CN101339563B - 面向奇异发现推荐的兴趣模型更新方法 - Google Patents

Abstract

本发明公开了一种面向奇异发现推荐的兴趣模型更新方法，该面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统中，其特征在于：所述面向奇异发现推荐的兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR。本发明用户兴趣模型更新方法能够部分更新用户兴趣描述、易于获得用户短期兴趣状态，满足了奇异发现推荐的需要，实现了用户兴趣模型的高效准确更新；并能够对噪声数据进行识别和处理，在快速响应兴趣漂移的同时，避免了噪声数据对用户兴趣模型稳定性的影响。本发明的更新方法能够识别和处理噪声数据，提高了用户兴趣模型的准确性和稳定性。

Description

面向奇异发现推荐的兴趣模型更新方法

技术领域

本发明涉及一种对门户个性化推荐服务进行兴趣模型更新的方法，更特别地说，是指一种基于兴趣漂移检测的面向奇异发现推荐的兴趣模型更新方法。

背景技术

推荐服务技术在上世纪九十年代被应用于电子商务领域，其后在个性化服务领域中得到了进一步的发展。门户个性化服务则是个性化服务在大型门户应用中的拓展，也是个性化服务新的应用和发展领域。个性化推荐服务中的用户兴趣模型是关于用户兴趣、偏好、模式等的一种可计算的特定形式化描述，对用户兴趣模型的研究涵盖了兴趣模型的表示、学习、更新与存储等相关技术。为了解决用户兴趣漂移的问题，要求能够自适应的更新调整用户兴趣模型的权重或层次结构描述，以确保用户兴趣模型能够准确快速地描述用户最新的兴趣偏好。

奇异发现(Serendipitous Discoveries)问题是近年来个性化推荐系统发展需要解决的热点问题之一，所谓奇异发现是指个性化推荐系统向用户推荐的项目是用户感兴趣但未发觉的项目。现有的个性化推荐系统向用户推荐的项目通常是与用户已浏览过的项目相似度很高的项目，或是用户所在群体中普遍感兴趣的项目，而用户通常不需要被推荐就可能意识到自己对上述两类推荐项目的兴趣，从而降低了个性化推荐服务的效用。因而，如何发现用户尚未发觉的兴趣项目，使个性化推荐产生使用户感觉意外的效果——即个性化推荐具有奇异性(Serendipity)，是提高个性化推荐系统的用户忠诚度和满意度所必须解决的问题。适应奇异发现的个性化推荐服务要求个性化推荐系统对用户的各个短期兴趣状态进行记录和保存，一方面使用户兴趣模型能够随用户兴趣变化不断进行部分更新，更新反馈信息涉及的兴趣概念的程度，同时保留用户对其他兴趣概念的兴趣描述；另一方面只在真正发生兴趣漂移时才对用户短期兴趣状态序列进行更新，以保证每个用户短期兴趣状态都具有一定的兴趣描述准确程度。

在门户个性化推荐系统的实际应用中，可能存在由用户的误操作或探索性浏览操作等原因产生的与用户兴趣没有直接因果关系的反馈信息(本发明中称为噪声)，对此类噪声数据的过快的反应会降低兴趣模型的准确程度和稳定性；而模型更新过程对反馈信息反应过慢，又难以达到快速响应兴趣漂移的目标，因此在设计兴趣模型更新策略时应达到模型更新速度和模型稳定性兼顾的目标。由于用户对推荐项目的浏览操作具有一定的随意性，所以噪声数据的产生在所难免，若将上述噪声数据的出现视为发生兴趣漂移并触发模型更新操作，将会影响兴趣模型的准确程度，因此有必要识别出噪声数据，并加以去除。

