群組推薦系統研究與分析

王 金，張朝恒

(浙江師范大學 數理與信息工程學院，浙江 金華 321000)

0 引 言

近年來，隨著通信技術和網絡技術的發展，智能移動終端及互聯網的數量也越來越多，給人們的生活帶來了極大的便利。但是，在當今的大數據時代，人們要想快速從海量數據信息中精準獲取滿足自身需求的信息資源相對比較困難，信息過載問題日益突出[1]，而個性化推薦系統的出現以及在各領域(電子商務、信息檢索、位置服務、娛樂旅游等)的成功應用，使得此問題在一定程度上得到有效緩解，對互聯網及社會的發展起著重要作用。

然而，在現實生活中，除了針對個體推薦外還有很多針對群體性進行推薦的需求，例如觀看電影方面(和家人、同學)、聚餐方面(公司聚餐、同學聚餐)、旅游方面(組團、景點、線路)等。傳統的推薦系統主要服務于個體，無法滿足對群體用戶推薦的需求，隨之產生了群組推薦系統。群組推薦不同于個體推薦，因群組由多個用戶組成，這些用戶的偏好可能相同或相似，也有可能存在一定差異，為此既要獲取多個用戶的興趣偏好，還要對興趣的差異性進行協調統一，以便推薦結果盡可能使群組中每個成員都滿意。所以，群組推薦方法和過程相對要復雜很多。

由于群組推薦具有極廣的商業應用前景和極大的社會價值，所以越來越受到更多研究人員的關注，如ACM 2011年舉辦了以家庭群組推薦電影為主題的上下文感知電影推薦挑戰賽(CAMRa2011)的推薦系統大會[2]。國外已有很多專家、學者對群組推薦系統的理論、方法、應用等進行了深入研究，然而國內大多側重于傳統推薦系統的研究，對群組推薦系統的研究相對較少，與之形成的中文參考文獻更是數量可數。為此，文中對群組推薦系統展開研究與分析。

1 群組推薦系統相關理論

1.1 群組推薦系統的概念

群組推薦系統是在個性化推薦系統基礎上發展而來，是為群體用戶推薦其可能感興趣的信息或項目，滿足群體用戶的個性化需求。目前，對群組推薦并沒有形成統一的定義，文獻[3]從共識函數的角度并結合top-K的方法對群組推薦進行了形式化的定義，其過程如下：

首先計算群組預測評分，再計算群組分歧度，最后利用共識函數得到群組的共識分數，如式1：

F(G,i)=w1*Gp(G,i)+w2*(1-Dis(G,i))

(1)

其中，Gp(G,i)表示群組預測評分；Dis(G,i)表示群組成員的分歧度，即組中用戶對項目評分的差異程度；w1和w2分別表示群組預測評分和群組分歧度在共識函數中的權重,且有w1+w2=1。

在式1中，項目的群組預測評分越高且分歧度越低，就越能滿足大部分群組成員的偏好，推薦效果越好。這種采用共識函數的計算方法只是加權模型中的一般形式，但隨著研究的深入，希望群組的預測評分更加準確，更能反映群組成員的實際需求，為此需要將一些社會因素、上下文因素等融入群組預測評分計算模型中，例如文獻[4-5]，這樣使得對群組推薦的形式化描述顯得更加復雜抽象。

然而，不是所有的群組推薦系統都可以用上述形式化來定義，因為有些群組推薦系統是根據群組中成員的推薦列表利用社會化選擇方法(如群組成員投票機制)聚合形成群組推薦列表，這時采用形式化定義描述群組推薦就不太合適。因此，對群組推薦的定義仍然是一個開放性問題。

目前，群組推薦并沒有形成統一的分類標準，這里按推薦環境、群組構成、推薦方法進行分類：

(1)根據群組推薦對象所處環境分為：基于互聯網虛擬環境的群組，如在線社區；現實環境中的實體群組，如家庭成員、朋友、旅游團等。

(2)根據群組形成過程及成員可分為：固定群組，如興趣群、論壇；隨機群組，如旅游團。

(3)根據群組推薦中所采用的方法可分為：基于內存的群組推薦、基于模型的群組推薦。

1.2 群組推薦系統生成推薦過程及策略

群組推薦的過程和方法相對于個性化推薦而言較為復雜，因推薦對象由單個用戶擴展為群組中多個用戶。在群組推薦生成過程中，一般采用聚合策略[5-8]，根據聚合內容的不同，可分為模型聚合策略(偏好聚合、評分聚合等)和推薦結果聚合策略。

