基于情境感知的個性化推薦算法①

時念云,李秋月

(中國石油大學(華東)計算機與通信工程學院,青島 266580)

基于情境感知的個性化推薦算法①

時念云,李秋月

(中國石油大學(華東)計算機與通信工程學院,青島 266580)

隨著互聯網的快速發展,只涉及用戶和項后的傳統個性化推薦已不能滿足推薦要求的效率和準確率.因此,情景感知個性化推薦服務起了廣泛關注,成為新的研究熱點.本文分析了情境的定義、情景感知個性化推薦模型,并提出了一種基于情境信息降低維度的關聯規則推薦模型.最后,以視頻網站的web日志為數據源,融合時間情境因素,實現了基于時間情境劃分的關聯規則推薦算法,并和傳統推薦算法進行對比分析,實驗證明,情境感知推薦算法具有更高的準確率和召回率.

時間情境;情境感知推薦;關聯規則推薦

1 引言

隨著電子商務的快速發展,有越來越多的商品面向消費者,如何快速選擇出最佳商品是消費者現在面臨的重要問題.個性化推薦的出現有效地解決了這一類問題[1].傳統個性化推薦算法有協同過濾推薦、關聯規則推薦和基于內容的推薦等[2].這些傳統推薦算法往往只關注“用戶-項后”之間的二元關系,只是把最相關物品推薦給用戶,卻忽略了相關情境信息的影響.而現實生活中,用戶當前所處環境對其興趣有很大影響,如在考慮了溫度因素后,旅游推薦系統在冬季推薦的度假地和夏天推薦的度假地大不相同.

Panniello U[3]等人在研究電子商務購物推薦的時候,考慮了節日等情境因素,在真實數據集上實現了情境感知個性化推薦和傳統協同過濾個性化推薦,并進行了對比分析.實驗結果表明情境感知個性化推薦的結果在所有評價指標上均優于傳統二維協同過濾算法.胡文[4]等針對商場廣告費用日益增長的問題,提出了情境感知商品推薦信息的研究方案.該方案通過分析時間情境因素,得到用戶對某件商品感興趣的程度,以便快速為用戶提供個性化推薦服務,減少了商家營銷成本.因此,情境感知推薦不僅能夠提高推薦精度,而且能夠節省商家成本,可廣泛用于電子商務、旅游向導、視頻和小說網站等不同領域.

基于此,本文在對情境感知個性化推薦分析的基礎上,把web日志中時間屬性作為個性化推薦中的情境因素.然后分析時間情境在個性化推薦中的影響,并和傳統推薦算法結果進行對比分析.

2 情景感知個性化推薦

2.1 情境分析

情境的復雜性和多面性導致情境有150種不同領域的定義[5].很難找到一個能適用于任何學科的情境定義.如在個性化電子商務中,有時把客戶的購買意向作為情境的定義,不同購買意向導致不同購買行為.Baltrunas L[6]等把用戶年齡作為情境因素,按照年齡分類,得出不同年齡階段的用戶所看電影類型不同.Katarya R 等人[7]把時間情境分為周末和工作日,觀看電影的陪同人員分為家人、普通朋友和男、女朋友等.同樣也得出在不同情境下,用戶所看電影類型不同.因此,不同情境信息針對相同事件,可能起不同效果.當然,相同事件根據需求不同,也可能需要不同的情境信息.如在視頻網站中,如果要找到用戶在不同時間喜愛訪問的視頻類別,需要時間情境.如果要找到不同地區用戶喜愛訪問的視頻類別,那么需要地理情境信息.

本文以我校視頻網站為例進行實驗分析.我校視頻網站緩沖、下載速度快,并且資源豐富、畫面清晰.該視頻網站包含了綜藝類、科幻類和學習類等13類視頻信息.學生和教職工經常瀏覽并在線觀看這些視頻信息,由此產生了許多用戶訪問日志.這些日志是IIS格式,日志中包含請求時間(datetime)、服務器IP地址(s-ip)、請求方式(method)、訪問網頁的URL(url)、用戶IP地址(u-ip)、瀏覽器操作系統(agent)和返回的http狀態碼(status)等數據屬性.原始數據記錄如表1所示.