已提出的兴趣模型更新方法主要包括如下几种：滑动窗方法利用可变大小的滑动窗口对用于模型更新的数据进行选择，与利用全部历史数据重建兴趣模型相比，提高了运算效率，但该方法完全抛弃了位于窗口外的历史数据，使用新数据新建模型，因此对反馈数据规模要求较高，在反馈信息没有覆盖用户所有兴趣类别的情况下，在更新后无法保持对反馈未涉及的兴趣类别的描述；渐进式遗忘方法为每项历史数据附加年龄权值，“年龄”越大的数据权值越小，一定程度上反映了历史数据对模型影响的逐步减弱，但该方法仅定义了原有兴趣描述的淡化过程，未涉及如何将新的反馈加入至兴趣模型；改进的滑动窗方法根据当前推荐的上下文环境查找历史数据中的相似信息，将相似历史信息与反馈信息共同用于构造新兴趣模型，从而降低了对反馈数据规模的要求，但仍无法保持对反馈信息未涉及到的兴趣的描述；基于遗传算法的模型更新方法根据用户反馈信息重新构造兴趣模型，并使该模型的推荐结果最接近于反馈信息，借助于遗传算法的特点，该方法能够较好的处理噪声数据，但该方法同样无法保留模型中的历史数据，而且更新过程须多次计算推荐结果，其效率依赖于具体推荐算法，运算效率无法保证，也降低了算法的通用性；基于人工神经网络的方法采用感知器模型更新用户兴趣并完成推荐，若采用该方法并完全依赖反馈数据重建兴趣模型，则同样存在无法保持对反馈未涉及兴趣描述的问题，而且对反馈数据规模要求很高，若在原有神经网络兴趣模型基础上进行更新，则要求原有兴趣模型采用神经网络表示方式，削弱了模型更新算法的通用性。

综上所述，现有的兴趣模型更新方法均无法完全满足奇异发现推荐对兴趣模型更新过程的要求，同时在噪声处理方面也存在一定的局限性。

发明内容

有鉴于此，本发明目的在于提供一种能够满足奇异发现推荐的用户兴趣模型更新方法，该用户兴趣模型更新方法能够部分更新用户兴趣描述、易于获得用户短期兴趣状态，满足了奇异发现推荐的需要，实现了用户兴趣模型的高效准确更新；并能够对噪声数据进行识别和处理，在快速响应兴趣漂移的同时，避免了噪声数据对用户兴趣模型稳定性的影响。本发明的更新方法能够识别和处理噪声数据，提高了用户兴趣模型的准确性和稳定性。

本发明的一种面向奇异发现推荐的兴趣模型更新方法，该面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统中，其特征在于：所述面向奇异发现推荐的兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR；对兴趣模型更新方法有下列处理步骤：

步骤101：等待一条个性化推荐反馈信息，个性化推荐反馈信息RF是由推荐项目I和反馈权值F构成的二元组，数学表达形式为RF＝<I，F>；收到反馈信息后，转到步骤102；

所述推荐项目I是在WWW最新资源111中选择的与用户兴趣相似的资源，这些资源可以以超链接形式存在于门户平台中；

所述反馈权值F是表示用户对推荐项目的感兴趣程度，它是[0，1]区间上的一个正实数，通过计算用户浏览行为或用户对推荐项目的评分而获得；

步骤102：采用兴趣漂移检测IDR进行兴趣漂移的检测，检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，则转到步骤103；否则，转到步骤104；

步骤103：采用长期兴趣模型修正规则LMR对长期兴趣模型进行修正，获得修正后的长期兴趣模型；

此步骤是对长期兴趣模型进行修正，并且仅使用长期兴趣模型进行个性化推荐，结束此次更新过程。

步骤104：采用短期兴趣模型构造/更新规则SUR进行生成或者更新短期兴趣模型，同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例均为50％，等待一条反馈信息，若收到反馈信息后转到步骤105；短期兴趣模型以当前使用的长期兴趣模型的副本作为更新基础，是用于反映用户最新兴趣偏好的兴趣模型；

步骤105：检测反馈信息的数量FB是否达到能够进行兴趣漂移确认的反馈信息数量的阈值CT；若FB≥CT，则转到步骤106；否则，转到104；

步骤106：采用兴趣漂移检测IDR进行兴趣漂移的确认；检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，结束此次更新过程；否则，转到步骤107；

步骤107：执行模型快照存储，即将当前所使用的长期兴趣模型进行存储，将其作为用户兴趣的一个历史状态保存在用户兴趣状态序列中；转到步骤108；

步骤108：采用长期兴趣模型更新规则LUR执行长期兴趣模型更新；采用短期兴趣模型构造/更新规则SUR执行短期兴趣模型更新；并且同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例分别为m，1-m，其中m＝ERLT/(ERLT+ERST)；转到步骤109；

步骤109：等待下一次反馈信息，若收到反馈信息后转到步骤110；

步骤110：对比长、短期兴趣模型期望预测成功率。检测用户长期兴趣模型期望预测成功率ERLT是否超过用户短期兴趣模型期望预测成功率ERST。若ERLT≥ERST，则转到步骤111；否则，转到步骤108；

