• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于事件社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)綜述*

    2021-03-06 09:28:56廖國(guó)瓊藍(lán)天明黃曉梅萬(wàn)常選劉德喜劉喜平
    軟件學(xué)報(bào) 2021年2期
    關(guān)鍵詞:群組因子用戶

    廖國(guó)瓊 ,藍(lán)天明 ,黃曉梅 ,陳 輝 ,萬(wàn)常選 ,劉德喜 ,劉喜平

    1(江西財(cái)經(jīng)大學(xué) 信息管理學(xué)院,江西 南昌 330013)

    2(江西省高校數(shù)據(jù)與知識(shí)工程重點(diǎn)實(shí)驗(yàn)室(江西財(cái)經(jīng)大學(xué)),江西 南昌 330013)

    3(武夷學(xué)院,福建 南平 354300)

    4(江西財(cái)經(jīng)大學(xué) 軟件與物聯(lián)網(wǎng)工程學(xué)院,江西 南昌 330013)

    近年來(lái),隨著信息技術(shù)的發(fā)展,基于事件社會(huì)網(wǎng)絡(luò)(event-based social network,簡(jiǎn)稱EBSN)[1],如 Douban Events、Meetup、Plancast 等,為人們?cè)诰€上與線下同時(shí)交互提供了便捷方式.通過(guò)這些平臺(tái),用戶既可以根據(jù)個(gè)人愛好加入不同線上興趣組,也可以發(fā)布并主持和參加感興趣的各種事件(如音樂(lè)會(huì)、體育活動(dòng)、聚會(huì)、學(xué)術(shù)會(huì)議等).不同于其他社會(huì)網(wǎng)絡(luò),ESBN 包含兩種互動(dòng)方式:線上互動(dòng)和線下互動(dòng).線上互動(dòng)是指用戶可以通過(guò)線上網(wǎng)絡(luò)進(jìn)行溝通;線下互動(dòng)是用戶在特定時(shí)間和地點(diǎn)參加線下事件,進(jìn)行面對(duì)面交流.因此,EBSN 充當(dāng)了虛擬世界和現(xiàn)實(shí)世界之間的橋梁,有效地增強(qiáng)了用戶的互動(dòng)交流.

    EBSN 每天都會(huì)產(chǎn)生大量新事件和新興趣組,目前已擁有大量用戶且在快速增長(zhǎng).例如,截至2019 年11 月,Meetup 已有超過(guò)4 000 萬(wàn)用戶和32 萬(wàn)興趣組,每月舉辦的事件超過(guò)300 萬(wàn).對(duì)于事件組織者而言,其希望參與事件的人數(shù)越多越好,而對(duì)于用戶而言,他們希望認(rèn)識(shí)更多的朋友、增強(qiáng)事件體驗(yàn).然而,面對(duì)EBSN 中的海量信息,用戶越來(lái)越難以發(fā)現(xiàn)他們喜好的事件和興趣組,因此,研究EBSN 推薦系統(tǒng)具有重要研究意義和應(yīng)用前景.

    國(guó)內(nèi)外許多重要研究機(jī)構(gòu)與高校的研究者們對(duì)EBSN 進(jìn)行了研究,獲得了許多研究成果,發(fā)表在多個(gè)重要領(lǐng)域的國(guó)際學(xué)術(shù)會(huì)議和期刊.本文根據(jù)最近研究對(duì)EBSN 推薦系統(tǒng)進(jìn)行了綜述:第1 節(jié)概述EBSN 的定義、結(jié)構(gòu)、屬性和特征.第2 節(jié)介紹EBSN 推薦系統(tǒng)的基本框架,以及與其他推薦系統(tǒng)的區(qū)別.第3 節(jié)對(duì)EBSN 推薦系統(tǒng)的推薦方法和內(nèi)容進(jìn)行總結(jié)和對(duì)比分析.第4 節(jié)分析EBSN 推薦系統(tǒng)的研究難點(diǎn)及發(fā)展趨勢(shì).第5 節(jié)總結(jié)全文工作.

    1 EBSN 概述

    Liu 等人[1]最早提出EBSN 的概念,其形式化描述為:EBSN 是一個(gè)異構(gòu)網(wǎng)絡(luò)G=〈U,Aon,Aoff〉,其中,U表示具有n個(gè)用戶的集合,Aon表示線上社交關(guān)系的集合,Aoff表示線下社交關(guān)系的集合.EBSN 可分為線上社交網(wǎng)絡(luò)Gon=〈U,Aon〉和線下社交網(wǎng)絡(luò)Goff=〈U,Aoff〉兩部分.

    圖1 為常見的EBSN 網(wǎng)絡(luò)結(jié)構(gòu).EBSN 中存在多種社會(huì)關(guān)系,包括用戶參與興趣組關(guān)系、用戶參與事件關(guān)系、事件與舉辦地點(diǎn)關(guān)系等.用戶加入線上興趣組形成了線上網(wǎng)絡(luò)(online network),用戶參加事件則形成了線下網(wǎng)絡(luò)(offline network).

    Fig.1 EBSN network structure圖1 EBSN 網(wǎng)絡(luò)結(jié)構(gòu)

    EBSN 中的實(shí)體主要有用戶、標(biāo)簽、興趣組、事件、位置、事件組織者等.與其他社會(huì)網(wǎng)絡(luò)(social network)如Facebook、Twitter 等相比,EBSN 具有以下獨(dú)特特征.

    (1) 顯式偏好缺失.在EBSN 中,通常未提供顯式用戶偏好信息,但會(huì)提供用戶表達(dá)參與意愿的選項(xiàng).如Meetup 中,用戶通過(guò)回復(fù)RSVP(一種選擇機(jī)制)表明是否將會(huì)參與一個(gè)事件.由于選擇“正”的用戶比選擇“負(fù)”或未回答的用戶更有可能參加事件,故已有研究大多用RSVP 回復(fù)“正”的用戶代表其參與了事件.Macedo 等人[2]分析了Meetup 中事件的RSVP 分布情況,統(tǒng)計(jì)數(shù)據(jù)顯示:超過(guò)45%的事件最多有1 個(gè)RSVP,大約90%的事件最多有10 個(gè)RSVP.因此,回復(fù)了“RSVP”的用戶數(shù)量不多,這使大多數(shù)傳統(tǒng)推薦算法不適用于EBSN 推薦.

    (2) 事件和興趣組參與呈重尾分布.Liu 等人[1]通過(guò)對(duì)2011 年10 月~2012 年1 月Meetup 中的數(shù)據(jù)分析,發(fā)現(xiàn)用戶參與事件和興趣組都呈現(xiàn)重尾分布.這說(shuō)明大多數(shù)事件只有少數(shù)參與者,但也存在具有大量參與者的事件.同樣,盡管大多數(shù)興趣組規(guī)模較小,但在Meetup 數(shù)據(jù)集中也存在大型興趣組.

    (3) 事件發(fā)生呈現(xiàn)時(shí)空規(guī)律性.Liu 等人[1]通過(guò)數(shù)據(jù)分析發(fā)現(xiàn),社會(huì)事件發(fā)生表現(xiàn)出規(guī)律的時(shí)空模式.例如:通常在工作日的下午14 點(diǎn)左右會(huì)舉辦相對(duì)較多數(shù)量的事件,到晚上8 點(diǎn)發(fā)生的事件數(shù)達(dá)到一天的最大值;周末的事件在全天分布相對(duì)均勻;事件主要發(fā)生在城市地區(qū)等等.

    (4) 事件參與地理依賴性.Macedo 等人[2]描繪了Meetup 中用戶家庭位置與事件發(fā)生位置之間的距離分布,發(fā)現(xiàn)大約50%的用戶為距離其家庭位置10km 范圍內(nèi)的事件提供了正RSVP,但未向距離其家庭位置100km 以外的事件提供RSVP.Liu 等人[1]觀察到,用戶參與的事件中有81.93%發(fā)生在其家庭位置10 英里范圍內(nèi),表明用戶傾向于參加其家庭位置附近的事件而不是更遠(yuǎn)的事件.

    (5) 事件生命周期短.事件的生命周期為事件創(chuàng)建到其結(jié)束之間的時(shí)間段.事件推薦僅在事件創(chuàng)建之后到事件開始之前有效.Macedo 等人[2]發(fā)現(xiàn),大多數(shù)事件的生命周期為5~100 天.這意味著雖然一小部分事件的生命周期非常短(1 天),但大多數(shù)事件的發(fā)生時(shí)間足以讓用戶發(fā)現(xiàn)或引起他們的注意.

    (6) 用戶表達(dá)參與意愿呈現(xiàn)時(shí)間規(guī)律性.在事件的生命周期中,用戶表達(dá)參與意愿呈現(xiàn)時(shí)間規(guī)律性.越接近事件的發(fā)生時(shí)間,則該事件接收的用戶參與意愿越多.Macedo 等人[2]發(fā)現(xiàn):在生命時(shí)間超過(guò)100 天的事件中,在事件最后的20%生命階段中,所有正RSVP 的提供超過(guò)80%,即大多數(shù)RSVP 的提供時(shí)間接近事件的發(fā)生時(shí)間.

    (7) 線上網(wǎng)絡(luò)結(jié)構(gòu)密集.Liu 等人[1]發(fā)現(xiàn):EBSN 的線上網(wǎng)絡(luò)比線下網(wǎng)絡(luò)更為密集,具體表現(xiàn)為線上網(wǎng)絡(luò)具有較大的強(qiáng)連通分量、較高的聚類系數(shù)和較低的平均分離度.其原因是,用戶參與線上網(wǎng)絡(luò)的人數(shù)多于實(shí)際參與社會(huì)事件的人數(shù).

    這些特征給EBSN 推薦系統(tǒng)帶來(lái)了一些挑戰(zhàn),主要有:

    (1) 冷啟動(dòng)問(wèn)題.冷啟動(dòng)問(wèn)題是推薦系統(tǒng)面臨的一個(gè)挑戰(zhàn).推薦系統(tǒng)需要根據(jù)用戶的歷史信息預(yù)測(cè)用戶未來(lái)的行為,因此需要用戶的大量歷史數(shù)據(jù).而對(duì)新用戶和新項(xiàng)目來(lái)說(shuō),沒(méi)有相應(yīng)的歷史評(píng)分?jǐn)?shù)據(jù),這導(dǎo)致用戶與用戶、項(xiàng)目與項(xiàng)目之間無(wú)法計(jì)算相似性,從而無(wú)法預(yù)測(cè)評(píng)分,無(wú)法獲取新用戶、新項(xiàng)目的推薦結(jié)果.由于EBSN 中顯式偏好缺失,用戶幾乎不對(duì)參與過(guò)的事件評(píng)分;而且ESBN 推薦的事件是在未來(lái)時(shí)間發(fā)生,在事件發(fā)生前沒(méi)有任何用戶參與及評(píng)價(jià)信息.同時(shí),EBSN 中用戶表達(dá)參與意愿的發(fā)生呈現(xiàn)時(shí)間規(guī)律性,即大多數(shù)用戶的參與意愿提供時(shí)間接近事件的發(fā)生時(shí)間,這使得EBSN 推薦系統(tǒng)難以使用這部分信息.因此,EBSN 推薦系統(tǒng)面臨的冷啟動(dòng)問(wèn)題尤為嚴(yán)重.

    (2) 數(shù)據(jù)稀疏問(wèn)題.數(shù)據(jù)稀疏是推薦系統(tǒng)面臨的另一個(gè)重大挑戰(zhàn),指用戶的評(píng)分?jǐn)?shù)量在評(píng)分矩陣中所占的比例過(guò)小,這會(huì)導(dǎo)致非常差的推薦質(zhì)量.EBSN 中,事件和興趣組參與呈重尾分布,即大多數(shù)事件和興趣組只有少數(shù)參與者;同時(shí),EBSN 中表達(dá)了參與意愿的用戶數(shù)量非常少.因此,EBSN 推薦系統(tǒng)面臨的數(shù)據(jù)稀疏問(wèn)題更突出.

