基于眼动实验的个性化地图推荐模型探讨

方 潇，李 萌，包 芃，林宏波

（1.信息工程大学 地理空间信息学院，河南 郑州 450052；2.沈阳建筑大学 交通与机械学院， 辽宁 沈阳 110168；3. 69027部队， 新疆 乌鲁木齐830002）

基于眼动实验的个性化地图推荐模型探讨

方 潇1，李 萌1，包 芃2，林宏波3

（1.信息工程大学 地理空间信息学院，河南 郑州 450052；2.沈阳建筑大学 交通与机械学院， 辽宁 沈阳 110168；3. 69027部队， 新疆 乌鲁木齐830002）

结合地学眼动实验方法，提出一种以用户视觉为主体的个性化地图推荐模型，避免了个性化推荐技术中冷启动与用户数据稀疏的缺陷,使得在现有的用户兴趣与需求挖掘条件下,个性化服务的推荐结果更加精确。最后对模型进行了测试, 并得出了统计结果。

眼动实验；个性化推荐；地图服务；数据挖掘

目前，国外将个性化地图服务与电子商务和旅游服务推荐系统相结合，相继推出PALIO、GiMoDig、Deep Map等个性化地图服务的原型推荐系统。国内学者对个性化地图服务的研究随着网络地图服务技术的普及也已经有很大的发展，研究主要集中于定制技术层面，较成熟的应用服务有百度、搜狗等网络地图。然而，传统的个性化推荐服务获取用户需求的方式只局限于用户对计算机的操作，面对多样化与多变性的用户信息就显得力所不及，推荐结果常常不尽人意。眼动研究被认为是分析人类信息获取和信息加工最有效的方式[1]。本文基于地图学眼动实验直观获取用户视觉信息，结合个性化推荐技术，提出一种实时有效的个性化地图推荐模型，较好地弥补用户需求获取困难与用户兴趣多样化而导致的推荐结果不稳定的缺陷，提高了用户对于推荐服务的满意度。

1 个性化地图推荐服务的概念

1.1 个性化地图服务

个性化地图服务是以满足用户对地图的个性化需求为目的，实现地图服务的方式、资源、内容的个性化，以此满足用户需求，提高服务效率。它的定义为：个性化地图服务是一种能够提供适应用户个性需要的服务，即可以根据用户提出的明确要求被动地提供服务，或者通过对用户个性、知识结构、认知特征、使用行为等多种信息进行挖掘、加工、整理，而主动地提供满足用户潜在需求的服务模式[2]。服务模式分为2种：基于被动获取用户需求的地图定制服务与主动挖掘用户信息与需求的地图自适应服务。

1.2 个性化推荐技术

个性化推荐技术是介于定制服务技术与自适应服务技术中的一个过渡层次，是利用电子商务网站向客户提供商品信息和建议，帮助用户决定购买合适产品，模拟销售人员帮助客户完成购买过程[3]。个性化推荐技术是以主动的服务方式通过用户需求来驱使个性化服务。它需要以定制服务的参数化模板技术为基础，结合自适应服务的数据挖掘技术，提取用户信息和分析用户需求，匹配服务数据库的特定服务，以满足用户对服务的需求。

个性化推荐技术秉承以用户为中心的服务体系，在国内外的研究中都取得了丰硕的成果。但个性化推荐技术在发展中也产生了许多问题。例如，因用户需求与兴趣的多样化，导致目标用户无法有效匹配邻近用户的数据稀疏性问题与历史用户数据稀少，新用户无法进行服务推荐匹配的冷启动问题[4]，这些问题决定着个性化推荐结果的准确性与稳定性。为此，国内外不少学者研究了相应的解决方案。 ConorHayes等人将用户当前2个阶段的语境信息的检索技术相结合，提高了推荐结果的精确度；MatevKunaver等人利用3种不同的推荐算法合成一种新的推荐算法，使得推荐的结果更加稳定；BuhwanJeong将用户信任等级融入推荐算法，有效地解决了个性化推荐的冷启动问题；李涛等人基于用户聚类的方法优化了用户数据矩阵，有效解决了推荐过程中的数据稀疏性问题；王卫平利用k-means对聚类用户，并依靠金字塔框架处理模型来预处理评分数据，有效体现了用户评分时间对推荐结果的影响，提高了推荐质量；刘旭东等人将用户兴趣与协同过滤算法相结合，解决了推荐过程中评分的数据稀疏性问题。