(1)模型聚合策略。

模型聚合策略群組推薦生成過程(如圖1所示)：首先獲取或分析預測群組中每個成員的偏好(評分)，其次選擇合適的聚合策略得到群組的偏好(模型或評分)，最后根據最終的群組偏好(評分)生成推薦。

圖1 模型聚合(偏好聚合)群組推薦生成過程

對于模型聚合(偏好聚合)過程，文獻[3,5-8]提出了多種方法，常見的有公平策略、均值策略、痛苦避免均值策略、最受尊敬者策略、最小痛苦策略、最開心策略等[9]。其中，均值法假定群組中所有成員間是平等的即賦予相同權值，但是這樣的推薦結果不一定讓大部分人都滿意；最小痛苦法是選取群組中用戶評分(評價)最低的作為群組評分，從而形成群組的整體評分列表進行推薦，該種方法雖能確保不把群組中人員比較討厭的項目推薦給群組用戶，但不一定是有效的推薦；而去除最小痛苦均值法是對前兩種方法的改進，即設定一個閾值，只有將評分大于閾值的個體評分才計入到均值的求和中，所以閾值的選取直接關系到推薦結果。雖然這三種方法(均值法、最小痛苦法、去除最小痛苦均值法)在群組推薦中用得較多，但是在實際推薦過程中選擇哪種聚合方法需視具體情況而定，文獻[6-7]對不同情況下運用不同的方法進行了詳細分析，并對它們的優劣性進行了比較。

(2)推薦結果聚合策略。

推薦結果的聚合策略就是對個性化推薦列表進行聚合，從而形成群組的推薦列表，如圖2所示。與模型聚合策略相比，該方法能夠根據群組成員的反饋，動態地調整推薦列表，讓更多的群組成員滿意。

圖2 推薦結果聚合的群組生成過程

2 群組推薦系統的實驗數據及評價標準

對群組推薦研究時，需要通過實驗對算法的優劣程度進行評價，那么選擇合適的數據集和適當的評價標準對于算法的優劣有著重要的參考意義。因為即使同一種算法，采用不同的數據集以及評價標準，算法的優劣性往往也會有所不同。通過對相關文獻的研讀和分析，將具有代表性的實驗數據及來源進行總結，如表1所示。

表1 群組推薦系統實驗數據及來源

從表1可知，群組推薦實驗有離線和在線兩種；實驗數據來源有公開數據集和收集數據兩類。

在離線模擬實驗時，大部分實驗數據均來源于Movie Lens數據集(100K該數據集包含943位用戶對1 682部電影的10萬條評分數據)，因該公開數據集包含數據量大，信息比較充足，所以一直被很多研究推薦系統的學者使用；此外還有一部分研究人員使用自己收集的實驗數據進行實驗，如文獻[4,10]，但存在一些不足，如數據集樣本較少、不具有代表性，并且還需要花費一定人力物力對數據進行收集和處理等。

對于在線實驗，不同群組推薦系統使用的數據也不同，如基于社交網絡的群組推薦[5,11]，是在Happy Movie平臺進行在線實驗測試，而文獻[12]使用騰訊視頻系統中的數據。這主要與群組推薦應用的環境相關，通過真實應用環境獲取在線用戶的實時反饋，使實驗結果更有說服力。

至于實驗評價，不同的群組推薦系統關注的側重點不同，使用的評價標準也不同，如表2所示。

表2 群組推薦系統實驗評價標準

常用的評價指標描述如下：

(1)RMSE(root mean square error，均方根誤差)，用來計算預測值與真實值之間的偏差，其值越低，說明預測值與實際值之間差距越小，即預測準確度越高；反之，預測準確度越低。

(2)

其中，Nt為群組中用戶-項目對(i,a)的個數；(i,a)為群組中用戶i關注了項目a；via為用戶i對項目a的預測評分；ria為用戶i對項目a的實際評分。

(2)MAE(mean absolute error，平均絕對誤差)，用于度量預測評分與測試集中用戶真實評分的平均絕對偏差，MAE值越小表示預測越準確。

(3)

其中，N為群組中成員個數；via為組成員的預測分數；ria為組成員的實際評分。

(3)DCG(discounted cumulative gain，折扣累積獲得)，nDCG(normalized discounted cumulative gain，正則化的折扣累積獲得)，它們均是用來衡量群組推薦清單排名的策略。

(4)

(5)

