基于本體的協(xié)同過(guò)濾信息推送算法研究

王紅霞，鐘愛(ài)琳

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110159)

計(jì)算機(jī)行業(yè)的迅速發(fā)展使得互聯(lián)網(wǎng)滲透到了生活中的方方面面，是人們獲取信息最有效的途徑，但海量的網(wǎng)絡(luò)信息在給予方便與快捷的同時(shí)也使大眾進(jìn)入了信息碎片化的時(shí)代，冗余的信息往往會(huì)降低用戶的體驗(yàn)感。面對(duì)如此現(xiàn)狀，用戶如何能從中閱讀到真正滿足其需求的信息是迫待解決的關(guān)鍵問(wèn)題。

協(xié)同過(guò)濾推送算法是最為常用的信息推送算法之一。通過(guò)用戶的行為特征構(gòu)建用戶興趣模型，根據(jù)協(xié)同過(guò)濾推送算法找到用戶的興趣愛(ài)好。協(xié)同過(guò)濾推送算法分為基于用戶的協(xié)同過(guò)濾推送算法[1]和基于項(xiàng)目的協(xié)同過(guò)濾推送算法。前者通過(guò)計(jì)算用戶間的相似度，找到與目標(biāo)用戶相似度較高的其他用戶所喜愛(ài)的項(xiàng)目進(jìn)行推送。而基于項(xiàng)目的協(xié)同過(guò)濾推送算法[2]，關(guān)注點(diǎn)則是項(xiàng)目之間的相似度，首先找到用戶評(píng)分歷史中評(píng)分較高的項(xiàng)目，然后通過(guò)計(jì)算項(xiàng)目之間的相似度，把相似度較高的其他項(xiàng)目作為待推送結(jié)果。

盡管協(xié)同過(guò)濾推送算法有較高的使用率，但不得不承認(rèn)該算法依然存在弊端。在實(shí)際生活中往往用戶評(píng)分這一項(xiàng)會(huì)有大量空缺，導(dǎo)致用戶項(xiàng)目評(píng)分矩陣稀疏，另外也因?yàn)樾律唐返睦鋯?dòng)導(dǎo)致推送結(jié)果的覆蓋范圍不夠廣泛。因此，針對(duì)這種推送方法的弊端，本文提出了基于本體的協(xié)同過(guò)濾信息推送算法，在推薦過(guò)程中引入本體，通過(guò)本體的概念層次結(jié)構(gòu)關(guān)系和概念之間的關(guān)系與用戶興趣詞之間產(chǎn)生關(guān)聯(lián)，進(jìn)而對(duì)用戶的興趣詞進(jìn)行詞義擴(kuò)展，使推薦內(nèi)容更為精確豐富。

1 書(shū)籍模型及用戶興趣模型建立

本文以圖書(shū)閱讀網(wǎng)站的個(gè)性化推送作為研究背景。用戶興趣模型是對(duì)用戶愛(ài)好的準(zhǔn)確描述，是服務(wù)推送過(guò)程中的重要一環(huán)。而書(shū)籍建模是用戶興趣建模的基礎(chǔ)，二者缺一不可。

1.1 書(shū)籍模型建立

書(shū)籍建模采取基于向量空間[3]的模型表示方法。

Project={(project1，style1，author1，pub1)，…，(projectm，stylem，authorm，pubm)}

式中：project為書(shū)籍編號(hào)；style為書(shū)籍類(lèi)別；author為書(shū)籍作者；pub為書(shū)籍出版社。

1.2 用戶興趣模型建立

用戶興趣模型的建立采取改進(jìn)的向量空間模型表示方式，因?yàn)橛脩舻呐d趣不是一成不變的，在不同的時(shí)間段用戶的興趣可能不同，因此在基本的向量空間模型中加入時(shí)間元素，表現(xiàn)形式如下。

User={(userID1，action1，score1，time1)，…，(userIDn，actionn，scoren，timen)}

式中：userID為用戶ID；action為行為類(lèi)型，分為瀏覽、搜索、收藏，對(duì)應(yīng)數(shù)值設(shè)為1、2、3來(lái)表示其感興趣的程度；score為用戶對(duì)書(shū)籍的評(píng)分；time為以t為單位時(shí)間，表示用戶的感興趣程度，若用戶的操作行為發(fā)生在過(guò)去的t時(shí)間段內(nèi)，設(shè)time為5；若用戶的操作行為發(fā)生在過(guò)去的t～2t時(shí)間段內(nèi)，設(shè)time為4；若用戶的操作行為發(fā)生在過(guò)去的2t～3t時(shí)間段內(nèi)，設(shè)time為3；若用戶的操作行為發(fā)生在過(guò)去的3t～4t時(shí)間段內(nèi)，設(shè)time為2；若用戶的操作行為發(fā)生在過(guò)去的4t～5t時(shí)間段內(nèi)，設(shè)time為1。