2 基于眼动实验的个性化地图推荐模型

2.1 推荐模型流程

依据眼动实验的原理来设计个性化地图推荐模型，以期利用人体的直观视觉信息来推测用户需求。模型的流程如图1所示。

图1 个性化地图推荐服务流程图

2.1.1 数据来源与处理

眼动数据是推荐模型的主要数据来源，本模型的眼动数据来源于眼动仪通过捕捉用户在一定时间内的眼动轨迹数据与眼动热点数据。

2.1.2 用户行为挖掘与需求分析

系统自动接收眼动实验过程得到的眼动数据，通过用户在浏览地图网页中各个区域的时间和先后顺序，并基于关联规则与数据挖掘技术来对眼动数据进行解析和查询，分析地图用户对当前地图的需求信息。

2.1.3 匹配地图服务与个性化推荐

将上一步得到的用户需求信息（地图推荐结果）传输至地图服务器，地图服务器在获取用户需求之后，调用地图数据库的地图产品与用户需求进行匹配，后利用可视化技术将地图产品显示至客户浏览器，完成整个地图服务的推荐。

2.2 推荐模型框架

依据个性化地图推荐模型的流程，本文将推荐模型分为3部分：前台数据获取系统（数据搜集）、数据处理系统（用户需求分析与查询）、地图匹配与显示系统（地图匹配及可视化）。具体功能如2图所示。

图2 个性化地图推荐模型框架

2.2.1 前台数据获取系统

前台系统的功能分为2部分，一部分是眼动数据的搜集功能；另一部分是地图的查询与检索功能。当用户未直接向系统提交需求时，系统将根据用户信息和视觉信息自动对用户进行周期性的眼动实验，每隔一段时间将产生眼动实验的数据，系统将不断搜集眼动数据并将其传输至数据处理系统的数据挖掘子系统。当用户向系统提交直观的需求时，系统将需求信息传输至数据处理系统的地图查询子系统，搜索用户所需的地图信息。

2.2.2 数据处理系统

主要依靠3个子系统混合处理数据。

1）数据挖掘子系统。依据眼动数据的观察时间与顺序节点，提取出注视时间数据和观察顺序数据，将这些数据传输至需求分析子系统。

2）需求分析子系统。基于数据挖掘子系统所提取的注视时间、观察顺序数据和数据关联规则，提取用户可能感兴趣的地图模块信息，得到关于当前用户的地图第1兴趣信息、地图第2兴趣信息、地图第3兴趣信息，以此形成用户需求的推荐信息。

3）地图查询子系统。此子系统将基于前台用户所输入的直观需求进行地图查询，查询信息将传输至地图匹配与显示系统进行下一步的处理。

2.2.3 地图匹配与显示系统

该子系统的主要功能就是将数据处理系统得出的需求信息进行地图匹配与可视化。该部分把直观的或者非直观的需求信息通过地图数据库进行地图匹配，将个性化推荐系统的结果以可视化的形式反馈给用户，让整个推荐过程具有人机交互的效果，使用户对个性化推荐系统有个良好的体验。

3 基于眼动实验方法的模型实例验证

3.1 实验准备

3.1.1 实验目的

采用眼动实验法，主要基于地图用户注视地图的时间、顺序与用户需求的关系，对用户的眼动实验数据进行分析，验证模型推荐结果的有效性。

3.1.2 被试取样

本例从在校大学生中随机选取了125人来完成本次眼动实验，年龄均在20～30岁之间，其中本科生50名，研究生50名，博士生25名。

3.1.3 实验器材与材料

选取俄罗斯行政区划地图为实验底图，采用Tobii T-120型眼动仪作为实验仪器，该眼动仪采样频率120 Hz，空间分辨率为0.3°，偏离度为0.1°，头部动作自由度为30 cm×22 cm×30 cm，精确度为0.5 cm，眼跟踪技术为亮瞳孔和暗瞳孔跟踪，眼跟踪服务器为嵌入式，屏幕尺寸为43.18 cm薄膜晶体管液晶显示。