步骤111：采用长期兴趣模型更新规则LUR对长期兴趣模型进行更新，单独使用长期兴趣模型进行个性化推荐，结束此次更新过程。

本发明面向奇异发现推荐的兴趣模型更新方法的优点在于：

(1)利用了个性化推荐反馈信息对兴趣模型进行更新，使门户个性化推荐服务系统能够发现和响应用户的兴趣变化。

(2)通过步骤103，引入了兴趣模型修正规则，使得兴趣模型更加接近门户用户的真实兴趣，同时降低了更新兴趣模型的负荷。

(3)通过步骤104和步骤108，引入了构造/更新短期兴趣模型并同时使用长、短期兴趣模型进行个性化推荐的策略，兼顾了兴趣模型对用户兴趣变化的响应速度与模型的稳定性。

(4)通过步骤102和步骤106，提出了检测兴趣漂移的方法，实现了对噪声数据的识别，避免了噪声数据对兴趣模型精确度的影响，从而提高了用户兴趣模型的准确性和稳定性。

(5)通过步骤110，提出了多次利用长短期兴趣模型的比较结果对长期兴趣模型进行渐进式修正的策略，确保了兴趣模型更新的精确性，增强了兴趣模型更新的鲁棒性。

(6)步骤202和步骤403，分别利用了无反馈信息的推荐项目作为模型更新过程的输入数据，扩大了反馈信息的规模，提高了兴趣模型更新的准确性。

(7)步骤204、步骤302和步骤405，分别利用了隶属度因子P_i ^j以确定兴趣模型更新规则的更新率，使兴趣模型得到了更加全面的更新。

(8)本发明方法中通过引入指数近度加权平均算法，实现了兴趣模型的部分更新，保留了反馈信息未涉及到的兴趣类别的历史数据，为实现奇异发现推荐创造了条件。

(9)本发明方法通过使用基于统计学原理的假设检验方法进行用户兴趣漂移的检测，不仅减小了系统的运算开销，而且实现了对用户兴趣漂移的高效的检测。

附图说明

图1是本发明面向奇异发现推荐的兴趣模型更新方法的处理流程图。

图2是本发明中长期兴趣模型更新规则的执行流程图。

图3是本发明中长期兴趣模型修正规则的执行流程图。

图4是本发明中短期兴趣模型构造/更新规则的执行流程图。

图5是本发明中兴趣漂移检测的执行流程图。

图6是门户个性化推荐服务系统的结构框图。

具体实施方式

下面将结合附图对本发明做进一步的详细说明。

本发明是一种面向奇异发现推荐的兴趣模型更新方法，该兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR。

本发明的面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统(参见图6所示)中，利用个性化推荐反馈信息更新兴趣模型。该门户个性化推荐服务系统，是在隐私保护单元102的A输出端添加兴趣模型反馈更新模块和隐私保护单元102的C输出端建立与推荐选择器107的信息传递，以及在数据存储单元108中添加反馈更新算法集114进行兴趣模型更新算法的保存。通过上述改进解决了门户个性化推荐服务系统中的兴趣漂移问题，实现了对于门户用户兴趣模型快速、准确、稳定的更新，为用户提供了更加接近用户兴趣的个性化推荐资源服务；本发明能够快速响应门户用户的兴趣漂移，实现了用户兴趣模型的高效准确更新。所述的兴趣模型反馈更新模块包括有兴趣漂移检测单元112和兴趣模型更新单元113。

兴趣漂移检测单元112，用于检测用户关注的信息是否发生变化，并将反馈/判断信息f₀₀传递至兴趣模型更新单元113。所述的反馈/判断信息f₀₀是指兴趣漂移检测单元112检测获得的检测结果和门户用户的个性化推荐反馈信息。所述检测结果可能是下列四种情况之一：未发生兴趣漂移、待确认兴趣漂移、检测到噪声数据、已确认兴趣漂移。

所述的未发生兴趣漂移是指进行个性化推荐服务后获得的推荐成功率不小于根据历史数据所得的期望推荐成功率，认为推荐成功，兴趣模型预测结果与用户的兴趣一致。

所述的待确认兴趣漂移是指检测到推荐成功率低于根据历史数据所得的期望推荐成功率时，认为可能发生了兴趣漂移，为排除噪声数据造成的影响，需要等待下次个性化推荐的反馈信息进一步判断是否确实发生了兴趣漂移。

所述的检测到噪声数据是指在检测结果为待确认兴趣漂移后，再次根据个性化推荐反馈信息进行检查，判定推荐成功率下降是由于用户的误操作或探索性操作造成的，而不是用户兴趣变化造成的，即认为是噪声数据。

