个性化推荐模型（通用10篇）
个性化推荐模型 篇1
一、引言
随着在线消费的日益普及和交易额的逐步增大, 各大电子商务企业为了更好的吸引用户和提高网站的交叉销售量, 在其网站中都采用了个性化推荐的功能, 期望通过记录客户的购买信媒体息及物品的关联性向网站用户推荐他们感兴趣的商品, 从而增加了网站浏览者到消费者的转换率。
与此同时随着社交网络的发展, 用户的消费行为也从原来的货比三家变成了如今的通过产品销量及其反馈来进行消费决策, 在价格可接受的范围内, 用户的评分和评价影响了绝大多数用户的在线购买行为。相比于普通用户的评论, 消费者更愿意接受和信任的是其好友的评论及其推荐, 同时社交媒体的发展也为了解好友的购买行为提供了支持。
目前的电子商务推荐系统主要还是以经典的User-Based模型, Item-Based模型和LFM模型为主的推荐。本文将考虑社交网络中好友的因素, 在个性化推荐用户模型的构建中考虑好友的推荐因素, 给出推荐的模型和算法, 并通过数据抓取、分析、处理对模型进行验证、调优, 最后对于电子商务网站的个性化推荐提出改进意见。
二、相关研究
1992年, 美国施乐公司研究所开发了Tapestry系统, Tapestry的设计主要是为了解决施乐公司在Palo Alto的研究中心邮件过滤的问题。1994年, 明尼苏达大学双城分校计算机系的一个实验室推出了Group Lens推荐系统, 该系统向用户推荐文章。其运用了非常著名的协同过滤算法 (Collaborative filtering) 。
在Group Lens之后还有性质相近的Tivo, 影音推荐系统;Movie Lens, 电影推荐系统;Ringo, 音乐推荐系统等等。如今的You Tube等网站也采用的相似的思想。
随后在各类电子商务网站, 个性化推荐系统得到了广泛应用, 包括亚马逊 (Amazon.com) 、淘宝, 当当等购物网站。
协同过滤 (Collaborative Filtering) , 是指利用拥有相似兴趣或拥有共同经验的群体的喜好来向用户推荐其感兴趣的内容。用户通过评分等机制将信息传递给系统, 达到过滤的目的, 从而帮助兴趣相似的用户进行筛选。信息的反馈并不仅限于好的评分, 差的评分也包括在内。协同过滤同时又可分为评分过滤以及群体过滤, 其后者正逐渐成为电子商务当中很重要的一环。群体过滤 (Social Filtering) 即根据顾客的购买历史记录以及具有相似购买行为的顾客群的购买行为去推荐当前顾客所可能感兴趣的内容。除了推荐之外, 近年来也有研究数学运算让系统自动计算喜好的强弱程度从而加强推荐质量, 也许不是百分之百完全推荐正确, 但由于加入了强弱的评分让这个概念的应用更为广泛。
三、基于好友因素的个性化推荐模型的构建
基于Web2.0的社交媒体注重用户的交互作用, 用户会聚集成一个个的群体, 拥有相同爱好或兴趣的用户会聚集成一个兴趣小组, 从而形成以兴趣为聚合的社区。在这样一个社交社区中, 用户的购买决策从关注商品的价格、质量、功能, 转变到了关注商品的销量和用户的评论, 而其中评论和销量的数据中又有大众和好友的区分。
1. 研究对象选取
本文拟建立的是社交媒体中评论和销量对于推荐模型的改进, 对于选取的研究对象需要满足以下条件:
(1) 拥有大量注册用户
(2) Web2.0社区, 用户可以创造内容
(3) 拥有用户购买决策或消费倾向的数据
(4) 拥有API, 可容易获取数据
(5) 拥有评论、销量等基本反馈因素
(6) 拥有好友关系, 或兴趣小组
结合以上要求, 本课题选择豆瓣读书作为研究对象, 豆瓣以书影音起家, 一直致力于帮助都市人群发现生活中有用的事物, 通过桌面和移动产品来服务都市日常生活的各个方面。
豆瓣读书拥有活跃的用户群体以及丰富的好友关系网络, 对于本文的数据获取是一个便利条件。
2. 模型的总体设计
本文结合个性化推荐中产品因素和用户因素, 同时在此基础上我们增加了一个反馈因素的影响。在社交媒体影响下, 影响用户购买行为的因素包括产品影响、自身影响、反馈影响, 这些因素分别包含了以下的内容:产品影响 (产品的特性, 诸如产品的基本信息, 品质、质量等内容) , 自身影响 (包含用户的基本信息, 如出身日期, 出身地, 以及用户的偏好) , 反馈影响 (他对对自身的影响, 包含好友关系, 好友数量, 好友影响力, 他人对业务的评价, 包含用户的评论、评分, 他人对业务的选择, 包含用户的购买行为) 。为此选取的影响因素总体设计如图1所示:
3. 模型构建及假设
根据选取的研究对象以及模型的总体设计, 结合豆瓣的数据特点, 用户的阅读行为与用户自身特性, 书本特性, 普通用户行为以及朋友行为相关, 对模型的因变量以及自变量设计如图2所示:
根据计量经济学的建模方法, 建立一个多元Logit模型如式1所示:
其中U代表用户自身的因素, O代表其他用户的因素, B代表书籍本身的因素, ε为误差量 (噪声) , 模型中设计相关自变量与因变量设计如表1所示。
根据用户多元Logit模型以及自变量的选取, 用户的阅读行为可以表示为式2, 其中α1α2α3α4为自身属性系数, β1β2β3β4β5为反馈属性系数, γ1为书本属性系数。
根据用户行为模型的设计, 提出的如下假设:
(1) 用户存在从众效应, 阅读量大的数据会增大用户对该书籍的阅读。
(2) 拥有大量书评的图书会加大用户的阅读可能性。
(3) 用户更倾向于阅读偏好 (具有相同标签) 的图书。
(4) 高评分的图书更容易吸引用户。
(5) 用户的书评信息对用户的阅读产生积极影响。
(6) 在线反馈对用户的阅读倾向产生积极影响。
4. 数据获取及验证
为研究反馈机制对Web2.0时代的消费者购买决策产生的影响, 需要根据前一节中的模型设计进行数据采集并验证模型, 借助豆瓣开放的API, 编写数据采集程序, 可以获取到验证模型的数据。
根据模型数据需求, 首先获得豆瓣热门图书榜单的图书, 从每本书的评论中随机抽取2位有效用户 (阅读量>10) , 获得40位目标用户的基本信息, 好友关系, 阅读历史信息, 书本信息, 设计数据抓取方案如图3所示。
根据研究需要, 编写程序获得待处理队列, 包括书本ID, 用户ID, 用户好友ID, 并放入待处理队列, 编写程序获得需要的处理的数据并存储。数据处理流程如图4所示。
四、个性化推荐系统的研究结论
1. 模型验证
对于本文中的用户阅读行为研究 (0不读, 1为阅读) , 不能满足正态性和方差齐性, 故不能直接使用线性模型来拟合方程。而Logistic回归正是处理因变量是二分类或多分类变量的一种方法。现已广泛应用于队列研究, 已成为分类因变量的首选多变量分析模型。
根据上一节的模型设计以及数据抓取方案的设计, 为研究反馈机制对Web2.0时代的消费者购买决策产生的影响, 将处理后的数据使用Stata软件进行Logistic回归分析。
对上一节中采集到的数据进行预处理, 统一数据单位, 所有的日期用天来表示, 对于用户阅读偏好Upref进行取对数处理, 得出的运行结果如图5所示。其中P>|z|中的数值, <0.01代表自变量在1%的水平上显著, <0.05代表自变量在百分之5的水平上显著, <0.1代表自变量在百分之10的水平上显著。
2. 模型分析及结果
根据上一节的模型验证以及分析结果, 其中P>|z|中的数值<0.1时代表该自变量对用户行为有显著影响, 从分析结果可以看出以下变量对用户的阅读行为有着显著影响, UPref (用户的阅读偏好) , FRead (用户好友中对书的阅读行为) , Bread (书本的总阅读量) 。
3. 结论
由分析结果可以得出结论, 大部分选择的变量与用户的阅读行为存在着关系, 其中用户阅读偏好, 好友的阅读行为, 书本的阅读总量存在显著影响, 而用户的自身阅读总量, 用户的注册时间对用户的阅读行为影响力有限。
结合前文中提出的假设, 可以得出以下推论:
(1) 用户存在从众效应, 阅读量大的数据会增大用户对该书籍的阅读。
(2) 用户更倾向于阅读偏好 (具有相同标签) 的图书。
(3) 用户好友的阅读行为对好友的阅读倾向有显著影响。
(4) 在线反馈对用户的阅读倾向产生积极影响。
综上所述, 在Web2.0时代, 得益于用户的参与, 在线反馈在个性化推荐系统中占据着很大的比重, 也正成为各大研究的热点, 在线反馈对用户的购买决策产生了显著影响。个性化推荐系统的研究与开发对用户发现有价值的信息以及电子商务网站推荐用户感兴趣的内容都有很重要的意义。
摘要：随着社交媒体的广泛应用, 在电子商务行为中, 消费者很大程度上的购买决策会受到他人因素的影响, 尤其是好友的影响。本文提出了社交媒体网络下, 用户评论和销量对于推荐模型的影响, 建立了基于社交媒体中好友的评论的个性化推荐模型。通过从国内的社交网络中采集相关数据, 对模型的效果进行了验证。
关键词：个性化推荐,社交网络,好友影响,推荐模型
参考文献
[1]Goldberg, D., Nichols, D., Oki, B.M., Terry, D.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM, 1992, (35) :61-70.
[2]P.Resnick.GroupLens:An Open Architecture for Collaborative Filtering of Netnews, ”Proc[J].Computer Supported Cooperative Work, 1994:175-186.
[3]Ali, K., van Stam, W.TiVo:making show recommendations using a distributed collaborative filtering architecture[J].In:Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2004:394-401.
[4]Linden, G.Smith, B.;York, J., Amazon.com recommendations:item-to-item collaborative filtering, Internet Computing, IEEE, Jan/Feb 2003:76-80.
[5]Sarwar, B., Karypis, G., Konstan, J., Riedl, J.Item-based collaborative filtering recommendation algorithms.In:Proceedings of the 10th International Conference on the World Wide Web, 2001:285-295.
