·1000· 智能系统学报 第13卷 方案。首先，和电影的数据相比，旅游评分的数 策略以及痛苦避免均值策略较好。文献[7]通过 据难以获得：其次，用户的评分矩阵比较稀疏：最 对组推荐系统的文献研究分析，发现使用最普遍 后，旅游通常是多个用户以群组的形式参与的， 的策略有均值策略、痛苦避免均值策略及最小痛 因此，结合所有成员偏好的组推荐系统将成为旅 苦策略，但这些策略对于不同特征的群组适用性 游推荐领域的一个研究热点可。基于协同过滤的 也不尽相同。 组推荐系统中，在对单个用户的预测阶段，使用 传统的协同过滤算法计算用户（项目）之间的相 2基于协同过滤的组推荐 似度时，没有考虑用户共同评分的项目数和评分 关联程度对相似性造成的影响，例如，两个兴趣 协同过滤算法作为一种基本的方法常常被应 差别较大的游客，可能同时感兴趣的景点比较 用于组推荐系统中。基于协同过滤的组推荐包 少，当用户的共同评分比较少时，传统的协同过 括4个阶段：相似性度量、选择邻居、预测评分、 滤算法便无法准确地度量用户之间相似性：在 确定推荐项目。 群组成员预测结果的融合阶段，效果比较好的偏 首先通过评分矩阵中用户的评分计算两两用 好融合策略中有均值策略和最小痛苦策略m,均 户（项目）的相似度，然后根据K近邻的方法预测 值策略把成员对项目的平均评分作为群组的得 当前用户对未知项目的评分，最后通过融合策略 分，然而没有考虑少数成员的不满意度，最小痛 结合所有组内成员的偏好生成组推荐列表。 苦策略选择成员对项目最小的评分作为群组的得 图1为本文中用到的基于协同过滤的组推荐整体 分，却忽略了多数成员的偏好。 框架。 本文在组推荐过程中，首先改进了协同过滤 算法，它结合相似性影响因子和关联性因子，以 解决旅游推荐中面临的数据稀疏性问题；其次在 组偏好建模阶段，提出了一种新的融合策略 相似度 一满意度平衡策略，它同时考虑了组内成员的 局部满意度和整体满意度；最后，通过在旅游数 协 据集上的实验分析，验证了所改进的方法能够有 效地提高推荐的质量。 融合策略 组推荐 1相关工作 似度 1.1协同过滤算法 协同过滤算法是电子商务推荐领域中一种最 为成功的推荐算法。它不需要用户主动提供个 人需求信息，而是根据他们已有的评分记录，获 度 得用户的潜在偏好。这种推荐算法能否取得良好 相似度度量选择邻居预测评分确定推荐项目 的效果，很大程度上取决于用户的评分数据。 图1基于协同过滤的组推荐整体框架 1.2组推荐关键技术 Fig.1 The whole framework of group recommendation 组推荐关键技术包括融合方法和融合策略。 based on collaborative filtering 融合方法分为模型融合和推荐融合。模型融合根 其中，协同过滤算法可以分为基于用户的最 据群组成员的用户偏好模型融合成群组偏好模 近邻推荐(user-based nearest neighbor recommenda- 型，然后基于群组偏好模型生成组推荐；推荐融 tion)和基于项目的最近邻推荐(item-based nearest 合先根据传统算法获得每个用户的预测评分后， neighbor recommendation). 再根据预测评分进行融合，也可以融合推荐项目 2.1基于用户的最近邻推荐 列表得到群组的推荐列表6，刀。两种融合方法各有 基于用户的最近邻推荐假设当前用户会喜欢 自己的不足：模型融合易受到评分稀疏性的影 与之有相似偏好的用户喜欢的项目。目前比较常 响，推荐融合忽略了群组成员之间的交互。 用的相似度计算方法有余弦相似度(cosine simil-- 组推荐系统中常用的融合策略有均值策略、 arity)、皮尔森相关相似度(Pearson correlation coef- 最小痛苦策略、最开心策略。文献[10]通过一系 ficient))等2l1。本文主要选用相似度定义如式 列实验评估，指出乘法策略、均值策略、最小痛苦 (1)所示。方案[4]。