王理 张淑莲
摘要:传统的推荐系统是面向单个用户的推荐。作为个性化推荐的一个新的延伸,目前有越来越多的推荐系统正试图面向一组成员进行推荐。将推荐对象从单个用户扩展到一组用户的转变带来了许多新的课题,该文将主要介绍目前已有的几种组推荐算法,并总结一般组推荐系统的偏好融合过程。
关键词:组推荐;用户偏好融合;排列融合;组偏好模型;评价标准
中图分类号:TP393 文献标识码:A 文章编号:1009-3044(2014)07-1511-05
1 概述
在传统的推荐系统中,有众多算法对单个用户进行个性化推荐(如协同过滤算法、基于内容的推荐算法、基于标签的推荐算法、基于案例的推荐算法等)。不少传统个性化推荐算法可以同时在精确度和运行时间等方面得到理想的推荐效果;此外,大部分现有算法都采用预测评分的方式预测用户可能喜欢的新闻、商品、电影等项目,以评分的高低作为用户对该项目兴趣度的标准。在该标准之下,用户偏好被量化成为具体的数值,供推荐系统参考。
面向一组用户的推荐算法同样可以采用预测评分作为衡量用户偏好的标准。目前,已经有许多推荐系统融合了组推荐技术[1]。例如,实现web页面推荐的Lets Browse[2]、I?Spy[3],实现旅游推荐的Intrigue[4]、CATS[5],实现音乐推荐的MusicFX[6],实现电影和电视推荐的FIT[7]、PolyLens[8]、GroupLens[9]等。这些已有的组推荐系统采用不同的方法将用户个人偏好融合为整个组的偏好。该文旨在介绍以上系统中常用的几种组推荐算法,并总结一般组推荐系统的偏好融合方法。论文其他部分組织如下:第2节阐述了三种主要的偏好融合方法,也是三种组推荐流程框架;第3节在确定组推荐实施的基本框架后,比较分析了两大类十余种不同偏好融合策略;第4节介绍了适用于不同组推荐算法的结果评价标准;第5节进行总结与展望。
2 偏好融合方法
大多数组推荐算法与传统个性化推荐算法的不同,主要在于前者的目的是获取一组用户的偏好,而后者的目的是获取单个用户的偏好。如何实现一组用户偏好的融合,是组推荐研究中的核心课题之一。研究者需要不同的融合方法,以找出哪些成员的个人偏好信息可以被结合在一起;除此之外,系统还必须保证其推荐的项目对整个组的用户都适用。
组推荐系统中用户偏好的融合方法大体可分为三种,即合并对个人用户的推荐结果,融合用户的评分和建立组偏好模型。本节详细介绍这三种融合方法的基本思想。
2.1 融合对各成员的推荐结果
5 总结与展望
作为个性化推荐的延伸,组推荐技术近年来得到了广泛的关注。组推荐算法与传统个性化推荐算法关系密切,后者根据用户偏好来提供推荐,而前者则需要融合组内各成员的偏好得出推荐结果。融合偏好的方法主要包括排列融合、评分融合和构造组偏好模型这三种。而融合策略主要有计数类策略和满意度策略两大类,前者包括赞成票法、多数票法、Borda计数法、科普兰规则等,后者包括最大平均满意度、最小忍耐度、最大满意度、无忍耐平均满意度、公平策略、区别处理组成员等策略及延伸方法。当组推荐算法得出推荐结果之后,可以分情况采用准确率、召回率、平均绝对误差MAE、均方根误差RMSE、nDCG等标准对推荐结果进行评价。
组推荐是一个较新的领域,目前仍然存在很多挑战,许多方向值得进一步研究,例如,如何融合冲突目标的偏好、如何解决数据稀疏问题、如何根据用户的动态信息提供动态的推荐、如何为组推荐提供更合理的解释、如何在推荐中加入协商机制等。
参考文献:
[1] Jameson A, Smyth B. Recommendation to groups[M]//The adaptive web. Springer Berlin Heidelberg, 2007: 596-627.
[2] Lieberman H, Van Dyke N, Vivacqua A. Let's browse: a collaborative browsing agent[J]. Knowledge-Based Systems, 1999, 12(8): 427-431.
[3] Smyth B, Balfe E, Freyne J, et al. Exploiting query repetition and regularity in an adaptive community-based web search engine[J]. User Modeling and User-Adapted Interaction, 2004, 14(5): 383-423.
[4] Ardissono L, Goy A, Petrone G, et al. Intrigue: personalized recommendation of tourist attractions for desktop and hand held devices[J]. Applied Artificial Intelligence, 2003, 17(8-9): 687-714.
[5] McCarthy K, Salamó M, Coyle L, et al. CATS: A Synchronous Approach to Collaborative Group Recommendation[C]//FLAIRS Conference. 2006, 2006: 86-91.
[6] 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. ACM, 1998: 363-372.
[7] Goren-Bar D, Glinansky O. FIT-recommend ing TV programs to family members[J]. Computers & Graphics, 2004, 28(2): 149-156.
[8] Oconnor M, Cosley D, Konstan J A, et al. PolyLens: a recommender system for groups of users[C]//ECSCW 2001. Springer Netherlands, 2001: 199-218.
[9] Konstan J A, Miller B N, Maltz D, et al. GroupLens: applying collaborative filtering to Usenet news[J]. Communications of the ACM, 1997, 40(3): 77-87.
[10] Baltrunas L, Makcinskas T, Ricci F. Group recommendations with rank aggregation and collaborative filtering[C]//Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010: 119-126.
[11] Masthoff J. Group modeling: Selecting a sequence of television items to suit a group of viewers[M]//Personalized Digital Television. Springer Netherlands, 2004: 93-141.
[12] Yu Z, Zhou X, Hao Y, et al. TV program recommendation for multiple viewers based on user profile merging[J]. User Modeling and User-Adapted Interaction, 2006, 16(1): 63-82.
[13] 黄立威, 李德毅. 社交媒体中的信息推荐[J]. 智能系统学报, 2012, 7(1): 1-8.
[14] Pocket RestaurantFinder: A situated recommender system for groups
[15] 許明峰. 基于排列融合的组推荐系统研究与应用[D]. 中山大学, 2011.