上下文感知推荐系统王立才

软件学报ISSN1000-9825,CODENRUXUEWE-mail:[e-mail],2012,23(1):120[doi:10.3724/SP.J.1001.2012.04100]©中国科学院软件研究所版权所有.Tel/Fax:[phone]上下文感知推荐系统王立才1,2+,孟祥武1,2,张玉洁1,21(北京邮电大学计算机学院,北京100876)2(智能通信软件与多媒体北京市重点实验室,北京100876)Context-AwareRecommenderSystemsWANGLi-Cai1,2+,MENGXiang-Wu1,2,ZHANGYu-Jie1,21(SchoolofComputerScience,BeijingUniversityofPostsandTelecommunications,Beijing100876,China)2(BeijingKeyLaboratoryofIntelligentTelecommunicationsSoftwareandMultimedia,Beijing100876,China)+Correspondingauthor:E-mail:[e-mail],(1):120.:Context-Awarerecommendersystems,aimingtofurtherimproveperformanceaccuracyandusersatisfactionbyfullyutilizingcontextualinformation,haverecentlybecomeoneofthehottesttopicsinthedomainofrecommendersystems.Thispaperpresentsanoverviewofthefieldofcontext-awarerecommendersystemsfromaprocess-orientedperspective,includingsystemframeworks,keytechniques,mainmodels,evaluation,andtypicalapplications.Theprospectsforfuturedevelopmentandsuggestionsforpossibleextensionsarealsodiscussed.Keywords:context-awarerecommendersystem;recommendersystem;userpreference;context;survey摘要:近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深入的研究难点和发展趋势进行了展望.关键词:上下文感知推荐系统;推荐系统;用户偏好;上下文;综述中图法分类号:TP18文献标识码:A20世纪90年代以来,随着信息技术特别是互联网技术的飞速发展,人们在获取丰富多彩的信息内容的同时,沉浸于信息海洋而难以及时、准确地获得满足其自身需要的信息,从而引发“信息过载”问题,给人们带来很大的信息负担.目前,搜索引擎(如Google、百度等等)是最普遍的辅助人们获取信息的工具,但仍然不能满足不同背景、不同目的、不同时期的个性化信息需求[1],从而不能真正有效地解决“信息过载”问题.于是,人们提出“个性化服务”[1,2]的概念,来为不同用户提供不同的服务或者信息内容.推荐系统(recommendersystems)[36]作为个性化服务研究领域的重要分支,通过挖掘用户与项目之间(user-item)的二元关系,帮助用户从大量数据中发现其基金项目:国家自然科学基金(60872051);中央高校基础研究基金(2009RC0203);北京市教育委员会共建项目收稿时间:2010-11-01;修改时间:2011-05-06;定稿时间:2011-08-09;jos在线出版时间:2011-09-09CNKI网络优先出版:2011-09-0816:45,软件学报Vol.23,No.1,January2012可能感兴趣的项目(如Web信息、服务、在线商品等),并生成个性化推荐以满足个性化需求.目前,推荐系统在电子商务(如Amazon、eBay、Netflix、阿里巴巴、豆瓣网、当当网等)、信息检索(如iGoogle、MyYhoo、GroupLens、百度等)以及移动应用、电子旅游、互联网广告等等众多应用领域取得较大进展.20世纪90年代初,Weiser提出了“普适计算”的概念,作为其核心子领域之一的上下文感知计算理论,使系统能够自动发现和利用位置、周围环境等上下文信息,并为用户提供服务和计算资源,取得许多研究成果.随着信息检索、移动计算、电子商务、物联网、智能家居/办公、环境监测、医疗、军事等应用领域的发展要求,将上下文感知计算应用于这些领域以提高用户体验和系统性能,成为学术界和工业界关注的热点之一,上下文信息的重要性也得到广泛的研究与验证.在推荐系统领域,人们往往只关注“用户-项目”之间的关联关系,而较少考虑它们所处的上下文环境(如时间、位置、周围人员、情绪、活动状态、网络条件等等).但是,在许多应用场景下,仅仅依靠“用户-项目”二元关系并不能生成有效推荐.例如,有的用户喜欢在“早上”而不是“中午”被推荐合适的新闻信息,有的用户在“旅游”时想要被推荐一些合适的周边餐馆、商场等,有的用户在“心情愉悦”时更愿意被推荐一些轻松的音乐.