群組推薦系統(tǒng)研究與分析

王 金，張朝恒

(浙江師范大學(xué) 數(shù)理與信息工程學(xué)院，浙江 金華 321000)

0 引 言

近年來(lái)，隨著通信技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，智能移動(dòng)終端及互聯(lián)網(wǎng)的數(shù)量也越來(lái)越多，給人們的生活帶來(lái)了極大的便利。但是，在當(dāng)今的大數(shù)據(jù)時(shí)代，人們要想快速?gòu)暮Ａ繑?shù)據(jù)信息中精準(zhǔn)獲取滿足自身需求的信息資源相對(duì)比較困難，信息過(guò)載問(wèn)題日益突出[1]，而個(gè)性化推薦系統(tǒng)的出現(xiàn)以及在各領(lǐng)域(電子商務(wù)、信息檢索、位置服務(wù)、娛樂(lè)旅游等)的成功應(yīng)用，使得此問(wèn)題在一定程度上得到有效緩解，對(duì)互聯(lián)網(wǎng)及社會(huì)的發(fā)展起著重要作用。

然而，在現(xiàn)實(shí)生活中，除了針對(duì)個(gè)體推薦外還有很多針對(duì)群體性進(jìn)行推薦的需求，例如觀看電影方面(和家人、同學(xué))、聚餐方面(公司聚餐、同學(xué)聚餐)、旅游方面(組團(tuán)、景點(diǎn)、線路)等。傳統(tǒng)的推薦系統(tǒng)主要服務(wù)于個(gè)體，無(wú)法滿足對(duì)群體用戶推薦的需求，隨之產(chǎn)生了群組推薦系統(tǒng)。群組推薦不同于個(gè)體推薦，因群組由多個(gè)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(gè)用戶的興趣偏好，還要對(duì)興趣的差異性進(jìn)行協(xié)調(diào)統(tǒng)一，以便推薦結(jié)果盡可能使群組中每個(gè)成員都滿意。所以，群組推薦方法和過(guò)程相對(duì)要復(fù)雜很多。

由于群組推薦具有極廣的商業(yè)應(yīng)用前景和極大的社會(huì)價(jià)值，所以越來(lái)越受到更多研究人員的關(guān)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(zhàn)賽(CAMRa2011)的推薦系統(tǒng)大會(huì)[2]。國(guó)外已有很多專家、學(xué)者對(duì)群組推薦系統(tǒng)的理論、方法、應(yīng)用等進(jìn)行了深入研究，然而國(guó)內(nèi)大多側(cè)重于傳統(tǒng)推薦系統(tǒng)的研究，對(duì)群組推薦系統(tǒng)的研究相對(duì)較少，與之形成的中文參考文獻(xiàn)更是數(shù)量可數(shù)。為此，文中對(duì)群組推薦系統(tǒng)展開(kāi)研究與分析。

1 群組推薦系統(tǒng)相關(guān)理論

1.1 群組推薦系統(tǒng)的概念

群組推薦系統(tǒng)是在個(gè)性化推薦系統(tǒng)基礎(chǔ)上發(fā)展而來(lái)，是為群體用戶推薦其可能感興趣的信息或項(xiàng)目，滿足群體用戶的個(gè)性化需求。目前，對(duì)群組推薦并沒(méi)有形成統(tǒng)一的定義，文獻(xiàn)[3]從共識(shí)函數(shù)的角度并結(jié)合top-K的方法對(duì)群組推薦進(jìn)行了形式化的定義，其過(guò)程如下：

首先計(jì)算群組預(yù)測(cè)評(píng)分，再計(jì)算群組分歧度，最后利用共識(shí)函數(shù)得到群組的共識(shí)分?jǐn)?shù)，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(yù)測(cè)評(píng)分；Dis(G,i)表示群組成員的分歧度，即組中用戶對(duì)項(xiàng)目評(píng)分的差異程度；w1和w2分別表示群組預(yù)測(cè)評(píng)分和群組分歧度在共識(shí)函數(shù)中的權(quán)重,且有w1+w2=1。