个性化推荐模型 篇2
以下内容摘自《个性化推荐系统的研究进展》，该文发表于1月的《自然科学进展》专题评述，作者是刘建国、周涛、汪秉宏。
我略去了具体的算法和许多公式，重点看原理、思路和比较。
互联网技术的迅速发展使得大量的信息同时呈现在我们面前，传统的搜索算法只能呈现给所有的用户一样的排序结果，无法针对不同用户的兴趣爱好提供相应的服务。信息的爆炸使得信息的利用率反而降低，这种现象被称之为信息超载。个性化推荐，包括个性化搜索，被认为是当前解决这个问题最有效的工具之一。推荐问题从根本上说是代替用户评估它从未看过的产品，这些产品包括书、电影、CD、网页、甚至可以是饭店、音乐、绘画等等。
个性化推荐系统通过建立用户与信息产品之间的二元关系，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。高效的推荐系统可以挖掘用户潜在的消费倾向，为众多的用户提供个性化服务。 一个完整的推荐系统由3个部分组成：
1、收集用户信息的行为记录模块
2、分析用户喜好的模型分析模块
3、推荐算法模块
推荐算法模块是最核心的部分。根据推荐算法的不同，推荐系统可以分为如下几类：
协同过滤(collaborative filtering)系统
基于内容(content-based)的推荐系统
基于用户-产品二部图网络结构(network-based)的推荐系统
混合(hybrid)推荐系统
其他
1. 协同过滤系统
第一代被提出并得到广泛应用的推荐系统。如amazon的书籍推荐，Jester的笑话推荐，等等。
1)核心思想：利用用户的历史信息计算用户之间的相似性——》利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度——》根据喜好程度来对目标用户进行推荐。
在计算用户之间相似度时，大部分都是基于用户对共同喜好产品的打分。最常用的方法是Pearson相关性和夹角余弦。
协同过滤推荐系统的算法可以分为两类，基于记忆(memory-based)&基于模型(model-based)。前者是根据系统中所有被打过分的产品信息进行预测，注重于预测用户的相对偏好而不是评分绝对值;后者是收集打分数据进行学习并推断用户行为模型，再对某个产品进行预测打分。
2)优点：
发现用户潜在的兴趣偏好，推荐新信息
能推荐难以进行内容分析的产品
3)缺点：
由于是基于用户对产品的评分，所以对新用户进行推荐或者是对用户推荐新产品，精度不高
随着用户量的增多，计算量呈线性增加，影响系统的性能
2. 基于内容的推荐系统
是协同过滤技术的延续与发展。
1)核心思想：分别对用户和产品建立配置文件——》比较用户与产品配置文件的相似度——》推荐与其配置文件最相似的产品，
例如，在电影推荐中，基于内容的系统首先分析用户已经看过的打分较高的电影的共性(演员、导演、风格等)，再推荐与这些用户感兴趣的电影内容相似度很高的其他电影。基于内容的推荐算法根本在于信息获取和信息过滤。因为在文本信息获取与过滤方面的研究较为成熟，现有很多基于内容的推荐系统都是通过分析产品的文本信息进行推荐。 在信息获取中，最常用的是TF-IDF方法。
2)优点：
能处理新用户、新产品的问题(冷启动)
实际系统中用户对产品的打分信息非常少，基于内容的推荐系统可以不受打分稀疏性问题的约束
能推荐新出现的产品和非流行的产品，发现隐藏信息
通过列出推荐内容的特征，可以解释为什么推荐这些产品，使用户在使用时具有更好的用户体验
3)缺点：
受到信息获取技术的约束，例如自动提取多媒体数据(图形、视频流、声音流等)的内容特征具有技术上的困难
如果两个不同的产品恰好用相同的特征词表示，这两个产品就无法区分
如果一个系统只推荐与用户的配置文件高度相关的产品，那么推荐的只能是与用户之前购买过的产品非常相似的产品，无法保证推荐的多样性
3. 基于网络结构的推荐算法
仅仅把用户和产品的内容特征看成抽象的节点，所有算法利用的信息都藏在用户和产品的选择关系中。
1)核心思想：建立用户—产品二部图关联网络
对于任意目标用户i，假设i选择过所有的产品，每种产品都具有向i推荐其他产品的能力，把所有i没有选择过的产品按照他喜欢的程度进行排序，把排名靠前的推荐给i。
在同样的用户喜好程度下，推荐冷门的产品要比推荐热门的产品意义更大。在同样精确度下，推荐的产品数量越少越好。
提高精确度的方法还有：
去除重复性
通过引入耦合阈值(即只考虑相似性大于或等于给定阈值的用户以及和这些用户连接的产品)
2)优点：开辟了推荐算法研究的新方向
3)缺点：
同样面临着新用户新产品的问题。新用户或新产品刚进入系统时没有任何选择或被选信息，系统无法与其他用户或产品建立关联网络
受到用户选择关系建立时间的影响，如果把用户与产品的所有关联关系都考虑在内，无法区分出长期兴趣和短期兴趣点，过多地考虑长期兴趣点会使系统无法给出满足用户短期兴趣的产品，大大降低推荐准确度
4. 混合推荐
将上述几种推荐方法有机结合，实际的推荐系统中最常见的是基于协同过滤和基于内容的。
1)独立系统相互结合
独立的应用协同过滤，基于内容和基于网络结构的算法进行推荐，然后将两种或多种系统的推荐结果结合，利用预测打分的线性组合进行推荐。或者，只推荐某一时刻在某一评价指标下表现更好的算法的结果。
2)在协同过滤系统中加入基于内容的算法
利用用户的配置文件进行传统的协同过滤计算，用户的相似度通过基于内容的配置文件计算得出，而非共同打过分的产品的信息。这样可以克服协同过滤系统中的稀疏性问题，另外，不仅仅是当产品被配置文件相似的用户打了分才能被推荐，如果产品与用户的配置文件很相似也会被直接推荐。
5. 其他方法
1)关联规则分析：关注用户行为的关联模式。如买了香烟的人大多会购买打火机，因此可以在香烟和打火机间建立关联关系，通过这种关系推荐其他产品。
个性化推荐模型 篇3
关键词：个性化学习；深度学习；学习系统
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）08-0082-05
一、问题提出
互联网技术和移动技术的飞速发展，使得网络覆盖更广、上网速度更快，为网络学习与移动学习提供了稳定的学习环境。据中国互联网络信息中心（CNNIC）2015年7月发布的第35次《中国互联网络发展状况统计报告》显示，我国网民规模达6.68亿，手机网民规模为5.94亿，在整体网民中占比达88.9%，手机已经成为我国网民的第一大上网终端[1]，人们更倾向选择网络和移动设备作为学习的工具。
大规模在线开放课程MOOC的出现引起了全球范围内教育的变革，它以大规模、在线、开放三大特征吸引着全球的学习者。Coursera的注册人数每天都在增加，截至目前有14，875，712位学员注册，有1291门课程对全球免费开放[2]。我国“本土”慕课—“学堂在线”，在过去一年选课人数超过57万次[3]。MOOC课程的特征是学习目标单元化，学习知识碎片化，学习内容富媒体化。一门课程分成若干个单元，再将一个单元划分为若干知识点以5-15分钟的图片、音乐或视频的形式展示。目前倡导的微课教学、关注微信和微博课程公众号的微学习，更是以碎片化的理念来组织学习。
碎片化学习呈现的是短时间、单任务、独立知识点的学习方式，学习者在生活和工作间隙实现随时随地的被动接受与主动获取知识，它能有效的利用碎片化时间，快速达到学习目的，调动大家参与的积极性，在广泛的碎片化学习过程中，每位参与者既是学习者也是知识的贡献者，营造了一种泛娱乐化学习氛围。
然而，碎片化学习往往具有知识内容单一、浅阅读的特征，学习者对知识的理解停留在浅表的感受层面。有学者在研究碎片化学习对认知障碍影响的调查中显示：51.4%的学生不认可以碎片化学习取代系统学习，认为长期碎片化学习将影响逻辑思维能力的发展[4]。在信息量巨大的网络环境中，学习者难以保持逻辑、系统的长时间记忆，各种推送消息、弹出窗口让学习的焦点不停的在页面间切换，对知识的注意更多的是感官的“浏览”活动。这样的学习活动难以引入深度的学习、构建知识的联系及发展创造力。因此构建“深度”的个性化学习环境就成为攻克浅层学习的关键。然而如何在学习者的认知轨迹中挖掘学习者的学习偏好？如何有效的引导学习者进行信息组织加工、构建知识结构和对问题的反思与知识的迁移，促进其高阶思维能力的发展？如何建立知识与个体之间的关联，达到私人订制的个性化学习推送，实现职业发展的个性化学习和终身学习的需要？都是个性化学习研究关注的焦点。
二、个性化学习与深度学习概述
1.个性化学习的内涵及现状
我国古代教育家孔子最早提出个性化学习的理念——“因材施教”。在网络技术资源极其丰富的环境中，学习者也呼吁能获得“私人订制”的学习体验。因此如何实现以人为本、以培养创新人才为目标的个性化学习成为教育者关注的焦点。个性化学习是相对传统教育教学模式而言，它能尊重学习者的个体差异，根据学习者学习方式、掌握技能、兴趣爱好、学习目标等提供符合学习者特征的学习策略，同时还能帮助学习者更好的了解自我，促进资源的有效利用、学习效果的提高和个体的个性发展。个性化学习可以使每一个学习者的潜能得到最大限度的发展，获得成功体验和生存效能感[5]。
自网络教育开展以来，自主开放的教育形式，让不少研究者开始关注基于网络环境下个性化学习的研究。目前，国外对个性化学习系统主要分为两种：智能教学系统和自适应学习系统。国内对个性化学习的研究也比较多，从研究的内容，可分为本体的资源库研究、数据挖掘技术研究和学习风格研究三大类。如黄海江等人研究基于本体资源的个性化学习[6]，对资源进行语义描述从而建立与学习者特征的联系。如刘美玲[7]、刘向丽[8]分别从数据挖掘和学习风格角度研究个性化学习的系统，依据学习者的历史数据和表现行为设计并推荐学习者感兴趣的学习内容。随着网络环境的变化，基于网络的个性化学习模式也在不断更新。从研究的依托环境来看，现阶段研究的个性化学习有远程学习的个性化学习、网络教育的个性化学习、关于e-Learning的个性化学习及基于移动学习的个性化学习等，他们从技术创新和环境支持角度构建个性化学习模型。
2.深度学习的内涵及现状
深度学习最早提出是在20世纪50年代，美国学者Ference Marion和Roger Saljo研究学生阅读学术文章的过程和结果发现，学生在信息加工的过程中存在深层次和浅层次的区别。随后，在1975年他们发表的论文中明确提出深层学习（Deep Learning）和浅层学习（Surface Learning）的概念[9]。目前对深度学习的概念没有统一的界定，但对深度学习本质内涵及特征的认识日趋一致。概而言之，深度学习是一种学习方式，是通过理解、归纳、分析、综合、评价的手段达到有意义的学习目的，在元认知的基础上批判性的接收和学习新知识，构建知识间的联系，进行知识的迁移和应用，促进高阶思维能力的发展。深度学习要求学习者具有主动探索精神、批判性思维、学习迁移和创造能力。国内对深度学习的研究还停留在理论研究和探索阶段。国外对深度学习注重从实践教学中探索和总结促进深度学习的策略和方法，如John Biggs 和 Catherine Tang 合著的《Teaching for Quality Learning at University》中结合教学实践，阐述了深度学习的定义、过程和评价方法，提出利用SOLO分类法来测量学生的理解水平，认为深度学习法是提高教学质量的有效方法[10]。
三、个性化学习的学习形态
1.个性化学习系统应用要求
个性化学习系统是支持开展个性化学习活动的环境，个性化学习是指以学习者为中心，根据学习者的需求、风格、能力等自由选择学习目标的学习过程，理性的个性化学习环境表现为以下特点：
（1）丰富的学习资源。与传统统一授课教学模式相比，个性化学习根据学习者的能力和风格等特点提供有差异的学习课程、学习材料、认知工具和学习空间等。
（2）自动化的学习管理。基于网络的个性化学习，能自动监控学习行为、活动和结果的轨迹并保存在数据库中，形成个性化电子档案袋，便于挖掘学习者特征，实现个性化学习。
（3）自由的学习空间。为学习者提供自由的选课机制，不限地域、时间、次数反复学习的机会。
（4）虚拟的学习社区空间。基于网络的虚拟学习环境，非面对面的学习交流具有匿名的特点，学习者不必担心因失败被他人嘲笑的后果，为学习者提供了一个畅所欲言、开放的学习共同体空间。
2.个性化学习系统工作流程
个性化学习系统常见的工作流程为：用户首次使用系统时需填写用户信息和问卷，形成基本的用户偏好和学习风格，在学习过程中监测学习者学习行为，通过数据挖掘、数据分析等来构造并逐步完善学习者模型、建立学习者与课程知识库间的联系，从而实现个性化推荐，形成个性化的学习路径，如图1所示。系统由环境、资源和技术组成，大都具备课程学习、资源下载、测试与跟踪、实时监控的功能，分析学习者的特征信息、测试结果、学习任务完成情况等，并将它们及时反馈给学习者或教师，帮助他们进一步提高教与学，利用数据挖掘技术实现个性化推荐的学习服务。其实系统的核心还是个性化学习的过程，但他们过多的注重技术，没有将深度学习的理念引入到个性化学习活动的设计过程，没有考虑学习者如何在个性化学习环境中对知识进行信息加工，如何实现知识的建构、迁移、评价和创新。
四、基于深度学习的个性化学习模型的构建
1.模型整体设计
根据系统工作流程和研究的领域架构，将深度学习的个性化学习系统的结构分为了五部分：学习交互界面、深度学习过程、实践共同体社区、智能导学过程和评价中心，如图2所示。学习交互界面是学习者与系统沟通的直接通道，需要结合视觉与心理学的研究；实践共同体社区是解决和深入探讨同一类问题而联系在一起分享信息和生活经验的群体，为学习者提供交流讨论、知识迁移及创造的场所，是深度学习不可缺少的部分；深度学习过程是学习者学习过程的探究，需要更多学习策略与认知策略的支持；智能导学过程是指在系统提供的数据库资源的基础上，通过数据挖掘和分析，建立学习者特征模型，为学习者提供个性化导学的学习策略，需要数据处理和算法分析的研究。评价即是对学习效果的评价，学习效果的好坏是评价学习系统的唯一标准，需从多维度展开。