    (3) 準(zhǔn)確獲取用戶偏好問(wèn)題.EBSN 中包含豐富的上下文信息,這些信息從不同側(cè)面、不同角度直接或間接反映及影響用戶偏好,因此它們是獲取用戶偏好和推薦生成的基礎(chǔ).同時(shí),這些信息表現(xiàn)形式復(fù)雜多元,如事件描述信息、EBSN 網(wǎng)絡(luò)結(jié)構(gòu)、用戶評(píng)論、數(shù)值、地理坐標(biāo)、圖片等.利用向量表示這些信息時(shí),通常具有較高維數(shù).如何融合這些信息以準(zhǔn)確獲取用戶偏好,是EBSN 推薦系統(tǒng)面臨的又一重大挑戰(zhàn).

    因此,有必要為EBSN 推薦系統(tǒng)研究新的方法和策略,以滿足不同需要.

    2 EBSN 推薦系統(tǒng)概述

    2.1 EBSN推薦系統(tǒng)的框架

    EBSN 推薦系統(tǒng)的框架主要包括3 層:數(shù)據(jù)采集層、數(shù)據(jù)處理層和推薦生成層.如圖2 所示.

    1)數(shù)據(jù)采集層.數(shù)據(jù)采集層獲取被推薦對(duì)象的各種相關(guān)信息,為EBSN 推薦系統(tǒng)提供數(shù)據(jù)來(lái)源.采集的信息主要包括用戶信息、事件信息、興趣組信息、用戶參與事件信息和用戶參與興趣組信息等.

    2)數(shù)據(jù)處理層.數(shù)據(jù)處理層負(fù)責(zé)對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理,主要包括上下文信息提取與融合、顯式與隱式反饋數(shù)據(jù)獲取、用戶偏好獲取、群組識(shí)別和群組偏好獲取等,為推薦生成層提供依據(jù)和支撐.

    3)推薦生成層.推薦生成層利用不同的推薦生成算法得到推薦結(jié)果.EBSN 推薦系統(tǒng)中常用的推薦生成方法有基于內(nèi)容的推薦生成方法、上下文感知推薦生成方法、基于因子分解的推薦生成方法、基于圖模型的推薦生成方法、基于概率模型的推薦生成方法、基于深度學(xué)習(xí)的推薦生成方法、基于啟發(fā)式算法推薦生成方法和混合推薦生成方法.

    Fig.2 Framework of the EBSN recommendation system圖2 EBSN 推薦系統(tǒng)的框架

    2.2 EBSN推薦系統(tǒng)與其他推薦系統(tǒng)的區(qū)別

    推薦系統(tǒng)目前已經(jīng)在各個(gè)領(lǐng)域中被用于解決信息過(guò)載問(wèn)題,通常需要結(jié)合用戶的歷史偏好信息向用戶推薦其可能喜歡的項(xiàng)目.推薦方法是推薦系統(tǒng)中最核心、最關(guān)鍵的部分,在很大程度上決定了推薦系統(tǒng)的性能.

    (1) 傳統(tǒng)推薦系統(tǒng)

    Jannach 等人[3]將傳統(tǒng)推薦系統(tǒng)分為基于協(xié)同過(guò)濾的推薦系統(tǒng)、基于內(nèi)容的推薦系統(tǒng)、基于知識(shí)的推薦系統(tǒng)和混合推薦系統(tǒng).

    · 基于協(xié)同過(guò)濾的推薦系統(tǒng)找出與被推薦用戶具有相似偏好的其他用戶喜好的項(xiàng)目,或找出與被推薦用戶喜好的項(xiàng)目相似的項(xiàng)目并推薦.

    · 基于內(nèi)容的推薦系統(tǒng)在推薦過(guò)程中首先需要定義項(xiàng)目的相關(guān)內(nèi)容特征,然后基于被推薦用戶喜好的項(xiàng)目特征提取用戶的偏好特征,并推薦與用戶偏好特征相似的項(xiàng)目.

    · 基于知識(shí)的推薦系統(tǒng)需要和用戶進(jìn)行多輪會(huì)話,從每一輪會(huì)話中直接獲取用戶需求,在互動(dòng)過(guò)程中,結(jié)合用戶需求篩選出候選項(xiàng)中用戶感興趣的項(xiàng)目.

    · 混合推薦系統(tǒng)在推薦過(guò)程中采用了多種算法,通過(guò)結(jié)合不同算法的長(zhǎng)處,避免或克服其短處,獲得更高效的推薦結(jié)果.

    (2) 社會(huì)化推薦系統(tǒng)

    近年來(lái),結(jié)合社會(huì)化信息的推薦系統(tǒng)引起了更多研究者的注意.社會(huì)化推薦系統(tǒng)通過(guò)挖掘社交關(guān)系獲取社會(huì)化信息[4],結(jié)合社會(huì)化信息與用戶基本信息,將社會(huì)化信息作為一種輔助信息提高推薦效果[5].由于添加了多種社會(huì)化信息的特性,能獲取到更準(zhǔn)確的用戶偏好,因此,社會(huì)化推薦能更高效的解決推薦系統(tǒng)中的常見難題,如冷啟動(dòng)、數(shù)據(jù)稀疏等.

    (3) 基于位置的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)

    基于位置的社會(huì)網(wǎng)絡(luò)(location-based social network,簡(jiǎn)稱LBSN)是一個(gè)具有3 層結(jié)構(gòu)的異構(gòu)網(wǎng)絡(luò),包括地理位置層、社會(huì)關(guān)系層和媒體內(nèi)容層[6].LBSN 中有豐富的信息,如用戶、位置、時(shí)間、用戶簽到和社會(huì)關(guān)系、評(píng)價(jià)等信息.推薦系統(tǒng)利用LBSN 中豐富的信息,有針對(duì)性地向用戶推薦其感興趣的地點(diǎn)、朋友、路徑和社會(huì)活動(dòng)等,以提高用戶的使用體驗(yàn)和活躍性.LBSN 推薦系統(tǒng)通常包括位置推薦、路徑推薦、朋友推薦、社會(huì)活動(dòng)推薦、鏈接預(yù)測(cè)等功能[7].

    (4) 與其他推薦系統(tǒng)的區(qū)別

    EBSN 推薦系統(tǒng)是目前主動(dòng)為用戶提供各種服務(wù)信息的技術(shù)之一,它需要滿足用戶的事件推薦、群組推薦和朋友推薦等服務(wù)的基本需求,具有社會(huì)化推薦系統(tǒng)的基本特點(diǎn),與LBSN 推薦系統(tǒng)有相似的異構(gòu)社會(huì)網(wǎng)絡(luò)關(guān)系等.表1 列出了基于事件社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)與其他推薦系統(tǒng)在原始數(shù)據(jù)收集、用戶偏好獲取、推薦生成、推薦目標(biāo)和被推薦對(duì)象等方面的異同點(diǎn).

    Table 1 Comparison of the EBSN recommendation system with other recommendation systems表1 EBSN 推薦系統(tǒng)與其他推薦系統(tǒng)的對(duì)比

    3 EBSN 推薦系統(tǒng)的推薦方法和推薦內(nèi)容

    EBSN 推薦系統(tǒng)中,推薦目標(biāo)與被推薦對(duì)象之間存在復(fù)雜的關(guān)系.借助于事件的描述內(nèi)容、用戶的社會(huì)關(guān)系等上下文信息,EBSN 推薦系統(tǒng)可以獲取更準(zhǔn)確的用戶偏好,從而獲得更準(zhǔn)確的推薦結(jié)果.本文總結(jié)現(xiàn)有EBSN推薦系統(tǒng)的推薦方法主要包括8 種:基于內(nèi)容的推薦方法、上下文感知推薦方法、基于因子分解的推薦方法、基于圖模型的推薦方法、基于概率模型的推薦方法、基于深度學(xué)習(xí)的推薦方法、基于啟發(fā)式算法的推薦方法和混合推薦方法.與傳統(tǒng)推薦系統(tǒng)相比,EBSN 推薦系統(tǒng)具有更多推薦內(nèi)容.本文依據(jù)推薦內(nèi)容將EBSN 推薦系統(tǒng)分為事件推薦、群組推薦、事件安排、參與者預(yù)測(cè)、聯(lián)合推薦、朋友推薦、場(chǎng)地推薦這7 種.

    3.1 基于內(nèi)容的推薦方法

    在EBSN 推薦系統(tǒng)中,基于內(nèi)容的推薦方法通過(guò)事件描述建立事件特征,通過(guò)分析用戶參與事件的描述信息獲得用戶偏好特征,通過(guò)計(jì)算事件描述特征和用戶偏好特征的相似度獲得用戶感興趣的事件進(jìn)行推薦.

    Yin 等人[8]將用戶、事件、位置、時(shí)間和文本內(nèi)容之間的關(guān)系嵌入到共享的低維向量中,獲得用戶和事件在相同的低維空間中的特征向量.根據(jù)特征向量計(jì)算目標(biāo)用戶對(duì)推薦事件的偏好、合作伙伴對(duì)事件的偏好,同時(shí)結(jié)合目標(biāo)用戶與推薦合作伙伴之間的社交關(guān)系親密度,向用戶推薦事件-合作伙伴對(duì).目標(biāo)用戶對(duì)合作伙伴事件對(duì)的偏好計(jì)算公式如下:

    其中,u,u′,e分別是目標(biāo)用戶、被推薦合作伙伴和被推薦事件,其特征向量分別是是偏差.

    Zhang 等人[9]使用Latent Dirichlet Allocation(LDA)[10]提取每個(gè)事件的主題分布,根據(jù)用戶的歷史參與信息提取用戶的主題分布,然后計(jì)算事件和用戶的主題分布的相似性,從中選擇具有高相似度的事件進(jìn)行推薦.

    Wang 等人[11]采用前饋神經(jīng)網(wǎng)絡(luò)將事件的內(nèi)容描述、發(fā)生地點(diǎn)和發(fā)生時(shí)間嵌入到低維向量中,以表示事件的潛在特征,然后根據(jù)用戶的歷史行為學(xué)習(xí)用戶的偏好特征向量,最后計(jì)算用戶的偏好特征向量和事件特征向量的相似度,推薦相似度最高的前n個(gè)事件.

    基于內(nèi)容的推薦方法結(jié)合事件的內(nèi)容描述、地點(diǎn)位置、時(shí)間等提取事件的特征,通過(guò)用戶的歷史參與信息獲取用戶的偏好特征,能獲取更準(zhǔn)確的用戶偏好.推薦結(jié)果根據(jù)被推薦用戶的興趣偏好產(chǎn)生,因此,不會(huì)因?yàn)閿?shù)據(jù)稀疏無(wú)法產(chǎn)生推薦結(jié)果,能解決新事件的冷啟動(dòng)問(wèn)題.但是推薦結(jié)果只根據(jù)用戶的歷史喜好產(chǎn)生,推薦結(jié)果基本與用戶歷史偏好相似.因?yàn)樾掠脩魶](méi)有歷史喜好,所以該方法無(wú)法為新用戶產(chǎn)生推薦結(jié)果.

    3.2 上下文感知推薦方法

    EBSN 推薦系統(tǒng)中,要推薦的事件都是即將發(fā)生的,不含任何用戶的參與信息,故存在事件冷啟動(dòng)問(wèn)題.通過(guò)引入上下文信息,可有效解決該問(wèn)題.EBSN 中雖然缺乏用戶的顯式反饋信息,但包含多種上下文信息,如事件主題、內(nèi)容描述、舉辦時(shí)間、舉辦場(chǎng)地、用戶社會(huì)關(guān)系等.上下文感知推薦方法首先結(jié)合這些上下文信息從用戶參加的歷史事件集合中提取用戶對(duì)事件的偏好,如用戶的事件主題偏好、用戶的事件描述內(nèi)容偏好、用戶的事件舉辦時(shí)間偏好和用戶的事件舉辦場(chǎng)地偏好等,獲得這些偏好后,直接融合或使用矩陣分解等方法融合,得到用戶偏好,然后依據(jù)用戶偏好獲取被推薦對(duì)象,最后對(duì)被推薦對(duì)象排序或使用BPR[12]等方法優(yōu)化排序獲取推薦列表.由于結(jié)合上下文信息能從多個(gè)角度獲得用戶更全面準(zhǔn)確的偏好,因此可以幫助用戶從海量資源中獲取滿足其自身需要的信息.上下文感知推薦方法是應(yīng)用于EBSN 推薦系統(tǒng)中的一種高效的推薦方法.

