信息推荐系统：融合画像的协同过滤方法

在融合用户画像信息的数字图书馆个性化推荐系统中，鉴于图书馆用户是在一定情境下对项目进行评分，且该情境信息以及用户的其他各属性信息均将对用户评分产生影响，因此本节在评分过程中引入了图书馆用户的各属性信息要素，即将自然属性信息、兴趣属性信息、行为属性信息以及情境属性信息融入原先图书馆用户的每一个项目评分中去，将图书馆用户画像与传统推荐技术相结合，由此来对传统CF的“用户—项目”评分矩阵进行扩展，实现融合用户画像的图书馆个性化推荐。总体来讲，融合画像的协同过滤推荐模型具体描述如下。　

图8-7　图书馆情境化推荐的用户画像概念模型

(1)获取“用户—项目”评分矩阵、评分时用户所处的情境以及用户的其他属性信息　

在建立图书馆用户个性化推荐模型时，先建立传统的用户评分矩阵RSM×N，如公式(8-1)所示，该矩阵反映了用户User对项目Item的评分情况。

(2)计算用户属性相似度

①自然属性相似度。

首先将用户的各属性信息进行形式化表示，假定字母u和v分别表示两个图书馆用户，用户u和v两者的自然属性信息分别表示为User＿info(u)、User＿info(v)。具体地:

User＿info(u)＝{Gender(u)，Age(u)，Identity(u)，Major(u)，Ranks(u)}，User＿info(v)＝{Gender(v)，Age(v)，Identity(v)，Major(v)，Ranks(v)}。其中Gender代表用户性别，Age代表用户年龄，Identity表示用户身份，Major表示用户的专业，Ranks表示用户的职称。例如User＿info(u)＝{0，1，1，0，0}将表示用户u是一名男性读者，年龄在18岁到24岁之间，是文管类的硕士研究生。两者的自然属性相似度记为　sim[User＿info(u)，User＿info(v)]。利用余弦相似度计算该属性的相似度，公式如(8-15)所示。

其中，i代表自然属性向量的各维度，n代表自然属性的总维度。

②兴趣属性相似度。

与自然属性相似度类似，将兴趣属性进行形式化表示后也采用余弦相似度计算该属性，用户u和v两者的兴趣属性信息分别表示为Interest(u)、Interest(v)。具体地:Interest(u)＝{Equipment(u)，Internet(u)，Price(u)，Style(u)}，Interest(v)＝{Equipment(v)，Internet(v)，Price(v)，Style(v)}。其中Equipment表示用户的使用设备，Internet表示用户的联网方式，Price表示用户的价格偏好，Style表示用户的阅读风格。相似度计算公式(8-16)所示。

③行为属性相似度。(www.xing528.com)

同样地，将用户u和v两者的兴趣属性信息分别表示为Behavior(u)、Behavior(v)，其中:

Behavior(u)＝{Downloading(u)，Borrowing(u)，Frequency(u)Evaluation(u)}，Behavior(v)＝{Downloading(v)，Borrowing(v)，Frequency(v)Evaluation(v)}。Downloading代表用户的文献下载浏览情况，Borrowing代表用户图书借阅情况，Frequency代表用户的借阅频次，Evaluation代表用户的图书评价。其相似度计算公式如(8-17)所示。

④情境属性相似度。

根据图书馆用户所处的地理位置、环境温度、服务时间等n种不同类型的情境，使用向量计算公式将其标记为Costume＝　{C1，…，Ci，…，CN}。其中Ci表示某一情境属性的向量，可以体现图书馆用户当前的时间信息、位置信息、活动状态等。如在Ci＝{c1，…，ci，…，cn}这一情境实例中，ci体现的是情境属性Ci的具体属性值:若Ci为时间情境，则ci可表示当前时间、月份以及所处时间段等。Costume(u)和Costume(v)则表示用户u和v所处的不同的情境，其情境相似度记为sim[Costume(u)，Costume(v)]。

然后，根据用户所处的不同情境，采用余弦相似性公式对用户u所处情境Cu和用户v所处情境Cv进行相似度计算，具体如式(8-18)、(8-19)所示:

公式(8-18)中Cu，i，Cv，i分别代表用户u和用户v所处的某一具体情境，n代表该情境向量的维度，N表示整个情境属性中所包含的具体情境的数量。

(3)融合画像的协同过滤推荐

根据用户对项目的不同评分，采用Pearson相关系数度量公式计算用户间的相似度，具体如上节式(8-11)所示。

将用户画像各属性相似度与评分相似度进行融合，公式如(8-20)所示。

其中wa＋wb＋wc＋wd＝1，通过式(8-20)，可以得出与目标用户u在当前情境下最相似的用户邻居集合，然后进行协同过滤推荐，最后给出Top-N的推荐结果。