王理　張淑蓮

摘要：傳統(tǒng)的推薦系統(tǒng)是面向單個用戶的推薦。作為個性化推薦的一個新的延伸，目前有越來越多的推薦系統(tǒng)正試圖面向一組成員進(jìn)行推薦。將推薦對象從單個用戶擴(kuò)展到一組用戶的轉(zhuǎn)變帶來了許多新的課題，該文將主要介紹目前已有的幾種組推薦算法，并總結(jié)一般組推薦系統(tǒng)的偏好融合過程。

關(guān)鍵詞：組推薦；用戶偏好融合；排列融合；組偏好模型；評價標(biāo)準(zhǔn)

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）07-1511-05

1 概述

在傳統(tǒng)的推薦系統(tǒng)中，有眾多算法對單個用戶進(jìn)行個性化推薦（如協(xié)同過濾算法、基于內(nèi)容的推薦算法、基于標(biāo)簽的推薦算法、基于案例的推薦算法等）。不少傳統(tǒng)個性化推薦算法可以同時在精確度和運(yùn)行時間等方面得到理想的推薦效果；此外，大部分現(xiàn)有算法都采用預(yù)測評分的方式預(yù)測用戶可能喜歡的新聞、商品、電影等項目，以評分的高低作為用戶對該項目興趣度的標(biāo)準(zhǔn)。在該標(biāo)準(zhǔn)之下，用戶偏好被量化成為具體的數(shù)值，供推薦系統(tǒng)參考。

面向一組用戶的推薦算法同樣可以采用預(yù)測評分作為衡量用戶偏好的標(biāo)準(zhǔn)。目前，已經(jīng)有許多推薦系統(tǒng)融合了組推薦技術(shù)[1]。例如，實現(xiàn)web頁面推薦的Lets Browse[2]、I?Spy[3]，實現(xiàn)旅游推薦的Intrigue[4]、CATS[5]，實現(xiàn)音樂推薦的MusicFX[6]，實現(xiàn)電影和電視推薦的FIT[7]、PolyLens[8]、GroupLens[9]等。這些已有的組推薦系統(tǒng)采用不同的方法將用戶個人偏好融合為整個組的偏好。該文旨在介紹以上系統(tǒng)中常用的幾種組推薦算法，并總結(jié)一般組推薦系統(tǒng)的偏好融合方法。論文其他部分組織如下：第2節(jié)闡述了三種主要的偏好融合方法，也是三種組推薦流程框架；第3節(jié)在確定組推薦實施的基本框架后，比較分析了兩大類十余種不同偏好融合策略；第4節(jié)介紹了適用于不同組推薦算法的結(jié)果評價標(biāo)準(zhǔn)；第5節(jié)進(jìn)行總結(jié)與展望。

2 偏好融合方法

大多數(shù)組推薦算法與傳統(tǒng)個性化推薦算法的不同，主要在于前者的目的是獲取一組用戶的偏好，而后者的目的是獲取單個用戶的偏好。如何實現(xiàn)一組用戶偏好的融合，是組推薦研究中的核心課題之一。研究者需要不同的融合方法，以找出哪些成員的個人偏好信息可以被結(jié)合在一起；除此之外，系統(tǒng)還必須保證其推薦的項目對整個組的用戶都適用。

組推薦系統(tǒng)中用戶偏好的融合方法大體可分為三種，即合并對個人用戶的推薦結(jié)果，融合用戶的評分和建立組偏好模型。本節(jié)詳細(xì)介紹這三種融合方法的基本思想。