2.模型主要功能模块分析
（1）学习交互界面模块
学习者的学习活动和学习结果都需通过界面与系统数据建立交互联系，因此系统的界面设计不仅要有良好的视觉效果，还需要考虑学习者的偏好和行为习惯，在用户的体验上做到“别让我等，别让我想，别让我烦”[11]，在技术上能够满足自适应多种终端的快速、正常响应。避免因系统的操作而增加学习者的认知负担，使学习者在学习活动过程中保持愉快的心情、便捷的操作和快速的获取服务。
Pieter Desmet和Paul Hekkert[12]将用户体验分为三个层次：感知体验、理解体验和情感体验。以学习者为中心的交互设计，建立从第一眼与界面的初步感知，到实际操作的交互体验，最后产生情感的共鸣，在界面的友好与交互中创设学习的情境，激发学习者的学习兴趣。
（2）实践共同体社区模块
实践共同体由领域、社团、实践三个基本元素构成[13]，是指在涉及的领域有共同文化背景、目标、意义和实践，对领域问题有相互影响、相互学习、相互联系的人的实践集合，他们在一起分享信息、想法、工具等，在实践中开发、分享和保持知识。基于网络的实践共同体能打破地域、时空的限制，延伸网络虚拟空间，方便学习者在共同学习任务和共同兴趣驱动下积极、主动地参与信息分享、知识交流和经验讨论，还能消除网络学习的孤独感。在社区内发起讨论主题，社区内成员可以自由发言，新成员和老成员间的经验交流能激发学习者的积极性，保持对未来学习的新鲜感和努力程度，促进学习者对知识的组织加工、知识创新和思维能力的发展，实现深度学习。
（3）深度学习过程模块
深度学习的过程在功能模块上又包括个性化学习路径的选择、监控中心、资源的调度和学习结果等模块。学习者在首次注册使用时填写基本信息、学习倾向、原有知识水平等，系统根据用户信息推荐个性化的学习课程，也可以自主选择课程、制定个性化的学习路径和计划。在多次登录和课程学习之后，对监测的个性化学习行为和学习结果信息进行决策分析，可实现个性化学习需要预测，提供更接近真实的个性化学习需要，帮助学习者制定和完善学习计划。学习者可以自主的选择学习课程，根据自身的媒体倾向选择学习平台提供的资源形式，根据自己的时间和学习目标制定学习计划并实施。但学习者的深度学习过程表现为：注意与预期、元认知准备、学习情境创设、选择性知觉、知识习得、批判与重构、知识迁移、评价和创新等阶段，如图3所示。在知识习得阶段之前的学习表现为注意、识记和理解，还是浅层学习的表现，批判与重构阶段之后的学习涉及元认知的认知、高级概念的理解、创新和高阶思维能力发展，属于深度学习。
批判与重构知识：信息加工过程中，学习者在元认知理解的基础上主动批判性地学习新知识，建立新旧知识之间的联系。在这个过程中，运用多样的学习策略如实践共同体社区相互分享学习经历，或运用其他交流工具进行交流协作，帮助学习者进行知识的重新组织和意义建构，实现知识的整合。
迁移：学习者利用获得的新知识来解决其它的同类问题。迁移分两种形式：一种是直接迁移，是不需要信息加工，直接把获得的新知识运用到实际问题中。另一种是间接迁移，对学习者的要求更高，需要将获得的知识总结转化为概念、方法或思想用以处理复杂的问题。迁移是建立在对知识深刻理解基础上思考、领会学会学习的方法。学习者可借助实践共同体社区在提出问题与解决问题的过程中实现对知识的迁移。
创造：是学习的高阶阶段，学习者在学习过程中不断评价、总结，根据自己的学习目标和学习结果等进行反思，将知识的迁移能力进一步升华，实现知识的创造。创造是在物质积累的程度上产生的，是量到质的变化。在此过程中，学习者需要运用学习的分析工具、评价工具和共同体社区成员反馈的信息，不断积累、分析、反思和评价，实现“质”的飞跃。
（4）智能导学模块
系统的数据库资源中有课程资源库、学习策略库、课程知识库、学习工具库、元数据、知识本体库和实时监测学习行为的学生信息库。对学生信息库历史数据进行预处理，通过数据挖掘等手段创建或更新学习者特征模型，并建立学习者与资源之间的联系即形成导学策略。根据导学策略建立资源的算法推送机制，通过元数据标注形成元数据信息，然后将这些元数据信息存储在元数据库中，元数据库通过知识映射到知识本体库，将学习者领域认知能力与知识本体库之间建立对应联系，根据标注的知识属性特征主动推送资源到特征用户，实现个性化的学习路径。其实现过程如图4所示。智能导学过程的核心价值是建立领域知识本体的标注和基于数据挖掘建立特征模型与资源的联系。
（5）学习评价模块
学习评价是指依据一定的指标，采取一定的手段对学生的学习过程和学习结果进行价值判断的过程。基于网络的学习评价过程可分为诊断性评价、形成性评价和总结性评价，从学习者的学习风格、认知能力、课程作业、测评结果等综合考察学习过程，根据一定的指标权重来进行判断。然而，评价的方式和指标还需根据教学目标和环境从多个维度考虑。评价方式和指标的设计可根据布鲁姆、辛普森、克拉沃斯、比格斯和克里斯等教育者的教育目标分类理论基础上，从认知、动作、情感和思维四个维度对照分类展开。基于图2系统整体设计模型的评价中心将评价的过程分为评价对象、评价策略、评价指标和评价模型的建立，最后实施评价。在本系统中应将学习资源、学习过程、学习结果和反馈信息等作为评价对象，来建立评价策略，根据实际学科情况设计评价指标、纬度等参数，建立符合实际课程和学习内容特征的评价模型。
五、结束语
个性化学习是现代教育发展的必然趋势，也是学习型社会的需要。深度学习是促进有意义学习的学习方式，是有效学习的学习过程模式。将深度学习的学习方式与个性化学习的理念相结合，目的在于促进个性化学习的深度学习，实现个性化学习的有意义学习，促进实用性和创新型人才的培养。基于深度学习的个性化学习的特点主要表现为：
（1）以学习者为中心。情境创设、资源设计与评价及学习活动过程展开是为了更好的激发个体的学习情趣，满足个体学习需要，促进个体的知识意义建构，目的是进一步挖掘个性化学习的需求，体现学习者的主体地位。
（2）注重知识的迁移与应用。学习迁移是一种学习对另一种学习的影响。美国心理学家M.L.比格指出：“学习迁移是教育最后必须寄托的柱石。如果学生在学校中学习那些材料无助于他们进一步沿着学术的程序，并且不但在目前，而且在以后生活中更有效地应付各种情境，那么就是浪费他们的许多时间。”在个性化学习中，知识的迁移应用是检验学习效果的最显著方法，更能促进有意义学习，达到深度学习的目标。
（3）促进更高层能力的发展。个性化学习和深度学习同时强调把个体的学习兴趣、特征与资源达到高度的相似匹配，有效的促进信息加工、知识构建、迁移和高级思维发展，学习者在学习过程中展现个性，实现价值，发挥创造性，充分发展人的潜能。
（4）注重自主终身的学习。深度学习和个性化学习都积极引导学习者主动探索、自主学习，注重学习者能力的培养。当今知识增长加剧、技术更新加快，唯有掌握学习方法、终身学习，才能在各种变化中游刃有余，不被时代所淘汰。
本文提出基于深度的个性化学习系统模型，希望能够在当前碎片化学习形式下提高学习效率，促进学习者构建个性化知识结构体系，一方面为个性化学习的进一步研究提供参考意见，另一方面为基于深度的个性化学习研究提供参考方向。
参考文献：
[1]CNNIC第35次中国互联网络发展状况统计报告[EB/OL].http：//www.cac.gov.cn/cnnic35fzzktjbg.htm，2015-9-3.
[2]Coursera[EB/OL].https：//www.coursera.org，2015-9-3.
[3]孙茂松，彭远红.东风渐属新桃李：写在清华大学“学堂在线”MOOC平台发布一周年之际[J].计算机教育， 2014（11）：1.
[4]张克永，李宇佳，杨雪.网络碎片化学习中的认知障碍问题研究[J].现代教育技术， 2015，25（2）：88-94.
[5]杨德华.个性化远程教学系统的模型研究[J].计算机工程与应用，2003（10）：118-121.
[6]黄海江，杨贯中.基于本体的学习内容个性化推荐[J].科学技术与工程，2007（7）：3394-3398.
[7]刘向丽.基于学习风格的个性化移动学习网站的研究与设计[D].武汉：华中师范大学，2011.
[8]刘美玲.基于数据挖掘技术的个性化学习系统研究[D].重庆：重庆大学， 2007：49-56.
[9]Marton F， S？觟lj？觟 R. On Qualitative Differences in Learning： I—Outcome and process*[J]. British journal of educational psychology，1976， 46（1）： 4-11.
[10]Biggs J.， Tang C.. Teaching for quality learning at university [M].Buckingham：The Society for Research into Higher Education&Open University Press，2011：21-22.
[11]王坚.结网@改变世界的互联网产品经理[M].北京：人民邮电出版社，2013：92.
[12] Pieter Desmet， Paul Hekkert. Framework of product experience[J].International Journal of Design， 2007， 1（1）：57-66.
[13]Wenger E.，McDermott R.& Snyder W（著），边蜻（译）.实践社团：学习型组织知识管理指南[M].北京：机械工业出版社，2003：4.
电子商务平台个性化推荐模型设计 篇4
一、利用多媒体技术介绍电子商务平台个性化推荐模型特点
在电子商务平台个性化推荐模型教学过程中,需要利用先进的多媒体技术,将电子商务平台个性化推荐技术特点(安排专业调查人员,实时调查分析顾客相关信息,并且根据客户的实际需求,为其推荐或者提供让客户满意的产品或者服务),更加形象、立体地呈现出来,借助多媒体技术中的模拟人物进行情境演绎,或者利用精美的PPT展示整个设计过程,帮助学生更加深入掌握其特点,激发学生的学习兴趣。与此同时,在恰当的时机进行理论知识讲授,并且告知学生设计电子商务平台个性化推荐模型的重要性,即:一方面能够有效地满足广大顾客的个性化消费需求(由于每个客户自身个性特征、消费能力、消费审美等不同),另一方面有利于帮助企业建立良好且稳定的客户群(积极拓展消费者范围,将潜在客户发展为长期稳定客户)。
二、课堂实验设计教学
在课堂实验设计教学中,需要将学习的主动权归还给学生, 学生自主采用用户(包括项目)组合的协同过滤算法以及前瞻选择抽样算法,先对顾客样本(实验样本)进行筛选过滤,并且将这些顾客进行效用值分类(利用定义样本)。另外,还要把效用值最大的顾客视为本次研究样本推荐的依据(且进行特殊的标记), 在此条件下,解决所对应的问题,如:稀疏性问题和扩展性问题, 并且这样的实验研究方法具有重大优势,即:有利于调动广大用户的兴趣,并且有效地降低了推荐成本,提升了推荐质量,有利于帮助企业获取最大利润。在实验设计的过程中,学生遇到难以解决的问题,需要保持冷静的头脑,先自主解决,实在想不出解决办法的时候,可以请教教师(教师起到辅助、支持和参与的作用)。另外,在实验设计中,学生需要注意动态挖掘顾客行为。可以采用动态调查的方式,按照时间顺序将广大消费者的购买行为进行排序,并且将有关联的行为进行提取和整合,科学地预测出消费者的消费偏好以及消费能力,并且在调查过程中注重数据的完整、真实、客观。然后,结合教师的指导,进行预处理样本数据(利用抽样技术)。参考Movelines站点提供的数据,精准计算(尽可能降低误差),最终获取研究成果,并且在获取研究成果之后,进行小组分享交流,教师组织学生开展交流会,及时查找并且弥补学生设计的疏漏,从而提高教学质量,全面提升学生的动手实践能力,提升学生的综合技能和综合素质。
三、教学思考
电子商务平台个性化推荐模型设计教学需要根据学生的实际情况(包括学生的个性特征、学习能力、创新意识、创新能力、 动手实践能力等)开展,而且教学需要做好相应的服务工作,学生与教师保持和谐的互动交流关系,科学合理地设置相关参数, 保证顾客信息的完整、真实、客观,做好市场分析,通过先进技术后期处理,尽可能降低误差,实现教学质量质的飞跃,帮助学生养成良好的学习习惯,促进学生身心健康发展。学生自主通过一系列的顾客信息分析,及时掌握顾客行为动态,采用抽样技术对样本数据进行预处理,并且采用协同过滤算法、用户(包括项目) 组合算法进行对照实验,得出误差值最小的电子商务平台个性化推荐模型,并且将个性化深入细节,如:服务内容保持个性, 即:服务内容根据顾客的实际需求进行制定和调整,为顾客提供他们感兴趣的消费平台,尽可能地降低消费者精力的消耗;服务方式采用“PULL”服务模式,即:将信息直接发布在网页上,方便消费者直接浏览,节省消费者的浏览时间,获取消费者的满意等,实现了教学主动权的回归,与此同时,促进了教学水平的提高。
总而言之,电子商务平台个性化推荐需要综合考量不同个性、不同消费观念的顾客的实际需求,并且简化电子商务平台个性化推荐程序,尽可能地节省消费者的浏览时间,避免消费者精力的消耗,在最短时间内,吸引消费者的眼球,使得消费者对产品或者服务产生兴趣,并且将兴趣转化为消费行动力,从而提升经济效益和社会效益。另外,在教学上,需要实现质的飞跃,才能推动其可持续发展。
参考文献
[1]王茜,钱力.大数据环境下电子商务个性化推荐服务发展动向探析[J].商业研究,2014(8):150-154.