3.2 实验方法

采用随机抽取法进行实验，被试人员对材料均不熟悉，可排除经验对结果的影响。具体步骤如下。

1）被试人员使用眼动仪开始捕捉眼球轨迹，校准眼动参数。

2）实验正式开始，被试人员观察眼动实验材料2 min。

3）被试人员获取推荐结果，并对结果进行选择与评价，实验结束。

3.3 实验结果及分析

本例随机抽取5位被试者的实验结果进行展示，被试者眼动实验的热点图、轨迹图如图3、4所示。

图3 眼动实验热点图

在眼动实验热点图中,红色区域代表当前用户注视时间相对最长的区域；黄色区域代表当前用户注视时间相对较长的区域；绿色区域代表当前用户注视时间相对较少的区域；没有上色的区域代表当前用户未观察或者观察时间极短的区域。

图4 眼动实验轨迹图

在眼动实验轨迹图中，有许多以数字为标记的点，数字由1到N，表示眼动仪捕捉到当前用户的N个注视点。这些注视点是根据眼球发生跳动及眼球运动的轨迹来记录的，注视点的大小根据注视时间的长短而设定。在图中，可以清楚地掌握实验用户的兴趣点和观察顺序。

在进行实验时，将用户分别标记为U1、U2、…、Un，建立关于每一个用户的眼动数据记录表。表中的参数有：Number（时间标签序号）、FixationIndex（注视点的序号）、DataTimeStampStratOffset（眼睛变化注视点的开始时间）以及GazePointX（眼睛在屏幕上水平坐标的扫描均值）、GazePointX（眼睛在屏幕上竖直坐标的扫描均值）等。

模型系统将存储每1个被试者的眼动数据记录表，经分析得出推荐结果。随机抽取的5份被试者推荐结果及满意度的调查统计表如表1所示。

以满意计10分，比较满意计8分，一般计6分，不满意计0分。本实验对125位用户的满意度进行了统计。其中评价为满意的用户80人，评价为比较满意的用户25人，评价为一般的用户15人，评价为不满意的用户5人。实验综合评分为86.8分。说明该个性化推荐模型是可行的，模型评价为良好。

表1 推荐结果统计表

4 结 语

针对现有个性化推荐面临冷启动及推荐数据稀疏性的问题，运用眼动实验方法与个性化推荐技术，建立了一套自动分析用户需求的个性化地图推荐模型。该模型打破个性化推荐中常规的用户需求获取手段，借鉴“所见即所得”的服务思想，基于对用户视觉的分析来推测用户需求，为其推荐地图服务，有效地提高了用户获取需求信息的准确性。

[1] 瞿珍.网络广告视觉搜索的眼动研究[D].金华:浙江师范大学,2009

[2] 吴增红.个性化地图服务理论与方法研究[D].郑州:信息工程大学,2011

[3] Resnick P, VarianH R.Recommender Systems[C].Communications of the ACM, New York, USA, 1997

[4] Sarwar B M.Sparsity,Sealability and Distribution in Recommender systems[P].University of Minisota,2001

[5] 张仙峰.当前阅读研究中的眼动指标述评[J].心理与行为研究,2006,4(3):236-240

[6] Deshpande M，Karypis G.Item-based Top-n Recommendation Algorithms[J].ACM Trans Inf Syst, 2004,22(1):143-177

[7] 曾春,邢春晓,周立柱.个性化服务技术综述[J].软件学报,2002,13(10):1 952-1 954

[8] 韩玉昌.眼动仪和眼动实验法的发展历程[J].心理科学,2000,23(4):454-457

[9] Rich E.User Modeling via Stereotypes[J].Cognitive Science, 1979,3(4):329-354

[10] 刘建国,周涛,汪秉宏.个性化推荐系统的研究进展[J].自然科学进展,2009,19(1):1-15

P283.1

B

1672-4623（2015）01-0167-04

10.3969/j.issn.1672-4623.2015.01.056

方潇，硕士，主要研究方向为地学可视化。

2013-12-04。

项目来源：国家高技术研究发展计划资助项目（2012AA12A404）；国家自然科学基金资助项目（41171353）。