在式1中，項(xiàng)目的群組預(yù)測(cè)評(píng)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(shí)函數(shù)的計(jì)算方法只是加權(quán)模型中的一般形式，但隨著研究的深入，希望群組的預(yù)測(cè)評(píng)分更加準(zhǔn)確，更能反映群組成員的實(shí)際需求，為此需要將一些社會(huì)因素、上下文因素等融入群組預(yù)測(cè)評(píng)分計(jì)算模型中，例如文獻(xiàn)[4-5]，這樣使得對(duì)群組推薦的形式化描述顯得更加復(fù)雜抽象。

然而，不是所有的群組推薦系統(tǒng)都可以用上述形式化來(lái)定義，因?yàn)橛行┤航M推薦系統(tǒng)是根據(jù)群組中成員的推薦列表利用社會(huì)化選擇方法(如群組成員投票機(jī)制)聚合形成群組推薦列表，這時(shí)采用形式化定義描述群組推薦就不太合適。因此，對(duì)群組推薦的定義仍然是一個(gè)開(kāi)放性問(wèn)題。

目前，群組推薦并沒(méi)有形成統(tǒng)一的分類標(biāo)準(zhǔn)，這里按推薦環(huán)境、群組構(gòu)成、推薦方法進(jìn)行分類：

(1)根據(jù)群組推薦對(duì)象所處環(huán)境分為：基于互聯(lián)網(wǎng)虛擬環(huán)境的群組，如在線社區(qū)；現(xiàn)實(shí)環(huán)境中的實(shí)體群組，如家庭成員、朋友、旅游團(tuán)等。

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

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

1.2 群組推薦系統(tǒng)生成推薦過(guò)程及策略

群組推薦的過(guò)程和方法相對(duì)于個(gè)性化推薦而言較為復(fù)雜，因推薦對(duì)象由單個(gè)用戶擴(kuò)展為群組中多個(gè)用戶。在群組推薦生成過(guò)程中，一般采用聚合策略[5-8]，根據(jù)聚合內(nèi)容的不同，可分為模型聚合策略(偏好聚合、評(píng)分聚合等)和推薦結(jié)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(guò)程(如圖1所示)：首先獲取或分析預(yù)測(cè)群組中每個(gè)成員的偏好(評(píng)分)，其次選擇合適的聚合策略得到群組的偏好(模型或評(píng)分)，最后根據(jù)最終的群組偏好(評(píng)分)生成推薦。

圖1 模型聚合(偏好聚合)群組推薦生成過(guò)程

對(duì)于模型聚合(偏好聚合)過(guò)程，文獻(xiàn)[3,5-8]提出了多種方法，常見(jiàn)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(kāi)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(quán)值，但是這樣的推薦結(jié)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(píng)分(評(píng)價(jià))最低的作為群組評(píng)分，從而形成群組的整體評(píng)分列表進(jìn)行推薦，該種方法雖能確保不把群組中人員比較討厭的項(xiàng)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(duì)前兩種方法的改進(jìn)，即設(shè)定一個(gè)閾值，只有將評(píng)分大于閾值的個(gè)體評(píng)分才計(jì)入到均值的求和中，所以閾值的選取直接關(guān)系到推薦結(jié)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(shí)際推薦過(guò)程中選擇哪種聚合方法需視具體情況而定，文獻(xiàn)[6-7]對(duì)不同情況下運(yùn)用不同的方法進(jìn)行了詳細(xì)分析，并對(duì)它們的優(yōu)劣性進(jìn)行了比較。

(2)推薦結(jié)果聚合策略。

推薦結(jié)果的聚合策略就是對(duì)個(gè)性化推薦列表進(jìn)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(jù)群組成員的反饋，動(dòng)態(tài)地調(diào)整推薦列表，讓更多的群組成員滿意。