[2]贺桂和,曾奕棠.基于情境感知的电子商务平台个性化推荐模型研究[J].情报理论与实践,2013,36(6):81-84.
个性化推荐系统研究综述 篇5
【关键词】推荐系统；推荐算法；个性化
1.个性化推荐系统
1.1个性化推荐系统的概论
推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。
一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。推薦系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
1.2国内外研究现状
推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。最近的迅猛发展，来源于Web210技术的成熟。有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。
个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的同时有效保护用户隐私值得作进一步深入的研究；（6）关于推荐结果的解释的研究；（7）关于推荐系统规模性的研究等。
2.推荐算法和不同类型的推荐系统
2.1协同过滤系统
协同过滤系统，首先利用用户的历史信息计算用户之间的相似性； 然后，利用与目标用户相似性较高的邻居对其他产品的评价来预测目标用户对特定产品的喜好程度。系统根据这一喜好程度来对目标用户进行推荐。协同过滤推荐系统最大的优点是对推荐对象没有特殊的要求，能处理音乐、电影等难以进行文本结构化表示的对象。协同过滤系统是目前应用最为广泛的个性化推荐系统，其中Grundy被认为是第一个投入应用的协同过滤系统。协同过滤推荐系统的算法可以分为两类：基于记忆的和基于模型的算法。基于记忆的算法根据系统中所有被打过分的产品信息进行预测；基于模型的算法收集打分数据进行学习并推断用户行为模型，进而对某个产品进行预测打分。
协同过滤系统因为有以下的优点，在实际系统中得到了广泛的应用：（1）具有推荐新信息的能力，可以发现用户潜在的但自己尚未觉察的兴趣偏好；（2）能够推荐艺术品、音乐、电影等难以进行内容分析的产品。虽然协同过滤推荐系统得到了广泛的应用，但是也面临很多问题，例如冷启动问题等。
2.2基于内容的推荐系统
最初的基于内容的推荐系统是协同过滤技术的延续与发展，它不需要依据用户对项目的评价意见，而是依据用户已经选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐.随着机器学习等技术的完善，当前的基于内容的推荐系统可以分别对用户和产品建立配置文件，通过分析已经购买或浏览过的内容，建立或更新用户的配置文件。系统可以比较用户与产品配置文件的相似度，并直接向用户推荐与其配置文件最相似的产品。基于内容的推荐系统中，用户的配置文件构建与更新是其中最为核心的部分之一，也是目前研究人员关注的焦点。
基于内容推荐的优点有：（1）可以处理新用户和新产品冷启动问题；（2）可以不受打分稀疏性问题的约束。（3）能推荐新出现的产品和非流行的产品，能够发现隐藏的暗信息。（4）通过列出推荐项目的内容特征，可以解释为什么推荐这些产品。但是基于内容的推荐系统不可避免地受到信息获取技术的约束。
2.3基于网络结构的推荐算法
基于网络结构的推荐算法不考虑用户和产品的内容特征，而仅仅把它们看成抽象的节点，所有算法利用的信息都藏在用户和产品的选择关系之中。基于网络结构的算法开辟了推荐算法研究的新方向.然而，该算法也面临着新用户，新产品等问题.如将许多实际的推荐系统把上述几种推荐算法有机结合起来也可以取得不错的应用效果。
3.总结与展望
最近几年，随着互联网的高速发展，我们身处的信息世界的组织和结构有了很大的变化.首先， 信息量的爆炸性增长使得一个普通用户搜寻自己感兴趣内容的难度和成本都提高了很多；其次，大量的信息被安静地放在网络的旮角，因为访问量小，因此不为人知。我们说对推荐系统的研究，既有重大的社会价值，又有重大的经济意义，就是指它既能作为信息过滤的工具帮助用户更好地利用互联网信息，又能作为网站营销的武器，提高网站的用户黏着度和推广相关产品或服务。 [科]
【参考文献】
[1]P.Resnick，H.R.Varian. Recommender systems，Commun.ACM，vol.40，iss.3：56-58，1997.
[2]Hill W， Stead L，Rosenstein M，et al.Recommending and eval-uating choices in a virtual community of use.Proc Conf Human Factors in Computing Systems.Denver， 1995：194）201.
[3]邓爱林.电子商务推荐系统关键技术研究[D].上海：复旦大学，2003.
个性化推荐模型 篇6
2011年中国移动电子商务进入了快速发展的轨道, 部分电商企业在移动终端取得了非常不错的成绩, 到2012年年末, 中国移动电子商务的发展进入爆发期。相对于传统电子商务而言, 移动电子商务具有移动性、虚拟性、非结构化数据、个性化和社会性等主要特征, 其移动性一般体现在用户的可移动特征及用户需求对情境的依赖性。推荐系统便是在这种大的环境下产生的, 主要是为用户推荐其感兴趣的对象。
二、个性化推荐系统简介
个性化推荐系统主要是为了向用户自动推荐, 是从信息中找出符合用户喜好或需求的资源, 在此基础上为用户提供一种智能推荐系统, 解决互联网信息过载的问题。
(一) 个性化推荐系统的构成
个性化推荐系统可分三个部分:输入模块 (Input Function) 、推荐模块 (Recommendation Method) 和输出模块 (Output Function) 。一个完整的个性化推荐系统包括三个部分:用户信息的收集和分类、建立用户喜好的模型、使用算法为用户推荐。
(二) 电子商务活动与个性化推荐系统的结合
客户在选择商品时往往会碰到在商家提供的浩大的信息面前无法快速找到所需产品信息的问题, 在此种情形下, 商家通过个性化推荐可快速地为客户提供服务, 找到其所需的商品, 最终完成购买活动。
1. 将电子商务网站的浏览者转变为购买者
个性化推荐可快速的为客户找到其所需的商品, 可以将一个网页的浏览者变成一个实实在在的购买者。可减少商家客户的流失率, 减少客户浏览网页查询商品目录的时间。
2. 提高电子商务网站的销售能力
个性化推荐可减少客户浏览网页的时间, 为客户提供精准的推荐, 如果推荐的产品得到客户的认同, 可大大地提高网站的销售量, 订单数量也会增加。
(三) 个性化推荐系统的分类
从技术实现角度来看, 个性化推荐系统主要划分为四大类:一是规则基础上的推荐;二是内容基础上的推荐;三是协同过滤基础上的推荐;四是混合型推荐。
1. 规则基础上的推荐
规则基础上的推荐主要是通过系统之前的规则进行推荐。规则基础上的推荐所用的语句为IF-Then, 根据事先设定的规则, “IF”主要规定了所出现的各种情形, 在各种情形基础上, “Then”将输出提供的各种推荐资源和服务。这种规则也是可变的, 客户也可以制定规则。规则基础上的推荐相对比较简单, 客户理解起来比较容易。
2. 内容基础上的推荐
内容基础上的推荐主要是基于用户之前喜欢的产品, 通过分析之前所喜好的产品特征, 通过相似度计算和其他技术, 最终为客户提供与其偏好相似的新产品系列。
3. 协同过滤推荐
协同过滤推荐是一种综合推荐, 结合客户之前的购买活动特征与新晋的目标客户之间的相似度进行比较, 为新客户进行推荐。
4. 混合型推荐
和如上两种推荐不同, 混合型推荐不涉及比较用户模型和信息的相似度, 而主要是利用用户对于各个资源的评分或评价来发掘各个用户之前的相似点, 应用这些相似点为新客户提供更加精确的推荐。混合型推荐成立的前提是具有相似点的客户对于一种资源的评价一致, 那么其对另外一种资源的评价也将是一致的。这样我们便可将不同兴趣的用户进行划分分类, 为同一类的客户推荐相似的产品。
三、移动客户端与个性化的结合
使用移动客户端的用户, 其兴趣和需求并不是固定不变的, 而是随着时间和用户所处的情景而变化。例如, 用户在旅行时往往会关注天气、旅馆和交通工具信息;在休假时一般会关注娱乐信息和促销信息。这些都极大地增加了预测用户行为和分析用户偏好的难度。
(一) 移动电子商务环境下个性化推荐的特点
随着3G技术的发展及移动客户端的开发应用, 用户可在移动环境下进行办公或购物。相比传统电子商务环境下的推荐, 移动商务环境下的个性化推荐拥有新的特点, 主要表现在推荐范围和推荐时间方面。从推荐范围来看, 移动环境下的推荐并非是固定的, 面对的用户群也不是有限的;移动推荐系统所面对的是“移动”的用户, 而不是传统的位置相对不变的传统的台式机访问, 移动环境下更多的要考虑用户的空间位置变化, 要随时将用户位置纳入到推荐序列中。
(二) 基于LBS的个性化推荐系统
1. LBS简介
LBS (Location Based system) 是在互联网快速发展的基础上新兴的位置服务。伴随着手机终端的迅速发展, 使用LBS的用户总数也在逐年增加。LBS也被称为位置签到服务, 其定义为采用GPS基站等相关定位技术, 结合GIS, 以短信、彩信及客户端软件为用户提供的基于地理位置的信息服务。下图主要展示了我国提供LBS企业的市场情况。
特别对于旅行者而言, LBS可实时了解到旅行者的空间位置信息, 针对移动变化的位置也可以提供准确的推荐。
2. LBS的特征及其对个性化推荐的要求
(1) LBS的特征
LBS的突出特征体现在位置敏感、突发性和即时访问三个方面。在LBS环境下, 可以方便地跟踪到用户的地理位置信息, 很容易地识别用户的身份及对用户的需求进行处理。在移动环境下, 即使发生突发事件, 也能及时满足用户的需要, 这些都提高了用户使用LBS的便利性。例如, 用户可及时了解天气、酒店和所感兴趣的其他信息, 不会受到时间、地点的阻碍, 同步性增强。
(2) LBS对个性化推荐系统的要求
LBS环境下的用户处于不断变化的情境之下, 用户的兴趣可分为短期的和长期的, 因此必须区分出长期兴趣和短期兴趣, 对于Á用户兴趣的变化要进行及时响应, 最终才能为用户做出精准的个性化推荐。
四、个性化推荐系统与情境的结合
(一) 传统二维推荐系统
传统的推荐系统将用户作为一个推荐列表输出, 将用户项目描述成一个函数, 主要包括:输入数据、二维推荐函数、推荐输出列表。
传统推荐系统使用的数据一般以用户、项目、评分的形式出现。首先收集数据, 之后构建推荐函数, 在构建函数过程中主要是使用函数处理用户u及每个用户对项目的评价或评分, 在分析后根据用户的项目评分排序最终生成推荐列表。
(二) 基于情境的推荐系统
和传统的推荐系统相比, 融入了情境的推荐流程会发生变化, 数据由U*I*R变为U*I*C*R, 该模型中引入的C为情境维度, 也就是将情境加入到推荐模型中。随着应用情境信息阶段的不同, 有了在推荐系统中整合情境信息的三种不同的方式。
1. 前置情境过滤
这种方式的推荐模型主要是将情境C纳入到用于选择或构建相关数据之中, 在处理数据之前便将情境融入模型中。前置情境过滤方法使用情境信息作为过滤条件来选择最相关的用户X项目数据来生成推荐。前置情境过滤相比较其他两种的优势主要是其使用是为传统推荐方法。
2. 后置情境过滤
与前置情境过滤相比较而言, 在后置情境过滤下, 一开始并没有将情境信息融入进来, 应用传统的推荐系统事先将各种数据进行处理和评分, 在此之后再将情境信息C引入到模型中, 调整之前的推荐结果, 主要是剔除与情境不符合的推荐列表, 调整列表推荐的顺序, 找出最符合用户特定情境的推荐列表。
启发式和模型式是后置情境过滤的两种方法, 前一种方法主要是找到用户所共有的特征然后使用这些属性来调整推荐。对于后置情境过滤而言, 其可以使用任何传统推荐技术。
3. 情境建模
情境建模方法直接应用了情境所包含的内容信息, 这种方法使用的为多维推荐, 其整合了情境信息、用户数据、项目信息的预测模型或启发式计算方法。
四、结论
移动环境下的个性化推荐研究日益被业界重视。抓住了用户兴趣建模也是抓住了个性化推荐的核心, 本文主要在传统的推荐模型下将情境信息引入到用户兴趣模型, 将情境融入到推荐矩阵中, 将情境与用户对项目的兴趣度相结合, 为移动环境下的用户模型构建提供理论框架。
参考文献
[1]吴丽花, 刘鲁.个性化推荐系统用户建模技术综述[J].情报学报, 2006 (02) .
