PDF《上下文感知推荐系统》

1 节对上下文感知推荐系统进行概述.第2节~第5节重点介绍上下文感知推荐系统理论与方法研 究现状,其中,第2节介绍上下文感知推荐系统中的上下文定义、获取与建模,第3节介绍上下文用户偏好提取 技术,第4节对各种上下文感知推荐生成技术进行归类和对比分析,第5节总结上下文感知推荐系统的效用评 价.第6节论述上下文感知推荐系统的应用进展.第7节对有待深入的研究难点和发展趋势进行展望.最后是结 束语.

1 上下文感知推荐系统概述 本节首先对传统推荐系统进行概述,然后介绍上下文感知推荐系统的形式化定义,最后对面向过程的上下 文感知推荐系统进行描述. 1.1 传统推荐系统 推荐系统涉及认知科学、逼近论、信息检索、预测理论、管理学以及消费者决策模型等众多学科,但是直 王立才 等:上下文感知推荐系统

3 到20 世纪

90 年代中期出现关于协同过滤技术的文章,才作为一门独立的学科得以系统研究.推荐系统通过建 立用户与项目之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行 个性化推荐[6] .从信息过滤角度,推荐系统常被分为以下几类[3] : (1) 协同过滤(collaborative filtering):源于 集体智慧 的思想,利用当前用户或者其他用户对部分项目的已 知偏好数据来预测当前用户对其他项目的潜在偏好,或者利用部分用户对当前项目或者其他项目的已知偏好 数据来预测其他用户对当前项目的潜在偏好;

又可以分为启发式方法和基于模型的方法[3] :前者需要计算用户 (或者项目)之间的相似度,后者利用已知用户偏好学习一个模型为活动用户或者活动项目进行偏好预测. (2) 基于内容的过滤(content-based filtering):首先由系统隐式地获取或者由用户显式地给出用户对项目属 性的偏好,然后通过计算已知用户偏好和待预测项目的描述文档(由项目属性刻画)之间的匹配度(或相似度),最 后按照偏好排序结果向用户推荐其可能感兴趣的项目;

同样,可分为启发式方法和基于模型的方法[3] . (3) 混合式过滤(hybrid filtering):按照不同的混合策略(如加权、切换、混合呈现、特征组合、串联、特征 扩充、元层次混合等[43] )将不同推荐类型或推荐算法进行组合并生成推荐. 目前,推荐系统领域相关的主要学术会议和期刊有:ACM RecSys,ACM EC,KDD,SIGIR,UMAP,WWW, AAAI,IUI,CHI,CIKM,ECAI,ECIR 和IEEE TKDE,IEEE Intelligent Systems,ACM TOIS,ACM TKDD,ACM TIST, ACM TOCHI,Communications of the ACM,UMUAI 等等.经过近

20 年的研究,推荐系统领域取得了较大的研究 进展,但也仍然存在着许多需要进一步解决的问题[3,4] . 进入

21 世纪以来,国内学术界也逐渐开始重视推荐系统领域的研究.比较典型的有:文献[1,5,6]等对个性化 服务、 推荐系统进行了综述研究;

文献[44,45]针对协同过滤推荐系统中存在的数据稀疏性、 扩展性等问题,分别 提出改进的协同过滤算法;

文献[46]基于联合聚类算法和加权非负矩阵分解算法提出一种两阶段评分预测方 法;

文献[47]结合用户的推荐等级、领域相关度和评价相似度提出改进的协同过滤算法,以解决可信服务选择问 题;

文献[48]则提出了基于上下文、信任网络和协作过滤算法的移动社交网络服务选择机制. 1.2 上下文感知推荐系统的形式化定义 从学科渊源来看,上下文感知推荐系统既是一种推荐系统,也是一种上下文感知应用系统.Adomavicius 和Tuzhilin 等人较早指出,把上下文信息融入推荐系统将有利于提高推荐精确度[7] ,并提出被广泛引用的 上下文 感知推荐系统(context-aware recommender systems[8,9] ,简称 CARS[10] ) 的概念.他们将传统的 用户-项目 二维评 分效用模型 u:Users*Items→R 扩展为包含多种上下文信息的多维评分效用模型 u:D1*…*Dn→R[3,7] 或者 R:User*Context*Item→Rating[8] (如,用户 a 在上下文 x,y 下对项目 i 的偏好为 5,可表示为 a*x*y*i→5).那么,上下 文感知推荐系统被形式化为:假设 Dj1,…,Djl(l........