王偉偉 段富

摘 要： 針對(duì)移動(dòng)餐飲個(gè)性化推薦的情境敏感性，結(jié)合傳統(tǒng)基于內(nèi)容和協(xié)同過濾推薦方法的不足，以移動(dòng)餐飲推薦為應(yīng)用背景，詳細(xì)設(shè)計(jì)了基于餐飲本體的情境模型和基于SWRL規(guī)則的推理方法。將基于情境的推薦和基于用戶興趣的推薦相結(jié)合，得到一個(gè)自適應(yīng)的混合推薦模型。實(shí)驗(yàn)結(jié)果表明，該模型相比傳統(tǒng)推薦模型解決了冷啟動(dòng)等問題，并提高了推薦結(jié)果的準(zhǔn)確率和召回率。

關(guān)鍵詞： 餐飲推薦； 情境感知； 協(xié)同過濾； 用戶興趣； SWRL； 混合推薦

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）18?0154?04

Design of food recommendation model based on context awareness

WANG Weiwei， DUAN Fu

（School of Computer Science and Technology， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract： In allusion to the context sensitivity of mobile food personalized recommendation and the disadvantages of the traditional recommendation method based on content and collaborative filtering， the context model based on food ontology and the inference method based on the SWRL rule are designed detailly， taking mobile food recommendation as the application background. An adaptive hybrid recommendation model is obtained by combining context?based recommendation with user interest based recommendation. The experimental results show that in comparison with the traditional recommendation model， this model can solve the problem of cold boot， and improve the precision and recall rates of recommendation results.

Keywords： food recommendation； context awareness； collaborative filtering； user interest； SWRL； hybrid recommendation

伴隨著互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展，人們已經(jīng)從信息匱乏邁入信息過載的年代。于是，各型各色的推薦系統(tǒng)應(yīng)運(yùn)而生。目前，推薦系統(tǒng)已經(jīng)在各種大型多媒體和電子商務(wù)網(wǎng)站上得到廣泛應(yīng)用。當(dāng)前被研究者普遍認(rèn)可的基本推薦策略有兩種，分別是基于內(nèi)容和協(xié)同過濾推薦。但是這些推薦都忽略了一點(diǎn)，就是用戶所處的情境，如時(shí)間或者位置。如何對(duì)用戶情境進(jìn)行定義、有效獲取和建模計(jì)算，并將其融入到信息推薦的過程中，成為個(gè)性化推薦系統(tǒng)研究的重點(diǎn)之一。根據(jù)Dey等人的定義，情境感知是利用用戶和設(shè)備環(huán)境等情境信息，向用戶推送符合當(dāng)前環(huán)境下的信息或者服務(wù)[1]。而本體模型是當(dāng)前較為主流的情境建模方法。比如武漢大學(xué)的李楓林等人將本體和SWRL規(guī)則相結(jié)合為用戶提供高質(zhì)量個(gè)性化健康信息服務(wù)[2]。湖南人文科技學(xué)院的賀桂和等人提出利用本體和Agent技術(shù)相結(jié)合的方法，實(shí)現(xiàn)了基于情境感知的電子商務(wù)平臺(tái)的個(gè)性化推薦[3]。傳統(tǒng)的基于內(nèi)容的推薦和協(xié)同過濾推薦均各有優(yōu)缺點(diǎn)，結(jié)合這點(diǎn)，張弛等人提出一種混合推薦模型，相比傳統(tǒng)推薦技術(shù)，有效提高推薦質(zhì)量，并在Web資源系統(tǒng)中得到應(yīng)用[4]。國外的Woerndl等人將基于內(nèi)容的情景感知推薦、基于知識(shí)的情境感知推薦和基于協(xié)同過濾的情境感知相混合，根據(jù)位置、加油站信息、剩余汽油量等情境因素，實(shí)現(xiàn)了加油站推薦系統(tǒng)[5]。Yu等人混合了基于內(nèi)容過濾的情境感知推薦和基于知識(shí)的情境感知推薦，根據(jù)位置、時(shí)間等信息，為智能手機(jī)提供多媒體信息推薦服務(wù)[6]。

1 情境推薦

1.1 情境建模

本體是目前公認(rèn)的表示情境語義建模的最有效的方法[7]。本體提供了很好的情境語義建模手段。情境語義建模是對(duì)情境的概念抽象，情境推理則是基于低層情境對(duì)用戶的高層情境做出識(shí)別或者預(yù)測(cè)。在移動(dòng)信息推薦中主要實(shí)體有用戶、對(duì)象和環(huán)境。本人以餐飲推薦為基礎(chǔ)，設(shè)計(jì)了三層結(jié)構(gòu)的情境本體模型，即用戶本體、餐飲本體和情境本體及相應(yīng)的實(shí)例。