其中，ruci表示用戶u對推薦列表上第i個位置上項目c的真實評價(評分)；max DCG表示DCG的最大值為n個項目在推薦列表中的最優排序。

3 群組推薦系統的算法、應用研究與分析

3.1 群組推薦理論、算法方面的研究與分析

(1)基于傳統協同過濾算法的優化和偏好聚合策略的改進。

協同過濾是個性化推薦中比較經典的算法之一，主要分為基于物品協同過濾和基于用戶協同過濾兩大類。群組推薦算法的改進很多均以該算法為核心框架并對其優化。例如，文獻[13]利用人口統計學信息抽取出用戶特征向量，使用K-means聚類算法將具有相似特征的用戶形成群組，從而彌補了已有的組推薦系統在建立群組時忽略用戶本身屬性的缺陷，同時通過采用結合用戶興趣變化的協同過濾方法提高推薦的準確性。文獻[14]針對群體用戶對項目評分數據極端稀疏的情況，提出一種新的協同過濾方法，先對未評分項目進行評分填充，融合基于項目相似性和基于用戶相似性的預測評分作為未被評價項目的最終預測評分。該方法雖提高了預測評分的準確性和有效性，但增加了時間復雜度和空間復雜度。而文獻[15]針對傳統偏好融合策略中存在的不足，提出基于用戶交互行為的群組推薦融合策略，即利用用戶間的交互行為獲得用戶在群組中的權重，通過組內、組間協同過濾獲取預測評分，最后加權融合得到群組對項目的最終評分，但其難以自動獲取用戶交互行為信息，無法實現群組成員的權重實時更新。據此可知：對群組推薦算法的優化大多數是融入被推薦用戶、群組相關信息，如用戶標簽信息、用戶間互動度以及信任度等有價值的特性，并結合協同過濾方法(單個或多個組合)，從而使得群組對物品的最終預測評分更加準確，但由于需多次對大量數據進行計算處理，這無疑會增加內存開銷，降低推薦效率。

(2)將其他領域研究方法應用于群組推薦。

近年來，一些研究人員還嘗試將其他領域的一些方法應用于群組推薦研究，如文獻[10,16]將符號數據分析(SDA)方法應用于群組推薦，采用“數據打包”等技術，在不丟失信息的條件下從全局上把握樣本數據特征，能夠在一定程度上緩解因數據稀疏推薦精度降低的問題以及推薦效率隨用戶、項目數量增多而降低的問題；文獻[17]將遺傳算法(GA)用于群組推薦，利用GA搜索最優解的特性并結合協同過濾來學習群體偏好從而對子群體的未知評分進行填充，解決了群組推薦中的數據稀疏問題；而文獻[18-19]將圖論的研究方法應用于群組推薦，其思想是將組中用戶、物品以及他們間的關系抽象出來用圖表示，進而采用圖的分析方法(如RWR隨機游走法)進行研究。這種利用研究對象間存在某些共性的特點，采取研究方法應用遷移嫁接的模式，為群組推薦研究提供了一種全新的思路，對群組推薦算法的優化或算法的擴充開拓了新的途徑。

3.2 群組推薦在不同環境不同領域中的應用研究與分析

(1)基于社交網絡的群組推薦研究。

隨著社交網站、社交軟件的興起和流行，出現各種網絡社區或興趣群，吸引了大量網絡用戶的加入，影響和改變著人們的思想及行為。因此，近年來基于社交網絡的群組推薦是研究熱點。例如，文獻[20]針對用戶群組定義解釋性不強等問題，提出一種基于社交網絡社區的組推薦框架；文獻[21]結合在線社區的特點，將群體成員之間的差異性和互動性因素融入群體推薦算法中；文獻[5,11，22]將合作關系、信任關系(TR)、社會相似度(SS)等社會元素融入群組推薦模型，如ARISE(包含社會元素的推薦架構)，并以Happy Movie為應用平臺，對算法進行在線環境實驗測試。由此可見，在對基于社交網絡的群組推薦研究時，需要結合在線社區的特點，將諸如成員的個性特征、成員間合作關系、信任關系、成員的角色權重、成員的社會相似度等社會元素完美融入群組推薦算法中，進而達到很好的群組推薦效果。

