首页 理论教育 信息推荐系统:第二版,更好个性化信息服务

信息推荐系统:第二版,更好个性化信息服务

时间:2023-10-31 理论教育 版权反馈
【摘要】:该类推荐系统的缺点是无个性化服务或个性化程度低,推荐质量差,并且容易被用户所忽视。半个性化推荐系统的个性化程度比非个性化推荐系统要高。根据推荐系统对用户模型的不同利用方式,完全个性化信息推荐系统可采用单用户模式、群体模式和情境集成模式三种推荐服务模式。

信息推荐系统:第二版,更好个性化信息服务

所谓个性化信息服务,就是将用户信息需求作为终极导向,以用户为中心,以满足用户信息需求为最终目的。“以满足用户信息需求为最终目的” 是个性化数字信息服务区别于传统信息服务的本质,也是成功的数字信息服务不可缺少的理念[21]。在现代社会中,互联网作为信息资源的重要平台,大大丰富了信息服务机构的信息资源,并突破了传统信息服务机构的物理界限,实现了信息服务机构的异地服务,满足用户的各种需求。这种信息服务机构的地位发生了根本的改变,它由以“信息资源为中心”演变为以“用户为中心”,信息服务机构服务的重心已转移到用户需求上来[22]

为了更好地适应这一改变,信息服务模式必须由基于“信息拉取”的服务模式演化为基于“信息推送”的服务模式,即以用户为中心,以用户的信息需求为导向,根据用户行为需求和偏好进行信息资源的检索和定制,并将信息资源以人机交互的方式主动推送给用户。信息推荐系统作为“信息推送”服务模式的典型,能够根据用户的信息需求、行为模式和偏好,将用户感兴趣的信息资源、商品和服务推送给用户,从而为用户提供一种完全不同的个性化体验。因此,信息推荐系统是解决互联网中信息资源过载问题和为用户提供个性化服务体验的一种新思路,目前已成为信息服务学科的一个重要研究领域和方向。

信息推荐系统在产生和发展的过程中,其个性化服务水平经历了由“低级”到“高级”逐步发展和演化的过程。不同阶段中,信息推荐系统的个性化程度不同。根据信息推荐系统的个性化服务程度,我们可以将其分为如下几类[23][24]

(1)非个性化推荐系统

这种推荐系统对每个用户所产生的推荐都是相同的,出现在信息推荐系统发展的早期阶段。它完全基于内容、不定向的推荐服务模式,不考虑构建和利用用户模型。该类推荐系统既不考虑和区分用户特征,也不对推荐内容做相似度的比较和分析,更没有利用任何形式的相关反馈,一般是基于Web站点工作人员的手工推荐。例如电子商务网站为了找到潜在感兴趣的用户,而将某种新的产品或服务推荐给所有用户。非个性化推荐系统的优点在于实现起来比较简单,只需要通过某种方式突出所要推荐的服务即可。常见的方式有:标注“推荐”“热销商品”“最新消息”等字样,并使用特殊字体和颜色,使用广告条或弹出式窗口等。例如,电子商务网站上的打折商品推荐服务,图书馆网站上的新书推荐服务、新闻网站上的重要新闻推荐服务等,都属于此类推荐服务。该类推荐系统的缺点是无个性化服务或个性化程度低,推荐质量差,并且容易被用户所忽视。例如,用户常常使用阻截工具阻止此类窗口弹出。

(2)半个性化推荐系统

推荐系统根据用户当前的行为产生相应的推荐。这种推荐系统根据用户当前的浏览行为或信息访问记录产生推荐结果,不同用户得到的推荐结果各不相同。半个性化推荐系统的个性化程度比非个性化推荐系统要高。这种推荐系统是由用户的检索请求或浏览活动激发,并采用基于内容聚类或统计分析等技术提供信息推荐服务。因此,这种推荐服务的实质就是把推荐问题转化为信息检索问题,只不过查询构造是由系统自动完成,查询表达式是预先定义的。用户的查询以及所浏览的信息资源被当作一种相关反馈提交给系统,系统利用所访问或查询的资源对象与其他资源对象的某种聚类关系将相关的商品、文献资源或服务等推荐给用户。例如,中国知网(China National Knowledge Infrastructure,CNKI)的“同类文献链接”就是采用文献聚类的方法提供相关文献资源的推荐。此外,半个性化推荐系统也可利用被访问信息对象的某种统计特性,并采用统计分析技术提供推荐服务。例如在电子商务系统中,可以对商品的点击流数据进行统计和分析,从而提供相应的推荐服务。但是,这种推荐服务在推荐过程中没有考虑用户特定的需求和特征,因此最后提供的推荐结果仍不能很好地满足目标用户的特定需求,个性化服务程度仍然不高。(www.xing528.com)