[2]曾春, 邢春晓, 周立柱.个性化服务技术综述[J].软件学报, 2002 (10) .
[3]裴仰军.个性化服务中用户兴趣模型的研究[D].重庆大学, 2005.
[4]费洪晓, 戴戈, 穆珺等.个性化信息过滤系统中用户兴趣模型建立和更新[J].计算机系统应用, 2007 (08) .
个性化网络学习支持系统模型初探 篇7
一、个性化网络学习
个性是个体在气质、性格、体力、认知风格等方面相对稳定的表现。“化”为转变成某种性质或状态。“化”具有使动意义, 可使它之前的名字或形容词变为动词。据此类推, 个性化则是使事物、活动与过程体现出个体的个性特征。同理, 个性化网络学习是具有或体现学习者个性的网络学习——如在学习目标、学习内容、学习方式、学习手段、学习风格、学习策略等方面充分体现个人的特色和特长。个性化网络学习是个性化的网络学习, 也是网络环境下实现的个性化学习。它包含两层含义:第一, 个性化网络学习承认并尊重学习者在个性方面存在的差异, 它是一种能根据学习者的个性差异给出相应学习策略、学习内容的学习模式;第二, 个性化网络学习是指通过营造良好的网络学习环境, 使学习者的道德素质、文化素质、身心素质得到自主、和谐、能动的发展, 促进其形成完善个性的学习方式。
二、个性化网络学习的实现策略
(一) 满足网络学习过程中学习者的个性化需求
学习过程是按照适当的方向协调知识的流动, 并满足学习者发展的需要。它包括学习者从学习开始到学习结束之间的所有活动。目前的网络学习过程一般是:选择学习目标→呈现学习资料→利用认知工具进行意义建构→学习任务完成进行评估。网络学习的个性化应该体现在网络学习过程中的每一个环节。从学习过程的角度看, 网络学习的个性化策略主要有以下几个方面:
1.学习资料个性化
学习资料的个性化体现在学习资料的适应性和自适应性呈现。学习资料的自适应性呈现是指学习者可以根据自己的需要和兴趣爱好来选择实现自己学习目标的资料。学习资料的适应性呈现是指学习资料的显示适应学习者的个性特征。主要表现在两个方面:媒体表现形式的适应性呈现和学习资料的组织方式的个性化。
2.学习模式个性化
学习模式是相对稳定的学习过程形式。为学习者推荐适合其学习特征的学习模式, 并提供多种的学习模式, 有助于学习者潜能的激发和学习效果的提高。
3.评价个性化
评价是个性化网络学习中很重要的一环。评价可以激发学习者学习的积极性, 促进学习者的全面发展。个性化网络学习主张多样化和多元化的评价, 所谓评价的多样化, 即主张通过多种渠道、采取多种形式, 切实考查学习者解决问题的能力。所谓评价的多元化, 即评价主体的多元化。评价主体的多元化有助于扩大评价信息的来源渠道, 提高评价的信度和效度。
4.认知工具个性化
认知工具的个性化体现为网络学习环境要尽可能提供丰富而全面的学习认知工具以适应学习者的差异。如:为学习者提供聊天室、论坛、博客等, 而学习者可根据自己的需要和喜好, 选择适合自己的认知工具。
(二) 网络学习环境的人性化
由于网络学习的虚拟性, 学习者的学习活动是在一个虚拟的网络环境中完成的。在这样一个虚拟的学习环境中, 学习者接受教育的活动从生动的、富有情感的真实情境过渡到无人性化的机器前;在这样的学习环境中, 只有信息的流动, 学习者的认知被提高到空前的高度, 而情感领域则留下缺憾, 不利于学习者形成完善的个性。因此, 创设人性化的网络学习环境是解决该问题的有效途径。
三、目前网络学习支持系统在个性化方面存在的不足
(一) 学习资料的个性化层次不高
在所调查的网络学习支持系统里, 约86%的网络学习支持系统为学习者提供了多样化的学习资料, 如数字图书馆、电子图书、网络课程等, 且网络课程都采用多种媒体呈现的方式。学习者不仅可以自由选择课程和课程的表现形式, 还可以自由选择学习进度。但网络课程的个性化层次不高, 大部分的网络课程仅仅是对课程内容的罗列, 没有采用有效的策略对课程内容进行加工和呈现, 没有为学习者提供个性化的学习路径。
(二) 信息服务不完善, 不能体现个性化
所有的网络学习支持系统都为学习者提供了海量的学习资源, 但鲜有网络学习支持系统为学习者提供具有个性化信息服务的学习空间。调查显示, 约98%的网络学习支持系统没有为学习者提供个性化学习空间, 在这些网络学习支持系统中, 学习者只是个ID号, 其个性无从体现, 极易迷失在信息的海洋里。在所调查的网络学习支持系统里, 只有华东理工大学网络教育学院的网络学习支持系统为学习者提供了个人学习空间, 但是, 在个性化方面仍有待提高, 主要体现为个性化界面定制功能和个性化信息服务功能的不完善。
(三) 认知工具的设计不全面
目前大部分的网络学习支持系统都为学习者提供了一些认知工具, 但提供的认知工具不全面, 缺少能促进学习者反思和让学习者完成心理内化的学习工具, 不能为学习者的意义建构提供有效的支持。
(四) 对学习者的评价方式过于单一
从被调查的网站来看, 约93%的网络学习支持系统为学习者提供了知识状态的测量, 但没有为学习者提供学习动机和学习风格的测量。而且对学习者的评价方式比较单一, 主要由平台或教师评定, 不能实现学生自评、同伴互评, 没有实现评价方式的多样化和评价主体的多元化。
(五) 对网上校园文化的建设不够重视
调查显示, 目前我国的网络高等教育校园文化建设还相当薄弱, 约45%的网络教育学院没有意识到网上校园文化建设的必要性, 在他们的主页上一般只有一些公告栏、管理文件、招生信息、教务专栏等, 很难找到可以让学习者参与、交流的栏目。约47%的网络教育学院在一定程度上意识到了网上校园文化建设的重要性, 其中一些网络学习支持系统的主页上设有让学习者互动、参与的栏目, 但这样的栏目不多, 点击进去内容较少且较为陈旧;有一些网络学习支持系统的主页上专门设有校园文化专栏, 但点击进去内容甚少。在所调查的网络学习支持系统中, 网上校园文化建设比较好的学校约占8%。总体看来, 我国网络教育校园文化建设有待加强, 需要不断完善网络校园文化建设, 为学习者营造一个人文交互的网络学习氛围, 为学习者提供良好的人文关怀和情感支持。
四、个性化网络学习支持系统模型的构造及探讨
(一) 模型简单介绍
个性化网络学习支持系统主要由个性化学习空间子系统、网络课程学习支持子系统及网上校园文化子系统构成。模型的各个子系统相对独立但又相互联系。学习者在登录系统后, 只与个性化学习空间子系统打交道, 学习者可以利用系统提供的资源定制功能, 自由定制由网络课程学习支持子系统和人文交互环境子系统提供的各种信息资源 (学习资料, 人文交互信息等) , 系统会根据学习者的定制要求自动将资源推送到学习空间。如学习者可以通过定制网络课程学习支持子系统的学习资源进行个性化自主学习;也可以通过定制网上校园文化子系统的人文信息, 参与网上开展的人文活动, 以加深同学、师生之间的情感交流, 使学习者足不出户就能受到良好校园文化的熏陶。
在这个个性化网络学习支持系统模型环境下, 学习者看到的界面不再是千篇一律的, 而是与其个人密切相关的个性化的学习环境:利用界面定制功能, 学习者可以按照自己的喜好设置个性化学习空间的界面风格、版面布局等, 营造一个舒适的学习环境;利用资源定制和推送功能, 学习者可以轻松获取个性化的学习资源。该模型真正实现了学习资源的个性化和人机交互界面的个性化, 从而为学习者在网络虚拟空间中创造一个适合其个性特征的学习环境。某个学习者从登录到退出系统的整个过程中, 所有的动作及产生的结果都会被及时记录到个人资料库中, 供下次登录时系统产生个性化学习空间用户界面时作参考。所有学习者的个性化学习空间通过RSS, Tag, Traceback等又连接成一个纵横交错的大网, 使个性化学习空间成为一个既具有丰富的学习资源又具协作会话和情感交流功能的学习“家园”, 从而使学习者真正拥有一个极具人性的网络学习空间, 为学习者的个性化网络学习提供全面而有效的支持。
(二) 模型特点
1.本模型将个性化信息服务 (资源定制和资源推送) 应用于个性化学习空间子系统中, 不仅有效地解决了目前网络教育信息服务中普遍存在的信息针对性不强、个性化程度不高等问题;而且, 改变了传统的网络学习资源仅由网络教育机构提供的状况, 每个利用了个性化信息服务的个性化学习空间从某种意义上说都是一个动态的信息资源库。
2.本模型将个性化界面定制服务应用于个性化学习空间子系统中, 体现了学习者的主创性, 增强了学习者的归宿感, 真正实现了人机交互界面的个性化。
3.网上校园文化子系统的创设能为学习者提供人文关怀和情感支持, 有助于弥补现有网络学习支持系统忽视非学术支持服务的不足。
4.网络课程学习支持子系统中的课程内容、导航支持、课后作业及试题库都是根据学习者的个性模型设计的, 不同个性模型的学习者获取的课程内容、导航支持、课后作业及试题库都会不相同。网络课程学习支持子系统的设计有助于解决现有网络学习支持系统中学习资料的个性化层次不高的问题, 能为学习者的个性化自主学习提供有效的支持。
5.在学习工具模块中, 利用能记录和表征学习者内省反思过程, 并具有互动交流和信息追踪功能的博客建立学习者电子文档, 有效地解决了目前网络学习支持系统对学习者的意义建构及网络学习的群化支持不够、评价方式单一的问题。
由上述分析可知, 个性化网络学习支持系统模型充分体现了以学习者为中心的个性化网络学习理念, 有效地克服了目前网络学习支持系统个性化方面存在的不足。
摘要：随着网络技术的发展及学习个性化、终身化的要求, 个性化网络学习必将成为远程学习的发展趋势。但是, 目前的网络学习支持系统对个性化网络学习的支持不尽如人意, 本文针对目前网络学习支持系统在支持个性化网络学习方面存在的不足, 对个性化网络学习支持系统模型进行初步探讨, 以期为个性化网络学习支持系统的开发奠定基础。
关键词：个性化,网络学习,支持系统
参考文献
[1]Hovard Gardner.Frame of Mind:The Theory of MultipleIntelligences[M].New York:Basic Books, 1983.13.
