基于情境和主体特征融入性的多维度个性化推荐模型研究

doi:10.3969/j.issn.1000-436x.2012.z1.003

摘要/Abstract

摘要：

个性化推荐准确率的高低是互联网应用成功与否的关键因素，针对传统推荐模型的不足，提出一种基于情境和主体特征融入性的多维度个性化推荐模型，该模型能够充分利用地域文化背景、领域主题情景、主体特征等信息，避免了传统算法把用户整体作为单个向量的弊端，克服了数据稀疏性等问题。实验结果表明，该模型的推荐质量比传统的协同推荐模型高，更有针对性地向用户推荐他们感兴趣的项目。

关键词: 推荐模型, 个性化, 多维度, 情境, 特征选取

Abstract:

The accuracy of personalized recommendation was the key factor of Internet application to success.Because of the deficiency of the traditional recommend model,a multidimensional personalized recommendation model based on a special situation and main characteristics of the users was proposed.This model could make full use of regional culture background,field scene,characteristics of the users and so on,avoided the disadvantages of traditional algorithm,put the user's overall characteristics as a single vector,and overcomed the problem of sparse data.The experimental results show that the quality of this recommendation model is better than traditional collaborative recommend model with the more specific items match user interests.

Key words: recommend model, personalized, multidimensional, situation, feature selection

琚春华,鲍福光. 基于情境和主体特征融入性的多维度个性化推荐模型研究[J]. 通信学报, 2012, 33(Z1): 17-27.

Chun-hua JU,Fu-guang BAO. Research on a multidimensional personalized recommendation model based on a situation and characteristics of the users[J]. Journal on Communications, 2012, 33(Z1): 17-27.

图/表 12

图1

图2

图3

图4

表1

2010年度的社会经济指标和消费性支出与结构的相关数据"

城市	总人口/万人	第三产业生产总值	城乡居民人均储蓄年末余额/元	岗职工平均工资/元	社会商品零售总额/万元	社会商品人均零售额/万元	普通高校在校生数/人	人均GDP/元	城镇居民人均消费支出/元	城市居民人均可支配收入	剧场影剧院/个	区域
北京	1 257.8	10 600	134 157	65 682	62 292 986	49 525	577 828	112 208	19 934	29 073	182	1
天津	984.85	4 238	57 210	52 963	29 025 506	29 472	429 224	93 663	16 562	24 293	27	1
沈阳	719.6	2 254	46 390	41 899	20 658 671	28 708	348 583	69 726	16 961	20 541	46	3
大连	586.44	2 188	57 547	44 615	16 397 554	27 961	245 756	87 957	16 580	21 293	6	3
长春	758.89	1 356	27 180	35 721	12 867 475	16 955	365 734	43 867	16 580	17 922	23	3
哈尔滨	992.02	1 867	26 008	32 411	17 701 558	17 843	481 589	36 943	13 939	17 557	70	3
上海	1 412.32	9 833	115 053	71 875	60 705 033	42 982	515 661	121 544	23 200	31 838	86	2
南京	632.42	2 660	55 530	48 781	22 887 409	36 190	793 405	81 127	18 156	28 312	28	2
杭州	689.12	2 896	72 425	48 771	21 460 790	31 142	434 811	86 329	20 219	30 035	42	2
宁波	574.08	2 073	57 695	43 476	17 044 539	29 690	140 818	89 935	19 420	30 166	24	2
厦门	180.21	1 012	76 836	40 282	6 850 248	38 012	128 470	11 315	19 961	29 253	5	4
济南	604.08	2 057	36 215	37 853	18 024 610	29 838	642 541	64 735	15 973	25 321	12	5
青岛	763.64	2 630	38 137	37 803	19 611 331	25 681	284 788	74 199	17 531	24 998	40	5
武汉	836.73	2 863	42 911	39 302	25 704 037	30 719	881 433	66 520	14 490	20 806	64	6
广州	806.14	6 557	115 393	54 494	44 763 780	55 528	843 934	133 330	25 011	30 658	23	7
深圳	259.87	5 051	258 477	50 455	30 007 629	115 471	67 324	368 703	22 806	32 381	16	7
重庆	3 303.45	2 881	17 677	35 367	28 780 433	8 712	565 868	23 991	13 335	17 532	33	8
成都	1 149.07	2 785	44 134	38 604	24 176 000	21 039	617 482	48 311	15 511	20 835	15	8
西安	782.73	1 691	46 986	37 871	16 370 367	20 914	734 350	41 412	16 543	22 244	31	8