    在傳統(tǒng)推薦系統(tǒng)中,用戶對(duì)項(xiàng)目的評(píng)分模型可以表示如下:

    上下文感知推薦方法將其擴(kuò)展為包含多種上下文信息的多維評(píng)分模型,如:

    或者,

    其中,D1,D2,…,Dn代表維度,用戶對(duì)項(xiàng)目的評(píng)分函數(shù)被定義為空間D1×…×Dn上的函數(shù).

    在EBSN 推薦系統(tǒng)中,結(jié)合上下文進(jìn)行推薦已有大量的研究,如文獻(xiàn)[13-24]等.

    Macedo 等人[13]利用了上下文信息T,S,C,V:T為時(shí)間信息,計(jì)算用戶的時(shí)間偏好和事件發(fā)生時(shí)間的余弦相似度作為在上下文T中用戶對(duì)事件的評(píng)分;S為用戶的社會(huì)關(guān)系信息,計(jì)算用戶所在群組成員共同參與事件的頻率作為在上下文S中用戶對(duì)事件的評(píng)分;C為事件描述內(nèi)容的信息,計(jì)算事件描述內(nèi)容和用戶的內(nèi)容偏好之間的相似度作為用戶在上下文C中用戶對(duì)事件的評(píng)分;V為地理位置信息,計(jì)算事件發(fā)生地點(diǎn)和用戶的地點(diǎn)偏好之間的距離作為在上下文V中用戶對(duì)事件的評(píng)分.將這些評(píng)分結(jié)合起來(lái)學(xué)習(xí)進(jìn)行事件推薦,評(píng)分公式如下:

    給定目標(biāo)用戶u∈U和上下文信息t∈T,s∈S,c∈C,v∈V,使用列表學(xué)習(xí)方法Coordinate Ascent 學(xué)習(xí)獲取前n個(gè)事件推薦,獲取公式如下:

    其中,n表示要推薦的事件數(shù),Eu表示用戶過(guò)去參加過(guò)的事件集.

    Wang 等人[18]在推薦中結(jié)合了其他社交網(wǎng)絡(luò)的信息,該信息表示事件組織者的社會(huì)影響,同時(shí)考慮了群組成員之間的互動(dòng).作者結(jié)合時(shí)間、位置、內(nèi)容、事件組織者影響和群組成員影響等5 種上下文信息獲取用戶對(duì)事件的評(píng)分,并使用如下融合模型來(lái)計(jì)算用戶-事件對(duì)(u,e)的總體推薦得分:

    其中,S′=[St(u,e),Sv(u,e),Sc(u,e),Sh(u,e),Sm(u,e)].公式(7)中,5 個(gè)評(píng)分分別對(duì)應(yīng)用戶考慮時(shí)間、位置、內(nèi)容、事件組織者影響和群組成員影響時(shí)對(duì)事件的評(píng)分,W=[wt,wv,wc,wh,wm]是5 個(gè)評(píng)分的權(quán)重向量.

    文獻(xiàn)[14-17,19-24]分別結(jié)合了不同的上下文信息(如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、事件組織者、事件描述內(nèi)容)、時(shí)空信息、用戶的社會(huì)關(guān)系和社交媒體中用戶的帖子內(nèi)容等,獲取用戶對(duì)事件的偏好.Trinh 等人[25]結(jié)合了事件內(nèi)容、時(shí)空信息和用戶偏好,向關(guān)鍵用戶的活躍朋友推薦事件.Ding 等人[26]結(jié)合了用戶社會(huì)關(guān)系、時(shí)間偏好、位置偏好、用戶活躍程度預(yù)測(cè)新事件中的參與用戶.

    上下文感知推薦方法結(jié)合豐富的上下文信息獲得更準(zhǔn)確的用戶偏好,因此能提高推薦準(zhǔn)確率.引入上下文信息能從多方面補(bǔ)充用戶與事件信息,在一定程度上彌補(bǔ)了數(shù)據(jù)稀疏的不足;同時(shí),由于新用戶和新事件都有基本的信息,這些信息能作為上下文信息,因此可以避免冷啟動(dòng)問(wèn)題.但是上下文獲取的難度大,對(duì)其建模與計(jì)算的復(fù)雜度高.

    3.3 基于因子分解的推薦方法

    基于因子分解的推薦方法利用EBSN 中的顯式和隱式反饋信息提取部分用戶的偏好,結(jié)合因子分解生成所有用戶的偏好,然后采用BPR、排序?qū)W習(xí)等方法學(xué)習(xí)得到推薦列表.常見的因子分解模型有矩陣分解(MF)[27]、概率矩陣分解(PMF)[28]、集體矩陣分解(CMF)[29]、SVD[30]、SVD++[30]、張量分解[31]等.

    EBSN 中存在豐富的隱式反饋信息和上下文信息.各種上下文、用戶、事件、群組之間形成了多種多樣的關(guān)系,因子分解模型可以發(fā)現(xiàn)構(gòu)成這些關(guān)系各實(shí)體的潛在因子.EBSN 推薦系統(tǒng)中,基于因子分解的推薦方法首先獲得與推薦目標(biāo)和被推薦對(duì)象相關(guān)的關(guān)系,如用戶與朋友的關(guān)系、事件與事件發(fā)生地點(diǎn)的關(guān)系等.然后結(jié)合這些關(guān)系,使用因子分解方法確定推薦目標(biāo)和被推薦對(duì)象的潛在因子,獲得推薦目標(biāo)和被推薦對(duì)象之間的評(píng)分矩陣,最后采用隨機(jī)梯度下降、BPR、坐標(biāo)上升法等優(yōu)化算法學(xué)習(xí)被推薦對(duì)象的排名.

    已有研究利用因子分解方法產(chǎn)生推薦,不同的參考文獻(xiàn)采用了不同的因子分解模型.

    Zhang 等人[32]提出了一個(gè)集體貝葉斯泊松分解(CBPF)模型來(lái)解決EBSN 中冷啟動(dòng)本地事件推薦問(wèn)題.CBPF 模型的評(píng)分矩陣為為用戶潛在因子,θe為事件潛在因子.作者認(rèn)為:用戶u和他的朋友f存在潛在因子相似矩陣Suf,事件潛在因子包含事件組織者潛在因子θo、事件位置潛在因子θl、事件描述內(nèi)容潛在因子θc和單詞潛在因子βv.模型通過(guò)標(biāo)準(zhǔn)集體矩陣分解模型的思想,聯(lián)合這些因子預(yù)測(cè)用戶對(duì)事件的評(píng)分,并采用有效的坐標(biāo)上升算法學(xué)習(xí)事件排名.

    Qiao 等人[33]結(jié)合用戶的線上和線下社會(huì)關(guān)系、事件的地理位置特征和潛在的用戶事件評(píng)分,對(duì)用戶進(jìn)行事件推薦.其擴(kuò)展評(píng)分矩陣如下:

    其中,α為融合參數(shù).使用潛在因子分解方法得到近似用戶評(píng)分矩陣,公式如下:

    用戶對(duì)事件發(fā)生的區(qū)域偏好評(píng)分矩陣定義如下:

    其中,是關(guān)于用戶ui的潛在因子,是一個(gè)低維行向量;Mt是關(guān)于區(qū)域mt的潛在因子,是一個(gè)低維列向量;Pjt表示事件ej在區(qū)域mt發(fā)生的概率.

    Du 等人[34]結(jié)合發(fā)現(xiàn)的k個(gè)用戶最相似事件的影響因子預(yù)測(cè)事件參與率.作者提出了事件描述內(nèi)容因子、事件發(fā)生時(shí)間因子、事件發(fā)生地點(diǎn)因子和用戶的社交關(guān)系因子,通過(guò)鄰域集將這些因子融合,模型組合如下:

    其中,表示用戶u的平均評(píng)分;N(u,e;k)表示和用戶u參加的事件e最相似的k個(gè)事件集合,是由相似性度量Simu(e;ei)確定的,其整合了所有提取的因子;wei是和矩陣分解模型參數(shù)一起學(xué)習(xí)的自由參數(shù);Uu和Ee分別代表用戶u的特征向量和事件e的特征向量.在計(jì)算過(guò)程中,只需要存儲(chǔ)和更新每個(gè)事件的k-最近鄰居的參數(shù),而不是所有事件對(duì).

    Li 等人[35]提出一種稱為集體矩陣分解與事件-用戶鄰居(CMF-EUN)模型來(lái)推薦事件.CMF-EUN 由3 部分組成:集體矩陣分解、事件鄰域發(fā)現(xiàn)和用戶鄰域發(fā)現(xiàn).模型考慮了相似用戶的影響因子和相似事件的影響因子.整體模型如下所示:

    第1 部分中,Uu和Ee分別代表用戶u的特征向量和事件e的特征向量;第2 部分表示相似用戶的影響,其中,表示用戶u的平均得分,Nk1(u,e)表示與事件e相似的事件;第3 部分表示相似事件的影響,其中,表示事件e的平均得分,Nk2(e,u)表示與用戶u相似的用戶集合.k1 和k2 分別表示事件鄰域和用戶鄰域的數(shù)量.最后,使用隨機(jī)梯度下降算法進(jìn)行優(yōu)化.

    文獻(xiàn)[36-47]提出了多種因子分解模型,以計(jì)算用戶之間的影響、進(jìn)行事件推薦、朋友推薦、跟隨者推薦、參與者預(yù)測(cè)、獲取參與者影響力等.

    因子分解編程容易實(shí)現(xiàn),實(shí)現(xiàn)復(fù)雜度低,預(yù)測(cè)效果好,具有良好的可擴(kuò)展性.通過(guò)獲取EBSN 中多種多樣的關(guān)系,因子分解方法能有效獲取用戶偏好,從不同角度對(duì)相同數(shù)據(jù)解釋,相當(dāng)于增加了數(shù)據(jù)量,因此彌補(bǔ)了數(shù)據(jù)稀疏的不足;同時(shí),由于獲取了用戶與事件的多種關(guān)系,也在一定程度上解決了冷啟動(dòng)問(wèn)題.但存在的缺點(diǎn)有:需要花費(fèi)大量時(shí)間訓(xùn)練模型,獲得的推薦結(jié)果不具有很好的可解釋性等.

    3.4 基于圖模型的推薦方法

    基于圖模型的推薦方法將EBSN 中的用戶、群組和事件等實(shí)體構(gòu)建成圖,并度量圖中節(jié)點(diǎn)的相似度,獲取推薦列表.Meng 等人[48]將基于圖模型的社會(huì)化推薦方法分為兩種:一是基于圖結(jié)構(gòu)的推薦方法,二是鏈接預(yù)測(cè)方法.EBSN 推薦系統(tǒng)主要采用了鏈接預(yù)測(cè)方法.鏈接預(yù)測(cè)方法能把原始的輸入數(shù)據(jù)表示成特征向量,通過(guò)獲取隱式和顯式反饋信息,計(jì)算用戶和事件的相似度產(chǎn)生推薦.

    基于圖模型的推薦主要有兩個(gè)方面:一是構(gòu)圖,二是對(duì)被推薦對(duì)象排序.EBSN 中通常包括用戶、群組、事件、社會(huì)關(guān)系、標(biāo)簽、位置、時(shí)間、事件組織者等實(shí)體信息,使用這些信息可以構(gòu)建多部圖.然后使用隨機(jī)游走[49]、重啟隨機(jī)游走[50]、馬爾可夫模型等方法度量圖中節(jié)點(diǎn)的相似度,來(lái)對(duì)圖的節(jié)點(diǎn)排序.

    隨機(jī)游走類似于PageRank[51],是在一維或多維空間上的隨機(jī)過(guò)程,它能用來(lái)表示不規(guī)則的變動(dòng)形式.重啟隨機(jī)游走是一種特殊的隨機(jī)游走,在每一步游走時(shí),隨機(jī)游走者以一定概率跳到鄰居節(jié)點(diǎn)或回到起點(diǎn).通過(guò)以下公式計(jì)算一次迭代向量→.