所述的已确认兴趣漂移是指检测结果为待确认兴趣漂移后，再次根据个性化推荐反馈信息进行检查，判定推荐成功率下降确是由于用户的兴趣变化造成的。

兴趣模型更新单元113用于(A)通过数据管理单元105调用数据存储单元108中的兴趣度模型库115、反馈更新算法集114；(B)依据反馈/判断信息f₀₀与反馈更新算法集114中某一特定更新算法对兴趣度模型库115中的某一兴趣模型进行更新，并将更新后的兴趣模型数据f₁分别输出给训练分类单元104、数据管理单元105。兴趣度模型库115中至少包括有长期兴趣模型库、短期兴趣模型库、临时兴趣模型库。反馈更新算法集114中至少包括有长期兴趣模型更新算法、长期兴趣模型修正算法、短期兴趣模型构造/更新算法。

图1展示了面向奇异发现推荐的兴趣模型更新方法的完整的工作流程，该方法分为以下几个步骤：

门户平台个性化推荐系统(参见图6所示)初始化完成后，开始对兴趣模型进行更新；

步骤101：等待一条个性化推荐反馈信息，个性化推荐反馈信息RF是由推荐项目I和反馈权值F构成的二元组，数学表达形式为RF＝<I，F>；收到反馈信息后，转到步骤102；

所述推荐项目I是在WWW最新资源111中选择的与用户兴趣相似的资源，这些资源可以以超链接形式存在于门户平台中；

所述反馈权值F是表示用户对推荐项目的感兴趣程度，它是[0，1]区间上的一个正实数，通过计算用户浏览行为或用户对推荐项目的评分而获得；

步骤102：采用兴趣漂移检测IDR进行兴趣漂移的检测，检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，则转到步骤103；否则，转到步骤104；

步骤103：采用长期兴趣模型修正规则LMR对长期兴趣模型进行修正，获得修正后的长期兴趣模型；

此步骤是对长期兴趣模型进行修正，并且仅使用长期兴趣模型进行个性化推荐，结束此次更新过程。

步骤104：采用短期兴趣模型构造/更新规则SUR进行生成或者更新短期兴趣模型，同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例均为50％，等待一条反馈信息，若收到反馈信息后转到步骤105；短期兴趣模型以当前使用的长期兴趣模型的副本作为更新基础，是用于反映用户最新兴趣偏好的兴趣模型；

步骤105：检测反馈信息的数量FB是否达到能够进行兴趣漂移确认的反馈信息数量的阈值CT；若FB≥CT，则转到步骤106；否则，转到104；

步骤106：采用兴趣漂移检测IDR进行兴趣漂移的确认；检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，结束此次更新过程；否则，转到步骤107；

步骤107：执行模型快照存储，即将当前所使用的长期兴趣模型进行存储，将其作为用户兴趣的一个历史状态保存在用户兴趣状态序列中；转到步骤108；

步骤108：采用长期兴趣模型更新规则LUR执行长期兴趣模型更新；采用短期兴趣模型构造/更新规则SUR执行短期兴趣模型更新；并且同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例分别为m，1-m，其中m＝ERLT/(ERLT+ERST)；转到步骤109；

步骤109：等待下一次反馈信息，若收到反馈信息后转到步骤110；

步骤110：对比长、短期兴趣模型期望预测成功率。检测用户长期兴趣模型期望预测成功率ERLT是否超过用户短期兴趣模型期望预测成功率ERST。若ERLT≥ERST，则转到步骤111；否则，转到步骤108；

