·1656· 工程科学学报，第37卷，第12期 表3不同y值下的准确率和召回率 包含了地点上下文信息的推荐系统明显优于未包含地 Table 3 Accuracy and recall of different gamma values 点上下文的推荐系统 准确率，R。 召回率，R 为了检验优化算法的效果，以传统的User-based 0.00001 0.0423 0.2075 过滤推荐算法和Item-based过滤算法m为参照，以余 0.0001 0.0441 0.2161 弦相似性和相关相似性作为相似度度量标准，分别计 0.001 0.0435 0.2131 算其MAE和覆盖率，然后与本文算法进行比较.在实 验中，选取推荐数目N=20,邻居数目取10~100，不同 0.01 0.0435 0.2130 邻居数情况下的实验对比结果如图4所示.从图4可 0.1 0.0404 0.2129 以看出，在相同度量方法以及相同邻居数的条件下，本 文方法与传统的User-based过滤推荐算法和Item- 0.045 0.040 based过滤算法相比，平均绝对偏差低且覆盖率高，说 明本文优化算法预测质量比前两种算法在整个区间内 0.035 都稍好一些.另外，从图6(a)中还可以看出，平均绝 0.030 卧 0.025 对偏差(MAE)变化（减少）的非常有限，并且曲线趋于 地理信息优化 平滑，体现了本文算法具有较好的稳定性和鲁棒性 0.020 未优化 由于人们的活动范围往往局限于一个不大的圈子 0.015 中，较远的距离对于用户消费而言有着比较大的时间 0.010 开销，对于一些在多个地点均可以进行的消费来说，用 0.030 0.25 0.300.350.400.450.50 户更倾向于选择距离自已最近的地点进行消费.实验 召回率 结果表明，经过交通网络距离优化后的地点上下文感 图3两种推荐系统准确率一召回率曲线 知推荐系统各项指标相比于传统的方法以及未优化系 Fig.3 Accuracy-recall curves of 2 kinds of recommender systems 统有所提高，推荐质量更佳. 0.94 (a 0.50r(6 0.93 -User-based -User-based 0.92 ·一地理信息优化 0.45 地理信息优化 0.91 Item-based 0.40 -Item-based =0.90 三0.89 相035 0.88 0.30 0.87 0.25 0.86 0.85 0.20L 102030405060708090100 102030405060708090100 邻居数 邻居数 图4三种算法MAE(a)和覆盖率(b)比较 Fig.4 MAE(a)and coverage(b)comparison between three algorithms 2012,23(1):1) 3结论 B] Adomavicius G,Tuzhilin A.Personalization technologies:a 基于协同过滤算法，结合地点上下文，利用真实数 process-oriented perspective.Commun ACM,2005,48(10):83 据，提出一种基于交通网络数据优化的地理信息推荐 3]Baltrunas L,Amatriain X.Towards time-dependant recommenda- tion based on implicit feedback//Workshop on Contedt-aare Rec- 算法.首先利用传统的协同过滤算法对数据集进行预 ommender Systems (CARS'09).New York,2009 处理，而后将地点上下文加入进来，生成包含基于交通 [4]Ricci F.Mobile recommender systems.Inf Technol Tour,2010, 网络数据地点上下文的新的数据集，再结合地理信息 12(3):205 推荐算法进行实验.实验结果表明，结合交通网络数 [] Panniello U,Tuzhilin A,Gorgoglione M,et al.Experimental 据的地理信息进行优化的推荐系统推荐质量获得明显 comparison of pre-vs.post-filtering approaches in context-aware 提升. Recommender Systems//Proceedings of the Third ACM Conference on Recommender systems.New York,2009:265 参考文献 [6] Karatzoglou A,Amatriain X,Baltrunas L,et al.Multiverse rec- [1]Wang LC,Meng X W,Zhang Y J.Context-aware recommender ommendation:n-dimensional tensor factorization for context-aware systems.J Softcare,2012,23(1)1 collaborative filtering//Proceedings of the Fourth ACM Conference (王立才，孟样武，张玉洁。