·334· 智能系统学报 第11卷 5.4实验结果与分析 户推荐其喜欢的物品，从而有助于提升算法的效果。 图3~7中的黑色代表各图中相应指标值较大 另外，还可以发现MD和BHC算法的排序得分在所 的区域，白色代表各图中相应指标值较小的区域，图 有情形下都比HC算法要好，这与文献[5]中的结论 中颜色越黑表示相应指标值越大。由图3可以看 一致：WHC算法在所有条件下都比HC算法的排序 出，当入取值小于0.5，B取值也小于0.5时，此时推 得分好，这与文献[19]中的结论一致。 荐出来的度数大的用户喜欢的度数大的物品较多。 6结束语 图4中相应区域的排序得分较低，这说明度数大的 用户喜欢的度数大的物品一般是大家所喜欢的物 由于HC算法减弱了度数大的用户喜欢的度数 品，与文中开始提出的假设一致：由于此时推荐出来 大的物品对目标用户的影响，本文提出了基于影响 的度数大的物品较多，所以推荐的物品的新颖性较 力控制的热传导算法THC。THC引入2个参数来 低即新颖性值较大，这与图5中相应区域的指标数 控制度数大的用户喜欢的度数大的物品被优先推荐 据是一致的：另外，度数大的用户喜欢的度数大的物 的程度。为了检验提出的想法是否达到预期效果， 品在整个系统的所有物品中占的比例是比较小的， 在电影评分数据集和旅游评价数据集上进行了多项 因为大多数物品都不是流行物品，所以此时多样性 对比实验。本文还提出了旅游评价中的用户态度判 和覆盖率都较低，这与图6和图7中相应区域的指 断算法及一个新指标buir。实验结果表明，当THC 标数据一致。对于图4，数据表明：当入与B分别取 中的2个参数入和B较小时，度数大的用户喜欢的 0.05、0.55时，排序得分取得最优值0.0298，但此时 度数大的物品能被更多的推荐，但这种推荐要有控 buir并不是最大。可以得出这样的结论：虽然目标 制，否则会降低排序得分。实验结果还表明THC算 用户会喜欢度数大的用户喜欢的度数大的物品，但 法在排序得分指标上比BHC、MD、WHC及HC算法 是推荐的量要适度。还可以发现：此时的排序得分 表现更好。未来可考虑结合用户间的朋友关系与信 要比当A=B=1.0时的HC算法的排序得分要好，而 任关系进一步调控度数大的用户喜欢的度数大的物 此时的buir指标也比HC的要高。 品对目标用户推荐的影响。 通过分析各个评价指标变化图，可以得出如下 参考文献： 结论：1)如果要向用户推荐较多度数大的用户喜欢 的度数大的物品，则应该将入与B的取值范围都限 [1]文益民，史一帆，蔡国永，等.个性化旅游推荐研究综 制在0~0.5，因为在此范围中buir的值均较大。2) 述[EB/0L].北京：中国科技论文在线，2014.[2014- 如果要使算法的排序得分取得最大值，2个参数入 07-03 ]http://www.paper.edu.cn/releasepaper/content/ 201407.56. 与B的最优值应该从0~1之间寻找。虽然入与B 2]RESNICK P,VARIAN H R.Recommender systems J] 在0~0.5取值时，度数大的用户喜欢的度数大的物 Communications of the ACM,1997,40(3):56-58. 品更可能被推荐，但是并不一定是推荐得越多，排序 [3]ADOMAVICIUS G,TUZHILIN A.Toward the next genera- 得分越好。3)如果要向用户推荐较多的新颖物品， tion of recommender systems:a survey of the state-of-the-art 则不该将入与B的取值范围都限制在0~0.5，因为 and possible extensions[J].IEEE transactions on knowledge 当buir较大时，推荐出来的度数大的用户喜欢的度 and data engineering,2005,17(6):734-749. 数大的物品较多，此时推荐出来的物品必然不新颖。 [4]FELFERNIG A.GORDEA S,JANNACH D,et al.A short 图8和图9是BHC、MD、WHC、HC及THC在 survey of recommendation technologies in travel and tourism 两个数据集上推荐列表的长度分别为5、8、10、12时 [J].0 EGAI journal,2007,25(7):17-22. 