圖2 推薦結(jié)果聚合的群組生成過(guò)程

2 群組推薦系統(tǒng)的實(shí)驗(yàn)數(shù)據(jù)及評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)群組推薦研究時(shí)，需要通過(guò)實(shí)驗(yàn)對(duì)算法的優(yōu)劣程度進(jìn)行評(píng)價(jià)，那么選擇合適的數(shù)據(jù)集和適當(dāng)?shù)脑u(píng)價(jià)標(biāo)準(zhǔn)對(duì)于算法的優(yōu)劣有著重要的參考意義。因?yàn)榧词雇环N算法，采用不同的數(shù)據(jù)集以及評(píng)價(jià)標(biāo)準(zhǔn)，算法的優(yōu)劣性往往也會(huì)有所不同。通過(guò)對(duì)相關(guān)文獻(xiàn)的研讀和分析，將具有代表性的實(shí)驗(yàn)數(shù)據(jù)及來(lái)源進(jìn)行總結(jié)，如表1所示。

表1 群組推薦系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)及來(lái)源

從表1可知，群組推薦實(shí)驗(yàn)有離線和在線兩種；實(shí)驗(yàn)數(shù)據(jù)來(lái)源有公開(kāi)數(shù)據(jù)集和收集數(shù)據(jù)兩類。

在離線模擬實(shí)驗(yàn)時(shí)，大部分實(shí)驗(yàn)數(shù)據(jù)均來(lái)源于Movie Lens數(shù)據(jù)集(100K該數(shù)據(jù)集包含943位用戶對(duì)1 682部電影的10萬(wàn)條評(píng)分?jǐn)?shù)據(jù))，因該公開(kāi)數(shù)據(jù)集包含數(shù)據(jù)量大，信息比較充足，所以一直被很多研究推薦系統(tǒng)的學(xué)者使用；此外還有一部分研究人員使用自己收集的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，如文獻(xiàn)[4,10]，但存在一些不足，如數(shù)據(jù)集樣本較少、不具有代表性，并且還需要花費(fèi)一定人力物力對(duì)數(shù)據(jù)進(jìn)行收集和處理等。

對(duì)于在線實(shí)驗(yàn)，不同群組推薦系統(tǒng)使用的數(shù)據(jù)也不同，如基于社交網(wǎng)絡(luò)的群組推薦[5,11]，是在Happy Movie平臺(tái)進(jìn)行在線實(shí)驗(yàn)測(cè)試，而文獻(xiàn)[12]使用騰訊視頻系統(tǒng)中的數(shù)據(jù)。這主要與群組推薦應(yīng)用的環(huán)境相關(guān)，通過(guò)真實(shí)應(yīng)用環(huán)境獲取在線用戶的實(shí)時(shí)反饋，使實(shí)驗(yàn)結(jié)果更有說(shuō)服力。

至于實(shí)驗(yàn)評(píng)價(jià)，不同的群組推薦系統(tǒng)關(guān)注的側(cè)重點(diǎn)不同，使用的評(píng)價(jià)標(biāo)準(zhǔn)也不同，如表2所示。

表2 群組推薦系統(tǒng)實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

常用的評(píng)價(jià)指標(biāo)描述如下：

(1)RMSE(root mean square error，均方根誤差)，用來(lái)計(jì)算預(yù)測(cè)值與真實(shí)值之間的偏差，其值越低，說(shuō)明預(yù)測(cè)值與實(shí)際值之間差距越小，即預(yù)測(cè)準(zhǔn)確度越高；反之，預(yù)測(cè)準(zhǔn)確度越低。

(2)

其中，Nt為群組中用戶-項(xiàng)目對(duì)(i,a)的個(gè)數(shù)；(i,a)為群組中用戶i關(guān)注了項(xiàng)目a；via為用戶i對(duì)項(xiàng)目a的預(yù)測(cè)評(píng)分；ria為用戶i對(duì)項(xiàng)目a的實(shí)際評(píng)分。