1.1.1 用戶本體

用戶本體包括兩個(gè)類，分別是：

1） 用戶情境，描述用戶的基本屬性，包括用戶姓名、性別、年齡、家鄉(xiāng)、身體狀況等子類；

2） 用戶社會(huì)情境，包括信仰和民族兩個(gè)子類。

1.1.2 餐飲本體

餐飲本體包括7個(gè)子類，分別是餐飲名稱、餐飲類型、口味、主料、佐料、烹飪方式和食物療效。

1.1.3 情境本體

情境本體包括兩大類，分別是：

1） 時(shí)間情境，包括日期、時(shí)間和季節(jié)3個(gè)子類；

2） 物理情境，包括溫度、季節(jié)和位置。

1.2 推理設(shè)計(jì)

本文采用SWRL設(shè)計(jì)的推理規(guī)則主要分為兩大類，分別是情境演繹規(guī)則和推薦優(yōu)化規(guī)則。

1） 情境演繹規(guī)則是對(duì)用戶當(dāng)前所處的情境做出識(shí)別或者預(yù)測(cè)，是情境感知系統(tǒng)實(shí)現(xiàn)的基礎(chǔ)。本文的餐飲推薦模型中的情境推薦服務(wù)主要是識(shí)別當(dāng)前用戶情境，結(jié)合用戶自身屬性，給用戶推薦適合當(dāng)前情境的飲食選擇。例如，如果用戶A的Hometown=“四川省”，且Location=“山西省”，則系統(tǒng)會(huì)將FoodStyle=“川菜”的餐飲食品a推薦給該用戶。SWRL規(guī)則設(shè)計(jì)如下：

User（？ x）∧hasHometown（？ x ，四川?。膆asLocation（？ x ，山西省）∧Food（？ y）∧hasFoodStyle（？ y ，川菜）→ Acquired（？ x，？ y）

2） 推薦優(yōu)化規(guī)則是在得到基于情境的初始推薦結(jié)果后，結(jié)合基于用戶興趣的混合推薦，得到最終的初始推薦結(jié)果（下面會(huì)介紹）。這里得到的初始推薦結(jié)果一般會(huì)包含不適合用戶的推薦結(jié)果。所以引入推薦優(yōu)化規(guī)則目的是對(duì)這些初始推薦結(jié)果進(jìn)行過濾。例如，如果用戶B的PhysicalCondition=“糖尿病”，則系統(tǒng)會(huì)將初始結(jié)果中Taste=“甜”或者Condiment=“糖”的餐飲食品b進(jìn)行過濾刪除。SWRL規(guī)則設(shè)計(jì)如下：

B（？ x）∧hasPhysicalCondition（？ x，糖尿?。?b（？ y）∧hasTaste（？ y ，甜）∨hasCondiment（？ y ，糖）→ unAcquired（？ x，？ y）

2 模型融合

1） 當(dāng)用戶第一次進(jìn)入系統(tǒng)時(shí)，由于用戶還沒有任何系統(tǒng)行為，比如收藏、打分等，內(nèi)容推薦和協(xié)同過濾推薦必然出現(xiàn)冷啟動(dòng)問題。所以只有情境推薦引擎介入，結(jié)合當(dāng)前物理情境和用戶情境，將情境數(shù)據(jù)和待推薦餐飲實(shí)施匹配，形成初始推薦，解決冷啟動(dòng)問題。比如用戶來自四川省，并且當(dāng)前時(shí)間是午餐時(shí)間，則會(huì)給他推薦關(guān)鍵字是“川菜”和“午餐”的食物。

2） 隨著用戶瀏覽、收藏和打分行為的發(fā)生，提取處理用戶行為，得到用戶特征向量，內(nèi)容推薦引擎和協(xié)同推薦引擎介入，分別得到基于既有興趣和潛在興趣的推薦結(jié)果。最終初始推薦結(jié)果是將三個(gè)引擎推薦結(jié)果按照一定權(quán)重設(shè)置和優(yōu)先級(jí)合并、組合、排序得到的。情境、內(nèi)容和協(xié)同三個(gè)推薦引擎的權(quán)重分別設(shè)為α，β和γ。當(dāng)用戶第一次登錄時(shí)，權(quán)重設(shè)置為α=1，β=γ=0；當(dāng)情境性很強(qiáng)時(shí)，比如當(dāng)天氣溫驟升或者持續(xù)，或當(dāng)情境性很弱且用戶剛開始使用系統(tǒng)不久，權(quán)重設(shè)置為α>β=γ；當(dāng)情境性很弱且用戶行為數(shù)據(jù)很多時(shí)，權(quán)重設(shè)置為α<β=γ。