(2)基于實際應用的研究。

研究人員不僅對基于網絡環境的在線社區群組推薦進行了研究，還對現實具體環境中群組推薦的應用展開了研究。文獻[23]針對物聯網環境下僅聚合群組成員偏好的傳統方法推薦效果不是很好的問題，提出了基于成員組織的組相似策略(組內、組間相似)，一定程度上緩解了群組推薦中的冷啟動問題；文獻[24]通過獲取用戶偏好檔案資料及他們對目的地的特殊要求來構建群組用戶模型，然后采用基于內容、基于知識、協同過濾等混合推薦算法，從而為群組用戶提供更好的旅游服務；文獻[25]介紹了基于個人和群體的信任模型協同過濾應用于文檔推薦；而文獻[26]總結并詳述了群組推薦的應用進展，如新聞群組推薦、餐飲群組推薦、移動群組推薦、音樂/電影群組推薦等。因此，隨著研究的深入，群組推薦將會應用于更多領域，更好地服務于生活。但現實中的人群一般都處于特定環境中(社會環境、地理環境等)，通常把這些外在環境因素稱為“上下文”，因“上下文”因素對推薦精度有著重要影響，所以如何將諸多上下文因素完美融入群組推薦算法中，從而實現更好的推薦效果，這便成為推薦系統的一個研究熱點即基于上下文推薦，同時也是研究中的一個難點。

最近，深度學習比較火熱，一些研究人員嘗試將深度學習的方法應用于群組推薦，這也是未來群組推薦研究的一個熱點。

4 群組推薦系統未來面臨的挑戰

由于群組推薦的復雜性和特殊性，許多針對個體推薦的算法、評價指標并不適用于群組推薦，群組推薦發展過程中面臨了一些挑戰[9,27]，主要如下：

(1)戰略層面：考慮群組的整體組成結構對群組推薦的影響，主要體現在群組成員的個體角色、個體權重、興趣偏好相似性和差異性、互動度以及群的規模大小等。因為群組的決策由所有成員的決策經協商后確定，而不同的角色、權重、興趣偏好以及不同數量的群組成員個體的決策都會影響群組的決策，所以在設計群組推薦系統時需宏觀上分析群組的組成結構。

(2)算法層面：群組推薦算法的設計和方法的選擇相對于個性化推薦來說需要考慮的因素更多(社交關系、社會環境、個體的近來經歷等)，涉及到的知識范圍、學科領域更廣(社會學、心理學、統計學等)。那么如何將各種影響群組推薦效果的因素完美地融入推薦算法中并形式化地表示出來；另外，算法中如何處理群組成員的偏好評分不一致性、興趣偏好動態變化等問題。這些對于群組算法的研究設計都是急需解決的問題。

(3)表示層：表現為群組表示、項目表示、群組推薦系統的界面設計、推薦結果的解釋顯示等。因群組中涉及多個用戶，那么如何由獲取到的用戶信息偏好恰當地表示群組。同樣，對于物品的評價形式多樣(有用文字描述，有些用數字評分，也有未評價)，標準不一，分歧度較大，該如何表示出該群組所需要的項目。另外，推薦系統界面如何設計、推薦結果如何展示能夠提高推薦準確率和增加用戶滿意度等，都還有待深入研究。

(4)評價層面：就是對群組推薦效果的評價，不同群組推薦系統選擇不同的評價指標(可參見表2)，并沒有統一標準，所以對算法的優劣無法比較；另外，即使相同的評價指標對于不同大小群組或者群組內部相似度差異較大的群組來說，效果也不同。故有關推薦系統的評價指標也是一個值得研究的課題，對于群組推薦系統的發展也是一大挑戰。

(5)其他方面：推薦結果的解釋與隱私保護、數據稀疏性、推薦項目清單的順序、理論研究與實際應用等問題[9,27]對群組推薦都具有一定的挑戰性，需要研究解決。

5 結束語

目前，一些科研機構中的研究人員分別從理論、算法、應用等各個方面對群組推薦系統展開了深入研究，取得了一定成果。但是，國內對群組推薦系統方面的研究相對較少，所形成的中文參考文獻更是數量可數。因此，文中從介紹群組推薦系統的概念、類型開始，接著介紹了群組推薦系統的生成推薦過程及策略，總結分析了實驗數據來源、評價指標；然后對群組推薦的算法及應用進行了研究與分析；最后嘗試對群組推薦系統未來所面臨的挑戰進行探討。

參考文獻：

[1] 許海玲,吳 瀟,李曉東,等.互聯網推薦系統比較研究[J].軟件學報,2009,20(2):350-362.

