資源描述：
《基于用戶偏好融合的組推薦算法綜述.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、基于用戶偏好融合的組推薦算法綜述摘要：傳統(tǒng)的推薦系統(tǒng)是面向單個(gè)用戶的推薦。作為個(gè)性化推薦的一個(gè)新的延伸，日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(duì)象從單個(gè)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(píng)價(jià)標(biāo)準(zhǔn)中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2014)07-1511-051概述在傳統(tǒng)的推薦系統(tǒng)中，有眾多算法對(duì)單個(gè)用戶進(jìn)行個(gè)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
2、例的推薦算法等)。不少傳統(tǒng)個(gè)性化推薦算法可以同時(shí)在精確度和運(yùn)行時(shí)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(cè)評(píng)分的方式預(yù)測(cè)用戶可能喜歡的新聞、商品、電影等項(xiàng)冃，以評(píng)分的高低作為用戶對(duì)該項(xiàng)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(cè)評(píng)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(shí)現(xiàn)web頁(yè)面推薦的Let'sBrowse[2]>I?Spy[3],實(shí)現(xiàn)旅游推薦的Intrigue[4]>CATS[5],實(shí)現(xiàn)音樂推薦的MusicFX⑹,實(shí)現(xiàn)電影和電視推薦的F
3、IT[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(gè)人偏好融合為整個(gè)組的偏好。該文旨在介紹以上系統(tǒng)中常用的兒種組推薦算法，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(shí)施的皋本框架后，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(píng)價(jià)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(gè)性化推薦算法的不同，主要在于前者的冃的是獲取一組用戶的偏好，而后者的目的是獲取單個(gè)用戶的偏好。
4、如何實(shí)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(gè)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(xiàng)目對(duì)整個(gè)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(duì)個(gè)人用戶的推薦結(jié)果，融合用戶的評(píng)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(duì)各成員的推薦結(jié)果5總結(jié)與展望作為個(gè)性化推薦的延仲，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(gè)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，而前者則需耍融合組內(nèi)各成員的偏好得出推薦結(jié)果。融合偏好的方法主耍包括排列融合
5、、評(píng)分融合和構(gòu)造組偏好模型這三種。而融合策略主要有計(jì)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(jì)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(duì)誤差MAE、均方根誤差RMSE、nDCG等標(biāo)準(zhǔn)對(duì)推薦結(jié)果進(jìn)行評(píng)價(jià)。組推薦是一個(gè)較新的領(lǐng)域，冃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(dòng)態(tài)信息提供動(dòng)態(tài)的推薦、如何為組推薦提供更合理的解釋、
6、如何在推薦中加入?yún)f(xié)商機(jī)制籌。參考文獻(xiàn)：[1]JamesonA,SmythB.Recommendationtogroups[M]//Theadaptiveweb.SpringerBerlinHeidelberg,2007：596-627?[2]LiebermanH,VanDykeN,VivacquaA.Let'sbrowse：acollaborativebrowsingagent[J]?Knowledge-BasedSystems,1999,12(8)：427-431.[3]SmythB,BalfeE,FreyneJ,etal.Exploitingqueryrepet
7、itionandregularityinanadaptivecommunity-basedwebsearchengine[J]>UserModelingandUser-AdaptedTnteraction,2004,14(5)：383-423?[4]ArdissonoL,GoyA,PetroneG,etal.Intrigue:personali^edrecommendationoftouristattractionsfordesktopandhandhelddevices[J]?AppliedArtificialIntelligenee,2003,17(8-9)