[2]许世博, 范克勇.个性化教育——基础教育改革重大而急迫的课题[J].山东教育, 2000, 17-35.
[3]孟玲玲.基于网络的个性化学习平台的设计与开发研究[硕士学位论文].南昌:江西师范大学, 2004.
个性化推荐模型 篇8
用户兴趣模型是实现搜索引擎个性化服务的起点, 也是搜索引擎个性化服务的基础和核心。用户兴趣模型的质量直接关系到个性化服务的质量, 用户兴趣模型与用户的检索需求相结合可以更加逼近用户“真实”的信息需求, 通过对检索结果进行过滤和筛选, 可以提高搜索引擎的搜索精度。
1 现有用户兴趣模型的不足
信息过滤技术是对个体对象进行信息筛选、过滤, 信息过滤更注重用户的长期兴趣需求。早期的用户模型是信息过滤技术中的一个核心问题, 当时的用户模型是用来建立个性化人机界面的。个性化人机界面是一个接口部分, 它提供用户与系统的交互接口, 个性化人机界面与用户进行交互, 在交互的过程中学习用户的行为, 并学习用户对事务进行处理的经验, 以对用户将要出现的新行为或新动作做出反应。
当前, 通用的信息检索系统对用户本身的个性需求没有给予较大的关注, 它们大多通过改进当前的检索模型、优化信息处理过程等方面的工作来提高检索的准确性。这类搜索引擎系统中没有考虑到用户的检索行为、历史, 用户也不能方便地发现其最新兴趣偏好点。用户兴趣模型是用来描述用户潜在兴趣需求的模型, 其主要功能是捕获用户查询需求及其兴趣偏好, 同时记录、管理用户兴趣偏好。在信息查询系统中引进用户兴趣模型, 有助于为用户提供个性化的信息查询服务, 以实现自适应信息搜索。由于用户兴趣模型可以定位用户的信息需求, 因此可为用户提供主动的个性化信息服务。
现有的个性化服务系统在某些方面已经取得了较满意的效果, 比如服务的个性化、智能化、自适应性等, 但仍然存在一些不足之处:①个性化程度不高;②用户兴趣描述文件可存放在服务器端、客户端或代理端;③用户的兴趣可划分为近期兴趣和长期兴趣;④用户模型中对用户兴趣信息的学习效率较低;⑤用户兴趣模型更新较慢。
2 个性化搜索引擎中的用户兴趣模型
2.1 用户兴趣模型的基本结构
不同知识结构的用户对文档相关性的判断和对检索结果的要求是各不相同的, 即使同一个用户, 在不同的时期其兴趣的侧重也是不同的。用户兴趣模型是为用户提供个性化服务信息检索或信息过滤系统的核心组成部分, 它能够获取每个用户不同的信息需求, 跟踪用户的兴趣与行为, 因此对每个用户需要分别建立用户描述文件, 也即个性化服务文件, 该文件用来保存用户的兴趣偏好。
目前, 发掘用户兴趣主要有两种方式:显式获取和隐式获取。显式获取是指用户主动提供自己的兴趣偏好, 进而获取用户的个性化向量;隐式获取是通过用户访问的相关信息来更新用户的个性化向量。一般的个性化系统采用显式和隐式相结合的方式建立用户兴趣模型, 即在用户主动提供的显式个性化向量的基础上, 通过用户浏览的网页和用户对搜索引擎检索结果反馈的信息建立和更新用户的兴趣向量, 并通过对用户的浏览行为进行观察, 更新用户兴趣模型。考虑到用户短期兴趣和长期兴趣的不同, 在建立的用户兴趣模型中, 应该根据用户短期兴趣和长期兴趣来不断更新用户的兴趣模型。用户兴趣模型的基本框架如图1所示。
由图1我们可以看到, 用户兴趣模型的基本结构主要包括以下几个方面:
(1) 用户兴趣的量化。首先要将用户对搜索引擎检索结果的反馈信息和用户的页面浏览行为进行量化处理, 以便后续的定量处理。
(2) 信息预处理和特征量的提取。对定量后的用户兴趣量进行各种处理、例如各种噪声点的处理, 去除无用的信息等。
(3) 建立短期用户兴趣模型。根据提取到的用户特征量建立用户兴趣模型, 该用户兴趣模型根据用户短期的兴趣信息, 建立相应的短期用户兴趣模型。
(4) 建立长期用户兴趣模型。对获得的用户兴趣、用户的兴趣量进行更新和优化, 利用Web数据挖掘中的各种挖掘方法挖掘用户更深层次的兴趣偏好。对用户兴趣模型进行更新, 得到用户最终的长期兴趣模型。
2.2 用户兴趣模型的特征提取
文档表示向量中词条ti的选取及其权值Wi*的评价称为特征提取。特征提取是利用向量空间模型进行信息检索的关键步骤, 特征提取采用何种策略算法以及策略算法的优劣将会直接影响到用户检索查询的效果。其权值W*i的评价需要大量样本文档, 这些样本文档依据特征项对文档内容贡献大小经过多次统计而完成。各词条在不同的自然语言文档中所呈现出的频率分布是不相同的, 可根据各词条的频率特性用统计的方法进行特征提取。从基于VSM的用户兴趣偏好目标表示可了解到:用户兴趣关键字pi及文档词条ti的确定、兴趣偏好权重及词条权重的计算是用户兴趣偏好库建立的关键。目前较常用的一种方法是基于词频统计的TF-IDF算法。
基于词频统计的TF-IDF算法是一种基于文本的Web内容挖掘方法。在TF-IDF算法中规定, 文档词条的重要性正比于词条的文档内频数, 反比于训练文档集中出现该词条的文档频率, 进而可以构造词条权值评价函数:
undefined
W*ti为文档D中词条ti的权值, tfi表示词条ti在文档D中出现的频率, idfi为反转文档频率 (文档集合中含词条ti的文档的数目) , 其中:
undefined
其中, N为用于进行特征提取的全部训练文本的文档总数, ni是在样本文档集合中词条ti至少出现一次的文档个数。将式 (2) 代入式 (1) 中, 可得到式 (3) :
undefined
从式 (3) 中我们可以看到, tfi的值和 W*ti的值成正比;ni值和W*ti值成反比。也即是说, 此算法可以保证整个文档中低频率的词条也可能具有较高的权值。
2.3 用户兴趣模型的建立
初次使用系统时, 检索系统中的用户模型是非常简单的, 用户可以在分类信息中大致选择自己的兴趣偏好, 系统根据用户所选择的结果形成不同的用户个性化向量, 并用这些个性化向量来表示用户的各种不同的兴趣偏好。
用户兴趣模型可以由以表示用户兴趣的关键字为主题的对象组成, 每个对象都有一个权重值, 权重值越高, 表明该用户对该关键字的信息越感兴趣。其中, 每个关键字对象的权重值的计算方法已经在上一节中作了详细说明。根据兴趣模型的基本框架, 可以将用户的兴趣分为偶然兴趣和稳定兴趣或者短期兴趣与长期兴趣。
将用户兴趣关键词对关键词ti的兴趣度定义为关键词在文档中出现的频率, 即Wi* (d) , 也就是用户对该关键词对象的偏好程度。假设用户对某一个关键词对象可能是偶然兴趣也可能为稳定兴趣, 将偶然兴趣即短期兴趣表示为U (Tshort) , 将稳定兴趣即长期兴趣表示为U (Tlong) , 则可以将Web用户的兴趣共同表示为:
undefined
其中, T表示关键词的集合, 大小为n, Tshort表示短期兴趣的关键词集合, Tlong表示长期兴趣的关键词集合, 则兴趣集合为:
undefined
根据用户对单个关键词词条偏好程度的不同, 可以定义兴趣集合中某个词条ti的兴趣度为:
undefined
其中, ti∈T, ti (short) ∈Tshort, ti (long) ∈Tlong, {x, y|x>0, y>0, x+y=1}。
2.4 用户兴趣模型的更新优化
在用户使用系统的过程中, 系统不断地记录用户的使用情况、分析记录的使用情况, 从而不断地修改、完善用户兴趣模型。用户兴趣模型的更新方法可分为兴趣交集淘汰法和兴趣合集归并法两种。两种方法都把用户当前反馈的兴趣向量作为当前的兴趣向量, 而兴趣模型中存储的兴趣向量作为历史兴趣向量, 并将当前获取的用户兴趣向量与历史兴趣向量进行对比。
在一般的用户兴趣模型中, 需要考虑到偶然兴趣 (短期兴趣) 和稳定兴趣 (长期兴趣) 。偶然兴趣一般为用户当前的兴趣, 当用户偶然兴趣信息积累到一定的程度, 就转化为稳定兴趣, 因此, 我们将稳定兴趣作为用户长期存储的历史兴趣, 这样可以形象地描述用户的兴趣偏好特点。
用户兴趣模型的更新优化可以按照如下3个步骤来完成:
2.4.1 获取用户的偶然兴趣
按照规则将偶然兴趣向量添加到用户的最新兴趣向量中, 并剔除较老的用户兴趣向量。
2.4.2 偶然兴趣向稳定兴趣的转变
对于偶然兴趣向量中相对重要的关键词及兴趣度 (权重值) , 把超过一定阈值的兴趣向量转换成用户的稳定兴趣向量, 如式 (7) 所示:
undefined
其中, 阈值为Thresh, 阈值常取均值和标准方差之和, 即Thresh =μ+σ。
2.4.3 更新稳定兴趣
随着时间的推移, 逐步淘汰掉用户不感兴趣的兴趣向量 (关键词) 。通过用户兴趣模型的更新过程, 可以得到更加符合用户需求的用户兴趣模型, 这样也就为系统的智能支持提供更多的帮助。另外, 用户兴趣模型随着时间的推移在不断发生着变化, 可以引入机器学习过程, 对用户的操作记录、反馈信息等进行学习, 不断地更新用户兴趣模型, 从而得到更加稳定、更适合用户的兴趣偏好模型。
3 基于用户兴趣模型的个性化搜索引擎
个性化搜索引擎的关键技术在于用户兴趣模型和个性化检索结果的显示。先从用户界面上的用户交互过程中不断获取用户的兴趣偏好, 然后构建用户兴趣模型, 并对用户兴趣模型进行不断地更新优化, 将用户兴趣模型得到的用户所关注的信息传送给搜索引擎, 使得搜索引擎能检索出用户感兴趣的信息。同时, 搜索引擎对检索到的信息与用户的兴趣模型进行对比, 以获取用户感兴趣页面的排名, 再按照用户对页面感兴趣的程度进行排序, 并将页面个性化地显示出来。其工作原理如图2所示。
参考文献
[1]李伟超, 付永华.一种改进的基于浏览行为的用户兴趣模型[J].电信科学, 2011 (5) .
[2]吴晓, 吕爽, 李丹宁.个性化搜索引擎中用户兴趣模型的研究[C].第三届全国信息检索与内容安全学术会议, 2007.
[3]刘建波.基于Agent的用户兴趣模型的研究[D].沈阳:沈阳工业大学, 2005.
[4]林鸿飞, 扬元生.用户兴趣模型的表示和更新机制[J].计算机研究与发展, 2002 (7) .
[5]郭新明, 弋改珍.基于向量空间模型的用户兴趣模型研究[J].咸阳师范学院学报, 2009 (6) .
[6]COLE CHARLES.Intelligent information retrieval:Part IV.Tes-ting the timing of two information retrieval devices in a naturalisticsetting[J].Information Processing and Management, 2001 (1) .
[7]LEE D L, CHUANG H, SEAMONS K.Document ranking and thevector-space model[J].IEEE Software, 1997 (2) .
[8]徐科, 崔志明.基于搜索历史的用户兴趣模型的研究[J].计算机技术与发展, 2006 (5) .
