基于用户偏好融合的组推荐算法综述_王理
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于用户偏好融合的组推荐算法综述
王理,张淑莲
(山东科技大学信息科学与工程学院,山东青岛266590)
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
A Review on the Preference-Aggregation-based Group Recommendation Algorithms
WANG Li,ZHANG Shu-lian
(College of Information Science and Engineering,Shandong University of Science and technology,Qingdao266590,China)
Abstract:The traditional recommender systems focus on recommend items for individual users.As an extension of personalized recommendation,more and more recent recommender systems try to make recommendations for a group of members.The al⁃tered target(i.e.,from an individual user to a group of users)has brought many new issues.This paper focuses on the reviewing of existing group recommendation algorithmsapp:addword:algorithms,and discusses the directions of the group recommendation systems research.
Key words:group recommendation;preference aggregation;rank aggregation;group reference models;evaluation criterion
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Let’s 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。论文其他部分组织如下: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
为了得到一个推荐结果集合,有一种简单的融合方法是为每位成员生成一组推荐结果,然后把它们融合在一个列表里。该方
收稿日期:2014-01-05
基金项目:本项目受国家自然科学基金项目(No.71240003);山东省自然科学基金(No.ZR2012FM003,No.ZR2013FM023);973项目子课题(No.2012CB724106)资助
作者简介:王理(1989-),女,山东莱芜,硕士,研究方向智能推荐;张淑莲(1989-),女,山东胶州,硕士,智能推荐。
Computer Knowledge and Technology电脑知识与技术第10卷第7期(2014年3月)法也称为排列融合[10]方法,其实现过程如算法1所示。
算法1排列融合过程
这种方法简单易行,可以作为个人推荐系统的延伸。但是这种方法没有把组作为一个整体进行考虑,所以对其中一位成员合适的推荐结果,对其他成员而言或许难以接受;同时,这种方法忽略了那些可能对一个组整体来说非常合适,却不属于任何组成员最佳选择的项目。
2.2融合各成员对项目的评分
除了排列融合的方法之外,另一种简单的方法是对每个项目得到一个组评分,然后选取组评分最高的项目作为推荐结果,其过程如算法2。
算法2评分融合过程
图1给出的POLYLENS[1,8]中采用的组推荐算法就是评分融合的方法。右边的三列为利用传统推荐算法(此处采用协同过滤方法)得到的组中各成员对电影的预测评分。GROUP列显示的是融合后的组评分(此处采用最小忍耐法)。
图1POLYLENS中的组推荐算法[1]
2.3构造组偏好模型
第三种方法不涉及对成员预测评分。相反,系统会以某种方式利用成员的偏好建立一个组偏好模型,如算法3。该组偏好模型类似于一个虚拟的用户偏好模型,可以直接利用该模型得到预测组评分。
算法3构造组偏好模型
构造组偏好模型的方法有多种,例如成员个人偏好模型的融合,分组偏好模型的融合,以及直接用成员个人行为数据来创建组偏好模型等。下面详细介绍每种方法的基本思想。
1)成员个人偏好模型的融合LET’s BROWSE[2]系统中采用的就是这种方法,它将每个用户的配置文件都表示为“关键词-权重”对儿的集合,用于反映用户喜欢查看的典型页面内容。该系统的组模型是将成员们的个人偏好模型线性组合,此后由它生成推荐时不需要再查阅个人模型。
2)分组偏好模型的融合INTRIGUE[4]系统中采用了这种方法,它的目标是帮助导游设计旅游路线。由于旅程中往往含有不同类型的游客,这些不同类型的游客可以归类为不同的分组(如孩子组、老人组等)。导游首先对旅客分组,并为每个分组建立偏好模型。然后,对分组模型进行加权平均得到组偏好模型。权重反映了这个组的重要程度(如,残疾人员被认为是特别重要的,因为