步骤111：采用长期兴趣模型更新规则LUR对长期兴趣模型进行更新，单独使用长期兴趣模型进行个性化推荐，结束此次更新过程。

本发明提出兴趣模型更新流程，目的在于根据反馈信息的积累数量等条件，对兴趣模型的更新算法、更新幅度等指标进行选择和控制。为了能够在快速响应兴趣漂移的同时，避免噪声数据对用户兴趣模型准确程度的影响，提高模型稳定性，本发明采用了在使用用户长期兴趣模型进行个性化推荐的同时，引入短期兴趣模型的方法，提出了基于兴趣漂移检测IDR和预测成功率ORLT、ERLT比较的，构造临时短期兴趣模型参与个性化推荐的策略。在尚未确定发生兴趣漂移的情况下，为避免噪声数据的干扰，暂时不对长期兴趣模型进行更新，同时利用反馈信息RF快速创建能够反映用户最新兴趣偏好的临时短期兴趣模型，向个性化推荐算法同时输出长、短期兴趣模型，并根据条件的不同指定每个兴趣模型在个性化推荐过程中的不同作用比例，同时使用长、短期兴趣模型进行个性化推荐，从而保证对用户反馈信息的快速响应。在确认发生兴趣漂移后，将积累的反馈信息一次性更新到长期兴趣模型中，并继续同时使用长、短期兴趣模型进行个性化推荐，在其后的每次反馈信息到来时，都对两个模型的预测成功率进行比较，若短期兴趣模型的预测成功率较高，则保持对短期兴趣模型的使用并继续更新长期兴趣模型，直至长期兴趣模型的预测成功率超过短期兴趣模型，之后销毁短期模型，单独使用长期兴趣模型进行个性化推荐。

在本发明提出的面向奇异发现推荐的兴趣模型更新方法中，一共反映了五种兴趣模型更新的策略：

策略1(即执行步骤103)表示在没有检测到预测成功率下降的情况下(即未发生兴趣漂移)，执行的动作是对模型进行修正、仅使用长期兴趣模型进行个性化推荐；

策略2(即执行步骤104)表示当检测到预测成功率的下降但未确认发生兴趣漂移的情况下，执行的动作是生成或更新短期兴趣模型、同时使用长、短期兴趣模型按照一定的作用比例(分别为n和1-n)进行个性化推荐，由于此时尚未确定预测成功率降低的原因，因此策略中的模型作用比例n取值为50％，即长、短期模型以相同的作用程度影响个性化推荐结果；

策略3(即执行步骤107和步骤108)表示在已经出现预测成功率下降的情况后，反馈信息数量积累到兴趣漂移确认阈值，而且兴趣漂移确认的结果为发生兴趣漂移的情况下，执行的动作是对长期兴趣模型进行较大幅度的更新，同时更新短期兴趣模型，同时使用长、短期模型进行个性化推荐，模型作用比例分别为m，1-m，其中m＝ERLT/(ERLT+ERST)；

策略4(即执行步骤110和步骤108)表示在同时使用长、短期兴趣模型进行个性化推荐时，若长期兴趣模型的期望预测成功率低于短期兴趣模型，则继续更新长期兴趣模型，并继续更新短期兴趣模型，继续同时使用长、短期模型进行个性化推荐，模型作用比例m取值规则与策略3相同；

策略5(即执行步骤111)表示在同时使用长、短期兴趣模型进行个性化推荐时，若长期兴趣模型的期望预测成功率等于或高于短期兴趣模型，则在对长期兴趣模型进行再次更新后，单独使用长期兴趣模型进行个性化推荐。

图2展示的是本发明的兴趣模型更新方法中对于长期兴趣模型更新规则LUR的执行流程。该规则LUR是在指数近度加权平均算法的基础上，对推荐项目引入模糊类别描述，由推荐项目相对于兴趣类别的隶属度决定模型更新的更新率，充分利用无反馈推荐项目，扩大反馈更新数据规模。该规则LUR以批量学习的方式一次性处理所有积累的反馈信息，该规则LUR的具体执行步骤如下：

步骤201：检查是否存在无反馈推荐，若存在，转步骤202；否则，转步骤203。

步骤202：扩展反馈信息，完成，转步骤203。

步骤203：计算相似程度s_i ^j，完成，转步骤204。

步骤204：计算隶属度因子p_i ^j，完成，转步骤205。

步骤205：计算更新兴趣程度权值W_i，结束。

上述规则LUR在确定更新率时，兼顾了模型更新的全面性要求和针对不同用户的更新幅度灵活性要求，提出了更新率的推荐项目隶属度因子p及更新幅度偏好因子r。推荐项目隶属度因子用于标识反馈来源推荐项目相对于特定兴趣类别的相似程度(即模糊聚类中的隶属度)，对于反馈信息RF_j而言，其推荐项目隶属度是一个集合{p₁ ^j，p₂ ^j，...，p_i ^j，...}，其中p_i ^j表示RF_j的推荐项目I_j相对于第i个兴趣类别的相似程度。更新幅度偏好因子记录了每个用户对其用户模型更新幅度的设置。推荐项目隶属度因子p及更新幅度偏好因子r的取值范围均为[0，1]。引入更新率的推荐项目隶属度因子p及更新幅度偏好因子r后的兴趣程度权值更新表达式为：