(2)MAE(mean absolute error，平均絕對(duì)誤差)，用于度量預(yù)測(cè)評(píng)分與測(cè)試集中用戶真實(shí)評(píng)分的平均絕對(duì)偏差，MAE值越小表示預(yù)測(cè)越準(zhǔn)確。

(3)

其中，N為群組中成員個(gè)數(shù)；via為組成員的預(yù)測(cè)分?jǐn)?shù)；ria為組成員的實(shí)際評(píng)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(lái)衡量群組推薦清單排名的策略。

(4)

(5)

其中，ruci表示用戶u對(duì)推薦列表上第i個(gè)位置上項(xiàng)目c的真實(shí)評(píng)價(jià)(評(píng)分)；max DCG表示DCG的最大值為n個(gè)項(xiàng)目在推薦列表中的最優(yōu)排序。

3 群組推薦系統(tǒng)的算法、應(yīng)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(tǒng)協(xié)同過(guò)濾算法的優(yōu)化和偏好聚合策略的改進(jìn)。

協(xié)同過(guò)濾是個(gè)性化推薦中比較經(jīng)典的算法之一，主要分為基于物品協(xié)同過(guò)濾和基于用戶協(xié)同過(guò)濾兩大類。群組推薦算法的改進(jìn)很多均以該算法為核心框架并對(duì)其優(yōu)化。例如，文獻(xiàn)[13]利用人口統(tǒng)計(jì)學(xué)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(bǔ)了已有的組推薦系統(tǒng)在建立群組時(shí)忽略用戶本身屬性的缺陷，同時(shí)通過(guò)采用結(jié)合用戶興趣變化的協(xié)同過(guò)濾方法提高推薦的準(zhǔn)確性。文獻(xiàn)[14]針對(duì)群體用戶對(duì)項(xiàng)目評(píng)分?jǐn)?shù)據(jù)極端稀疏的情況，提出一種新的協(xié)同過(guò)濾方法，先對(duì)未評(píng)分項(xiàng)目進(jìn)行評(píng)分填充，融合基于項(xiàng)目相似性和基于用戶相似性的預(yù)測(cè)評(píng)分作為未被評(píng)價(jià)項(xiàng)目的最終預(yù)測(cè)評(píng)分。該方法雖提高了預(yù)測(cè)評(píng)分的準(zhǔn)確性和有效性，但增加了時(shí)間復(fù)雜度和空間復(fù)雜度。而文獻(xiàn)[15]針對(duì)傳統(tǒng)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(quán)重，通過(guò)組內(nèi)、組間協(xié)同過(guò)濾獲取預(yù)測(cè)評(píng)分，最后加權(quán)融合得到群組對(duì)項(xiàng)目的最終評(píng)分，但其難以自動(dòng)獲取用戶交互行為信息，無(wú)法實(shí)現(xiàn)群組成員的權(quán)重實(shí)時(shí)更新。據(jù)此可知：對(duì)群組推薦算法的優(yōu)化大多數(shù)是融入被推薦用戶、群組相關(guān)信息，如用戶標(biāo)簽信息、用戶間互動(dòng)度以及信任度等有價(jià)值的特性，并結(jié)合協(xié)同過(guò)濾方法(單個(gè)或多個(gè)組合)，從而使得群組對(duì)物品的最終預(yù)測(cè)評(píng)分更加準(zhǔn)確，但由于需多次對(duì)大量數(shù)據(jù)進(jìn)行計(jì)算處理，這無(wú)疑會(huì)增加內(nèi)存開(kāi)銷，降低推薦效率。