上下文感知推荐系统通过将上下文信息引入推荐系统,以进一步提高推荐精确度和用户满意度,兼具“普适计算”和“个性化”两种优势(“普适计算”表示信息和计算资源的获取与接入可以发生在“任何时间、任何地点、以任何形式”,而“个性化”则可以帮助用户从海量资源中获取满足其自身需要的内容),具有重要的研究意义和实用价值,逐渐成为推荐系统研究领域最为活跃的分支之一.国外许多大学和研究机构对上下文感知推荐系统理论、方法及应用展开了深入研究,如美国明尼苏达大学和纽约大学[710],意大利波尔察诺自由大学[1115]和博洛尼亚大学[16,17],德国柏林工业大学[18,19]、康斯坦茨大学[2022]、慕尼黑工业大学[23,24]和约阿尼纳大学[25,26],西班牙电信研究院[11,27],新加坡南洋理工大学[28],英国华威大学[29,30],韩国浦项工业大学[31]和首尔大学[32],IBM研究院[33],微软研究院[34],意大利电信公司[35]等等.ACM推荐系统年会(ACMConferenceonRecommenderSystems,简称RecSys)自2009年开始举办上下文感知推荐系统专题研讨会(WorkshoponContext-AwareRecommenderSystems[10],简称CARS),指出上下文感知推荐系统领域的几个主题,体现了当前的研究热点与难点:1)推荐系统中的上下文建模技术;2)推荐系统中基于上下文感知的用户建模;3)上下文推荐数据集;4)检测上下文数据相关性的算法;5)将上下文信息融入推荐过程的算法;6)在上下文特征和用户评分之间建立显式关联的算法;7)与上下文感知推荐系统交互;8)上下文感知推荐系统的新应用;9)大规模上下文感知推荐系统;10)上下文感知推荐系统的评测;11)移动上下文感知推荐系统;12)上下文感知的群组推荐.在国内,以关键词“上下文感知推荐系统”在GoogleScholar、中国知网上搜索,只能发现很少的相关中文文献,英文文献中也仅有较少的研究人员(如西北工业大学[3638]和北京邮电大学[3942])从事该领域研究,这说明我国在上下文感知推荐系统领域的相关研究存在不足.目前,推荐系统领域的国内外综述文献主要针对传统推荐系统[36],而极少涉及上下文感知推荐系统.鉴于上下文感知推荐系统的重要研究意义和实用价值,我们有必要跟踪学习和总结该领域现阶段的研究成果,并深入分析和预测其发展趋势,期望能够更好地指导未来的研究工作.本文第1节对上下文感知推荐系统进行概述.第2节~第5节重点介绍上下文感知推荐系统理论与方法研究现状,其中,第2节介绍上下文感知推荐系统中的上下文定义、获取与建模,第3节介绍上下文用户偏好提取技术,第4节对各种上下文感知推荐生成技术进行归类和对比分析,第5节总结上下文感知推荐系统的效用评价.第6节论述上下文感知推荐系统的应用进展.第7节对有待深入的研究难点和发展趋势进行展望.最后是结束语.1上下文感知推荐系统概述本节首先对传统推荐系统进行概述,然后介绍上下文感知推荐系统的形式化定义,最后对面向过程的上下文感知推荐系统进行描述.1.1传统推荐系统推荐系统涉及认知科学、逼近论、信息检索、预测理论、管理学以及消费者决策模型等众多学科,但是直王立才等:上下文感知推荐系统3到20世纪90年代中期出现关于协同过滤技术的文章,才作为一门独立的学科得以系统研究.推荐系统通过建立用户与项目之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐[6].从信息过滤角度,推荐系统常被分为以下几类[3]:(1)协同过滤(collaborativefiltering):源于“集体智慧”的思想,利用当前用户或者其他用户对部分项目的已知偏好数据来预测当前用户对其他项目的潜在偏好,或者利用部分用户对当前项目或者其他项目的已知偏好数据来预测其他用户对当前项目的潜在偏好;又可以分为启发式方法和基于模型的方法[3]:前者需要计算用户(或者项目)之间的相似度,后者利用已知用户偏好学习一个模型为活动用户或者活动项目进行偏好预测.(2)基于内容的过滤(content-basedfiltering):首先由系统隐式地获取或者由用户显式地给出用户对项目属性的偏好,然后通过计算已知用户偏好和待预测项目的描述文档(由项目属性刻画)之间的匹配度(或相似度),最后按照偏好排序结果向用户推荐其可能感兴趣的项目;同样,可分为启发式方法和基于模型的方法[3].(3)混合式过滤(hybridfiltering):按照不同的混合策略(如加权、切换、混合呈现、特征组合、串联、特征扩充、元层次混合等[43])将不同推荐类型或推荐算法进行组合并生成推荐.目前,推荐系统领域相关的主要学术会议和期刊有:ACMRecSys,ACMEC,KDD,SIGIR,UMAP,和IEEETKDE,IEEEIntelligentSystems,ACMTOIS,ACMTKDD,ACMTIST,ACMTOCHI,CommunicationsoftheACM,UMUAI等等.经过近20年的研究,推荐系统领域取得了较大的研究进展,但也仍然存在着许多需要进一步解决的问题[3,4].进入21世纪以来,国内学术界也逐渐开始重视推荐系统领域的研究.比较典型的有:文献[1,5,6]等对个性化服务、推荐系统进行了综述研究;文献[44,45]针对协同过滤推荐系统中存