3） 初始推薦結(jié)果一般會(huì)包括一些不符合要求的結(jié)果，所以首先要進(jìn)行過濾操作。比如某用戶有糖尿病，系統(tǒng)則會(huì)匹配推薦優(yōu)化規(guī)則庫把有關(guān)鍵字“甜味”或者“糖”的結(jié)果過濾。此外還會(huì)過濾掉一些用戶已經(jīng)產(chǎn)生過行為或者用戶評(píng)分普遍很低的餐飲對(duì)象。

4） 經(jīng)過過濾的推薦結(jié)果直接展示給用戶一般沒有問題，但是如果給他們進(jìn)行一些排名，則可以更好地提升用戶滿意度。排名策略一般包括新穎性排名和用戶反饋排名。綜合排名后，將Top?N個(gè)結(jié)果作為最終推薦列表。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

本文所使用的數(shù)據(jù)集是通過爬蟲程序抓取并分析了來自中華美食網(wǎng)的四十幾個(gè)菜系，900多種食材以及3 000多種食品的相關(guān)信息。保存到本地MySQL數(shù)據(jù)庫后，根據(jù)本文對(duì)數(shù)據(jù)的要求，將餐飲食品根據(jù)其類型、口味、主料、烹飪方式和療效等特征進(jìn)行預(yù)處理，得到每種餐飲食品的特征向量。比如對(duì)于“魚香肉絲”這道菜，其特征集合為{熱菜，川菜，家常菜，魚香味，豬肉里脊，冬筍，胡蘿卜，黑木耳，炒}，計(jì)算出各個(gè)特征對(duì)應(yīng)的權(quán)重，得到該食品的特征向量。

系統(tǒng)原型采用Android 5.0平臺(tái)開發(fā)，情境本體采用Protégé 3.4工具建模，本體描述語言為OWL2，推理規(guī)則描述語言為SWRL，推理機(jī)使用的是JESS（Java Expert System Shell）。本文在情境本體的基礎(chǔ)上，構(gòu)建了36條情境演繹規(guī)則和19條情境優(yōu)化規(guī)則。

本文實(shí)驗(yàn)總共召集30名大學(xué)生志愿者使用系統(tǒng)原型，以三個(gè)階段的形式依次進(jìn)行，分別進(jìn)行5次實(shí)驗(yàn)，實(shí)驗(yàn)控制最終推薦結(jié)果的個(gè)數(shù)Top?N中的N取值為10～30，每次增加5。第一個(gè)階段系統(tǒng)設(shè)定α=1，得到情境推薦列表Top?N；第二個(gè)階段設(shè)定α=0，β=γ=0.5，得到興趣推薦列表Top?N；第三個(gè)階段分別取α=0.7，0.6，0.5，0.4和0.3，得到情境推薦和興趣推薦的混合推薦列表Top?N。

3.2 評(píng)測(cè)指標(biāo)

評(píng)測(cè)一個(gè)推薦系統(tǒng)的效能通常采用召回率（Recall）和準(zhǔn)確率（Precision）。定義如下：

[Recall=推薦正確的項(xiàng)目數(shù)感興趣的項(xiàng)目總數(shù)]

[Precision=推薦正確的項(xiàng)目數(shù)被推薦的項(xiàng)目總數(shù)]

一般綜合考量一個(gè)推薦系統(tǒng)的推薦效率會(huì)選擇F?Measure值，計(jì)算公式如下：

[F=2×Precision×RecallPrecision+Recall]

3.3 結(jié)果分析

1） Top?N中N值的確定

分析表1，圖1和圖2后發(fā)現(xiàn)，隨著推薦項(xiàng)目N的增大，準(zhǔn)確率逐漸下降而召回率在逐漸上升，這點(diǎn)符合一般推薦系統(tǒng)的規(guī)律。在不考慮權(quán)重因子對(duì)于結(jié)果的影響的前提下，當(dāng)N=25時(shí)，F(xiàn)?Measure值最大，準(zhǔn)確率最高。

2） 權(quán)值α，β，γ的確定

當(dāng)α=1時(shí)，只根據(jù)情境推薦飲食，雖然能解決冷啟動(dòng)的問題，但是推薦效率不是很高。當(dāng)α=0時(shí)，只根據(jù)興趣推薦飲食，推薦的準(zhǔn)確率和召回率相比情境推薦得到了提高。

由表1可得，當(dāng)α=0.4時(shí)，無論最終推薦飲食數(shù)目有多少，F(xiàn)?Measure值都最大。再結(jié)合圖1～圖3，最終證明本文提出的混合推薦模型在應(yīng)對(duì)不同情境下的飲食推薦策略都有著不錯(cuò)的效果。