(2)將其他領(lǐng)域研究方法應(yīng)用于群組推薦。

近年來(lái)，一些研究人員還嘗試將其他領(lǐng)域的一些方法應(yīng)用于群組推薦研究，如文獻(xiàn)[10,16]將符號(hào)數(shù)據(jù)分析(SDA)方法應(yīng)用于群組推薦，采用“數(shù)據(jù)打包”等技術(shù)，在不丟失信息的條件下從全局上把握樣本數(shù)據(jù)特征，能夠在一定程度上緩解因數(shù)據(jù)稀疏推薦精度降低的問(wèn)題以及推薦效率隨用戶、項(xiàng)目數(shù)量增多而降低的問(wèn)題；文獻(xiàn)[17]將遺傳算法(GA)用于群組推薦，利用GA搜索最優(yōu)解的特性并結(jié)合協(xié)同過(guò)濾來(lái)學(xué)習(xí)群體偏好從而對(duì)子群體的未知評(píng)分進(jìn)行填充，解決了群組推薦中的數(shù)據(jù)稀疏問(wèn)題；而文獻(xiàn)[18-19]將圖論的研究方法應(yīng)用于群組推薦，其思想是將組中用戶、物品以及他們間的關(guān)系抽象出來(lái)用圖表示，進(jìn)而采用圖的分析方法(如RWR隨機(jī)游走法)進(jìn)行研究。這種利用研究對(duì)象間存在某些共性的特點(diǎn)，采取研究方法應(yīng)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(duì)群組推薦算法的優(yōu)化或算法的擴(kuò)充開(kāi)拓了新的途徑。

3.2 群組推薦在不同環(huán)境不同領(lǐng)域中的應(yīng)用研究與分析

(1)基于社交網(wǎng)絡(luò)的群組推薦研究。

隨著社交網(wǎng)站、社交軟件的興起和流行，出現(xiàn)各種網(wǎng)絡(luò)社區(qū)或興趣群，吸引了大量網(wǎng)絡(luò)用戶的加入，影響和改變著人們的思想及行為。因此，近年來(lái)基于社交網(wǎng)絡(luò)的群組推薦是研究熱點(diǎn)。例如，文獻(xiàn)[20]針對(duì)用戶群組定義解釋性不強(qiáng)等問(wèn)題，提出一種基于社交網(wǎng)絡(luò)社區(qū)的組推薦框架；文獻(xiàn)[21]結(jié)合在線社區(qū)的特點(diǎn)，將群體成員之間的差異性和互動(dòng)性因素融入群體推薦算法中；文獻(xiàn)[5,11，22]將合作關(guān)系、信任關(guān)系(TR)、社會(huì)相似度(SS)等社會(huì)元素融入群組推薦模型，如ARISE(包含社會(huì)元素的推薦架構(gòu))，并以Happy Movie為應(yīng)用平臺(tái)，對(duì)算法進(jìn)行在線環(huán)境實(shí)驗(yàn)測(cè)試。由此可見(jiàn)，在對(duì)基于社交網(wǎng)絡(luò)的群組推薦研究時(shí)，需要結(jié)合在線社區(qū)的特點(diǎn)，將諸如成員的個(gè)性特征、成員間合作關(guān)系、信任關(guān)系、成員的角色權(quán)重、成員的社會(huì)相似度等社會(huì)元素完美融入群組推薦算法中，進(jìn)而達(dá)到很好的群組推薦效果。