上下文感知推荐系统。软件学报， on Recommender Systems.New York,2010:79工程科学学报，第 37 卷，第 12 期 表 3 不同 γ 值下的准确率和召回率 Table 3 Accuracy and recall of different gamma values γ 准确率，Ｒp 召回率，Ｒr 0. 00001 0. 0423 0. 2075 0. 0001 0. 0441 0. 2161 0. 001 0. 0435 0. 2131 0. 01 0. 0435 0. 2130 0. 1 0. 0404 0. 2129 图 3 两种推荐系统准确率--召回率曲线 Fig． 3 Accuracy--recall curves of 2 kinds of recommender systems 包含了地点上下文信息的推荐系统明显优于未包含地 点上下文的推荐系统． 为了检验优化算法的效果，以传统的 User-based 过滤推荐算法和 Item-based 过滤算法［20］为参照，以余 弦相似性和相关相似性作为相似度度量标准，分别计 算其 MAE 和覆盖率，然后与本文算法进行比较． 在实 验中，选取推荐数目 N = 20，邻居数目取 10 ～ 100，不同 邻居数情况下的实验对比结果如图 4 所示． 从图 4 可 以看出，在相同度量方法以及相同邻居数的条件下，本 文方法 与 传 统 的 User-based 过滤推荐算法和 Item￾based 过滤算法相比，平均绝对偏差低且覆盖率高，说 明本文优化算法预测质量比前两种算法在整个区间内 都稍好一些． 另外，从图 6( a) 中还可以看出，平均绝 对偏差( MAE) 变化( 减少) 的非常有限，并且曲线趋于 平滑，体现了本文算法具有较好的稳定性和鲁棒性． 由于人们的活动范围往往局限于一个不大的圈子 中，较远的距离对于用户消费而言有着比较大的时间 开销，对于一些在多个地点均可以进行的消费来说，用 户更倾向于选择距离自己最近的地点进行消费． 实验 结果表明，经过交通网络距离优化后的地点上下文感 知推荐系统各项指标相比于传统的方法以及未优化系 统有所提高，推荐质量更佳． 图 4 三种算法 MAE( a) 和覆盖率( b) 比较 Fig． 4 MAE( a) and coverage( b) comparison between three algorithms 3 结论 基于协同过滤算法，结合地点上下文，利用真实数 据，提出一种基于交通网络数据优化的地理信息推荐 算法． 首先利用传统的协同过滤算法对数据集进行预 处理，而后将地点上下文加入进来，生成包含基于交通 网络数据地点上下文的新的数据集，再结合地理信息 推荐算法进行实验． 实验结果表明，结合交通网络数 据的地理信息进行优化的推荐系统推荐质量获得明显 提升． 参 考 文 献 ［1］ Wang L C，Meng X W，Zhang Y J． Context-aware recommender systems． J Software，2012，23( 1) : 1 ( 王立才，孟祥武，张玉洁． 上下文感知推荐系统． 软件学报， 2012，23( 1) : 1) ［2］ Adomavicius G， Tuzhilin A． Personalization technologies: a process-oriented perspective． Commun ACM，2005，48( 10) : 83 ［3］ Baltrunas L，Amatriain X． Towards time-dependant recommenda￾tion based on implicit feedback / /Workshop on Context-aware Ｒec￾ommender Systems ( CAＲS’09) ． New York，2009 ［4］ Ｒicci F． Mobile recommender systems． Inf Technol Tour，2010， 12( 3) : 205 ［5］ Panniello U，Tuzhilin A，Gorgoglione M，et al． Experimental comparison of pre- vs． post-filtering approaches in context-aware Ｒecommender Systems/ /Proceedings of the Third ACM Conference on Ｒecommender systems． New York，2009: 265 ［6］ Karatzoglou A，Amatriain X，Baltrunas L，et al． Multiverse rec￾ommendation: n-dimensional tensor factorization for context-aware collaborative filtering / /Proceedings of the Fourth ACM Conference on Ｒecommender Systems． New York，2010: 79 · 6561 ·