基于情景感知技术的网络信息资源个性化推荐方法

张 磊

(安徽工商职业学院，安徽 合肥 231131)

0 引 言

随着计算机通信技术和互联网的发展，网络中形成了数量庞大、内容丰富的信息资源，人们在享受信息资源提供的便利的同时，也受到信息量过载的困扰。随着电子商务、物联网的发展，传统的互联网领域被拓宽，当前社会也已经进入大数据时代，但是信息过载问题却日益严重。虽然搜索引擎等传统的检索技术，可以为用户提交与需求相匹配的网络信息资源，但是由于同质化程度高，难以满足用户在特定情境、目的和时期的个性化信息需求，用户还需要进一步的过滤和筛选，才能获得符合需求的信息[1]。为满足不同用户的个性化信息需求，学术界将研究的侧重点放在个性化推荐方法上，分析用户潜在需求，建立兴趣模型，对信息数据进行筛选和过滤，最终从大量数据中推送符合用户兴趣的信息。从技术角度，个性化推荐具体包括用户兴趣偏好、个性化推荐、评价与改进3个流程；从信息过滤角度，是对网络信息资源内容进行协同和混合式过滤[2]。传统个性化推荐方法，通常只对用户和项目的二维关系进行评分，没有考虑所处的环境情景。因此，本文基于情景感知技术对网络信息资源个性化推荐方法进行研究，进一步提高个性化推荐的精确度，改善用户体验，对于网络信息资源推荐提供一定理论指导，促进情景感知技术的实践应用。

1 构建基于情景感知的兴趣匹配模型

情景感知技术能够利用周边环境、位置等情况信息，采集和处理相关信息，环境情景对于实际个性化推荐应用具有巨大作用，能够为用户提供基于情景感知的个性化服务。本文将社会关系网络引入情景感知当中，不同于单个用户和团体用户的个性化推荐策略，引入社会网络关系后需要对其共同特性进行感知，不再强调用户的独立情景，用户间的社交情景作为感知的主体被突出[3]。本文下面将从社会网络关系的角度出发，研究用户间的社会关系划分，为网络信息资源的个性化推荐提供支撑。

1.1 挖掘用户行为模式

分析用户行为的目的，在于找出现实环境中用户的接触规律，以此划分社会关系。由于用户行为不易模拟，因此本文以网络信息资源数据集的接触频率为切入点，探寻情景融合下的用户行为模式。网络信息资源的联结关系，能够反映用户接触行为[4]。利用网络信息资源，设置接触矩阵，临时接触不能代表用户间存在社会网络关系，同时无法验证具有相似的兴趣偏好。因此从用户间的接触历史记录出发，使用累积连接判断用户社会网络关系的稳定性。用A、B分别表示相邻接触矩阵，f表示接触频率。为计算相邻用户接触频率，使用矩阵距离函数对其进行衡量，在实际应用中，熟悉的用户关系稳定，接触频率相应提高，通过计算整个网络环境中的相邻稳定接触矩阵距离，消除临时接触的影响，可以更好地反映用户行为规律[5]。根据相邻用户接触频率，挖掘用户行为模式，其表达式为

(1)