表1 原始數據記錄

分析表中的Web日志,可知時間屬性的記錄清晰明了,以 datetime=2014-03-22 02:21:16 為例,從date=2014-3-22就可以查到該時間是否為周末,或者是否是上課時間,根據日歷查詢可知22日為周六.周末期間,學生看的視頻類別肯定和上課時間看的略有不同.學校的上課時間為上午8:00-12:00,下午14:00-18:00,從 datatime 屬性里截取出 time=02:21:16,這樣就可以判斷出這不是上課時間,而是下課時間.

時間情境因素可以根據學生課上還是課下進行劃分,當然課下時間包括周六和周日,還有周一到周五沒課的時間.也可以根據工作日和非工作日進行劃分.不同時間情境下,學生瀏覽的視頻信息可能會有改變.如上課時間,學生肯定會瀏覽一些教學類視頻,而在課下時間,為了放松心情,學生可能會看一些喜劇類視頻.這些變化不僅包含了訪問的內容和路徑,還包含了喜愛某類視頻的程度.比如,傳統方法只能挖掘出學生用戶喜歡看學習類和電影類的視頻,但基于時間情境的挖掘可以進一步挖掘出學生用戶在周末更喜歡電影類視頻,在課上時間更喜歡學習類視頻.

2.2 情境感知推薦

傳統個性化推薦模型只考慮了用戶和項后之間的關系,而情境感知推薦模型是考慮了情境、用戶和項后之間的關系,是一個三維數據模型.針對情境信息應用在推薦過程中的不同階段,Adomavicius等人[8]將現有的情境感知推薦方法分成了三類:情境預過濾(Contextual Pre-Filtering)、情境后過濾(Contextual Post-Filtering)和情境建模(Contextual Modeling).情境預過濾就是用情境信息選擇或者構建相關性最強的二維信息.情境后過濾就是在進行推薦時忽略情境信息,然后在評分排名推薦時,使用情境信息調整推薦排名.情境建模方法就是構建多維模型,然后計算得出推薦結果.當然,為了提高推薦準確率,也可以把多種推薦方法或者推薦模型結合.楊君[9]等就是采用的情境預過濾模式,為了進一步提高推薦準確率,對評分數據進行情境相似度計算,找到相似情境信息.因此,她們不但根據情境信息進行篩選,而且還考慮了那些相似情境信息.曾子明等[10]主要是采用了情境后過濾的推薦模式,提高了推薦準確度.馮鵬[11]在情境感知推薦中采用了基于矩陣分解的協同過濾推薦算法,并用真實的電影評分數據集進行了實驗分析,驗證了預測精度的提高.

基于此,本文提出一種基于時間情境的關聯規則個性化推薦算法.該算法在關聯規則推薦算法的基礎上入情境信息,建立了三維數據模型.實現多維關聯規則推薦算法的基本步驟是降低維度.因此,本文采用了以時間情境信息為標準的降維策略.最后,本文以視頻網站的web日志數據為數據源,進行了實驗.實驗證明,相比于傳統推薦方法,本文提出的算法具有更高的準確度.

3 算法描述

情境感知關聯規則推薦算法就是利用情境因素和關聯規則推薦算法建模實現的,關聯規則推薦算法中最典型和最常用的就是Apriori算法.該算法用于發現事務與事務之間的聯系,不僅可以挖掘出關聯程度比較強的訪問路徑,同時還可以得到用戶對項后的喜愛程度.如在學校視頻網站中,學生訪問完喜劇類視頻后,會更喜歡訪問綜藝類視頻.同時,也可得到學生喜愛某個或某類視頻的程度.支持度(S)和置信度(C)是Apriori算法的兩個重要衡量指標.Apriori算法可以很簡單的通過連接步和剪枝步實現,是一種挖掘布爾關聯規則的算法.但是,該算法需要不斷訪問數據庫里大量數據集,造成時間開銷較大.