    其中,為隨機(jī)游走向量,表示轉(zhuǎn)移概率矩陣,1-c為重啟概率,是隨機(jī)游走重啟向量.

    EBSN 中有許多研究基于圖模型推薦,文獻(xiàn)[52,53]采用隨機(jī)游走方法,文獻(xiàn)[54-58]采用重啟隨機(jī)游走方法.

    Pham 等人[53]提出一個(gè)基于圖的通用模型稱為HeteRS,其所提出的圖有6 種節(jié)點(diǎn)類型,包括用戶U、事件E、群組G、標(biāo)簽L、位置V和會(huì)話D,這些節(jié)點(diǎn)之間存在用戶參與事件關(guān)系〈U,E〉、群組組織事件關(guān)系〈E,G〉、事件擁有發(fā)生地點(diǎn)關(guān)系〈E,V〉、用戶參與群組關(guān)系〈U,G〉、用戶擁有標(biāo)簽關(guān)系〈U,L〉、群組擁有標(biāo)簽關(guān)系〈G,L〉、事件擁有發(fā)生時(shí)間關(guān)系〈E,D〉.這些關(guān)系構(gòu)成了圖的邊.在圖上采用隨機(jī)游走解決向用戶推薦群組、向群組推薦標(biāo)簽以及向用戶推薦事件這3 個(gè)推薦問(wèn)題.隨機(jī)游走過(guò)程如下:

    其中,u(t),e(t),g(t),l(t),d(t),v(t)是分布概率向量,分別表示在時(shí)間t訪問(wèn)用戶、事件、群組、標(biāo)簽、會(huì)話和位置的概率;αMN({〈M,N〉,〈N,M〉})∩R′≠?,αMN>0 且表示從節(jié)點(diǎn)類型M到節(jié)點(diǎn)類型N的轉(zhuǎn)移權(quán)重;PMN為轉(zhuǎn)移矩陣;qu為查詢向量,如果i=u時(shí),qu等于1,其他情況等于0.最后,在構(gòu)造的圖上,針對(duì)候選用戶運(yùn)行該算法,以獲得用戶的推薦事件.

    Liao 等人[58]將群組參加無(wú)經(jīng)驗(yàn)事件的決策過(guò)程分為征詢組外朋友意見階段和組內(nèi)成員協(xié)商階段,在兩個(gè)階段分別采用隨機(jī)游走和重啟隨機(jī)游走獲取用戶和群組偏好.Li 等人[54]提出了反向重啟隨機(jī)游走算法,在構(gòu)造的圖上,針對(duì)每個(gè)候選事件運(yùn)行,以獲得每個(gè)用戶的推薦事件.Liu 等人[52]構(gòu)造了由不同類型的節(jié)點(diǎn),包括用戶U、事件E、群組G、事件主辦者H和主題Z組成的混合圖.在圖上執(zhí)行隨機(jī)游走,獲得具有高收斂概率的候選事件.并在文獻(xiàn)[55]中,應(yīng)用重啟隨機(jī)游走(RWR)算法來(lái)計(jì)算用戶事件相似性得分.在文獻(xiàn)[56]中提出了一種基于演化圖的連續(xù)推薦(EGSR)算法.在演化圖上執(zhí)行重啟隨機(jī)游走,為用戶推薦事件.

    Zhang 等人[57]提出了一個(gè)基于群組的事件參與預(yù)測(cè)框架,該框架在混合EGU(事件E-群組G-用戶U)網(wǎng)絡(luò)上使用個(gè)性化重啟隨機(jī)游走,以捕獲群組內(nèi)在的社交關(guān)系.Lu 等人[59]提出一種雙層局部隨機(jī)游走(DLRW)方法來(lái)提取用戶的社交特征,并基于GBDT 算法構(gòu)建了事件參與預(yù)測(cè)模型.

    Boutsis 等人[60]考慮用戶的歷史參與行為特征和地理位置偏好,將用戶組織成群組,利用混合馬爾可夫模型來(lái)提取群組中用戶的行為模式,進(jìn)行個(gè)性化事件推薦.

    基于圖模型的推薦具有高靈活性和可擴(kuò)展性,能在數(shù)據(jù)量不足的情況下做出相對(duì)高質(zhì)量的推薦,能解決數(shù)據(jù)不足的問(wèn)題和事件冷啟動(dòng)問(wèn)題.但該方法的訓(xùn)練過(guò)程中需要大量的訓(xùn)練數(shù)據(jù),耗費(fèi)時(shí)間過(guò)長(zhǎng),推薦結(jié)果受限于歷史數(shù)據(jù),而且對(duì)新用戶和新群組難以產(chǎn)生好的推薦.

    3.5 基于概率模型的推薦方法

    基于概率模型的推薦方法使用統(tǒng)計(jì)學(xué)習(xí)方法從樣本數(shù)據(jù)中學(xué)習(xí)概率分布模型[48],學(xué)習(xí)到概率分布模型后,利用該模型生成被推薦對(duì)象的概率得到推薦列表,也稱為概率生成方法.概率生成方法的核心在于學(xué)習(xí)并獲取概率分布函數(shù)的參數(shù),其具體的步驟包括構(gòu)造似然函數(shù)、從已有的數(shù)據(jù)中學(xué)習(xí)到參數(shù),使得似然函數(shù)的值最大.常見被使用的概率生成模型有高斯混合模型、樸素貝葉斯模型、隱馬爾可夫模型等.一種應(yīng)用于推薦系統(tǒng)的簡(jiǎn)單概率模型[61]在形式上表示如下[48].

    假設(shè)存在用戶集合U和項(xiàng)目集合I以及一個(gè)潛在的主題集合Z,項(xiàng)目集合中的每一個(gè)項(xiàng)目都有一個(gè)相應(yīng)的潛在主題,用戶與主題之間存在一個(gè)概率分布,項(xiàng)目與主題之間也有概率分布.

    用戶u、項(xiàng)目i和主題z之間的聯(lián)合概率計(jì)算公式如下:

    用戶u和項(xiàng)目i之間的聯(lián)合概率為

    優(yōu)化目標(biāo)函數(shù)如下:

    用戶u選擇項(xiàng)目i的概率為

    EBSN 中存在多種多樣的概率分布,如用戶事件概率分布、用戶主題概率分布、事件主題概率分布、用戶群組概率分布、用戶社會(huì)關(guān)系概率分布等等.這些概率分布模型中的隨機(jī)變量通常是相互獨(dú)立的,因此可以將不同的因素作為隨機(jī)變量計(jì)算它們的聯(lián)合概率.EBSN 推薦系統(tǒng)中,首先通過(guò)采樣統(tǒng)計(jì)學(xué)習(xí)各種概率分布模型的參數(shù),然后考慮推薦模型中涉及的各種隨機(jī)變量之間的關(guān)系,計(jì)算這些隨機(jī)變量的聯(lián)合概率,得到最終的推薦目標(biāo)與被推薦對(duì)象之間的概率.

    EBSN 推薦系統(tǒng)中,使用概率生成模型進(jìn)行推薦的研究有文獻(xiàn)[62-69]等;在推薦過(guò)程中,結(jié)合概率方法的有文獻(xiàn)[32,36,64,70]等.

    Yin 等人[62]使用基于貝葉斯網(wǎng)絡(luò)的概率生成模型來(lái)解決EBSN 中的社區(qū)檢測(cè)問(wèn)題.可以對(duì)檢測(cè)到的社區(qū)進(jìn)行更有效的事件推薦或群組推薦,模型如下:

    Yuan 等人[63]提出一個(gè)概率生成模型來(lái)模擬群組偏好的生成過(guò)程,其用戶u在給定主題z以及開關(guān)量x的條件下,對(duì)事件e的概率為

    Du 等人[69]提出一個(gè)內(nèi)容場(chǎng)所感知主題模型(CVTM),該模型從內(nèi)容和場(chǎng)地兩個(gè)角度捕捉群組對(duì)事件的興趣.其群組對(duì)事件的評(píng)分計(jì)算如下:

    Jeong 等人[68]提出一種考慮群體凝聚力(GGC)的群體推薦模型,其用戶u在給定主題z以及開關(guān)量x,o的條件下,對(duì)事件e的概率為

    文獻(xiàn)[32,36,64,65,67,70]提出了不同的概率生成模型,用于計(jì)算群組參與事件的概率、用戶參與事件的概率、兩個(gè)用戶在事件、群組和地理位置上影響概率、用戶對(duì)其好友的影響概率與用戶對(duì)事件的喜好概率等.

    概率生成模型從統(tǒng)計(jì)的角度表示數(shù)據(jù)的分布情況,學(xué)習(xí)收斂速度快.當(dāng)學(xué)習(xí)的樣本數(shù)量足夠時(shí),能快速收斂到真實(shí)模型.因其學(xué)習(xí)到的是數(shù)據(jù)的概率分布,這能夠反映出同類數(shù)據(jù)的相似度,因此可以解決事件冷啟動(dòng)問(wèn)題.但概率生成模型復(fù)雜性較高,需要較長(zhǎng)的學(xué)習(xí)時(shí)間,不能向新用戶和新群組推薦.

    3.6 基于深度學(xué)習(xí)的推薦方法

    深度學(xué)習(xí)能夠自動(dòng)學(xué)習(xí)到數(shù)據(jù)的隱式特征表示,發(fā)現(xiàn)數(shù)據(jù)的潛在特征,并能通過(guò)在低層特征上變換形成高層的抽象特征.基于深度學(xué)習(xí)的推薦方法[71]建立深度學(xué)習(xí)模型捕獲輸入的用戶和項(xiàng)目的相關(guān)信息,尋找發(fā)現(xiàn)數(shù)據(jù)中存在的錯(cuò)綜復(fù)雜的關(guān)系,然后學(xué)習(xí)到用戶和項(xiàng)目之間的非線性關(guān)系,挖掘用戶與項(xiàng)目的潛在特征,最后,融合用戶與項(xiàng)目的特征表示獲取推薦列表.已知的應(yīng)用于推薦系統(tǒng)的深度學(xué)習(xí)模型有許多,如一些經(jīng)典的模型包括多層感知機(jī)、自編碼器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等[71].

    基于深度學(xué)習(xí)的EBSN 推薦系統(tǒng)結(jié)合EBSN 的特點(diǎn)與深度學(xué)習(xí)的優(yōu)點(diǎn),利用用戶、群組和事件的信息、顯式反饋與隱式反饋信息、上下文信息與社交關(guān)系信息等,通過(guò)獲取被推薦對(duì)象相關(guān)的各種原始數(shù)據(jù),如用戶信息、事件信息、顯式反饋信息與隱式反饋信息與其他信息,將需要的信息處理成合適的數(shù)據(jù)作為深度學(xué)習(xí)模型的輸入.通過(guò)建立的各種深度學(xué)習(xí)模型,學(xué)習(xí)生成推薦列表并進(jìn)行推薦.已有部分研究在EBSN 上結(jié)合深度學(xué)習(xí)模型產(chǎn)生推薦[11,46,72-76].

    Wu 等人[72]提出了一個(gè)端到端的深度事件參與預(yù)測(cè)(DEAP)框架,這是一個(gè)三級(jí)分層LSTM 架構(gòu),可以明確地模擬用戶的多維和不斷變化的偏好,目的在于解決用戶事件參與的可預(yù)測(cè)性.

    Jhamb 等人[73]利用降噪自動(dòng)編碼器作為所提出的ACDA 模型的主要構(gòu)建塊,模型使用注意機(jī)制將上下文信息編碼為用戶偏好的隱藏表示,利用降噪自動(dòng)編碼器預(yù)測(cè)用戶的偏好以進(jìn)行個(gè)性化事件推薦.Li 等人[77]采用極限學(xué)習(xí)機(jī)(ELM)對(duì)EBSN 中提取的空間特征、時(shí)間特征、語(yǔ)義特征、社會(huì)關(guān)系特征和歷史特征學(xué)習(xí),將事件推薦問(wèn)題轉(zhuǎn)為分類問(wèn)題.