(3)完全个性化推荐系统

推荐系统保存用户的各种历史信息,如历史浏览信息、历史数值评分信息、用户注册信息。然后根据用户的历史信息,结合用户当前的行为为用户产生完全个性化的推荐服务。这种推荐系统一般只对注册用户提供服务,个性化程度最高。因此,完全个性化推荐系统从本质上是针对不同用户提供不同的推荐信息资源,甚至不同的推荐形式和布局。设计此类推荐系统的关键是如何建立、维护和利用用户模型,即采用什么技术和方法对目标用户进行模型构建,以精准地描述用户的需求和偏好。信息过滤、数据挖掘、智能代理和机器学习等技术则是实现完全个性化信息推荐服务的关键技术。根据推荐系统对用户模型的不同利用方式,完全个性化信息推荐系统可采用单用户模式、群体模式和情境集成模式三种推荐服务模式。

①单用户模式。单用户模式是一种基于用户个性的定向推荐服务模式,其核心是建立、维护和利用用户模型。该模式采用基于内容的推荐方法,即利用构建的用户模型反映和汇集用户的兴趣和偏好等个人特征,并被用作相关反馈提交给推荐系统。目前,信息推荐系统使用了多种技术和方法来获取和表示用户的兴趣,其中常用的有特征向量表示、贝叶斯分类法、决策树、语义网等技术。

②群体模式。群体模式是一种基于群体认知、以用户划分为基础的社会化定向推荐服务模式。在这里,信息推荐系统更多地被看作一种社会信息交流系统,更强调社会交流要素,例如群体协同、群体反馈和信任等。基于群体协同的社会化推荐服务在电子商务系统、电子学习(e-Learning)系统以及社会化网络系统等具备明显社会交流特征的信息服务系统中获得了非常成功的应用。其中,协同过滤技术、社会群体中用户之间的匹配技术是决定这类推荐服务质量的关键因素。用户匹配是社会化推荐的核心环节,用户归类、生成用户群体模型、推荐都是建立在比较用户相似度的基础上的。群体模式和单用户模式的最大区别体现在对用户模型以及用户相关反馈信息的使用上。在单用户模式中,用户模型中的数据直接服务于推荐结果的产生;而在群体模式中,用户模型主要用于比较用户之间的相似度或者用于用户群体的聚类和分类。基于“群体模式”的社会化推荐可以从两个角度来分析[23]:一是以个体用户为目标用户,二是以特定用户群为目标用户。大多数社会化推荐服务是以个体用户为目标对象的,其基本思想就是利用具有相似兴趣用户的相关评价来预测目标用户可能感兴趣但没有发现的资源对象。另一种社会化推荐则以特定用户群体为服务对象,这类推荐服务要求预先建立用户群体模型。用户可以选择加入某个或某几个用户类,每一个用户类均构成一个互动的信息空间。用户模型以及用户群体模型都通过该信息空间里的交互信息产生。

③情境集成的模式。情境集成模式是信息推荐服务的一个发展趋势,它将用户、信息资源和所处的上下文环境(情境)进行有机集成和协同,从而形成用户、信息资源以及情境的“多维”推荐服务模型。基于“情境集成模式”的推荐服务模型考虑了用户和信息资源所处的情境信息,因而能够适应复杂、动态的互联网环境,是目前改进系统推荐性能和质量的新颖方法。因此,情境集成模式将情境特征和用户特征、资源特征一起纳入集成、统一的推荐服务模型中,能够为用户带来更为精准、更为个性化的信息服务体验。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