表1

表2

图5

图6

表3

表4

图7

表5

参考文献 16

[1]	石美红, 王婷, 陈永当 ,等. 基于业务过程和知识需求的知识推送系统[J]. 计算机集成制造系统, 2011,17(4): 882-887. SHI M H , WANG T , CHEN Y D ,et al. Knowledge push system based on business process and knowledge need[J]. Computer Integrated Manufacturing Systems, 2011,17(4): 882-887.
[2]	PAZZANI M J , BILLSUS D . Content-Based Recommendation Systems[M]. Berlin: Springer-VerlagPress, 2007.
[3]	张光卫, 李德毅, 李鹏 ,等. 基于云模型的协同过滤推荐算法[J]. 软件学报, 2007,18(10): 2403-2411. ZHANG G W , LI D Y , LI P ,et al. A collaborative filtering recommendation algorithm based on cloud model[J]. Journal of Software, 2007,18(10): 2403-2411.
[4]	SARWAR B , KARYPIS G , KONSTAN J ,et al. Item-based collaborative filtering recommendation algorithms[A]. Proceedings of the 10th International World Wide Web Conference[C]. New York,N Y,USA, 2001. 285-295.
[5]	BETTMAN J R , LUCE M F , PAYNE J W . Constructive consumer choice processes[J]. Journal of Consumer Research Consum, 1998,25(3): 187-217.
[6]	PRAHALAD C K , BEYOND CRM C K . Prahalad Predicts Customer Context is the Next Big Thing[M]. NewYork: AMACOMPress, 2004.
[7]	PALMISANO C , TUZHILIN A , GORGOGLIONE M . Using context to improve predictive models of customers in personalization applications[J]. IEEE T Knowl Data Engineer, 2008,20(22): 1535-1549.
[8]	PANNIELLO U , TUZHILIN A . Comparing Pre-filtering and Post-filtering Approach in a Collaborative Contextual Recommendation System[M]. Berlin: SpringerPress, 2009. 348-359.
[9]	刘永利, 欧阳元新, 闻佳 ,等. 基于概念聚类的用户兴趣建模方法[J]. 北京航空航天大学学报, 2010,36(2): 188-192. LIU Y L , OUYANG Y X , WEN J ,et al. Approach to modeling user interests using conceptual clustering[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010,36(2): 188-192.
[10]	严隽薇, 黄勋, 刘敏 ,等. 基于本体用户兴趣模型的个性化推荐算法[J]. 计算机集成制造系统, 2010,16(12): 2757-2762. YAN J W , HUANG X , LIU M ,et al. Personalized recommendation algorithm for user interest model based on ontology[J]. Computer Integrated Manufacturing Systems, 2010,16(12): 2757-2762.
[11]	HUANG Z , CHEN H , ZENG D . Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering[J]. ACM Transactions on Information Systems, 2004,22(1): 116-142.
[12]	BRECHEISEN S , KRIEGEL H , PFEIFLE M . Efficient density based clustering of complex objects[A]. Proceedings of the 4th IEEE International Conference on Data Mining[C]. Washington D C,USA, 2004. 43-50.
[13]	张光卫, 康建初, 李鹤松 ,等. 面向场景的协同过滤推荐算法[J]. 系统仿真学报, 2006,18(z2): 595-601. ZHANG G W , KANG J C , LI H S ,et al. Context based collaborative filtering recommendation algorithm[J]. Journal of System Simulation, 2006,18(z2): 595-601.
[14]	ADOMAVICIUS G , SANKARANARAYANAN R , SEN S ,et al. Incorporating contextual information in recommender systems using a multidimensional approach[J]. ACM Transactions on Information Systems (TOIS), 2005,23(1): 103-145.
[15]	GAO M , WU Z F . Incorporating pragmatic information in personalized recommendation systems[A]. The 11th International Conference on Informatics and Semiotics in Organizations[C]. Beijing,China, 2009. 156-164.
[16]	邹博伟, 张宇, 范基礼 ,等. 基于改进TextTiling方法的用户新兴趣发现的研究[J]. 计算机研究与发展, 2009,46(9): 1594-1600. ZOU B W , ZHANG Y , FAN J L ,et al. Research on personalized information retrieval based on user's new interest detection[J]. Journal of Computer Research and Development, 2009,46(9): 1594-1600.

