劉彤彤 馬文明 李湘南 宋玉龍

（1.煙臺大學 山東省煙臺市 264005 2.煙臺市科學技術情報研究所 山東省煙臺市 264005）

1 引言

隨著當今世界機器學習技術的興起，科學技術也走上了新的高度，人們生活中對科技應用的需求占比也越來越重。人們利用隨處可見的智能設備來完成工作娛樂生活，處在這種快節奏的生活下，人們面對隨處可見的復雜信息無法進行選擇，出現了信息過載[1]的現象。為了解決信息過載的問題，電子商務行業采用推薦系統技術為用戶推薦和介紹產品，旨在于對本身需求不清晰的用戶提供建議。而現在，隨著娛樂方式的增多，推薦系統技術的運用不僅存在于電子商務行業，還擴展到視頻音樂等多媒體行業中。

組推薦系統越來越成為研究的熱點之一[2]。現代社會越來越重視人與人之間的交往與聯系，社交活動影響著社交關系。例如，與朋友一起去風景秀麗的地方旅游，學校組織各種社團活動，社區中的人們一起健身做操，等等。但是大部分情況下，群組內成員對活動的選擇會產生分歧，這就需要組推薦為群組活動提供建議或者意見，它旨在為一組用戶推薦可能喜愛的項目，而非普通的個性化推薦[3]。組推薦系統將每個人都喜好都考慮到，進行分析和篩選，使其推薦的結果滿足群組內多數成員的要求。

本文介紹了傳統推薦系統的算法與組推薦系統，分析了組推薦偏好融合的多種策略，并根據分析結果構建模型架構實現面向群組的電影推薦系統。

2 組推薦系統概述

2.1 傳統推薦系統

傳統推薦系統（Recommender system）應用在各大知名網站，例如京東和亞馬遜網站等。其主要的推薦系統算法分為基于內容的推薦（Content-based Recommendation），協同過濾推薦（Collaborative Filtering Recommendation CF），基于知識的推薦方（Knowledge-based Recommendation）等。基于內容的推薦方法是根據用戶歷史數據，獲取用戶喜好，利用用戶喜好推薦與其特征匹配的項目。協同過濾推薦方法是傳統推薦中最早也是使用最廣泛的推薦算法之一[4]，主要通過對比相似度來進行篩選。該算法主要分為兩種，基于用戶的協同過濾算法（User-based CF）和基于項目的協同過濾算法（Itembased CF）。基于知識推薦的算法是將一個項目映射到某一特定用戶上，需要使用戶資料規范化，才能推薦與之需求相符的項目。

2.2 組推薦系統

傳統推薦算法基于對單個用戶推薦項目，只分析該用戶的喜好等因素，并且得出的結果可以直接展示給該用戶，而組推薦將一個群組設為整體，分析獲取群體內所有用戶的喜好因素，再將個人結果整合成最終群組結果。因此群組推薦也可為單個用戶服務。協同過濾推薦算法在推薦系統的使用中非常普遍[5]。

組推薦系統基于共識分數對群組進行推薦，包括整個群組對預測項目的共同偏好和群組成員之間的差異偏好[2]。組推薦系統獲得群組成員的興趣偏好后，需要對偏好差異進行分析，將各個用戶的偏好融合到一起。組推薦常見的融合策略[3]有以下幾種：

（1）公平策略。每次推薦時選取組內某個成員的評分作為群組評分。pu為用戶的偏好，pG為群組的偏好，du為用戶對項目的評分。

（2）均值策略。將某項目的的所有用戶評分求平均值，作為該項目的分數，再根據評分高低對群組推薦。

（3）痛苦避免均值策略。設置一個痛苦閾值 ，對所有超出該值的評分求平均值，取該平均值作為群組評分。

（4）最受尊敬者策略。根據群組成員交互關系或其他信息選取某個權重高的成員，該成員的評分作為群組評分。uresp為最受尊敬用戶。

3 設計與實現

3.1 模型設計

模型中預測電影評分采用協同過濾算法，考慮到用戶與用戶之間可能受到社交關系等因素的影響，計算基于用戶的相似度，容易出現不穩定的狀況。因此采用基于項目的協同過濾算法，將用戶所青睞的類似項目進行推薦，計算復雜度相對較低。

模型中的推薦結果融合策略采用痛苦避免均值策略。均值策略在實際組推薦系統應用中較為廣泛，卻可能使得個別用戶對推薦結果不滿意，個別極端的評分對群組推薦的結果產生不利的影響。考慮到去除極端，保留大眾化的評分，采用痛苦避免均值策略。該策略對痛苦閾值上的評分數據進行平均處理，過濾掉可能引起痛苦的項目。

3.2 模型實現

圖1：模型實現流程圖

為群組推薦電影，利用用戶對電影的歷史評分，對群組成員進行建檔。每個成員生成一個用戶描述文件，成員所在的每個群組生成一個群組描述文件。對用戶資料和群組資料進行整理，除去多余用戶信息，建立評分矩陣。m 為用戶的數量，n 為電影的數量，矩陣如下：

根據獲得的評分矩陣，使用余弦相似度計算目標電影與其他電影的相似程度，余弦相似度公式為：

再根據計算的相似度求目標電影評分，將每個相似度作為權重，計算每個電影與其所占權重乘積并將所有乘積求和，與目標電影相似的歷史電影，其評分作為參考的價值越大，最后對加和求平均值，得出目標電影的預測評分。

將所有預測出的用戶評分，去掉低于參數α 的用戶評分，將剩下的電影評分數據取平均值，作為群組預測電影評分，選擇排名前k 個的電影，使其成為預測的群組推薦電影列表。模型實現流程如圖1 所示。

3.3 評價指標

3.3.1 準確度

推薦系統的評分指標同樣適用于組推薦系統。推薦系統的準確度評價主要有RMSE，MAP，recall 等。RMSE 是體現了預測電影評分與真實評分的偏差，其值越小則偏差越小，說明其準確率越高。

3.3.2 覆蓋率

覆蓋率通過獲取群組的推薦結果占全部項目的比率來評價組推薦系統的覆蓋率情況[6]。覆蓋越多，項目越多樣化，對于提供項目者來說非常有益。覆蓋率越高，推薦的項目種類雜，也可能存在著準確度不高的情況，這就需要覆蓋率與準確率放在一起來對推薦結果評估。

3.3.3 驚喜度

驚喜度也越來越成為評價組推薦系統結果滿意與否的度量之一[7]。驚喜的推薦項目對用戶來說是陌生的，與用戶的喜好不相似，但是用戶卻對推薦結果有著不錯的評價。例如給用戶推薦了沒有看過的電影，但是用戶看完之后對該電影評分挺高，這就可以認為該推薦能夠讓用戶驚喜。

4 結束語

日常生活中不僅有單人推薦的需求，也有團體推薦的需求，組推薦的出現解決了這一問題。組推薦系統必須顧全所有群組內用戶的需求，針對各種應用面對不同的對象，采取相應的融合策略，必要時可以融合多個策略以解決問題，從而更貼合實際，符合用戶的需求。在電影推薦系統的設計中采用組推薦的融合策略，為進行社交活動的人們帶來了方便，也拓寬了推薦系統實用性的領域。