[9]单蓉.一种基于用户浏览行为更新的兴趣模型[J].电子设计工程, 2010 (4) .
[10]李峰, 裴军, 游之洋.基于隐式反馈的自适应用户兴趣模型[J].计算机工程与应用, 2008 (9) .
个性化推荐模型 篇9
1)搜索结果集庞大,用户为找到其真正感兴趣的信息,耗费大量的时间和精力。
2)不同用户在不同时期采用同样的查询关键词请求所得到的搜索结果几乎相同,对用户来说不能提供个性化的服务。
3)用户在使用搜索引擎检索时带有一定的目的性,但往往由于该用户相关领域知识的不足以及搜索引擎查询接口的局限性,导致用户不能清楚地表达其信息需求[2]。
针对传统搜索引擎不能提供面向用户的个性化服务这一缺陷,大量的专家学者开始研究查询扩展技术,并在此领域有所突破。文献[1]根据文档分析,提出局部共现的思想,利用词项与所有查询词在局部文档集合中的共现程度以及在语料集中的全局统计信息来评估扩展词的质量,选择合适的扩展词;文献[3-5]通过分析用户浏览历史,主要采用关联规则进行查询扩展;文献[6]利用HITS和Text Rank技术提取用户主题,并结合关联规则进行查询扩展;而文献[7]提出了一种基于二级向量的搜索引擎个性化服务模型SEPMBDVD(Search Engine Personalization Model Based on Double Vector Description),其实质也是利用对用户浏览的历史网页进行挖掘而得的用户兴趣模型生成与用户输入的查询关键词配对的扩展词。通过扩展词加入,使用户在利用搜索引擎检索的时候能够得到符合用户兴趣或者兴趣偏好的结果,经过实验验证该模型具有查准率高,反应速度快等优点。这种查询扩展模型依赖于用户兴趣模型,文献[7]采用的是二级向量模型,即通过一组关键词向量和扩展词向量描述用户兴趣,这种模型是基于一个全局词典对用户浏览的历史网页进行描述、聚类挖掘以后生成的。整个模型结构如图1所示。
全局词典由于词汇量过大,词汇太杂,无法体现用户的兴趣等原因,会对用户兴趣模型的生成造成较大的影响,从而影响到词扩展的效果。因此本文使用个性化词典替换全局词典,并采用查询扩展策略实现个性化服务,设计出一种基于个性化词典的搜索引擎查询扩展模型QEMBUPDSE(Query Expansion Model Based on User Personalization Dictionary for Search Engine)。该模型能够通过个性化词典优化用户兴趣模型,从而优化查询扩展词,使得用户的个性化搜索更快,更准确。
1 基于个性化词典的搜索引擎查询扩展模型
基于个性化词典的搜索引擎查询扩展模型从用户浏览历史网页描述开始就利用个性化词典的两级词典,即关键词词典和扩展词词典,形成网页的二级向量描述,接着通过数据挖掘手段更直接的生成用户兴趣的二级向量模型,最后根据用户输入的关键词进行查询扩展,如图2所示。
2.1 个性化词典的定义与实现
根据文献[10],个性化词典UPD(User Personalization Dictionary)由关键词词典(Key Dict)和扩展词词典(Ex Dict)两级构成,位于两级词典中的词分别定义为关键词和扩展词。每一级词典中包含n个(n由人为设定)由词和词权构成的二元组。关键词通常表示用户浏览兴趣,词的权值越大,表示在用户兴趣中的重要性越大。而扩展词用于描述用户在兴趣点上的兴趣偏好,从而在查询扩展时提供符合用户偏好的扩展检索词。
特定用户的UPD能够充分表达用户对信息需求的倾向性,同时对基于二级向量的用户兴趣模型提供支持,是一种符合用户兴趣的私有词典,在词典设计上主要考虑如下主要原则:
1)网页文档集合中,某词出现的频度越高,该词对用户特征的描述能力越强。
2)网页文档集合中,包含某词的网页数越多,该词对用户特征的描述能力越强。
3)对于一些网页中比较常用的,没有检索价值的词,我们称之为网页频繁词,如:评论、版权、文章等,在词典中应该被过滤掉,以免对用户的个人描述带来噪音。
基于以上设计原则,通过对传统的TF-IDF公式进行改进,得出用于计算UPD中词的权值的公式WTUPD(Weight of Term in the User Personalization Dictionary),如公式1所示:
在公式1中S为网页集合,T为词空间,W(t,S)为词t在S中的权重,tf(t,S)为词t在S中的词频,N为S包含的网页总数,nt为S中的文档出现t的数量,分母为归一化因子。在TF-IDF公式中,㏒(N/nt+0.01)为IDF因子,即“逆文本频率指数”,在WTUPD中依然沿用这个名称,IDF因子越大,表明该词在网页集合中分布越稀疏,那么该词的重要性越小,权值越小。反之,该词的IDF因子越小,表明其在网页集中分布越密集,越均匀,那么该词的重要性越大,权值越大。
考虑到词在网页集合中分布的均匀程度不同,本文认为词t在整个网页集合S中的权重与其在网页中的均匀度成正比。因此,本文引入衡量均匀度的因子对词t的权重进行修正,公式1中词t的均匀度由t在网页集合中的标准差(Standard Deviation)来衡量,如公式2所示:
在公式2中,fi表示词t在出现该词的第i张网页中出现的次数,f表示出现词t的网页集合中t出现的平均次数,这样计算得出的词t在网页集合中的标准差σ(t)表示t在网页集合中出现次数f的离散程度。σ(t)越大,f值的波动越大。反之,σ(t)越小,1/σ(t)值就越大,f值波动越小,分布越均匀。
通过WTUPD公式可以看出:词t在网页集S中的权重,与它在该网页集中的词频成正比,与它在该网页集中分布的稀疏程度和均匀程度成正比。通过WTUPD公式得到用户浏览的网页文集合中所有词的权重并排序,再根据个人浏览兴趣的广泛度选择关键词扩展词,兴趣点较集中的用户选择前1/3的词作为关键词,余下的词即为扩展词。而兴趣点较分散(核心兴趣点5个以上)的用户选择前1/2的词作为关键词,余下即为扩展词,以此形成关键词词典和扩展词词典。
最后还要清除关键词词典和扩展次词典中的频繁词,频繁词的特征是分布在网页集合中大多数文档中,且在单张网页中出现的次数往往较少(一般为1-2次)。本文采用如下的方法对这部分词进行过滤。
公式3中,采用函数filter()在词典中筛选并剔除网页频繁词,t∈W(2N/3)表示词t出现在占用户浏览的总网页集中2/3的网页中,E(tf(t,S)/n)≤2表示词t在网页中出现次数的均值不大于2。此函数除去了所有在2/3及更大比例的网页中出现且平均出现次数不大于2次的词。
经过以上公式处理,最终可以建立满足用户兴趣描述要求的个性化词典。
2.2 基于个性化词典的用户兴趣建模
最终的词扩展依赖于准确的用户兴趣模型,而个性化词典的建立将有利于用户兴趣模型快速、准确地建立,因此本文采取的用户兴趣建模方法如下:
首先,利用个性化词典将用户浏览的网页转换为特征向量,由于个性化词典包含两级词典,因此,生成的网页特征向量即为二级向量,例如某网页的特征向量表示为{[(单反,0.05327385),(摄影,0.04826857),(像素,0.03272436),(市场,0.02713352),(专业,0.02639451),……];[(镜头,0.01135712),(显示屏,0.01023895),(环境,0.09325765),(浏览,0.09031257),(效果,0.08736234)……]},分号之前是关键词向量而之后是扩展词向量。
接着,利用网页特征向量进行聚类分析,得到用户的各个兴趣子类。
最后,利用各类的网页特征向量将兴趣子类描述成为二级向量,生成用户兴趣模型。
由此可见,个性化词典使得整个用户兴趣建模过程均使用二级向量,用户兴趣模型的生成更直接和顺利,并且由于个性化词典规避了传统全局词典中的大量与用户兴趣无关的词和频繁词,使得网页特征描述更加准确,为后续的聚类分析和兴趣模型生成奠定良好的基础,并通过用户兴趣模型提供符合用户兴趣偏好的扩展词,有利于扩展词的分析比较和选取。
2.3 查询扩展策略的实现
根据文献[7]当用户向搜索引擎提交查询词时,查询扩展模型能够自动根据用户描述文件对初始查询词进行有效的扩展,为用户推荐合理的查询扩展词。这样的扩展词更能体现用户的信息检索意图,提高检索质量。那么这种查询扩展策略的实施步骤主要如下:
首先,要将用户的初始查询与用户兴趣模型中的兴趣类匹配,以掌握用户的查询意图。由于在二级向量模型中,用户兴趣类用对应的关键词向量ci={
其中,分子为向量ci与Qini各分量乘积的和,分母为向量模的乘积。本文选择与初始查询相似度最高的兴趣点C作为用户的查询意图。即:
为了尽可能的向用户提供查询扩展词,如果在关键词向量中无法找到用户的查询词,即Qini与关键词向量的相似度为0的话,那就将扩展词向量并入关键词向量中一起参与运算。
接下来,为了找到与用户查询词最相关的扩展词,需要计算词间关联度。本文参照LSI模型[7]中的方法,将一个网页文档集合表示成“词—文档”矩阵TD,如表1所示。
表1为“词—文档”矩阵TD的截取内容,顶部一行表示文档集合中所有文档的名称(编号),而左边一列中的“欧洲、足球”为用户向搜索引擎提交的初始查询词Qini,“国家队、世界杯、澳大利亚、…”为Qini所匹配兴趣类的扩展词向量中的扩展词。中间的矩阵单元TDij为对应的词Ti在文档Dj中的权值(频度)按行归一化后的结果。由于词和文档的数量都很大,而单个文档中出现的词又非常有限。因此,TD一般为高阶稀疏矩阵。
然后利用TD构造词间关系矩阵TT,并计算词间关联度,构造方法如公式(6):
其中TD’是TD的转置。所得矩阵TT中每一个单元的TTij的值所反映的是在特定环境下(特定用户的特定兴趣类)词i与词j之间的相似度。我们可以看到,每个词与它本身的相似程度为1,而在该兴趣类的任何文档中都没有同现的两个词之间的相似度为0。如表2所示。
最后,可以通过适当的方法选取扩展词帮助用户完成搜索。本文引入相对误差公式来对候选的扩展词进行合理筛选,如公式7所示:
公式7中x*表示词间关系矩阵TT中与初始查询词Qini相似度最大的候选扩展词对应的关联度,x表示其他候选扩展词与Qini的关联度。公式8中的参数δ表示x与x*的相对误差阈值,表示只要某候选扩展词与Qini的关联度与x*之间的相对误差只要小于δ,那么该候选扩展词就可以最终推荐给用户,在实际应用中δ通常取值10%,可以保留较好的扩展词,同时也减少运算时间。可以根据情况设置。这样将筛选出来的词进行按关联度从大到小的顺序排序以后,就可以推荐给用户了。由于过多的扩展词将导致搜索的返回结果减少,反而会不利于用户获取足够的信息。通常选择3个扩展词为宜,那么最终可以从已经排序的扩展词队列里面选择前3个进行推荐。当然,根据用户需求,扩展词的推荐数量可以自行设定。
3 实验与分析
3.1 评价指标SWUI
由于用户个性化词典UPD实际上几乎包含了用户所有感兴趣的词,并且从浏览历史网页里计算出的词的权值也反映了用户对这些词的感兴趣程度,因此,本文利用通过查询扩展搜索到的网页集合与用户个性化词典进行比较的方式来进行实验,评测本文提出的个性化服务模型的效果。
为了将检索到的网页集合与用户个性化词典进行比较,本文计算检索到的网页集合特征向量的中心向量,并称中心向量为用户向量UV(User Victor),然后计算UV与UPD之间的相似度(余弦函数值),通过该相似度反映网页集合与用户兴趣之间的相关程度,称该相似度为SWUI(Similarity between Webpages and User Interests)。
3.2 实验数据
本文实验基于三位用户进行,他们分别按照自己的兴趣浏览网页,然后将自己感兴趣的网页保存下来,接着对三位用户提供的兴趣网页进行兴趣建模,得到用户兴趣模型表4所示,限于篇幅,每个兴趣类只用部分关键词表示。
3.3 对比实验
本文在Google和百度两大主流搜索引擎上,进行了以下三组实验:
1)None实验:不采用查询扩展,只使用用户查询关键词进行检索的实验。
2)Standard实验:采用文献[7]提出的SEPMBDVD模型进行查询扩展,然后在搜索引擎上进行检索的实验。
3)UPD based实验:采用本文提出的QEMBUPDSE模型进行查询扩展,然后在搜索引擎上进行检索的实验。
对比实验由提供用户兴趣模型的三位用户实施,每位用户对自己的每个兴趣选用适当的关键词按以上三组实验要求在Google和百度上进行搜索,每组实验都将每种搜索引擎返回的前100张网页保存下来。接着针对每种搜索引擎,计算每个关键词搜索到的网页集合与UPD之间的SWUI,最后根据各SWUI计算各个兴趣类的ASWUIIC(Average Similarity between Webpages and User Interest in each Interest Class),计算公式如公式9所示:
公式9中,n为某兴趣类的测试关键词数量,因此ASWUIIC表示某兴趣类的所有关键词搜索的网页集合与UPD之间的SWUI的平均值。最终实验结果如表5所示:
为了更直观的反映对比的效果,本文计算了UPD based相对于None以及Standard的实验结果的提高百分比,如表6所示:
从表6可以看出,首先,使用QEMBUPDSE模型进行查询扩展后,搜索到的网页比不使用查询扩展明显与用户的兴趣更相关。其次,与使用SEPMBDVD模型扩展相比,使用QEMBUPDSE模型进行查询扩展后,搜索到的网页在与用户的相关性上也有一定的提高,反映了网页更符合用户的兴趣。这主要是由于在用户建模之前使用了UPD后,可以使整个用户建模过程得到一定程度的优化,最终的用户兴趣模型更加准确,使查询扩展发挥出更好的效果。
4 结束语
本文在文献[7]提出的基于二级向量的搜索引擎个性化服务模型基础上进行改进,加入了用户个性化词典,用以优化用户兴趣建模过程,进而改善查询扩展的效果。实验表明基于个性化词典的搜索引擎查询扩展模型能够更有效的辅助用户利用搜索引擎搜索到自己感兴趣的信息。在下一步的研究中,需要考虑如何更准确地建立个性化词典和用户兴趣模型,提出更好的相似度计算方法,用以改进整个个性化搜索模型的性能。
参考文献
[1]丁国栋,白硕,王斌.一种基于局部共现的查询扩展方法[J].中文信息学报,2006,20(3):48-53.