2 協(xié)同過(guò)濾推送算法與本體的結(jié)合

2.1 領(lǐng)域本體的構(gòu)建

本體[4]是概念模型形式化的規(guī)范說(shuō)明，具有概念性、明確性、形式性和共享性。

(1)書(shū)籍領(lǐng)域本體的構(gòu)建

初步?jīng)Q定使用protege4.3，按照中圖分類(lèi)法[5]構(gòu)建部分書(shū)籍領(lǐng)域本體。對(duì)于部分書(shū)籍領(lǐng)域?qū)嶓w可分為出版商、作者、類(lèi)別，詳細(xì)分類(lèi)如下。

部分書(shū)籍領(lǐng)域整體本體圖如圖1所示

圖1 部分書(shū)籍領(lǐng)域本體圖

圖中:BookAreas為部分書(shū)籍領(lǐng)域本體類(lèi);Book表示書(shū)籍種類(lèi)；Publication表示書(shū)籍出版商；Author表示書(shū)籍作者；Thing表示事物。

2.2 本體與用戶協(xié)同過(guò)濾推送算法的結(jié)合

(1)采用改進(jìn)的基于向量的空間模型表示方法構(gòu)建用戶的興趣模型。

(2)根據(jù)公式(1)，計(jì)算用戶之間的相似度。

sim(Useri，Userj)=cos(Useri，Userj)=

(1)

式中：Useri、Userj為用戶i、j的興趣模型向量。

(3)最近鄰居集的構(gòu)建：將相似度最高的前r個(gè)用戶篩選出來(lái)，組成用戶的最近鄰居集Ue(U1，U2…Ur)。

(4)選取鄰居集中用戶的所有歷史項(xiàng)目作為待推送商品集。

(5)預(yù)測(cè)項(xiàng)目評(píng)分：計(jì)算待推送集合中書(shū)籍的評(píng)分，不同用戶對(duì)目標(biāo)用戶的影響不同，因而選取鄰居用戶的加權(quán)評(píng)分值作為權(quán)重因子[6]，計(jì)算公式(2)如下，S(a，i)表示用戶a對(duì)書(shū)籍i的評(píng)分。

(2)

根據(jù)評(píng)分預(yù)測(cè)選取評(píng)分最高的前j個(gè)書(shū)籍構(gòu)建興趣書(shū)籍集G1(g1,g2…gj)；

(6)根據(jù)建立的商品模型提取興趣書(shū)籍集中商品所包含的特征詞。

2.3 本體與書(shū)籍協(xié)同過(guò)濾推送算法的結(jié)合

(1)根據(jù)建立的用戶興趣模型，選取書(shū)籍用戶在3t時(shí)間內(nèi)評(píng)分書(shū)籍最高的前k個(gè)書(shū)籍。

(2)通過(guò)公式(3)計(jì)算書(shū)籍之間的相似度，得到k個(gè)書(shū)籍的商品鄰居集P。

(3)

式中：Projecti、Projectj表示書(shū)籍i、j的模型向量。

(3)據(jù)公式(4)計(jì)算鄰居集P中各個(gè)項(xiàng)目的預(yù)測(cè)評(píng)分

(4)

(4)根據(jù)評(píng)分預(yù)測(cè)選取評(píng)分最高的前k個(gè)書(shū)籍構(gòu)建興趣書(shū)籍集G2(g1,g2…gk)。

(5)將特征詞映射到本體模型中，通過(guò)搜索找到特征詞在本體中的位置，若本體中沒(méi)有該特征詞，則將該特征詞添加到本體中，然后搜索該特征詞同一父類(lèi)下的特征詞，以及相鄰父類(lèi)下的特征詞，通過(guò)特征詞找到與之對(duì)應(yīng)的書(shū)籍。構(gòu)成書(shū)籍集G′2(g1,g2…gk)。