序号	性别	学历	职业	地域	婚否	月收入/元	年龄	专业	兴趣1	兴趣2	兴趣3
1	女	本科	公司职员	长春	是	14 000	46	建筑	服装	美容	食品
2	男	博士	教师	成都	否	13 000	31	计算机	服装	文体	娱乐
3	男	高中及以下	—	上海	是	8 000	42	—	数码	文体	娱乐
4	男	博士	公务员	广州	是	15 000	35	法律	服装	家居
5	男	硕士	国企职员	杭州	是	12 000	39	电子	服装	数码	家居
6	男	博士	教师	宁波	否	23 000	30	食品	数码	食品	文体
7	女	本科	教师	宁波	否	8 000	32	学前教育	服装	数码	娱乐
8	男	硕士	公务员哈尔滨		否	5 400	28	工商管理	数码	文体
9	女	本科	外企职员上海		否	14 000	27	营销	配饰	美容	食品
10	女	本科	公司职员杭州		是	5 000	33	信息管理	母婴	家居	服装
11	女	博士	外企职员深圳		否	14 000	31	企业管理	美容	娱乐
12	男	本科	教师广州		是	4 500	38	体育	数码	家居	文体
13	女	本科	—南京		是	5 000	40	—	家居	母婴	文体
14	女	本科	私营业者沈阳		否	9 000	28	信息管理	配饰	服装	美容
15	女	硕士	学生北京		否	2 000	25	营销	数码	配饰	文体
16	女	高中及以下	民营企业宁波		是	6 500	46	—	服装	美容
17	男	高中及以下	民营企业天津		是	6 000	42	—	服装	美容	娱乐
18	女	本科	公司职员大连		是	5 000	27	应用物理	服装	配饰	文体
19	女	博士	心理师成都		否	12 000	26	心理学	娱乐	服装	食品
…	…	…	……		…	…	…	…	…	…	…

序号	性别★	学历	职业★	地域	婚否★	月收入/元★	年龄★	关注1	关注2	推荐类型	置信度
1	男	—	—	长三角	是	>10 000	>30＆<50	优品牌	质量	成熟型、正装	89.5%
2	女	本科以上	—	长三角	—	>3 000＆<8 000	>20＆<40	流行	性价比高	休闲装、正装	76.2%
3	女	本科以上	—	长三角	是	>3 000＆<8 000	>30＆<40	性价比高	质量	休闲装、配饰	81.4%
4	男	本科以上	学生	长三角	—	<1 000	>20＆<30	价格低	质量	青春型、休闲装	59.6%
5	男	—	公司职员	长三角	是	>3 000＆<5 000	>30＆<40	价格低	实用	休闲装	77.3%
6	女	—	公务员	长三角	否	>3 000＆<8 000	>40＆<50	质量	性价比高	休闲装、正装	86.7%

序号	职业★	婚否★	月收入（元）★	年龄★	关注1	关注2	推荐类型
1	—	是	>80 000	>30＆<40	优品牌	做工	成熟型、旗袍、高腰裙
2	公司职员	是	>5 000＆<8 000	>30＆<40	质量	性价比高	A字裙、旗袍
3	—	—	>3 000＆<5 000	>20＆<30	流行	质量	休闲装、配饰
4	学生	否	<1 000	>20＆<30	质量	价格低	青春型、公主裙
5		是	>3 000＆<5 000	>30＆<40	价格低	实用	低腰裙、休闲裤
6	公务员	否	>5 000＆<8 000	>40＆<50	质量	性价比高	休闲装、正装

推荐项目	全特征个性化推荐模型	基于情境的全特征个性化推荐模型	基于主体特征抽取个性化推荐模型	基于情境和主体特征融入性的多维度个性化推荐模型
Response-01	53.6%	71.3%	91.8%	92.3%
Response-02	48.2%	72.9%	87.6%	88.2%
Response-03	54.1%	56.5%	89.8%	91.2%