基于情境感知的關聯規則推薦算法模型可以形式化描述為:

這是一個基于“情境、用戶、項后”的三維模型.要想實現基于情境的Apriori算法來進行推薦,必須先降低維度.因此,可以按照相似性很大或者比較明確的情境信息進行篩選、降維.實現過程就是先基于某個情境信息找到相關項后和用戶集合,然后進行關聯規則推薦算法,得到推薦結果.通過情境信息劃分的方法不僅可以實現推薦算法,還可以改進Apriori算法中時間開銷大的缺陷.

本文就是根據時間的情境信息進行劃分,完成推薦算法.如,可以把周末的時間記為一個劃分域標記,在周末,學生可能更喜歡看一些讓人放松的電視劇或者電影之類的視頻.事務數據集記為 I(I1,I2……In),把時間情境信息標記記為 R(R1,R2……Rn).因此,可以劃分成n個集合,根據情境信息劃分成不同集合,分別完成關聯規則推薦算法,得到頻繁項集集合F(F1,F2……Fn).對比分析這些頻繁項集以及所對應的強關聯規則.

4 算法實現和結果分析

本文從我校視頻網站的服務器里隨機截取了3個月的數據作為實驗數據.根據這些數據進行的實驗分別為:標準試驗,隨機截取數據；情境感知推薦算法,對標準實驗中的數據按照課上和課下情境因素進行降維,分別得到推薦結果.同時,本文還把時間分為工作日和非工作日進行實驗對比分析.

標準算法實驗,從得到的Web日志數據中隨機截取一個月的數據,原始數據有232 M,經過數據處理后得到7204條有意義的訪問路徑.進行挖掘得到頻繁項集和強關聯規則.本文中,最小支持度和最小置信度都設為1%.表2是截取的部分頻繁項集和部分關聯規則.

表2 部分頻繁項集和規則表

由上表排序就可以把熱門排行榜推薦給用戶.因此,可以把動作類、喜劇類和科幻類等的熱門視頻放在視頻網站首頁,這樣就可以方便用戶在首頁直接看到自己喜歡的視頻類別,不用再花費時間去尋找和瀏覽.

情境感知實驗,根據時間情境降維后,三維模型變成課上和課下二維推薦模型,實現推薦算法,并和標準試驗結果對比分析,結果對比圖如圖1所示.圖2就是工作日和非工作日推薦結果的示意圖.

圖1 結果對比示意圖

根據上圖可知,入時間情境因素也就是按照課上和課下劃分原始數據,把三維模型降低成二維推薦模型,實現推薦算法.由圖 1 可知,在三種情況的推薦結果中,排名趨勢大體相似.然而,僅針對學習類視頻,課下幾乎沒有用戶在瀏覽和觀看.同時,針對紀錄片類視頻進行分析可知,紀錄片在課下情境推薦結果中出現,表明大家在課下會看一些紀錄片類視頻.充分體現了不同時間情境下用戶所看視頻的不同,不同時間情境下推薦結果不同.因此,不同時間情境給學生推薦合理視頻信息,提高視頻網站的吸力和競爭力.

圖2 結果對比示意圖

從圖2中可知,工作日和非工作日情境下推薦的結果有很大不同,更明顯的表明了情境因素對推薦結果的重要性.在工作日情境下排名較前的有動作片和喜劇等,而在非工作日情境里動漫和科幻等類的視頻排名較前.

根據得到的推薦結果,可以分別計算出標準時推薦結果的準確率和召回率以及情境感知推薦算法的準確率和召回率.前者的準確率和召回率分別為0.727和0.615,而后者分別為1和0.846.因此得出的結論是:入時間情境后,推薦精度有相對的提高,情境感知推薦算法不僅提高了推薦精度,為用戶提供更人性化、個性化服務,同時也為視頻網站排列視頻提供合理指導.