4 結(jié) 語

為了面向廣大用戶提供個(gè)性化的飲食推薦服務(wù)，本文綜合考慮了基于用戶情境和基于用戶興趣的兩方面因素，構(gòu)建了混合用戶情境和興趣的混合推薦模型。經(jīng)過大量實(shí)驗(yàn)證明，所設(shè)計(jì)的推薦模型能有效解決推薦系統(tǒng)存在的冷啟動(dòng)和數(shù)據(jù)稀疏的問題。相比情境推薦和興趣推薦，能有效提高準(zhǔn)確率和召回率，較好滿足用戶對(duì)于個(gè)性化飲食服務(wù)的需求。同時(shí)，本文的模式還可以推廣到其他一些領(lǐng)域的信息服務(wù)。

由于問題的復(fù)雜性，還可以從以下幾個(gè)方面進(jìn)行改進(jìn)：更好更詳細(xì)地描述用戶的情境因素，提高推薦質(zhì)量；推理規(guī)則設(shè)置需要領(lǐng)域?qū)＜业呐浜?，?duì)于某種食材是否和其他不同名字的食材是同一個(gè)，以及菜系別名的確定都需要食品領(lǐng)域?qū)＜业膸椭?；由于用戶興趣是多變的，所以對(duì)于基于興趣推薦引擎，未來需要加入用戶特征模型更新模塊，已達(dá)到更加準(zhǔn)確推薦的目的。

參考文獻(xiàn)

[1] DEY A K. Providing architectural support for building context?aware applications [D]. Atlanta： Georgia Institute of Technology， 2000.

[2] 李楓林，李娜.基于情景的醫(yī)藥信息服務(wù)本體建模及規(guī)則推理研究[J].情報(bào)理論與實(shí)踐，2016，39（5）：120?124.

LI Fenglin， LI Na. Context?based medical information service ontology modeling and rule inference research [J]. Information studies： theory & application， 2016， 39（5）： 120?124.

[3] 賀桂和，曾奕棠.基于情境感知的電子商務(wù)平臺(tái)個(gè)性化推薦模型研究[J].情報(bào)理論與實(shí)踐，2013，36（6）：81?84.

HE Guihe， ZENG Yitang. Research on personalized recommendation model of e?commerce platform based on context awareness [J]. Information studies： theory & application， 2013， 36（6）： 81?84.

[4] 張馳，陳剛，王慧敏.基于混合推薦技術(shù)的推薦模型[J].計(jì)算機(jī)工程，2010，36（22）：248?250.

ZHANG Chi， CHEN Gang， WANG Huimin. Recommendation model based on blending recommendation technology [J]. Computer engineering， 2010， 36（22）： 248?250.

[5] WOERNDL W， BROCCO M， EIGNER R. Context?aware recommender systems in mobile scenarios [J]. International journal of information technology & web engineering， 2009， 4（1）： 67?85.

[6] YU Z， ZHOU X， ZHANG D， et al. Supporting context?aware media recommendations for smart phones [J]. IEEE pervasive computing， 2006， 5（3）： 68?75.

[7] 艾丹祥，張玉峰，左暉，等.基于情境語義推理的O2O移動(dòng)推薦系統(tǒng)研究[J].情報(bào)雜志，2015，34（8）：182?189.

AI Danxiang， ZHANG Yufeng， ZUO Hui， et al. Research on O2O mobile recommendation system based on contextual semantics inference [J]. Journal of intelligence， 2015， 34（8）： 182?189.

[8] 項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012.

XIANG Liang. Recommended system practice [M]. Beijing： Posts and Telecom Press， 2012.

[9] 王道平，李秀雅，楊岑.基于內(nèi)容相似度的知識(shí)協(xié)同過濾推送算法研究[J].情報(bào)理論與實(shí)踐，2013，36（10）：86?90.

WANG Daoping， LI Xiuya， YANG Cen. Research on knowledge collaborative filtering push algorithm based on content similarity [J]. Information studies： theory & application， 2013， 36（10）： 86?90.

[10] 葛桂麗，袁凌云，王興超.基于情境感知的用戶個(gè)性化興趣建模[J].計(jì)算機(jī)應(yīng)用研究，2017，34（4）：995?999.

GE Guili， YUAN Lingyun， WANG Xingchao. Personalized user interest modeling based on context aware [J]. Application research of computers， 2017， 34（4）： 995?999.

[11] 楊武，唐瑞，盧玲.基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J].計(jì)算機(jī)應(yīng)用，2016，36（2）：414?418.

YANG Wu， TANG Rui， LU Ling. News recommendation method by fusion of content?based recommendation and collaborative filtering [J]. Journal of computer applications， 2016， 36（2）： 414?418.