(2)基于實(shí)際應(yīng)用的研究。

研究人員不僅對(duì)基于網(wǎng)絡(luò)環(huán)境的在線社區(qū)群組推薦進(jìn)行了研究，還對(duì)現(xiàn)實(shí)具體環(huán)境中群組推薦的應(yīng)用展開(kāi)了研究。文獻(xiàn)[23]針對(duì)物聯(lián)網(wǎng)環(huán)境下僅聚合群組成員偏好的傳統(tǒng)方法推薦效果不是很好的問(wèn)題，提出了基于成員組織的組相似策略(組內(nèi)、組間相似)，一定程度上緩解了群組推薦中的冷啟動(dòng)問(wèn)題；文獻(xiàn)[24]通過(guò)獲取用戶偏好檔案資料及他們對(duì)目的地的特殊要求來(lái)構(gòu)建群組用戶模型，然后采用基于內(nèi)容、基于知識(shí)、協(xié)同過(guò)濾等混合推薦算法，從而為群組用戶提供更好的旅游服務(wù)；文獻(xiàn)[25]介紹了基于個(gè)人和群體的信任模型協(xié)同過(guò)濾應(yīng)用于文檔推薦；而文獻(xiàn)[26]總結(jié)并詳述了群組推薦的應(yīng)用進(jìn)展，如新聞群組推薦、餐飲群組推薦、移動(dòng)群組推薦、音樂(lè)/電影群組推薦等。因此，隨著研究的深入，群組推薦將會(huì)應(yīng)用于更多領(lǐng)域，更好地服務(wù)于生活。但現(xiàn)實(shí)中的人群一般都處于特定環(huán)境中(社會(huì)環(huán)境、地理環(huán)境等)，通常把這些外在環(huán)境因素稱為“上下文”，因“上下文”因素對(duì)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(shí)現(xiàn)更好的推薦效果，這便成為推薦系統(tǒng)的一個(gè)研究熱點(diǎn)即基于上下文推薦，同時(shí)也是研究中的一個(gè)難點(diǎn)。

最近，深度學(xué)習(xí)比較火熱，一些研究人員嘗試將深度學(xué)習(xí)的方法應(yīng)用于群組推薦，這也是未來(lái)群組推薦研究的一個(gè)熱點(diǎn)。

4 群組推薦系統(tǒng)未來(lái)面臨的挑戰(zhàn)

由于群組推薦的復(fù)雜性和特殊性，許多針對(duì)個(gè)體推薦的算法、評(píng)價(jià)指標(biāo)并不適用于群組推薦，群組推薦發(fā)展過(guò)程中面臨了一些挑戰(zhàn)[9,27]，主要如下：

(1)戰(zhàn)略層面：考慮群組的整體組成結(jié)構(gòu)對(duì)群組推薦的影響，主要體現(xiàn)在群組成員的個(gè)體角色、個(gè)體權(quán)重、興趣偏好相似性和差異性、互動(dòng)度以及群的規(guī)模大小等。因?yàn)槿航M的決策由所有成員的決策經(jīng)協(xié)商后確定，而不同的角色、權(quán)重、興趣偏好以及不同數(shù)量的群組成員個(gè)體的決策都會(huì)影響群組的決策，所以在設(shè)計(jì)群組推薦系統(tǒng)時(shí)需宏觀上分析群組的組成結(jié)構(gòu)。

(2)算法層面：群組推薦算法的設(shè)計(jì)和方法的選擇相對(duì)于個(gè)性化推薦來(lái)說(shuō)需要考慮的因素更多(社交關(guān)系、社會(huì)環(huán)境、個(gè)體的近來(lái)經(jīng)歷等)，涉及到的知識(shí)范圍、學(xué)科領(lǐng)域更廣(社會(huì)學(xué)、心理學(xué)、統(tǒng)計(jì)學(xué)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(lái)；另外，算法中如何處理群組成員的偏好評(píng)分不一致性、興趣偏好動(dòng)態(tài)變化等問(wèn)題。這些對(duì)于群組算法的研究設(shè)計(jì)都是急需解決的問(wèn)題。

(3)表示層：表現(xiàn)為群組表示、項(xiàng)目表示、群組推薦系統(tǒng)的界面設(shè)計(jì)、推薦結(jié)果的解釋顯示等。因群組中涉及多個(gè)用戶，那么如何由獲取到的用戶信息偏好恰當(dāng)?shù)乇硎救航M。同樣，對(duì)于物品的評(píng)價(jià)形式多樣(有用文字描述，有些用數(shù)字評(píng)分，也有未評(píng)價(jià))，標(biāo)準(zhǔn)不一，分歧度較大，該如何表示出該群組所需要的項(xiàng)目。另外，推薦系統(tǒng)界面如何設(shè)計(jì)、推薦結(jié)果如何展示能夠提高推薦準(zhǔn)確率和增加用戶滿意度等，都還有待深入研究。