[2] SAID A,BERKOVSKY S,DE LUCA E W.Group recommendation in context[C]//Proceedings of the 2nd challenge on context-aware movie recommendation.Chicago,Illinois,USA:ACM,2011:2-4.

[3] AMER-YAHIA S,ROY S B,CHAWLAT A,et al.Group recommendation:semantics and efficiency[J].Proceedings of the VLDB Endowment,2009,2(1):754-765.

[4] CHANG A,HWANG T K,LI Y M,et al.A contextual group recommender mechanism for location-based service[C]//AMCIS.[s.l.]:[s.n.],2015:1-11.

[5] QUIJANO-SANCHEZ L,RECIO-GARCIA J A,DIAZ-AGUDO B.An architecture and functional description to integrate social behaviour knowledge into group recommender systems[J].Applied Intelligence,2014,40(4):732-748.

[6] PESSEMIER T,DOOMS S,MARTENS L.Comparison of group recommendation algorithms[J].Multimedia Tools and Applications,2014,72(3):2497-2541.

[7] BALTRUNAS L,MAKCINSKAS T,RICCI F.Group recommendations with rank aggregation and collaborative filtering[C]//Proceedings of the fourth ACM conference on recommender systems.Barcelona,Spain:ACM,2010:119-126.

[8] BORATTO L,CARTA S.The rating prediction task in a group recommender system that automatically detects groups:architectures,algorithms,and performance evaluation[J].Journal of Intelligent Information Systems,2015,45(2):221-245.

[9] MASTHOFF J.Group recommender systems:combining individual models[M]//Recommender systems handbook.Berlin:Springer,2011:677-702.

[10] 郭均鵬，高成菊，趙旻昊.一種基于符號數據的群體推薦算法[J].系統工程學報,2015,30(1):127-134.

[12] YANG Chunfeng,ZHOU Yipeng,CHEN Liang,et al.Social-group-based ranking algorithms for cold-start video recommendation[J].International Journal of Data Science & Analytics,2016,1(3-4):165-175.

[13] 胡偉健，陳 俊，李靈芳，等.結合用戶特征和興趣變化的組推薦系統算法研究[J].軟件導刊,2016,15(6):60-62.

[14] 朱阿敏，劉業政，韓建妙.基于優化協同過濾與加權平均的群推薦方法[J].計算機工程與應用,2016,52(5):65-70.

[15] 唐福喜，劉克劍，馮 玲，等.基于用戶交互行為的群組推薦偏好融合策略[J].西華大學學報:自然科學版,2016,35(3):51-56.

[16] 郭均鵬，寧 靜，史志奇.基于區間型符號數據的群組推薦算法研究[J].計算機應用研究,2013,30(1):67-71.

[17] 朱國瑋，楊 玲.基于遺傳算法的群體推薦系統研究[J].情報學報，2009,28(6):946-951.

[18] FENG Shanshan,CAO Jian,WANG Jie,et al.Group recommendations based on comprehensive latent relationship discovery[C]//IEEE international conference on web services.San Francisco,CA,USA:IEEE,2016:9-16.

[19] KIM H N,SADDIK A E.A stochastic approach to group recommendations in social media systems[J].Information Systems,2015,50:76-93.

[20] 劉 宇，吳 斌，曾雪琳，等.一種基于社交網絡社區的組推薦框架[J].電子與信息學報,2016,38(9):2150-2157.

[21] 郭均鵬，趙夢楠.面向在線社區用戶的群體推薦算法研究[J].計算機應用研究,2014,31(3):696-699.

[22] CHRISTENSEN I A,SCHIAFFINO S.Social influence in group recommender systems[J].Online Information Review,2014,38(4):524-542.

[23] LEE J S,KO I Y.Service recommendation for user groups in internet of things environments using member organization-based group similarity measures[C]//2016 IEEE international conference on web services.San Francisco,CA:IEEE,2016:276-283.

[24] PESSEMIER T D,DHONDT J,MARTENS L.Hybrid group recommendations for a travel service[J].Multimedia Tools & Applications,2016,76(2):1-25.

[25] LAI C H,LIU D R,LIN C S.Novel personal and group-based trust models in collaborative filtering for document recommendation[J].Information Sciences,2013,239(1):31-49.

[26] 張玉潔，杜雨露，孟祥武.組推薦系統及其應用研究[J].計算機學報,2016,39(4):745-764.

[27] CANTADOR I,CASTELLSP.Group recommender systems:new perspectives in the social web[J].Intelligent Systems Reference Library,2012,32:139-157.