    有部分研究在推薦過(guò)程中結(jié)合了深度學(xué)習(xí)方法,融合EBSN 中的多種信息獲取更準(zhǔn)確的用戶偏好.Wang 等人[46]利用帶有字嵌入的卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)深度捕獲用戶感興趣的事件的上下文信息,并為每個(gè)用戶建立用戶潛在模型.然后,將用戶潛在模型合并到概率矩陣分解(PMF)模型中,以提高推薦準(zhǔn)確性.Luceri 等人[74]引入了一個(gè)深度神經(jīng)網(wǎng)絡(luò)(DNN)框架,該框架能夠模擬社會(huì)影響和預(yù)測(cè)人類行為.Wang 等人[11]使用前饋神經(jīng)網(wǎng)絡(luò)將事件的特征嵌入到低維向量中.Pramanik 等人[75]提出了一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的框架DeepVenue,用于推薦舉辦Meetup 事件的場(chǎng)所.

    EBSN 中有大量各種類型的上下文信息,包括文本、圖像、音頻甚至視頻等,其他推薦方法難以完全利用上這些信息.但深度學(xué)習(xí)模型中無(wú)需用戶手工設(shè)計(jì)特征,它能自動(dòng)從輸入數(shù)據(jù)中有效學(xué)習(xí)潛在的有用特征表示,能夠?qū)?shù)據(jù)進(jìn)行非線性建模,捕獲關(guān)系錯(cuò)綜復(fù)雜的用戶與事件特征.深度學(xué)習(xí)模型通過(guò)大量數(shù)據(jù)的訓(xùn)練,能獲取更為準(zhǔn)確的用戶偏好,緩解冷啟動(dòng)問(wèn)題.深度神經(jīng)網(wǎng)絡(luò)具有廣泛的適用性和高度的靈活性,能輕松快速地構(gòu)建出推薦模型.但是深度學(xué)習(xí)中參數(shù)太多,難以解釋其具體作用,因此可解釋性較差.同時(shí),深度學(xué)習(xí)需要大量數(shù)據(jù)才能完成其模型訓(xùn)練,若數(shù)據(jù)量太小,學(xué)習(xí)到的模型推薦效果可能會(huì)很差.深度學(xué)習(xí)模型有時(shí)可能需要進(jìn)行大量超參數(shù)調(diào)整.

    3.7 基于啟發(fā)式算法的推薦方法

    EBSN 中,有的用戶會(huì)在一段時(shí)間內(nèi)參與多個(gè)事件,因此這些用戶希望能合理地安排參與自己喜歡的事件.事件的組織者希望自己組織的事件有更多感興趣的用戶來(lái)參與,也會(huì)希望有合理的事件安排,這通常被稱為事件安排問(wèn)題.用戶參與事件具有許多約束條件,例如事件沖突約束、事件容量約束、用戶預(yù)算約束等,為用戶提供滿意的事件安排需要盡量滿足這些約束.然而,這些約束有時(shí)相互矛盾,需要綜合考慮提出目標(biāo)函數(shù),使得目標(biāo)函數(shù)獲得最優(yōu)值,目標(biāo)函數(shù)代表了用戶或組織的滿意度.事件安排問(wèn)題通常是NP 難問(wèn)題,啟發(fā)式算法是解決NP 難問(wèn)題的常用方法,因此,我們稱其為基于啟發(fā)式算法的推薦方法.

    Tong 等人[78]提出了瓶頸感知社會(huì)事件安排(BSEA)問(wèn)題,設(shè)計(jì)了兩種基于貪心的啟發(fā)式算法解決BSEA 問(wèn)題.該問(wèn)題考慮了3 個(gè)影響因素:活動(dòng)與用戶之間的位置影響、活動(dòng)與用戶之間屬性的相似性以及用戶之間的社會(huì)關(guān)系.

    事件安排需要滿足最大化平均效用的最小值,同時(shí)滿足事件容量和用戶社會(huì)關(guān)系的約束.效用函數(shù)為

    其中,D(lu,le)表示用戶位置與事件發(fā)生位置的距離,sim(tu,te)表示用戶與事件的相似度.

    平均效用表示為

    其中,M(e)表示事件安排M中安排給事件e的用戶集合.

    She 等人[79]定義了效用感知社會(huì)事件參與者計(jì)劃(USEP)問(wèn)題,該問(wèn)題同時(shí)考慮了時(shí)空沖突和旅行支出約束,并需要最大程度地提高事件參與者的整體滿意度.其效用函數(shù)為

    其中,μ(u,e)表示用戶對(duì)事件的偏好.She 等人在文獻(xiàn)[80]中提出了帶事件沖突和事件容量限制的全局事件安排(GEACC)問(wèn)題,該問(wèn)題的目的是找出滿足事件沖突和事件容量限制的事件安排,對(duì)所有安排的事件和用戶,最大化用戶對(duì)事件的偏好總和.She 等人還在文獻(xiàn)[81]中提出了反饋感知事件安排(FASEA)問(wèn)題.在給用戶安排事件時(shí),考慮用戶接受或拒絕安排事件的反饋,從而使用戶接受的事件總數(shù)最大化.

    Liang 等人[82]提出的事件安排問(wèn)題,其目標(biāo)是最小化用戶與事件的空間距離和用戶社會(huì)關(guān)系緊密度的總和,以使事件安排多樣化.其效用函數(shù)為

    其中,第1 項(xiàng)是事件安排的每個(gè)用戶與事件之間距離的總和,第2 項(xiàng)是用戶社交關(guān)系的緊密程度.Liang 還在文獻(xiàn)[83]中提出了三維匹配事件安排(EATDM)問(wèn)題,其提出的效用評(píng)分同時(shí)考慮了用戶、事件組織者和事件.

    Kou 等人[84]提出了交互感知全局事件參與者安排(IGEPA)問(wèn)題.它在全局范圍內(nèi)優(yōu)化事件和參與者之間的安排,避免了事件之間的沖突.作者提出的效用函數(shù)考慮了用戶偏好和用戶之間的潛在交互程度.其效用函數(shù)表示如下:

    文獻(xiàn)[85-88]分別考慮了不同的約束條件,如差旅預(yù)算、事件參與上限和下限、用戶的空閑時(shí)間、用戶的平均移動(dòng)速度、用戶的整體偏好等,以滿足最大化全局效用分?jǐn)?shù),最大程度增加事件參與者人數(shù),確保每個(gè)用戶都可以按時(shí)參加活動(dòng)等目標(biāo)函數(shù)進(jìn)行事件安排.Li 等人[89]定義了增量雙邊偏好穩(wěn)定安排(IBPSP)問(wèn)題,旨在動(dòng)態(tài)制定使用戶和事件組織者都滿意的安排.

    基于啟發(fā)式算法的推薦考慮了更多條件,因此能有更精確的推薦結(jié)果.但其考慮的問(wèn)題和解決過(guò)程比較復(fù)雜,因此難以建模.此外,EBSN 平臺(tái)上爬取的數(shù)據(jù)集通常沒(méi)有包含一些必要的約束信息,因此需要復(fù)雜的數(shù)據(jù)處理過(guò)程.

    3.8 混合推薦方法

    上述各種推薦方法與傳統(tǒng)的推薦方法都各有優(yōu)缺點(diǎn).混合推薦方法是指同時(shí)使用多種推薦技術(shù)產(chǎn)生推薦,從而結(jié)合不同方法的優(yōu)點(diǎn)、彌補(bǔ)缺點(diǎn)、獲得更好的推薦效果.Burke 等人[90]提出了混合推薦方法的7 種混合策略,Jannach 等人[3]將其劃分成3 種:整體式混合設(shè)計(jì)、并行式混合設(shè)計(jì)和流水線式混合設(shè)計(jì),其中,整體式混合設(shè)計(jì)策略是EBSN 推薦系統(tǒng)中采用最多的混合推薦策略.

    上下文感知推薦方法中,EBSN 推薦系統(tǒng)通常需要結(jié)合上下文信息從多個(gè)角度獲取用戶偏好.Wang 等人[18]采用多種上下文信息的特征組合作為獲取用戶偏好的輸入數(shù)據(jù).基于因子分解的推薦方法中,也需要從多角度獲取用戶偏好,而且通常需要優(yōu)化才能得到因子分解的結(jié)果.Gu 等人[40]采用的因子分解模型分別考慮了用戶和事件隱因子特征以及用戶和事件之間的多個(gè)上下文特征來(lái)捕獲用戶的偏好.在基于圖模型的推薦方法中,EBSN 推薦系統(tǒng)也需要采用不同的數(shù)據(jù)來(lái)源獲取用戶偏好.Liu 等人[52]同時(shí)考慮了采用隨機(jī)游走獲得的用戶參與事件收斂概率與根據(jù)用戶歷史事件參與信息獲得的偏好計(jì)算用戶偏好.

    基于概率模型的推薦方法、基于深度學(xué)習(xí)的推薦方法和基于內(nèi)容的推薦方法在獲取推薦系統(tǒng)的輸入數(shù)據(jù)時(shí),同樣可以結(jié)合多種方法獲取.由此可知,EBSN 推薦系統(tǒng)中大多數(shù)時(shí)候采用是混合推薦方法.

    3.9 推薦方法比較

    每種推薦方法都有優(yōu)點(diǎn)和不足,表2 對(duì)比了本文列出的8 種EBSN 推薦系統(tǒng)的推薦方法的優(yōu)點(diǎn)和缺點(diǎn).

    Table 2 Comparison of recommended methods for the EBSN recommendation system表2 EBSN 推薦系統(tǒng)推薦方法的對(duì)比

    3.10 EBSN推薦系統(tǒng)的推薦內(nèi)容

    從推薦內(nèi)容的角度,EBSN 推薦系統(tǒng)可以分為事件推薦、群組推薦、事件安排、參與者預(yù)測(cè)、聯(lián)合推薦、朋友推薦、場(chǎng)地推薦.

    · 事件推薦的目標(biāo)是向用戶推薦事件,根據(jù)用戶的歷史參與記錄信息和用戶的社會(huì)關(guān)系,采用上下文感知、因子分解、概率生成、隨機(jī)游走、深度學(xué)習(xí)等方法獲取用戶對(duì)事件內(nèi)容、舉辦時(shí)間、舉辦地點(diǎn)和組織者等的偏好,然后采用BPR、學(xué)習(xí)排序方法等對(duì)被推薦事件排序獲取事件列表.

    · 群組推薦的目標(biāo)是向群組推薦事件,通過(guò)獲取用戶對(duì)事件的偏好以及用戶在群組中的影響力權(quán)重,融合群組成員偏好得到群組偏好,或使用概率生成、隨機(jī)游走等方法得到群組對(duì)事件的偏好.然后對(duì)被推薦事件排序獲得群組成員相對(duì)滿意的事件列表.

    · 事件安排為用戶推薦安排多個(gè)事件,在約束條件的限制下,使用一個(gè)目標(biāo)函數(shù),該目標(biāo)函數(shù)通常綜合考慮了多種情況.在目標(biāo)函數(shù)達(dá)到最優(yōu)值獲得的事件序列即為推薦安排的事件序列,目標(biāo)函數(shù)的最優(yōu)解通常使用啟發(fā)式算法獲取.

    · 參與者預(yù)測(cè)指預(yù)測(cè)事件的參與者,能向事件組織者推薦事件的參與者.通常,參與者預(yù)測(cè)需要根據(jù)事件的上下文信息,計(jì)算用戶偏好與該事件的相似程度,獲取用戶列表.

    · 聯(lián)合推薦指同時(shí)向用戶推薦多個(gè)對(duì)象,如同時(shí)向用戶推薦事件和伙伴,根據(jù)用戶偏好、伙伴偏好、用戶與伙伴的社交關(guān)系親密度、事件的上下文信息等計(jì)算用戶對(duì)事件-伙伴對(duì)的評(píng)分,找出并推薦評(píng)分最高的多個(gè)事件-伙伴對(duì).

    · 朋友推薦指向用戶推薦朋友,根據(jù)用戶的歷史參與事件記錄、用戶的社交關(guān)系等找出與目標(biāo)用戶最相似的用戶并推薦;

    · 場(chǎng)地推薦指向事件組織者推薦事件舉辦場(chǎng)地,通過(guò)計(jì)算場(chǎng)地相似度、事件相似度和興趣組相似度,采用深度學(xué)習(xí)方法獲取用于舉辦目標(biāo)事件的場(chǎng)地排名列表.