2.1 融合對各成員的推薦結(jié)果

5 總結(jié)與展望

作為個性化推薦的延伸，組推薦技術(shù)近年來得到了廣泛的關(guān)注。組推薦算法與傳統(tǒng)個性化推薦算法關(guān)系密切，后者根據(jù)用戶偏好來提供推薦，而前者則需要融合組內(nèi)各成員的偏好得出推薦結(jié)果。融合偏好的方法主要包括排列融合、評分融合和構(gòu)造組偏好模型這三種。而融合策略主要有計數(shù)類策略和滿意度策略兩大類，前者包括贊成票法、多數(shù)票法、Borda計數(shù)法、科普蘭規(guī)則等，后者包括最大平均滿意度、最小忍耐度、最大滿意度、無忍耐平均滿意度、公平策略、區(qū)別處理組成員等策略及延伸方法。當(dāng)組推薦算法得出推薦結(jié)果之后，可以分情況采用準(zhǔn)確率、召回率、平均絕對誤差MAE、均方根誤差RMSE、nDCG等標(biāo)準(zhǔn)對推薦結(jié)果進(jìn)行評價。

組推薦是一個較新的領(lǐng)域，目前仍然存在很多挑戰(zhàn)，許多方向值得進(jìn)一步研究，例如，如何融合沖突目標(biāo)的偏好、如何解決數(shù)據(jù)稀疏問題、如何根據(jù)用戶的動態(tài)信息提供動態(tài)的推薦、如何為組推薦提供更合理的解釋、如何在推薦中加入?yún)f(xié)商機(jī)制等。

參考文獻(xiàn)：

[1] Jameson A， Smyth B. Recommendation to groups[M]//The adaptive web. Springer Berlin Heidelberg， 2007： 596-627.

[2] Lieberman H， Van Dyke N， Vivacqua A. Let's browse： a collaborative browsing agent[J]. Knowledge-Based Systems， 1999， 12（8）： 427-431.

[3] Smyth B， Balfe E， Freyne J， et al. Exploiting query repetition and regularity in an adaptive community-based web search engine[J]. User Modeling and User-Adapted Interaction， 2004， 14（5）： 383-423.

[4] Ardissono L， Goy A， Petrone G， et al. Intrigue： personalized recommendation of tourist attractions for desktop and hand held devices[J]. Applied Artificial Intelligence， 2003， 17（8-9）： 687-714.

[5] McCarthy K， Salamó M， Coyle L， et al. CATS： A Synchronous Approach to Collaborative Group Recommendation[C]//FLAIRS Conference. 2006， 2006： 86-91.

[6] McCarthy J F， Anagnost T D. MusicFX： an arbiter of group preferences for computer supported collaborative workouts[C]//Proceedings of the 1998 ACM conference on Computer supported cooperative work. ACM， 1998： 363-372.

[7] Goren-Bar D， Glinansky O. FIT-recommend ing TV programs to family members[J]. Computers & Graphics， 2004， 28（2）： 149-156.

[8] Oconnor M， Cosley D， Konstan J A， et al. PolyLens： a recommender system for groups of users[C]//ECSCW 2001. Springer Netherlands， 2001： 199-218.

[9] Konstan J A， Miller B N， Maltz D， et al. GroupLens： applying collaborative filtering to Usenet news[J]. Communications of the ACM， 1997， 40（3）： 77-87.

[10] Baltrunas L， Makcinskas T， Ricci F. Group recommendations with rank aggregation and collaborative filtering[C]//Proceedings of the fourth ACM conference on Recommender systems. ACM， 2010： 119-126.

[11] Masthoff J. Group modeling： Selecting a sequence of television items to suit a group of viewers[M]//Personalized Digital Television. Springer Netherlands， 2004： 93-141.

[12] Yu Z， Zhou X， Hao Y， et al. TV program recommendation for multiple viewers based on user profile merging[J]. User Modeling and User-Adapted Interaction， 2006， 16（1）： 63-82.

[13] 黃立威， 李德毅. 社交媒體中的信息推薦[J]. 智能系統(tǒng)學(xué)報， 2012， 7（1）： 1-8.

[14] Pocket RestaurantFinder： A situated recommender system for groups

[15] 許明峰. 基于排列融合的組推薦系統(tǒng)研究與應(yīng)用[D]. 中山大學(xué)， 2011.