(4)評(píng)價(jià)層面：就是對(duì)群組推薦效果的評(píng)價(jià)，不同群組推薦系統(tǒng)選擇不同的評(píng)價(jià)指標(biāo)(可參見(jiàn)表2)，并沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，所以對(duì)算法的優(yōu)劣無(wú)法比較；另外，即使相同的評(píng)價(jià)指標(biāo)對(duì)于不同大小群組或者群組內(nèi)部相似度差異較大的群組來(lái)說(shuō)，效果也不同。故有關(guān)推薦系統(tǒng)的評(píng)價(jià)指標(biāo)也是一個(gè)值得研究的課題，對(duì)于群組推薦系統(tǒng)的發(fā)展也是一大挑戰(zhàn)。

(5)其他方面：推薦結(jié)果的解釋與隱私保護(hù)、數(shù)據(jù)稀疏性、推薦項(xiàng)目清單的順序、理論研究與實(shí)際應(yīng)用等問(wèn)題[9,27]對(duì)群組推薦都具有一定的挑戰(zhàn)性，需要研究解決。

5 結(jié)束語(yǔ)

目前，一些科研機(jī)構(gòu)中的研究人員分別從理論、算法、應(yīng)用等各個(gè)方面對(duì)群組推薦系統(tǒng)展開(kāi)了深入研究，取得了一定成果。但是，國(guó)內(nèi)對(duì)群組推薦系統(tǒng)方面的研究相對(duì)較少，所形成的中文參考文獻(xiàn)更是數(shù)量可數(shù)。因此，文中從介紹群組推薦系統(tǒng)的概念、類型開(kāi)始，接著介紹了群組推薦系統(tǒng)的生成推薦過(guò)程及策略，總結(jié)分析了實(shí)驗(yàn)數(shù)據(jù)來(lái)源、評(píng)價(jià)指標(biāo)；然后對(duì)群組推薦的算法及應(yīng)用進(jìn)行了研究與分析；最后嘗試對(duì)群組推薦系統(tǒng)未來(lái)所面臨的挑戰(zhàn)進(jìn)行探討。

參考文獻(xiàn)：

[1] 許海玲,吳 瀟,李曉東,等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào),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(hào)數(shù)據(jù)的群體推薦算法[J].系統(tǒng)工程學(xué)報(bào),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(jié)合用戶特征和興趣變化的組推薦系統(tǒng)算法研究[J].軟件導(dǎo)刊,2016,15(6):60-62.

[14] 朱阿敏，劉業(yè)政，韓建妙.基于優(yōu)化協(xié)同過(guò)濾與加權(quán)平均的群推薦方法[J].計(jì)算機(jī)工程與應(yīng)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(xué)學(xué)報(bào):自然科學(xué)版,2016,35(3):51-56.

[16] 郭均鵬，寧 靜，史志奇.基于區(qū)間型符號(hào)數(shù)據(jù)的群組推薦算法研究[J].計(jì)算機(jī)應(yīng)用研究,2013,30(1):67-71.

[17] 朱國(guó)瑋，楊 玲.基于遺傳算法的群體推薦系統(tǒng)研究[J].情報(bào)學(xué)報(bào)，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(wǎng)絡(luò)社區(qū)的組推薦框架[J].電子與信息學(xué)報(bào),2016,38(9):2150-2157.

[21] 郭均鵬，趙夢(mèng)楠.面向在線社區(qū)用戶的群體推薦算法研究[J].計(jì)算機(jī)應(yīng)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(tǒng)及其應(yīng)用研究[J].計(jì)算機(jī)學(xué)報(bào),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.