首先，和电影的数据相比，旅游评分的数 据难以获得；其次，用户的评分矩阵比较稀疏；最 后，旅游通常是多个用户以群组的形式参与的， 因此，结合所有成员偏好的组推荐系统将成为旅 游推荐领域的一个研究热点[5]。基于协同过滤的 组推荐系统中，在对单个用户的预测阶段，使用 传统的协同过滤算法计算用户 (项目) 之间的相 似度时，没有考虑用户共同评分的项目数和评分 关联程度对相似性造成的影响，例如，两个兴趣 差别较大的游客，可能同时感兴趣的景点比较 少，当用户的共同评分比较少时，传统的协同过 滤算法便无法准确地度量用户之间相似性[6] ；在 群组成员预测结果的融合阶段，效果比较好的偏 好融合策略中有均值策略和最小痛苦策略[7] ，均 值策略把成员对项目的平均评分作为群组的得 分，然而没有考虑少数成员的不满意度，最小痛 苦策略选择成员对项目最小的评分作为群组的得 分，却忽略了多数成员的偏好。 本文在组推荐过程中，首先改进了协同过滤 算法，它结合相似性影响因子和关联性因子，以 解决旅游推荐中面临的数据稀疏性问题；其次在 组偏好建模阶段，提出了一种新的融合策略 ——满意度平衡策略，它同时考虑了组内成员的 局部满意度和整体满意度；最后，通过在旅游数 据集上的实验分析，验证了所改进的方法能够有 效地提高推荐的质量。 1 相关工作 1.1 协同过滤算法 协同过滤算法是电子商务推荐领域中一种最 为成功的推荐算法[8]。它不需要用户主动提供个 人需求信息，而是根据他们已有的评分记录，获 得用户的潜在偏好。这种推荐算法能否取得良好 的效果，很大程度上取决于用户的评分数据。 1.2 组推荐关键技术 组推荐关键技术包括融合方法和融合策略。 融合方法分为模型融合和推荐融合。模型融合根 据群组成员的用户偏好模型融合成群组偏好模 型，然后基于群组偏好模型生成组推荐；推荐融 合先根据传统算法获得每个用户的预测评分后， 再根据预测评分进行融合，也可以融合推荐项目 列表得到群组的推荐列表[5,7]。两种融合方法各有 自己的不足：模型融合易受到评分稀疏性的影 响，推荐融合忽略了群组成员之间的交互[5]。 组推荐系统中常用的融合策略有均值策略、 最小痛苦策略、最开心策略[9]。文献[10]通过一系 列实验评估，指出乘法策略、均值策略、最小痛苦 策略以及痛苦避免均值策略较好。文献[7]通过 对组推荐系统的文献研究分析，发现使用最普遍 的策略有均值策略、痛苦避免均值策略及最小痛 苦策略，但这些策略对于不同特征的群组适用性 也不尽相同。 2 基于协同过滤的组推荐 协同过滤算法作为一种基本的方法常常被应 用于组推荐系统中。基于协同过滤的组推荐包 括 4 个阶段：相似性度量、选择邻居、预测评分、 确定推荐项目[11]。 首先通过评分矩阵中用户的评分计算两两用 户 (项目) 的相似度，然后根据 K 近邻的方法预测 当前用户对未知项目的评分，最后通过融合策略 结合所有组内成员的偏好生成组推荐列表。 图 1 为本文中用到的基于协同过滤的组推荐整体 框架。 协同过滤相似度 K 近 邻 融合策略 个人预测 组推荐 用户评分矩阵 相似度度量 选择邻居 预测评分 确定推荐项目 协同过滤相似度协同过滤相似度 K 近 邻 K 近 邻 个人预测个人预测 图 1 基于协同过滤的组推荐整体框架 Fig. 1 The whole framework of group recommendation based on collaborative filtering 其中，协同过滤算法可以分为基于用户的最 近邻推荐 (user-based nearest neighbor recommenda￾tion) 和基于项目的最近邻推荐 (item-based nearest neighbor recommendation)。 2.1 基于用户的最近邻推荐 基于用户的最近邻推荐假设当前用户会喜欢 与之有相似偏好的用户喜欢的项目。目前比较常 用的相似度计算方法有余弦相似度 (cosine simil￾arity)、皮尔森相关相似度 (Pearson correlation coef￾ficient) 等 [12-13]。本文主要选用相似度定义如式 (1) 所示。 ·1000· 智 能 系 统 学 报 第 13 卷