[2]袁薇,高淼.搜索引擎系统中个性化机制的研究[J].微电子学与计算机,2006(2):68-75.
[3]黄名选,严小卫,张师超.基于关联规则挖掘的查询扩展模型研究[J].现代图书情报技术,2007(10):47-51.
[4]黄名选,严小卫,张师超.基于矩阵加权关联规则挖掘的伪相关反馈查询扩展[J].软件学报,2009,20(7):1854-1865.
[5]黄名选,严小卫,张师超.完全加权关联规则挖掘及其在查询扩展中的应用[J].计算机应用研究,2008,25(6):1724-1730.
[6]支凤麟,徐炜民.基于主题的个性化查询扩展模型[J].计算机工程与设计,2010,31(20):4471-4475.
[7]徐静秋,朱征宇,谭明红,等.基于二级向量的搜索引擎个性化服务模型[J].计算机科学,2007,34(11):89-92.
[8]Zhengyu ZHU,Yunyan TIAN,Kunfeng YUAN,Yong YANG.An Improved Web Document Clustering Method.Journal of Computa tional Information Systems,2007,3(3):1087-1094.
[9]Khan M S,Khor S.Enhanced web document retrieval using automatic query expansion[J].Journal of the American Society for In formation Science and Technology,2004,55(1):29-40.
个性化推荐系统概述 篇10
随着互联网的普及和智能手机的广泛应用, 以及现代电子商务的快速发展, 充斥在网络中的资源数量增长非常迅猛。大量的信息同时呈现在用户面前, 使得用户很难从中找到自己真正感兴趣的资源, 或者要耗费大量的时间和精力才能找到自己所需要的资源。
如何在众多资源中, 快速地找到我们真正感兴趣或者需要的资源呢?个性化推荐系统就是在这种背景下诞生的。个性化推荐系统是通过建立用户与信息产品之间的二元关系, 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。高效的推荐系统可以挖掘用户潜在的消费倾向, 为众多的用户个性化服务。
个性化推荐系统目前已被广泛应用于电子商务、广告推送、电影推荐等包含海量信息并需要提供个性化服务的应用领域。因此, 研究个性化推荐技术与系统具有非常重要的意义。
2 概念及组成部分
从本质上讲, 个性化推荐系统就是一种预测用户对某一种资源兴趣程度的应用软件, 它通过分析用户的身份信息和行为来构建用户兴趣模型, 并且由推荐算法根据该模型来预测用户对资源的评分或者向用户推荐一系列更符合用户实际需求的资源。
一个完整的推荐系统主要由三个部分组成:收集用户信息的用户建模模块;分析用户喜好的推荐对象建模模块和推荐算法模块。通用的推荐系统模型流程如图1所示。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配, 同时使用相应的推荐算法进行计算筛选, 找到用户可能感兴趣的推荐对象, 然后推荐给用户。
3 常见的推荐系统
推荐系统的核心是推荐算法, 根据推荐算法的不同, 常见的推荐系统可以分为基于内容的推荐系统、基于协同过滤的推荐系统以及混合型推荐系统。
3.1 基于内容的推荐系统
首先根据历史信息 (如用户评价、收藏或分享过) 为系统用户建立一个偏好描述文件, 同时为资源项目也建立一个描述文件;然后通过比较计算推荐资源项目与用户偏好文件之间的相似性;最后选择相似性程度较高的资源项目推荐给用户。它不是根据用户对资源项目的评分信息, 而是根据用户已经选择了的项目内容信息来进行相应的推荐。例如, 在电影推荐中, 基于内容的推荐系统, 首先分析和提取用户已经评分过的且评分值较高的电影共性 (如演员、导演、风格等) , 然后将这些共性与其他电影的特征进行比较, 最后将相似性程度最高的电影推荐给该用户。
基于内容的推荐系统不需要使用系统用户的评分信息, 而只需要获取用户和资源项目的描述文件, 因此, 它具有如下优点:通过使用用户和商品的描述文件, 可以较好地解决冷启动问题;由于不需要用户的评分数据, 因此, 可以较好地缓解系统评分数据稀疏性的问题;可以发现隐藏的“暗信息”, 从而推荐新出现的资源项目;通过列出推荐项目的内容特征, 可以较好地解释推荐该项目的理由, 使得该系统具有较好的用户体验。
然而, 基于内容的推荐系统由于受到信息检索技术的约束, 仍有一些难以克服的缺点: (1) 特征提取的能力有限。通常只能分析一些容易提取的文本类内容, 对于多媒体 (图形、视频流等) 数据缺乏有效的特征提取方法。 (2) 推荐的资源范围过于狭窄。这是由于系统总是尽可能向用户推荐与其描述文件最符合的资源项目, 因此, 往往无法发现用户描述文件以外的潜在兴趣。 (3) 新用户问题。当一个新的用户没有或很少对任何资源进行评分时, 系统无法向该用户提供可信的推荐。
3.2 基于协同过滤的推荐系统
目前, 应用最为广泛的个性化推荐系统, 是一种基于一组兴趣相同的用户或项目进行的推荐, 它根据邻居用户 (与目标用户兴趣相似的用户) 的偏好信息产生对目标用户的推荐列表。
基于协同过滤的推荐系统主要采用的基本算法是:基于用户 (User-based) 的协同过滤算法和基于项目 (Item-based) 的协同过滤算法。其中, User-based协同过滤是根据邻居用户的偏好信息产生对目标用户的推荐。它以用户-项目评分矩阵中的行 (用户) 为基础来计算用户之间的相似性;相反, Item-based协同过滤技术则是以用户-项目评分矩阵中的列 (项目) 为基础来计算项目之间的相似性。这两个算法的共同点在于二者都是基于用户-项目评分矩阵来建立推荐系统模型, 进而为用户提供个性化推荐服务。
基于协同过滤的推荐系统的优点如下:具有推荐新信息、产生新奇推荐的能力, 能够发现用户潜在的但尚未察觉的兴趣爱好;适用于推荐难以进行内容分析的资源:协同过滤不需要使用资源的具体内容, 因此在资源内容 (如图像、视频、音乐等) 难以分析的情况下, 协同过滤是很好的选择。
然而, 由于协同过滤自身算法的特点, 以及随着互联网用户和项目数量的爆增, 基于协同过滤的推荐系统也存在以下缺点:用户对商品的评价非常稀疏, 这样基于用户的评价所得到的用户间的相似性可能不准确 (即稀疏性问题) ;随着用户和商品的增多, 系统的性能会越来越低 (即可扩展性问题) ;如果从来没有用户对某一商品进行评价, 则这个商品就不可能被推荐 (即冷启动问题) 等。
3.3 混合型推荐系统
混合型推荐系统就是把多种不同的推荐算法结合起来, 利用不同算法的优点而避免相关的缺点, 提高推荐系统的性能和质量。常见的混合型推荐系统包含以下几种形式。
1) 在协同过滤推荐系统中加入基于内容的技术。与传统协同过滤方法直接使用用户评分信息来计算用户相似性不同。该方法使用用户的描述来件来计算用户之间的相似性, 从而可以缓解协同过滤系统中用户评分数据的稀疏性问题;同时对于新项目, 如果其内容与用户描述文件很相似, 也可以得到推荐, 缓解系统冷启动问题。
2) 在基于内容的推荐系统中加入协同过滤技术。该方法通过将用户的评分信息加入用户描述文件和项目描述文件, 可以缓解基于内容推荐系统对一些难以分析项目无法进行推荐的缺点。
3) 其他的混合推荐系统。
4 研究展望
就目前来说, 个性化推荐系统仍没有达到完善的地步, 还存在一些问题需要研究解决。
4.1 推荐系统的安全问题
随着个性化推荐系统的广泛应用, 尤其是在电子商务上的应用, 一些黑客或商家受到利益的驱使, 开始采取一些非法手段来攻击推荐系统, 或者利用推荐系统固有的缺点来进行危害客户利益的非法营销。这些不法行为不仅损害了系统的客户以及一些竞争商家的直接利益, 同时也导致了推荐系统的信任问题。因此, 如何解决推荐系统的安全问题是亟待解决的一个重点。
4.2 推荐算法的适用性问题
不同的产品类目, 由于数据情况的不同, 产品类型的不同等原因, 可能需要使用不同的推荐算法。因此, 需要对不同算法在不同类目上的推荐预测准确率和覆盖率展开探索和研究。
4.3 时效性问题
在推荐系统中, 除了利用用户的喜好、商品的特性、用户对商品浏览、购买等行为进行分析和预测用户对商品的兴趣外, 推荐系统还要能及时捕捉用户需求的变化, 反馈到模型中, 并及时响应用户请求, 实时提供在线服务。因为用户是挑剔的、也是缺乏耐心的, 新用户尤其如此, 如果一个推荐系统无法在较短的时间内调整结果以迎合用户, 那么用户就会迅速流失。因此, 时间这个维度对预测的准确性也会产生相当大的作用, 如何将已有的研究成果应用到推荐系统, 甚至创新一些模式, 使得推荐系统时效性更强, 也是一个重要的研究内容。
5 结语
个性化推荐系统是一个系统工程, 依赖数据、架构、算法、人机交互等环节的有机结合。本文只是简要的介绍, 希望大家在享受个性化推荐系统带给我们便利时, 适时地表达我们的需求, 利于更人性化、更丰富、更方便的个性化推荐系统出现。
摘要：随着互联网的普及和智能手机的广泛应用, 信息过载问题也日趋严重, 推荐在我们身边也无处不在。个性化推荐系统是当前解决信息过载问题的有力工具之一, 受到了众多的关注和研究。阐述了推荐系统的背景和意义, 以及推荐系统的概念三大组成部分, 提出了常用的三类个性化推荐系统及其优缺点, 并展望了个性化推荐系统未来研究的重点和难点问题。