    EBSN 推薦系統(tǒng)按推薦內(nèi)容的分類對(duì)比見表3.

    Table 3 Comparison of classification of the EBSN recommendationsystem表3 EBSN 推薦系統(tǒng)的分類對(duì)比

    4 EBSN 推薦系統(tǒng)的難點(diǎn)與發(fā)展趨勢(shì)

    綜上所述,近年來(lái),EBSN 推薦系統(tǒng)已取得了較多研究和應(yīng)用進(jìn)展.但在未來(lái)的研究與應(yīng)用中,以下方面仍然值得重點(diǎn)關(guān)注和研究.

    (1) 冷啟動(dòng)問(wèn)題

    EBSN 中每天都有大量新用戶加入,他們沒(méi)有歷史事件評(píng)價(jià)信息及朋友信息.事件的組織者或興趣組的組織者邀請(qǐng)這些用戶參加事件、興趣組將會(huì)非常困難.EBSN 中每天會(huì)發(fā)布大量新事件,這些事件都是未來(lái)即將發(fā)生的,這意味著事件在開始時(shí)沒(méi)有歷史參與者,在事件發(fā)生前沒(méi)有任何用戶參與評(píng)價(jià)的信息.即使事件從發(fā)布到開始前這段時(shí)間內(nèi)可能會(huì)有少量的用戶表示愿意參加信息,但是該信息非常稀疏,且不能代表用戶真正參加了事件.另外,經(jīng)典推薦系統(tǒng)通常使用的用戶反饋信息(例如評(píng)分或評(píng)論)在EBSN 中變得無(wú)用,因?yàn)楫?dāng)事件參與者在他們參加事件之后給出評(píng)分和評(píng)論時(shí),事件已經(jīng)結(jié)束無(wú)需推薦.EBSN 中每天會(huì)有大量的新興趣組成立,向用戶推薦這些興趣組也將變得十分困難.因此,EBSN 推薦系統(tǒng)中向新用戶、新興趣組推薦事件,向用戶、興趣組推薦新事件變得非常困難,存在嚴(yán)重冷啟動(dòng)問(wèn)題.

    解決冷啟動(dòng)問(wèn)題的直接方法是采用基于內(nèi)容的推薦技術(shù),通常可以利用空間、時(shí)間、內(nèi)容和社會(huì)關(guān)系信息等來(lái)緩解EBSN 推薦系統(tǒng)中的冷啟動(dòng)問(wèn)題.文獻(xiàn)[36,67]從新事件的文本描述集合中推斷出潛在的主題處理事件冷啟動(dòng)問(wèn)題.Zhang 等人[32]將事件內(nèi)容、組織者、位置和用戶社交關(guān)系整合在一起,能夠在統(tǒng)一模型中推斷冷啟動(dòng)事件.Wang 等人[18]將EBSN 和其他社交網(wǎng)絡(luò)的信息結(jié)合起來(lái),用以解決冷啟動(dòng)問(wèn)題.Li 等人[15]將用戶興趣、組織者影響力和地理偏好整合到新事件推薦中.Jhamb 等人[37]利用群組的潛在因素解決冷啟動(dòng)問(wèn)題.Du 等人[21]使用用戶和組織者之間的社交關(guān)系來(lái)緩解事件推薦中的冷啟動(dòng)問(wèn)題.Du 等人[69]利用事件組織者與事件描述之間的相關(guān)性以及事件描述與事件舉辦地點(diǎn)之間的相關(guān)性解決群組事件推薦冷啟動(dòng)問(wèn)題.Liu 等人[55]利用EBSN中的不同關(guān)系和異步反饋來(lái)處理新事件冷啟動(dòng)問(wèn)題.雖然已有的研究在一定程度上緩解了冷啟動(dòng)問(wèn)題,但仍需尋找更有效的技術(shù)和方法,這是EBSN 推薦系統(tǒng)中一項(xiàng)非常重要的研究?jī)?nèi)容.

    (2) 群組推薦

    EBSN 推薦系統(tǒng)中的群組推薦指向群組推薦事件.在群組推薦中,群組內(nèi)各成員具有不同的興趣偏好,需要協(xié)調(diào)各個(gè)群組成員的偏好,使其形成相對(duì)一致的意見后進(jìn)行推薦.群組推薦的主要任務(wù)通常包括獲取群組成員的偏好、群組發(fā)現(xiàn)和偏好融合等.群組成員在形成對(duì)事件的偏好時(shí),會(huì)受到用戶個(gè)性化、信任關(guān)系和用戶重要性等社會(huì)因素的影響.因此,如何引入社會(huì)因素幫助推薦,以獲得準(zhǔn)確的用戶偏好,是值得關(guān)注的研究方向之一.群組發(fā)現(xiàn)是尋找具有相似特征的用戶構(gòu)成的群組.EBSN 中存在成員數(shù)量少、用戶偏好相似且溝通較頻繁等特征的群組,但EBSN 通常沒(méi)有顯式存在這樣的群組信息,因此,在群組發(fā)現(xiàn)時(shí),除可考慮成員的偏好相似性之外,還可考慮成員之間線上和線下交互.如何利用多種異構(gòu)信息發(fā)現(xiàn)群組,是群組推薦領(lǐng)域值得研究的問(wèn)題.偏好融合指融合群組成員的偏好,得到群組的偏好.在進(jìn)行偏好融合時(shí),既可考慮用戶的影響力、群組成員角色等多種因素計(jì)算用戶權(quán)重,也可考慮用戶的滿意度、公平性等性能要求,還可考慮群組成員的互動(dòng).群組決策過(guò)程實(shí)際上是群組成員之間相互交流、相互影響和相互妥協(xié),最終達(dá)到一致意見的過(guò)程.因此,如何有效刻畫這種過(guò)程,是群組推薦面臨的難點(diǎn).

    目前,EBSN 群組推薦系統(tǒng)的研究還很少,隨著越來(lái)越多國(guó)內(nèi)外研究單位的關(guān)注,EBSN 群組推薦也將成為研究熱點(diǎn)之一.

    (3) 結(jié)合深度學(xué)習(xí)推薦

    第3.6 節(jié)已介紹了基于深度學(xué)習(xí)的推薦方法:一是直接通過(guò)深度學(xué)習(xí)模型獲取用戶偏好,二是通過(guò)深度學(xué)習(xí)模型融合多種信息獲取用戶偏好的部分特征.與傳統(tǒng)的推薦方法相比,深度學(xué)習(xí)是一個(gè)有效的特征提取工具,可以更好地理解用戶的需求、事件特征以及它們之間的交互.因而,相比于傳統(tǒng)的推薦方法,結(jié)合深度學(xué)習(xí)的推薦方法可獲得更好的性能和推薦結(jié)果.近幾年,EBSN 推薦系統(tǒng)應(yīng)用深度學(xué)習(xí)方法進(jìn)行推薦已得到關(guān)注,但相關(guān)研究仍然不多.未來(lái)可從兩個(gè)方面研究基于深度學(xué)習(xí)的EBSN 推薦系統(tǒng).

    · 隨著深度學(xué)習(xí)的發(fā)展,不斷出現(xiàn)新的深度學(xué)習(xí)模型,采用新的深度學(xué)習(xí)模型進(jìn)一步提高EBSN 推薦系統(tǒng)性能值得深入研究.

    · EBSN 擁有豐富的上下文信息,如何用深度學(xué)習(xí)方法的融合更多這些上下文信息,以獲取更為準(zhǔn)確的用戶偏好特征,也是值得研究的方向之一.

    (4) 信息安全與隱私保護(hù)

    EBSN 推薦系統(tǒng)能幫用戶在社交網(wǎng)絡(luò)中快速找到自己感興趣的群組、事件和朋友,使用戶能有更好的體驗(yàn),給用戶提供了極大的方便;但同時(shí),讓用戶受信息與隱私被泄露的威脅.EBSN 推薦系統(tǒng)進(jìn)行高效推薦的前提是掌握大量準(zhǔn)確的用戶個(gè)性化信息,如用戶的偏好、用戶的社交關(guān)系等.從EBSN 網(wǎng)絡(luò)收集到的用戶個(gè)人信息,包括用戶的個(gè)人隱私或生活細(xì)節(jié),無(wú)論是自愿還是無(wú)意,都可能被泄露.例如:由于EBSN 中的事件具有主題、舉辦地點(diǎn)和舉辦時(shí)間,事件推薦通常需要“準(zhǔn)確的”和“詳細(xì)的”用戶個(gè)人信息,如用戶的位置,還可以通過(guò)分析用戶和他/她的團(tuán)隊(duì)信息來(lái)推斷用戶的個(gè)人興趣.因此,了解EBSN 中的潛在信息安全與隱私保護(hù),可以設(shè)計(jì)更安全的EBSN 平臺(tái)以保護(hù)用戶的個(gè)人隱私,解決EBSN 推薦系統(tǒng)中的信息安全和隱私保護(hù)問(wèn)題,有利于推薦系統(tǒng)的發(fā)展與應(yīng)用.

    用戶的信息安全研究長(zhǎng)期以來(lái)都是社會(huì)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn).但是在EBSN 中,相關(guān)研究還很少.Chung 等人[94]嘗試調(diào)查Meetup 中的隱私泄漏,作者從網(wǎng)站的公開數(shù)據(jù)中發(fā)現(xiàn)并推斷出私人信息的內(nèi)容.Dong 等人[95]通過(guò)連接用戶的線上和線下社交活動(dòng),使用幾種簡(jiǎn)單而有效的隱私推理模型,可以高精度地推斷用戶的線上群組成員隱私和線下事件參與情況,隱私威脅程度非常嚴(yán)重.用戶需要準(zhǔn)確快速的推薦服務(wù),推薦系統(tǒng)需要先獲取準(zhǔn)確的用戶個(gè)性化信息,然后才能提供準(zhǔn)確的各種推薦服務(wù),這就意味著用戶的個(gè)人信息會(huì)被共享,但是用戶的個(gè)人信息共享就表示個(gè)人信息和隱私的泄露.因此在實(shí)現(xiàn)EBSN 推薦服務(wù)的過(guò)程中,如何保護(hù)用戶的信息安全,減少用戶的個(gè)人隱私泄漏,是一項(xiàng)極具挑戰(zhàn)的工作.

    (5) EBSN 推薦系統(tǒng)評(píng)價(jià)

    推薦系統(tǒng)評(píng)價(jià)通常用于評(píng)估推薦系統(tǒng)是否具有良好性能,它能幫助推薦系統(tǒng)開發(fā)者發(fā)現(xiàn)系統(tǒng)存在的問(wèn)題,從而幫助改善推薦性能.推薦系統(tǒng)評(píng)價(jià)已被眾多研究者關(guān)注,并提出了較多研究成果.Herlocker 等人[96]對(duì)協(xié)同過(guò)濾推薦系統(tǒng)的評(píng)價(jià)策略進(jìn)行了回顧.Gunawardana 等人[97]根據(jù)評(píng)價(jià)上下文屬性概述了大量評(píng)價(jià)指標(biāo).Meng 等人[98]從數(shù)據(jù)集、評(píng)價(jià)方法、評(píng)價(jià)指標(biāo)這3 個(gè)方面對(duì)基于位置的移動(dòng)推薦系統(tǒng)的評(píng)價(jià)進(jìn)行了綜述,并提出一種基于位置的移動(dòng)推薦系統(tǒng)的評(píng)價(jià)體系.傳統(tǒng)推薦系統(tǒng)正逐漸形成成熟的評(píng)價(jià)體系,擁有較為完善的評(píng)價(jià)方法、大量評(píng)價(jià)指標(biāo)和許多公開可用的數(shù)據(jù)集.