其中，s(i,j)表示数据集，i、j表示元素值。

1.2 提取网络信息资源社会关系

在上述挖掘用户行为模式的基础上，提取网络信息资源社会关系和匹配用户兴趣的偏好。在网络中，用户联系频发的节点连接频率要高于其他节点，以累积稳定连接为基础，对联系紧密的节点进行社会关系划分，再以此为基础拓展到整个网络。网络拓扑结构的变化，主要表现为网络节点和边的变化，具体根据构建节点和边的加入序列或删除序列，可以细化为节点增加、节点删除、边增加和边删除[6]。网络节点的增加和删除，也是由边的变化决定的。对于原本频率低于阈值的边，频率高于阈值时，表明为新增加的稳定连接；当原本频率高于阈值的边，频率低于阈值时，表明为删除的稳定连接。对于网络中出现的非稳定连接，其节点不一定全部加入社会关系网络中，对于社会网络外的全部节点，通过遍历每个节点，判断所处的社会关系。由于网络节点和边在不断变化，进而导致划分的社会关系网络也在不断发生变化，具体可以分为产生和消失、分割和合并、增长和缩小的演化事件[7]。其中，产生表示网络节点出现新的连接，当前无社会关系相连接，因此产生新的社会关系；消失表示社会关系中所有边被删除后，该社会关系也被删除；合并表示不同社会关系中的节点产生连接，进而导致社会关系合并为一体；分割表示相同社会关系因节点的删除而分割为两个社会关系；增长表示社会关系内节点数量增多；缩小表示社会关系内节点数量减少。在实际应用中，社会关系不仅依靠网络节点划分，还应具有标识性[8]。对于社会关系的跟踪策略要能够检索到任意节点ID。根据上述演化规则，不断更新节点ID，以此反映具体社会关系的变化。

1.3 用户兴趣的偏好匹配

对网络中的社会关系进行提取后，就可以进行面向社会关系网络的情景感知个性化推荐。首先需要确定情景要素，在本文中，用户的社会关系划分是最重要的情景要素。假定t时刻的网络W(t)表示为

W(t)=〈u(t),e(t)〉

(2)

其中，u(t)表示用户，e(t)表示项目。相应的社会关系划分表示为

(3)

(4)

2 设计基于情景感知技术的个性化推荐算法

个性化信息推荐，首先根据相似用户有相似兴趣的基本假设，利用用户对项目网络信息资源的偏好数据，通过相似性计算得到用户的最近邻，利用最近邻的评分预测用户的评分，最后根据预测产生个性化推荐[9]。本文提出一种结合情景的过滤推荐算法，综合考虑周围环境情景和社会网络关系。

2.1 计算用户综合情景相似度

个性化推荐算法的核心是获取用户的最近邻，用户最近邻的选取原则，是有相似的兴趣偏好和需求。基于此原则，利用环境情景和社会关系情景数据，分别计算二者单项的用户相似度[10]。本文提出的环境情景相似度的计算公式可以表示为

目前已经实现的预测浅水流常规且最有效的方法是反射地震法，这种方法预测精度高、成本低，主要是通过对浅地震反射深度剖面的获取实现对浅水流的预测。而反射深度剖面是通过地震反射勘探技术获得CMP叠加时间剖面，参照钻孔标定的速度进行时深转换而获得。

(5)

(6)

其中，Sxy表示用户x和y的信任传递，n(x)表示x在信任网络中的相邻节点。将计算出的环境情景相似度sim(ax,ay)q和社会关系情景Sxy进行加权融合，得到综合情景相似度sim(ax,ay)，具体计算公式可以表示为

sim(ax,ay)=λ×sim(ax,ay)q+(1-λ)Sxy

(7)

其中，参数λ表示推荐算法中环境情景和社会关系情景的影响权重，λ值越大，说明周围环境的用户情景相似度起到的作用越大，反之，则说明用户社会网络信任关系的作用越大。当λ=1或0时，综合情景相似度就表示单一影响条件下的用户相似度。通常条件下，实际个性化推荐应用中的周围环境情景和社会网络关系情景不一定同等重要，因此具体的参数λ可根据具体情况进行调整[12]。在得到用户综合情景相似度之后，为用户选择最近邻。最近邻是与目标用户具有较高相似性的用户集合。预先设置一个固定值K，确定最近邻集合大小，根据用户综合情景相似度，计算目标用户与其他用户的相似度值，从大到小依次进行排列，与目标用户最近邻的前K个用户，就组成该目标用户的最近邻集合。

2.2 预测与生成用户偏好推荐

过滤推荐算法的基本前提是偏好相似的用户会对同一项目给出相似评价。因此，得到用户最近邻后，根据最近邻评分对目标用户评分进行预测[13]。本文提出的基于情景感知的未评分项目偏好预测，可以用以下公式进行表示

