一种基于社会化网络的上下文相关推荐模型

摘 要：后搜索引擎时代如何构建推荐系统来为用户提供准确的信息成为研究者关注的问题，而有效地利用社会化网络中的上下文信息已然是解决这一问题的一把钥匙。在本文中，我们提出了一种新的推荐模型，通过上下文相关，对社会化网络信息进行再加工，不同于一般上下文信息处理方法，我们通过随机决策树对传统“用户-项目”评价矩阵中评价相似的上下文信息进行区分，然后通过矩阵分解来预测用户的缺失偏好，同时，为了更加充分地利用社会化网络信息，我们将偏好相似用户可能的推荐进行量化，以影响矩阵分解目标函数的结果，以此达到精确推荐的目的，最终以此作为系统推荐。通过实验表明，本文提出的上下文相关推荐模型可获得更高的用户满意度。

关键词：社会化网络；上下文相关；推荐模型；矩阵分解

中图分类号：TP391.3

作为个性化搜索技术的一个重要分支，推荐系统已经成为处理信息过载的一个有效手段。大多数推荐系统依靠协作过滤技术，通过从其他相似用户及项目过去的评价信息挖掘、预测用户的兴趣。但是传统的推荐系统只使用相关的“用户-项目”评价而不考虑任何其他数据，所以当信息源不均匀、信息量过于庞大，从而造成诸如数据稀疏等不足以挖掘相似“用户-项目”数据的情况时，推荐系统的准确性就产生了新的问题。

现有的上下文相关推荐系统存在两个主要问题：其一，不能有效地结合不同类型的上下文信息，如：离散值与连续值的上下文信息。其二，一般矩阵分解模型转化的算法计算复杂度太高。同时，社会化网络没有为推荐系统集成丰富的、不同类型的上下文来作为基础信息，这使得推荐系统作出个性化、准确的建议更加困难。简单地只面向特定的上下文信息，或只面向用户组感知推荐，都不能够为用户作出准确的推荐。因此，一个能有效地结合不同类型的信息的推荐系统，成为个性化搜索发展的强力需求。

社会化网络的快速发展为解决这一新问题提供了方向，其解决思路是：在考虑用户特定上下文相关信息的同时，将与目标用户有着相似兴趣的用户的意见作为推荐系统的推荐依据，我们将这一做法称之为社会化推荐。从理论上讲，社会化推荐可以有效缓解数据稀疏性的问题，并且能够提高推荐的质量。

本文设计了一种新的社会化网络的上下文相关推荐模型，主要设计方法如下：（1）我们先提取预计将与用户偏好相关联的不同的上下文信息。然后，我们运用随机决策树算法来分割给定的用户项评价矩阵。对生成的子矩阵中的相似性进行加权。（2）我们采用矩阵分解模型来预测使用生成的子矩阵中的项目的用户缺失偏好。其本质是通过挖掘相似兴趣用户的历史记录中与目标用户相类似的数据，并对相似程度进行评价，以此来提高推荐质量。（3）通过运行数据集对模型测试，实验结果表明，按均方根误差评估，本模型较传统矩阵分解方法能够获得更好的用户满意度。

1 基于社会化网络的上下文相关推荐模型

通过结合所有的上下文信息以及多个不同的决策树进行综合考察，生成个性化的、准确的上下文相关推荐。此外，通过除去较低相关性的评价数据，模型所产生的子矩阵较原评分矩阵更小，这使得算法复杂度大大降低。

2 实验结论

实验使用的是youku网10名用户数据集，以均方根误差作为参照，本文设计的推荐模型较基本矩阵分解模型推荐满意度提升近10%，并且算法收敛速度较快。在本文中，我们提出了一种有效的推荐模型，该模型系统地结合上下文信息和社交网络信息，以此提高推荐质量。模型采用随机决策树算法对各相关上下文信息进行评价。并将分解产生的子矩阵中包含的相似性进行加权处理，从而精准模型的推荐结果。此外，模型对于缺失评价矩阵的处理，有效的解决了少数无上下文相关信息的情况，相对传统矩阵分解模型更完善。

在今后的工作中，我们计划将模型应用到一些真实的应用场景，以获取更加真实的反馈数据，以此来优化算法。同时，模型中是否可以加入对用户活跃度的区别，这对解决少数冷启动用户数据稀疏无疑是有帮助的。若对这部分用户进行评级，最终反映在评价矩阵中，可能达到优化推荐的作用。

参考文献：

[1]王立才.上下文感知推荐系统若干关键技术研究[D].北京邮电大学，2012，04，01.

[2]宋言伟.基于P2P网络节点上下文的任务分解和调度方法研究[D].山东大学，2012，04，20.

[3]朱雪彤.移动社交网络中用户上下文的自动识别与共享[J].南京理工大学学报，2013，08，30.

作者简介：张晖（1982-），女，江苏扬州人，硕士，助讲，研究方向：数据库、数据挖掘、社会化搜索；陈琛（1981-），男，江苏连云港人，硕士，讲师，研究方向：计算机网络、个性化搜索。

作者单位：扬州大学广陵学院，江苏扬州 225009；江苏联合职业技术学院扬州商务分院，江苏扬州 225009