定二次選擇因子、個性選擇因子和熱門選擇因子3個權(quán)重值之后對推薦列表進(jìn)行更新后的推薦內(nèi)容。式(2)表示客戶根據(jù)最新系統(tǒng)推薦內(nèi)容而做出的服務(wù)選擇。

5 結(jié)論

針對目前已有的服務(wù)推薦算法對于客戶選擇的多樣性因子缺乏全面考慮的現(xiàn)狀，提出客戶對服務(wù)項目的多樣性選擇因子，具體包括：二次選擇因子、個性選擇因子和熱門選擇因子。基于3個多樣性選擇因子，提出一種多目標(biāo)混合推薦模型，在實施服務(wù)推薦之前先挖掘客戶對不同多樣化因子的偏好程度。

筆者針對冷啟動問題，采用多智能體模擬的方法確定了冷啟動階段3個多樣性選擇因子的搭配比例。對于剛上線的系統(tǒng)，可以設(shè)置二次選擇因子、個性選擇因子和熱門選擇因子的初始權(quán)重比例分別為25%、25%、50%。待系統(tǒng)運行成熟后，可以運用馬爾科夫鏈計算不同多樣性因子的權(quán)重?；诨旌纤惴ǖ贸瞿芡瑫r滿足客戶所有多樣性選擇因子的服務(wù)項目。

以電商為例，企業(yè)在實施服務(wù)推薦時，可以在其門戶網(wǎng)站首頁上面展現(xiàn)多樣化推薦內(nèi)容。目前各大電商網(wǎng)站是在門戶網(wǎng)站主頁上面推薦熱門商品，缺少個性商品和二次推薦商品。每位客戶登錄網(wǎng)站之后，首頁所顯示的內(nèi)容都千篇一律?；诠P者提出的方法，電商企業(yè)可以根據(jù)每位客戶3個影響因子的權(quán)重大小來布局3類商品。權(quán)重大的因子，將其顯示在主頁更為顯眼的位置。這樣一來，門戶網(wǎng)站主頁不再是千篇一律，而是為每位客戶“量身定制”。

筆者所提出的推薦策略彌補了已有的服務(wù)推薦理論的不足，并對未來的智能化、主動化電子商務(wù)服務(wù)平臺的設(shè)計提供了借鑒。