(8)

根据预测的偏好值，将预测偏好值从大到小依次进行排列，为目标用户推荐偏好值最大前n个的服务项目。

本文综合考虑周围环境情景和用户社会网络关系情景，提出个性化推荐过滤算法，利用计算出的环境情景偏好和用户社会网络关系，得到用户综合情景相似度，为目标用户选择最近邻集合后，预测潜在情景偏好并生成推荐。

3 实验结果与分析

3.1 选取基准比较算法和数据集

为验证本文设计的个性化推荐方法的有效性，将本文方法设为实验组，选择传统方法作为对比组，具体包括基于内容的过滤算法、协同过滤算法和混合式过滤算法，以上3种方法都是不考虑情景感知的个性化推荐方法。在实验中，选择E数据集来验证推荐方法的有效性[14]。该数据集中包含用户对产品的评分信息和信任关系信息，满足本文的实验数据需要。

3.2 评价指标

(9)

数据集中用户对项目的打分值，通常是0～5的整数。对于推荐项目相关性，若用户对项目的评分大于4分，则认为该项目的评价为优[15]。用户偏好相关性β，用来评价用户对推荐项目的相关性，具体可以表示为

(10)

其中，|S|表示用户集合，|Qn|表示用户所处实际情景类型数目，|Enm|表示与所处某一实际情景Qm的用户Sn相关的项目数，qnml表示第l个相关的项目。对于不含情景感知信息的用户偏好，|Qn|为1。在计算用户偏好相关性时，需要依据用户偏好，将项目分为相关、不相关两类，本文判定方法为，若项目的偏好值大于用户集中测试的平均偏好，则认为是相关的项目。

3.3 实验结果与对比测试分析

为了比较环境情景和社会关系情景的不同权重对于个性化推荐的影响，取固定值K为10，对公式(7)中的参数λ取值进行设置，分别检验社会关系情景权重对本文方法性能的影响，实验结果见表1。

表1 不同权重的评价结果对比

由表1可知，环境情景和社会关系情景都会对个性化推荐性能产生影响，说明在个性化推荐中，综合考虑环境情景和社会关系情景信息，有利于提高推荐的效果，提高个性化推荐精确度。综合以上评价指标结果，本文将权重参数λ取值为0.8，此时本文设计推荐方法的效果最佳，将其作为实验组，与三种传统的个性化推荐方法进行对比测试。由于使用情景感知技术，考虑到数据稀疏性的差别，将数据集按不同总数区间分别进行比较，具体结果见表2。

表2 不同数据区间推荐结果对比

由表2可知，本文方法与传统推荐方法相比，能更好地适应数据稀疏性环境。推荐方法的评价指标对比结果如图1所示。

图1 不同方法的评价指标对比

由图1可以看出，相对于传统个性化推荐方法，本文设计方法的推荐项目相关性和用户偏好相关性分别为0.4和0.65，比传统方法的推荐项目相关性和用户偏好相关性高，具有较好的效果。因此本文设计的方法具有实际应用价值。

4 结论与讨论

本文基于情景感知技术，对网络信息资源的个性化推荐方法进行研究。

(1)通过构建用户兴趣匹配模型，设计个性化推荐过滤算法，在个性化推荐中使用情景感知技术，有利于提高推荐的精确度和提升用户体验，具有一定研究意义和实际应用价值。

(2)个性化推荐是一个较为复杂的体系，在理论、方法和应用等方面还需要投入大量的研究工作。针对本文的研究，后续可从以下几方面进行拓展和延伸。首先，需要解决个性化推荐的信息安全和隐私问题。有些攻击者可能利用虚假信息来攻击信息网络，对信息推荐系统的安全造成危害，同时对保护用户的隐私也提出挑战，因此需要采用更有效的技术去解决信息安全问题。其次，考虑在情景感知中加入文本分析技术，利用分析和推理文本的感情色彩，帮助用户进行决策，是具有实际意义的研究课题。