排序得分的对比结果。其中BHC、WHC及THC是 [5]LIU Jianguo,ZHOU Tao,GUO Qiang.Information filtering 取所有不同参数结果中的最优值。通过观察可以发 via biased heat conductionJ.Physical review E,2011, 84(3):037101. 现，本文提出的THC算法，与基本的HC算法相比， [6]LINDEN G,SMITH B,YORK J.Amazon.com recommen- 在所有的情况下排序得分都要好；与MD、WHC、 dations:item-to-item collaborative filtering[J].IEEE inter- BHC算法相比，排序得分也都要好，虽然提升程度 net computing,2003,7(1):76-80. 较小。 [7]DAS A S,DATAR M,GARG A,et al.Google news per- 通过上面的分析可以知道：通过适度的优先推 sonalization:scalable online collaborative filtering [C]// 荐度数大的用户喜欢的度数大的物品，有助于向用 Proceedings of the 16th International Conference on World５．４ 实验结果与分析 图 ３ ～ ７ 中的黑色代表各图中相应指标值较大 的区域，白色代表各图中相应指标值较小的区域，图 中颜色越黑表示相应指标值越大。 由图 ３ 可以看 出，当 λ 取值小于 ０．５，β 取值也小于 ０．５ 时，此时推 荐出来的度数大的用户喜欢的度数大的物品较多。 图 ４ 中相应区域的排序得分较低，这说明度数大的 用户喜欢的度数大的物品一般是大家所喜欢的物 品，与文中开始提出的假设一致；由于此时推荐出来 的度数大的物品较多，所以推荐的物品的新颖性较 低即新颖性值较大，这与图 ５ 中相应区域的指标数 据是一致的；另外，度数大的用户喜欢的度数大的物 品在整个系统的所有物品中占的比例是比较小的， 因为大多数物品都不是流行物品，所以此时多样性 和覆盖率都较低，这与图 ６ 和图 ７ 中相应区域的指 标数据一致。 对于图 ４，数据表明：当 λ 与 β 分别取 ０．０５、０．５５ 时，排序得分取得最优值 ０．０２９ ８，但此时 ｂｕｉｒ 并不是最大。 可以得出这样的结论：虽然目标 用户会喜欢度数大的用户喜欢的度数大的物品，但 是推荐的量要适度。 还可以发现：此时的排序得分 要比当 λ ＝ β ＝ １．０ 时的 ＨＣ 算法的排序得分要好，而 此时的 ｂｕｉｒ 指标也比 ＨＣ 的要高。 通过分析各个评价指标变化图，可以得出如下 结论：１）如果要向用户推荐较多度数大的用户喜欢 的度数大的物品，则应该将 λ 与 β 的取值范围都限 制在 ０～０．５，因为在此范围中 ｂｕｉｒ 的值均较大。 ２） 如果要使算法的排序得分取得最大值，２ 个参数 λ 与 β 的最优值应该从 ０ ～ １ 之间寻找。 虽然 λ 与 β 在 ０～ ０．５ 取值时，度数大的用户喜欢的度数大的物 品更可能被推荐，但是并不一定是推荐得越多，排序 得分越好。 ３）如果要向用户推荐较多的新颖物品， 则不该将 λ 与 β 的取值范围都限制在 ０ ～ ０．５，因为 当 ｂｕｉｒ 较大时，推荐出来的度数大的用户喜欢的度 数大的物品较多，此时推荐出来的物品必然不新颖。 图 ８ 和图 ９ 是 ＢＨＣ、ＭＤ、ＷＨＣ、ＨＣ 及 ＴＨＣ 在 两个数据集上推荐列表的长度分别为 ５、８、１０、１２ 时 排序得分的对比结果。 其中 ＢＨＣ、ＷＨＣ 及 ＴＨＣ 是 取所有不同参数结果中的最优值。 通过观察可以发 现，本文提出的 ＴＨＣ 算法，与基本的 ＨＣ 算法相比， 在所有的情况下排序得分都要好；与 ＭＤ、 ＷＨＣ、 ＢＨＣ 算法相比，排序得分也都要好，虽然提升程度 较小。 通过上面的分析可以知道：通过适度的优先推 荐度数大的用户喜欢的度数大的物品，有助于向用 户推荐其喜欢的物品，从而有助于提升算法的效果。 