    然而,目前針對(duì)EBSN 推薦系統(tǒng)評(píng)價(jià)的研究相對(duì)較少,未形成標(biāo)準(zhǔn)的評(píng)價(jià)體系.EBSN 推薦系統(tǒng)常用離線評(píng)價(jià)方法進(jìn)行評(píng)價(jià),常用的評(píng)價(jià)指標(biāo)包括NDCG、AUC、MAP、Precision、Recall、ROC、F1、HitRate 等.在事件安排推薦系統(tǒng)中,將運(yùn)行時(shí)間、內(nèi)存消耗和自定義目標(biāo)函數(shù)作為評(píng)價(jià)指標(biāo).

    此外,EBSN 推薦系統(tǒng)中常用的數(shù)據(jù)集是從Meetup,Plancast 和Douban Event 等平臺(tái)爬取.

    總的來(lái)看,EBSN 推薦系統(tǒng)尚未形成統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)和評(píng)價(jià)方法,且缺乏標(biāo)準(zhǔn)數(shù)據(jù)集.因此,結(jié)合EBSN 領(lǐng)域特征研究新穎的評(píng)價(jià)方法,以及根據(jù)EBSN 推薦系統(tǒng)的特點(diǎn)尋找專用評(píng)價(jià)指標(biāo),如覆蓋率、多樣性、新穎性等,都是未來(lái)具有潛力的研究方向.

    5 總結(jié)

    近年來(lái),基于事件社會(huì)網(wǎng)絡(luò)的發(fā)展十分迅速,產(chǎn)生了豐富的事件和群組信息,給用戶選擇造成極大困難.將推薦系統(tǒng)引入EBSN,可有效提高用戶的使用體驗(yàn)和平臺(tái)滿意程度.本文在分析EBSN 網(wǎng)絡(luò)特征和推薦面臨的挑戰(zhàn)性問(wèn)題基礎(chǔ)上,對(duì)EBSN 推薦系統(tǒng)進(jìn)行了較為全面的綜述.文中介紹和分析了EBSN 推薦系統(tǒng)的框架,包括數(shù)據(jù)采集層、數(shù)據(jù)處理層和推薦生成層;對(duì)EBSN 推薦系統(tǒng)目前采用的推薦方法進(jìn)行了歸納和分類,包括基于內(nèi)容的推薦方法、上下文感知推薦方法、基于因子分解推薦方法、基于圖模型推薦方法、基于概率模型的推薦方法、基于深度學(xué)習(xí)的推薦方法、基于啟發(fā)式算法的推薦方法以及混合推薦方法等8 類方法,并對(duì)它們的優(yōu)缺點(diǎn)進(jìn)行了對(duì)比與分析;根據(jù)推薦內(nèi)容將EBSN 推薦系統(tǒng)分為事件推薦、群組推薦、事件安排、參與者預(yù)測(cè)、聯(lián)合推薦、朋友推薦、場(chǎng)地推薦;指出EBSN 未來(lái)需重點(diǎn)關(guān)注的研究方向,包括冷啟動(dòng)、群組推薦、結(jié)合深度學(xué)習(xí)推薦、信息安全與隱私保護(hù)和EBSN 推薦系統(tǒng)評(píng)價(jià)等.