5 小結

隨著電子商務的快速發展,用戶購買時要求越來越高,基于用戶情境的個性化推薦算法研究也越來越受到重視.不同情境下,用戶需求不同.基于情境的推薦系統不僅考慮了用戶偏好,而且還把用戶情境因素作為推薦的一部分.情境因素用以提高推薦的精度和準確度.本文結合本校視頻網站,實現基于時間情境降低維度的關聯規則推薦算法.根據時間情境因素,劃分為多個情境子集進行關聯規則算法推薦.用實際數據進行實驗驗證,得到理想結果,進行分析,使得推薦結果得到進一步優化和精確化.但是,隨著原始數據集數量的增加,單機環境已經不能滿足推薦要求的速度,因此,下一步工作是基于分布式的情境感知個性化推薦算法研究.

1 馬瑞敏,卞藝杰,陳超,等.基于 Hadoop 的電子商務個性化推薦算法——以電影推薦為例.計算機系統應用,2015,24(5):111–117.

2 王國霞,劉賀平.個性化推薦系統綜述.計算機工程與應用,2012,48(7):66–76.

3 Panniello U,Tuzhilin A,Gorgoglione M,et al.Experimental comparison of pre- vs.post-filtering approaches in contextaware recommender systems.Proc.of the 3rd ACM Conference on Recommender Systems.New York,NY,USA.2009.265–268.

4 胡文,李良學.基于情景感知的商場導購推薦商品信息的研究.哈爾濱商業大學學報(自然科學版),2012,28(1):58–61.

5 Bazire M,Brézillon P.Understanding context before using it.Proc.of the 5th International Conference on Modeling and Using Context.Paris,France.2005.29–40.

6 Baltrunas L,Ricci F.Context-based splitting of item ratings in collaborative filtering.Proc.of the 3rd ACM Conference on Recommender Systems.New York,NY,USA.2009.245–248.

7 Katarya R,Verma OP,Jain I.User behaviour analysis in context-aware recommender system using hybrid filtering approach.Proc.of the 4th International Conference on Computer and Communication Technology (ICCCT).Allahabad,India.2013.222–227.

8 Adomavicius G,Tuzhilin A.Context-aware recommender systems.Ricci F,Rokach L,Shapira B,et al.Recommender Systems Handbook.Berlin Heidelberg,Germany:Springer,2011.217–253.

9 楊君,吳菊華,艾丹祥.一種基于情景相似度的多維信息推薦新方法研究.情報學報,2013,32(3):262–269.

10 曾子明,陳貝貝.移動環境下基于情境感知的個性化閱讀推薦研究.情報理論與實踐,2015,38(12):31–36.

11 馮鵬程.基于情境感知的個性化推薦算法的研究[碩士學位論文].上海:東華大學,2014.

Personalized Recommendation Algorithm Based on Context-Aware Technology

SHI Nian-Yun,LI Qiu-Yue

(College of Computer and Communication Engineering,China University of Petroleum,Qingdao 266580,China)

With the rapid development of Internet,the traditional personalized recommendation involving only users and projects cannot meet demands in efficiency and accuracy of the recommendation.Therefore,context-aware recommendation has drawn wide attention and become a new research hotspot.This paper analyzes the definition of context and the model of context-aware recommendation.It also proposes an association rule recommendation model based on context information which reduces the number of dimensions.The data source of experiments is web log.Finally,this paper combines the temporal context and implements the association rule recommendation algorithm based on the temporal context partition.Compared with the traditional recommendation algorithm,the results of experiments show that the context-aware recommendation algorithm has higher accuracy and recall rate.

temporal context;context-aware recommendation;association rule recommendation

時念云,李秋月.基于情境感知的個性化推薦算法.計算機系統應用,2017,26(9):135–139.http://www.c-s-a.org.cn/1003-3254/5931.html

2016-12-21;采用時間:2017-01-12