另外，还可以发现 ＭＤ 和 ＢＨＣ 算法的排序得分在所 有情形下都比 ＨＣ 算法要好，这与文献［５］中的结论 一致；ＷＨＣ 算法在所有条件下都比 ＨＣ 算法的排序 得分好，这与文献［１９］中的结论一致。 ６ 结束语 由于 ＨＣ 算法减弱了度数大的用户喜欢的度数 大的物品对目标用户的影响，本文提出了基于影响 力控制的热传导算法 ＴＨＣ。 ＴＨＣ 引入 ２ 个参数来 控制度数大的用户喜欢的度数大的物品被优先推荐 的程度。 为了检验提出的想法是否达到预期效果， 在电影评分数据集和旅游评价数据集上进行了多项 对比实验。 本文还提出了旅游评价中的用户态度判 断算法及一个新指标 ｂｕｉｒ。 实验结果表明，当 ＴＨＣ 中的 ２ 个参数 λ 和 β 较小时，度数大的用户喜欢的 度数大的物品能被更多的推荐，但这种推荐要有控 制，否则会降低排序得分。 实验结果还表明 ＴＨＣ 算 法在排序得分指标上比 ＢＨＣ、ＭＤ、ＷＨＣ 及 ＨＣ 算法 表现更好。 未来可考虑结合用户间的朋友关系与信 任关系进一步调控度数大的用户喜欢的度数大的物 品对目标用户推荐的影响。 参考文献： ［１］文益民， 史一帆， 蔡国永， 等． 个性化旅游推荐研究综 述［ＥＢ／ ＯＬ］． 北京： 中国科技论文在线， ２０１４． ［ ２０１４⁃ ０７⁃０３］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｐａｐｅｒ． ｅｄｕ． ｃｎ ／ ｒｅｌｅａｓｅｐａｐｅｒ／ ｃｏｎｔｅｎｔ ／ ２０１４０７⁃５６． ［２］ ＲＥＳＮＩＣＫ Ｐ， ＶＡＲＩＡＮ Ｈ Ｒ． Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ［ Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， １９９７， ４０（３）： ５６⁃５８． ［３］ＡＤＯＭＡＶＩＣＩＵＳ Ｇ， ＴＵＺＨＩＬＩＮ Ａ． Ｔｏｗａｒｄ ｔｈｅ ｎｅｘｔ ｇｅｎｅｒａ⁃ ｔｉｏｎ ｏｆ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ： ａ ｓｕｒｖｅｙ ｏｆ ｔｈｅ ｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔ ａｎｄ ｐｏｓｓｉｂｌｅ ｅｘｔｅｎｓｉｏｎｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｋｎｏｗｌｅｄｇｅ ａｎｄ ｄａｔａ ｅｎｇｉｎｅｅｒｉｎｇ， ２００５， １７（６）： ７３４⁃７４９． ［４］ＦＥＬＦＥＲＮＩＧ Ａ， ＧＯＲＤＥＡ Ｓ， ＪＡＮＮＡＣＨ Ｄ， ｅｔ ａｌ． Ａ ｓｈｏｒｔ ｓｕｒｖｅｙ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ ｔｒａｖｅｌ ａｎｄ ｔｏｕｒｉｓｍ ［Ｊ］． ＯＥＧＡＩ ｊｏｕｒｎａｌ， ２００７， ２５（７）： １７⁃２２． ［５］ＬＩＵ Ｊｉａｎｇｕｏ， ＺＨＯＵ Ｔａｏ， ＧＵＯ Ｑｉａｎｇ． Ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｖｉａ ｂｉａｓｅｄ ｈｅａｔ ｃｏｎｄｕｃｔｉｏｎ ［ Ｊ］． Ｐｈｙｓｉｃａｌ ｒｅｖｉｅｗ Ｅ， ２０１１， ８４（３）： ０３７１０１． ［６］ＬＩＮＤＥＮ Ｇ， ＳＭＩＴＨ Ｂ， ＹＯＲＫ Ｊ． Ａｍａｚｏｎ． ｃｏｍ ｒｅｃｏｍｍｅｎ⁃ ｄａｔｉｏｎｓ： ｉｔｅｍ⁃ｔｏ⁃ｉｔｅｍ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ［Ｊ］． ＩＥＥＥ ｉｎｔｅｒ⁃ ｎｅｔ ｃｏｍｐｕｔｉｎｇ， ２００３， ７（１）： ７６⁃８０． ［７］ＤＡＳ Ａ Ｓ， ＤＡＴＡＲ Ｍ， ＧＡＲＧ Ａ， ｅｔ ａｌ． Ｇｏｏｇｌｅ ｎｅｗｓ ｐｅｒ⁃ ｓｏｎａｌｉｚａｔｉｏｎ： ｓｃａｌａｂｌｅ ｏｎｌｉｎｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ ·３３４· 智 能 系 统 学 报 第 １１ 卷