    猜你喜歡
    群組因子用戶
    因子von Neumann代數(shù)上的非線性ξ-Jordan*-三重可導(dǎo)映射
    一些關(guān)于無(wú)窮多個(gè)素因子的問(wèn)題
    影響因子
    影響因子
    關(guān)系圖特征在敏感群組挖掘中的應(yīng)用研究
    關(guān)注用戶
    商用汽車(2016年11期)2016-12-19 01:20:16
    關(guān)注用戶
    商用汽車(2016年6期)2016-06-29 09:18:54
    關(guān)注用戶
    商用汽車(2016年4期)2016-05-09 01:23:12
    基于統(tǒng)計(jì)模型的空間群組目標(biāo)空間位置計(jì)算研究
    如何獲取一億海外用戶
    久久6这里有精品| 2021少妇久久久久久久久久久| 国产成人福利小说| 我的女老师完整版在线观看| 国产一区二区亚洲精品在线观看| 亚洲欧美日韩卡通动漫| 国产老妇伦熟女老妇高清| 在线 av 中文字幕| 一级av片app| 秋霞在线观看毛片| 国产中年淑女户外野战色| 乱码一卡2卡4卡精品| 国产伦理片在线播放av一区| 亚洲av中文av极速乱| 在线观看三级黄色| 热99国产精品久久久久久7| 九九爱精品视频在线观看| 国产伦精品一区二区三区四那| 国产熟女欧美一区二区| 亚洲av成人精品一二三区| 一级毛片久久久久久久久女| 99热全是精品| 欧美高清成人免费视频www| 亚洲欧美一区二区三区黑人 | 美女被艹到高潮喷水动态| 精品国产一区二区三区久久久樱花 | 成年女人在线观看亚洲视频 | 欧美xxxx性猛交bbbb| tube8黄色片| 看十八女毛片水多多多| 草草在线视频免费看| 最近中文字幕高清免费大全6| 亚洲精品成人av观看孕妇| 日韩电影二区| 久久久久久九九精品二区国产| 日韩三级伦理在线观看| av国产久精品久网站免费入址| 如何舔出高潮| 国产毛片a区久久久久| 中文欧美无线码| av一本久久久久| 最近手机中文字幕大全| 久久精品国产亚洲av天美| 国产成人精品福利久久| 成人国产麻豆网| 天美传媒精品一区二区| 亚洲精品成人av观看孕妇| 国产探花在线观看一区二区| 成人毛片60女人毛片免费| 久久久久久久久大av| 毛片一级片免费看久久久久| av线在线观看网站| 国产黄片美女视频| 久久久久久伊人网av| 色播亚洲综合网| 人妻系列 视频| 一级毛片aaaaaa免费看小| 亚洲经典国产精华液单| eeuss影院久久| 午夜亚洲福利在线播放| 亚洲精品456在线播放app| 看黄色毛片网站| 永久免费av网站大全| 中国三级夫妇交换| 国产亚洲av嫩草精品影院| av线在线观看网站| 一二三四中文在线观看免费高清| 国产视频内射| 99re6热这里在线精品视频| 婷婷色麻豆天堂久久| 麻豆国产97在线/欧美| 久久国内精品自在自线图片| 老女人水多毛片| 欧美日韩综合久久久久久| 精品国产乱码久久久久久小说| 久久久久久国产a免费观看| 热99国产精品久久久久久7| 老女人水多毛片| .国产精品久久| 国产一区二区在线观看日韩| 噜噜噜噜噜久久久久久91| 在线观看美女被高潮喷水网站| 最后的刺客免费高清国语| 免费看日本二区| 秋霞伦理黄片| 亚洲激情五月婷婷啪啪| 超碰av人人做人人爽久久| 国产 精品1| 成人一区二区视频在线观看| 亚洲av欧美aⅴ国产| 777米奇影视久久| 亚洲精品国产av成人精品| 丝瓜视频免费看黄片| www.av在线官网国产| 亚洲精品日韩av片在线观看| 欧美成人a在线观看| 熟妇人妻不卡中文字幕| 色综合色国产| 日韩人妻高清精品专区| 国产亚洲午夜精品一区二区久久 | 国产探花极品一区二区| 日韩伦理黄色片| 91精品伊人久久大香线蕉| 亚洲av不卡在线观看| 国产欧美亚洲国产| 中国三级夫妇交换| 人妻少妇偷人精品九色| 在线播放无遮挡| 一区二区三区精品91| 久久综合国产亚洲精品| 又爽又黄a免费视频| 波野结衣二区三区在线| 欧美精品国产亚洲| 少妇 在线观看| 久久精品熟女亚洲av麻豆精品| 午夜福利网站1000一区二区三区| 精品一区在线观看国产| 成人二区视频| 99视频精品全部免费 在线| 我的女老师完整版在线观看| 精品一区二区三区视频在线| 日韩成人伦理影院| 亚洲欧洲国产日韩| 亚洲av免费高清在线观看| 亚洲三级黄色毛片| 午夜福利在线在线| av国产久精品久网站免费入址| 真实男女啪啪啪动态图| 久久久午夜欧美精品| 午夜免费鲁丝| 中文字幕人妻熟人妻熟丝袜美| 国产午夜福利久久久久久| 一边亲一边摸免费视频| 免费看日本二区| 国产黄片美女视频| 国国产精品蜜臀av免费| 国产v大片淫在线免费观看| 精品酒店卫生间| 日韩制服骚丝袜av| 日韩 亚洲 欧美在线| 欧美高清成人免费视频www| 亚洲欧美日韩无卡精品| 18禁在线无遮挡免费观看视频| 亚洲天堂国产精品一区在线| 亚洲av中文av极速乱| 日本av手机在线免费观看| 亚洲国产成人一精品久久久| 麻豆久久精品国产亚洲av| 夫妻午夜视频| 国产精品久久久久久久久免| 欧美日韩一区二区视频在线观看视频在线 | 性插视频无遮挡在线免费观看| 亚洲av在线观看美女高潮| 亚洲欧美精品自产自拍| 少妇裸体淫交视频免费看高清| 国产精品蜜桃在线观看| 亚洲欧美精品自产自拍| 青春草亚洲视频在线观看| 欧美3d第一页| 日本黄大片高清| 我要看日韩黄色一级片| 高清在线视频一区二区三区| 亚洲精品亚洲一区二区| 久久午夜福利片| 日韩电影二区| 日韩精品有码人妻一区| 国产人妻一区二区三区在| 尾随美女入室| 五月玫瑰六月丁香| 亚洲国产成人一精品久久久| 制服丝袜香蕉在线| 久久人人爽av亚洲精品天堂 | 久久久久久久久久人人人人人人| 久久久久久久午夜电影| 伊人久久国产一区二区| 中文字幕av成人在线电影| 午夜免费鲁丝| 成人一区二区视频在线观看| 少妇人妻 视频| 毛片女人毛片| 久久鲁丝午夜福利片| www.色视频.com| 国产老妇伦熟女老妇高清| 亚洲国产精品999| 亚洲美女视频黄频| 少妇人妻精品综合一区二区| 久久久久久久久久人人人人人人| 99九九线精品视频在线观看视频| 成人美女网站在线观看视频| 97人妻精品一区二区三区麻豆| 一本久久精品| 伦精品一区二区三区| 美女国产视频在线观看| 色视频www国产| 亚洲经典国产精华液单| 欧美少妇被猛烈插入视频| 91精品国产九色| 国产熟女欧美一区二区| 青春草亚洲视频在线观看| 别揉我奶头 嗯啊视频| av网站免费在线观看视频| 午夜免费鲁丝| av专区在线播放| 五月伊人婷婷丁香| 久久久久国产精品人妻一区二区| 在线天堂最新版资源| 国产亚洲午夜精品一区二区久久 | 一本色道久久久久久精品综合| 欧美xxxx黑人xx丫x性爽| 国产探花在线观看一区二区| 99热网站在线观看| 香蕉精品网在线| 夜夜看夜夜爽夜夜摸| 亚洲av电影在线观看一区二区三区 | 日产精品乱码卡一卡2卡三| 嫩草影院入口| av在线亚洲专区| 七月丁香在线播放| 女人被狂操c到高潮| 国产熟女欧美一区二区| 69人妻影院| 欧美一级a爱片免费观看看| 蜜臀久久99精品久久宅男| 国模一区二区三区四区视频| 久久久欧美国产精品| 菩萨蛮人人尽说江南好唐韦庄| 在线免费观看不下载黄p国产| 一个人看的www免费观看视频| 综合色av麻豆| 日本三级黄在线观看| 国产黄色免费在线视频| 午夜老司机福利剧场| 久久亚洲国产成人精品v| 18禁裸乳无遮挡动漫免费视频 | 亚洲一级一片aⅴ在线观看| 国产视频内射| 日韩一本色道免费dvd| av国产久精品久网站免费入址| 中文资源天堂在线| 少妇的逼好多水| 日本三级黄在线观看| 国产精品国产三级专区第一集| 午夜老司机福利剧场| 久久久久久久久久成人| 狂野欧美激情性xxxx在线观看| 老师上课跳d突然被开到最大视频| 蜜臀久久99精品久久宅男| 99久国产av精品国产电影| 亚洲国产日韩一区二区| 偷拍熟女少妇极品色| 国产色爽女视频免费观看| 亚洲精品日韩av片在线观看| 国产精品99久久99久久久不卡 | 黄色视频在线播放观看不卡| 欧美高清成人免费视频www| 久久久午夜欧美精品| av国产精品久久久久影院| 中文字幕亚洲精品专区| 99久久九九国产精品国产免费| 草草在线视频免费看| 一本久久精品| 亚洲人成网站高清观看| 成年版毛片免费区| 在线观看av片永久免费下载| 国产一区二区三区综合在线观看 | 欧美日韩视频精品一区| 久久久精品欧美日韩精品| 啦啦啦啦在线视频资源| 边亲边吃奶的免费视频| 亚洲伊人久久精品综合| 欧美另类一区| 97在线人人人人妻| 青春草视频在线免费观看| 久久久欧美国产精品| 天堂中文最新版在线下载 | 白带黄色成豆腐渣| 久久久久久九九精品二区国产| 99热网站在线观看| 大香蕉97超碰在线| 在线亚洲精品国产二区图片欧美 | 九色成人免费人妻av| 97精品久久久久久久久久精品| 欧美日韩亚洲高清精品| 亚洲精品一二三| 精品国产露脸久久av麻豆| 国产一区亚洲一区在线观看| 亚洲av电影在线观看一区二区三区 | 一级毛片久久久久久久久女| 乱系列少妇在线播放| 亚洲欧美成人精品一区二区| 免费在线观看成人毛片| 直男gayav资源| 日韩欧美一区视频在线观看 | 国产欧美日韩精品一区二区| 精品少妇黑人巨大在线播放| 女人被狂操c到高潮| 美女视频免费永久观看网站| 女人被狂操c到高潮| 欧美97在线视频| 熟女av电影| 亚洲av中文av极速乱| 免费观看性生交大片5| 国产精品蜜桃在线观看| 大香蕉久久网| 97超视频在线观看视频| 色播亚洲综合网| 亚洲成人一二三区av| 99久久精品一区二区三区| 亚洲精品自拍成人| 精品国产三级普通话版| 久久久国产一区二区| 18禁裸乳无遮挡免费网站照片| 国产精品蜜桃在线观看| 91久久精品国产一区二区三区| 神马国产精品三级电影在线观看| 婷婷色综合大香蕉| 男男h啪啪无遮挡| 亚洲人成网站在线播| 免费大片黄手机在线观看| 身体一侧抽搐| 97在线视频观看| 欧美xxxx性猛交bbbb| 精品久久久久久久人妻蜜臀av| 免费观看a级毛片全部| 成人漫画全彩无遮挡| 乱系列少妇在线播放| 久久久精品免费免费高清| 国产精品成人在线| 亚洲av一区综合| 美女视频免费永久观看网站| 亚洲成人av在线免费| 99久久精品热视频| 国模一区二区三区四区视频| 成年女人在线观看亚洲视频 | 亚洲精品,欧美精品| 18禁裸乳无遮挡动漫免费视频 | 97超碰精品成人国产| 亚洲第一区二区三区不卡| 日韩强制内射视频| 秋霞在线观看毛片| 亚洲,欧美,日韩| 男女无遮挡免费网站观看| 熟女av电影| 三级国产精品欧美在线观看| 大码成人一级视频| 久久久久国产精品人妻一区二区| 少妇的逼水好多| 国产高潮美女av| 在线看a的网站| 观看美女的网站| 婷婷色av中文字幕| 欧美97在线视频| 午夜福利在线观看免费完整高清在| 国产av不卡久久| 水蜜桃什么品种好| 欧美潮喷喷水| 亚洲精品视频女| 久久精品综合一区二区三区| 免费黄色在线免费观看| 免费大片黄手机在线观看| 国产黄色免费在线视频| 色吧在线观看| 亚洲综合精品二区| 成人鲁丝片一二三区免费| 免费看光身美女| 国产亚洲5aaaaa淫片| 中国国产av一级| 最后的刺客免费高清国语| 波多野结衣巨乳人妻| 身体一侧抽搐| 国产精品av视频在线免费观看| 亚洲精品影视一区二区三区av| 欧美97在线视频| 你懂的网址亚洲精品在线观看| 最近最新中文字幕免费大全7| 久久久国产一区二区| 少妇熟女欧美另类| 夫妻性生交免费视频一级片| 九色成人免费人妻av| av国产久精品久网站免费入址| av在线app专区| 久久久午夜欧美精品| 中国国产av一级| 天堂俺去俺来也www色官网| 夜夜爽夜夜爽视频| 少妇高潮的动态图| 日本色播在线视频| 国产男女内射视频| 99九九线精品视频在线观看视频| 亚洲久久久久久中文字幕| 女人久久www免费人成看片| 免费播放大片免费观看视频在线观看| 国产精品女同一区二区软件| 久久精品国产亚洲av天美| 欧美老熟妇乱子伦牲交| 欧美激情久久久久久爽电影| 99热国产这里只有精品6| 男女边吃奶边做爰视频| 精品99又大又爽又粗少妇毛片| 久久女婷五月综合色啪小说 | 国产伦精品一区二区三区视频9| 亚洲成人久久爱视频| 久久久久久久亚洲中文字幕| 天天躁夜夜躁狠狠久久av| 亚洲国产精品成人综合色| 丝袜脚勾引网站| 免费人成在线观看视频色| 免费av不卡在线播放| 爱豆传媒免费全集在线观看| 国产亚洲一区二区精品| 国产毛片a区久久久久| 精品久久久久久久久亚洲| 国产精品嫩草影院av在线观看| 新久久久久国产一级毛片| 网址你懂的国产日韩在线| 日韩不卡一区二区三区视频在线| 禁无遮挡网站| 国产日韩欧美在线精品| 寂寞人妻少妇视频99o| 校园人妻丝袜中文字幕| 蜜桃久久精品国产亚洲av| 亚洲色图av天堂| 国产亚洲91精品色在线| 欧美日韩视频高清一区二区三区二| 一区二区三区免费毛片| 在线免费观看不下载黄p国产| 大香蕉久久网| 亚洲欧洲国产日韩| 青春草亚洲视频在线观看| 亚洲精品成人av观看孕妇| 伦理电影大哥的女人| av免费在线看不卡| 简卡轻食公司| 三级经典国产精品| 久久久久久久久大av| 天美传媒精品一区二区| av国产久精品久网站免费入址| av在线亚洲专区| 欧美日韩视频精品一区| 欧美三级亚洲精品| 波野结衣二区三区在线| 国产精品成人在线| 一级毛片 在线播放| 六月丁香七月| 亚洲在线观看片| 五月开心婷婷网| 国产一区二区亚洲精品在线观看| 久久久久网色| 欧美3d第一页| 国产毛片a区久久久久| 一区二区av电影网| 在线观看免费高清a一片| 香蕉精品网在线| 国产白丝娇喘喷水9色精品| 爱豆传媒免费全集在线观看| 老司机影院成人| 欧美97在线视频| 久久久久久伊人网av| 一级毛片我不卡| 在线精品无人区一区二区三 | 中文字幕久久专区| av免费观看日本| 美女内射精品一级片tv| 日日摸夜夜添夜夜添av毛片| 91aial.com中文字幕在线观看| 亚洲精品日本国产第一区| 熟女av电影| 自拍欧美九色日韩亚洲蝌蚪91 | 高清av免费在线| av在线天堂中文字幕| 日本黄色片子视频| 韩国高清视频一区二区三区| 特级一级黄色大片| 我的女老师完整版在线观看| 三级国产精品片| 看十八女毛片水多多多| av免费在线看不卡| 精品久久久精品久久久| 亚洲在久久综合| av又黄又爽大尺度在线免费看| 欧美zozozo另类| 精品久久久久久久人妻蜜臀av| 五月伊人婷婷丁香| 嫩草影院入口| 麻豆成人av视频| 草草在线视频免费看| 国产老妇伦熟女老妇高清| 成人免费观看视频高清| 免费观看a级毛片全部| 国产精品嫩草影院av在线观看| 久久久久国产网址| 成人国产av品久久久| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美日韩精品成人综合77777| 成人亚洲欧美一区二区av| 看非洲黑人一级黄片| 69av精品久久久久久| 久久久久久久国产电影| 亚洲色图av天堂| 精品少妇久久久久久888优播| 国产在线一区二区三区精| 交换朋友夫妻互换小说| 久久国内精品自在自线图片| 蜜桃久久精品国产亚洲av| 大话2 男鬼变身卡| 国产成年人精品一区二区| 国产视频首页在线观看| 婷婷色综合大香蕉| 一区二区三区四区激情视频| 久久久久精品久久久久真实原创| 一本一本综合久久| 国产日韩欧美在线精品| 我的老师免费观看完整版| 男插女下体视频免费在线播放| 亚洲国产精品国产精品| 青春草国产在线视频| 亚洲天堂国产精品一区在线| av网站免费在线观看视频| 精品久久久精品久久久| 亚洲欧美成人精品一区二区| 一本色道久久久久久精品综合| 日韩亚洲欧美综合| 内射极品少妇av片p| 日本wwww免费看| 国产乱来视频区| 免费高清在线观看视频在线观看| av卡一久久| 国产综合懂色| 欧美激情久久久久久爽电影| 久久综合国产亚洲精品| 乱码一卡2卡4卡精品| 寂寞人妻少妇视频99o| 一二三四中文在线观看免费高清| 乱码一卡2卡4卡精品| 日韩一本色道免费dvd| 一二三四中文在线观看免费高清| 免费看不卡的av| 黄片无遮挡物在线观看| 成年人午夜在线观看视频| av福利片在线观看| 在线观看国产h片| 超碰97精品在线观看| 亚洲av中文av极速乱| 日韩免费高清中文字幕av| 欧美人与善性xxx| 一级二级三级毛片免费看| 又爽又黄a免费视频| 特级一级黄色大片| 高清日韩中文字幕在线| 女人被狂操c到高潮| 最近中文字幕2019免费版| 欧美性猛交╳xxx乱大交人| 秋霞伦理黄片| 亚洲av中文av极速乱| 午夜免费鲁丝| 国产伦在线观看视频一区| 久久久成人免费电影| 麻豆精品久久久久久蜜桃| 日韩av不卡免费在线播放| 最近手机中文字幕大全| 夜夜看夜夜爽夜夜摸| 欧美另类一区| 国产乱人偷精品视频| 精品一区二区免费观看| 在线 av 中文字幕| 免费大片黄手机在线观看| 美女xxoo啪啪120秒动态图| tube8黄色片| 日韩不卡一区二区三区视频在线| 中文字幕亚洲精品专区| 亚洲精品视频女| 日韩成人av中文字幕在线观看| 在线精品无人区一区二区三 | 日本黄色片子视频| 日本与韩国留学比较| 一本一本综合久久| 欧美最新免费一区二区三区| 色播亚洲综合网| 亚洲欧美成人精品一区二区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 2021少妇久久久久久久久久久| 日韩国内少妇激情av| 爱豆传媒免费全集在线观看| 美女高潮的动态| 国产精品国产三级专区第一集| 一区二区三区免费毛片| 大又大粗又爽又黄少妇毛片口| 97人妻精品一区二区三区麻豆| 少妇的逼好多水| 国产精品麻豆人妻色哟哟久久| 啦啦啦在线观看免费高清www| 精品一区二区三卡| 亚洲一级一片aⅴ在线观看| 嘟嘟电影网在线观看| 免费观看av网站的网址| 王馨瑶露胸无遮挡在线观看| 欧美日韩一区二区视频在线观看视频在线 | 亚洲精品456在线播放app| 人妻夜夜爽99麻豆av| 久久人人爽人人爽人人片va| 久久精品熟女亚洲av麻豆精品| 日韩精品有码人妻一区| 超碰97精品在线观看| 日韩伦理黄色片| 欧美日韩亚洲高清精品| 亚洲国产精品专区欧美| 亚洲人成网站在线播| 亚洲一区二区三区欧美精品 | 欧美一级a爱片免费观看看| 亚洲av中文av极速乱| 毛片女人毛片| 纵有疾风起免费观看全集完整版| 插阴视频在线观看视频| 中文天堂在线官网| 大香蕉97超碰在线|