(6)將G′2做為待推送書(shū)籍集。

3 本體與協(xié)同過(guò)濾信息推送算法的結(jié)合

3.1 算法具體流程

圖2所示為本體與協(xié)同過(guò)濾信息推送算法結(jié)合的具體流程圖。

圖2 算法流程圖

3.2 算法步驟如下

(1)下載BookCrossingDataset數(shù)據(jù)集[7]。

(2)采用空間向量模型的方法構(gòu)建商品模型，在空間向量模型方法之上有所改進(jìn)，加入time因素，構(gòu)建用戶興趣模型。

(3)將本體結(jié)合到協(xié)同過(guò)濾推送算法中。

(4)選取絕對(duì)平均誤差和覆蓋率作為評(píng)價(jià)指標(biāo)，驗(yàn)證融入本體后的協(xié)同過(guò)濾算法的有效性。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)收集

本課題需要的數(shù)據(jù)選自BookCrossingDataset數(shù)據(jù)集，該數(shù)據(jù)集包含三張表：用戶信息表、書(shū)籍信息表、用戶對(duì)書(shū)籍的評(píng)價(jià)。

表1 數(shù)據(jù)集基本信息

4.2 數(shù)據(jù)的預(yù)處理

(1)原始的書(shū)籍?dāng)?shù)據(jù)表中imageURL屬性并不需要，可以將其刪除。

(2)原始的出版時(shí)間數(shù)據(jù)，其中有一些錯(cuò)誤條目(如出版商的名字被錯(cuò)誤地加載為出版日期)，將對(duì)這些錯(cuò)誤進(jìn)行更正。

修改后的結(jié)果如圖3、圖4所示。

圖3 刪除imageURL后的書(shū)籍?dāng)?shù)據(jù)

圖4 更正后的出版時(shí)間數(shù)據(jù)

4.3 算法準(zhǔn)確性的驗(yàn)證

本課題選取絕對(duì)平均誤差(Mean Absolute Error，MAE)[8]和覆蓋率(F)作為評(píng)估指標(biāo)來(lái)驗(yàn)證算法的準(zhǔn)確性。

(1)MAE值度量預(yù)測(cè)打分與實(shí)際打分的絕對(duì)平均誤差。

(5)

式中：pi表示信息推送系統(tǒng)對(duì)書(shū)籍i的預(yù)測(cè)打分；ri表示用戶對(duì)書(shū)籍i的實(shí)際評(píng)分；N為測(cè)試集中書(shū)籍個(gè)數(shù)。

表2為傳統(tǒng)的協(xié)同過(guò)濾推送算法與結(jié)合本體后推送算法的MAE值比較，100-100表示100個(gè)用戶對(duì)一百本書(shū)評(píng)價(jià)，以此類(lèi)推。

表2 與本體結(jié)合的協(xié)同過(guò)濾推送算法的MAE值

由表2的MAE值可得出如下結(jié)論：用戶協(xié)同過(guò)濾推送算法的效率要高于書(shū)籍協(xié)同過(guò)濾推送算法；與本體結(jié)合后的推送算法比傳統(tǒng)的協(xié)同過(guò)濾推送算法準(zhǔn)確性更高。

(2)根據(jù)精確度(Precision)、召回率(Recall)、和覆蓋率(F)[9]來(lái)進(jìn)行驗(yàn)證。覆蓋率的高低能反映出推送系統(tǒng)推送信息的豐富性，覆蓋率越高推送的內(nèi)容覆蓋范圍就越廣。

(6)

(7)

(8)

式中：PreSet為預(yù)測(cè)的待推送的項(xiàng)目集合；RefSet為真實(shí)的用戶購(gòu)買(mǎi)的項(xiàng)目集合；F為最終的評(píng)價(jià)標(biāo)準(zhǔn)。

表3為幾種推送算法的精確度、召回率和覆蓋率的結(jié)果比較。

由表3可看出，與本體結(jié)合后的協(xié)同過(guò)濾推送算法覆蓋率更高，說(shuō)明本文提出的基于本體的協(xié)同過(guò)濾信息推送算法準(zhǔn)確性更高，推送內(nèi)容也更為豐富。

表3 不同算法的精確度、召回率、覆蓋率的比較 %

5 結(jié)論

提出基于本體的協(xié)同過(guò)濾信息推送算法，采取經(jīng)典的絕對(duì)平均誤差及覆蓋率作為評(píng)價(jià)指標(biāo)，經(jīng)實(shí)驗(yàn)結(jié)果表明，與本體結(jié)合的協(xié)同過(guò)濾推送算法較為有效的解決了傳統(tǒng)協(xié)同過(guò)濾推送算法存在的用戶興趣矩陣稀疏問(wèn)題及新商品的冷啟動(dòng)問(wèn)題。