$W_i^k=W_i^{k-1}+{\mathrm{rp}}_i^j(F_j-W_i^{k-1})---\left(1\right)$

在实际计算过程中，更新幅度偏好因子r由用户直接指定，推荐项目隶属度因子p的计算方法为：对每一条反馈信息RF_j，依次计算其来源推荐项目I_j相对于当前用户兴趣模型中每个兴趣类别i的相似程度s_i ^j，对s_i ^j进行标准化后的值即为推荐项目隶属度因子p_i ^j，即

$p_i^j=\frac{s_i^j}{\underset{i}{\mathrm{\&Sigma;}}{s}_i^j}---\left(2\right)$

相似程度s_i ^j的具体计算方法视兴趣类别特征的表示方法而定。由于推荐项目隶属度因子p的计算仅与推荐项目及兴趣类别特征有关，而与反馈权值无关，因此在兴趣类别特征不会动态改变的情况下，对p的计算可以在向门户个性化推荐系统中加入待推荐项目时进行，从而提高兴趣模型更新规则的在线执行效率。

对于长期兴趣模型更新规则LUR中步骤202所提到的扩展反馈信息，本发明引入了半监督学习机制对反馈信息进行数据扩展。在进行兴趣程度权值更新之前，首先使用期望最大化算法根据推荐项目的特征对推荐项目进行聚类，聚类的初始中心根据反馈信息中的已标注类别的反馈信息确定，在聚类收敛之后，利用扩展之后的样本集进行兴趣程度权值的更新。本发明的应用场景要求兴趣漂移检测过程能够在线完成，为保证算法执行效率，本发明将进行数据扩展的聚类范围限定在当次推荐产生的所有推荐项目中。

聚类完成之后，须为各类别中的无反馈推荐项目计算“反馈权值”，其值为该推荐项目所属聚类中所有具有反馈信息的推荐项目的反馈权值均值。由此便可利用全部推荐项目对兴趣程度权值进行更新，从而提高兴趣模型对兴趣漂移的响应速度。

图3展示了本发明的兴趣模型更新方法中对于长期兴趣模型修正规则LMR的执行流程。该规则LMR是以增量学习的方式读取数据，即对每到来一条反馈信息，立即对兴趣程度权值进行修正，因此需要规则LMR具有比其他规则更高的执行效率，考虑到此时并未发生兴趣漂移，进行模型修正的目的是为了进一步提高模型描述的准确程度，模型更新范围较小。因此在图2给出的规则LUR流程的基础上去除了反馈信息扩展环节以提高算法执行效率，同时在更新兴趣程度权值时，采用仅对该推荐项目隶属度最大的兴趣类别的权值进行更新的方案，以相对较小的范围对模型进行修正。该规则LMR的步骤如下：

步骤301：计算相似程度s_i ^j，完成，转步骤302。

步骤302：计算隶属度因子p_i ^j，完成，转步骤303。

步骤303：计算更新兴趣程度权值W_i，结束。

在长期兴趣模型修正规则LMR中，兴趣程度权值W_i的计算方法与规则LUR中W_i的计算方法相同，隶属度因子p_i ^j的计算方法如下：

$p_i^j=\left\{\begin{array}{cc}\frac{s_i^j}{\underset{i}{\mathrm{\&Sigma;}}{s}_i^j},& s_i^j=\underset{k}{\max }{s}_k^j\\ 0,& \mathrm{else}\end{array}\right.---\left(3\right)$

图4展示了本发明的兴趣模型更新方法中对于短期兴趣模型构造/更新规则SUR的执行流程。该规则SUR首先复制长期兴趣模型作为进行更新的基础，然后对该副本进行更新，并以更新后的兴趣模型作为临时短期兴趣模型参与个性化推荐，以弥补为识别噪声而对兴趣漂移响应速度造成的影响，此种情况须使短期兴趣模型以最快速度反映出用户最新的兴趣偏好，因此规则SUR在更新兴趣程度权值时去掉了更新幅度偏好因子r对更新过程的影响，即令r恒等于1，从而进一步加大模型更新幅度，快速响应用户兴趣的变化。其具体步骤如下：

步骤401：复制长期兴趣模型，并对该副本进行更新，再将该兴趣模型作为短期兴趣模型参与个性化推荐，转步骤402。

步骤402：检查是否存在无反馈推荐，若存在，转步骤403；否则，转步骤404。

步骤403：扩展反馈信息，完成，转步骤404。

步骤404：计算相似程度s_i ^j，完成，转步骤405。

步骤405：计算隶属度因子p_i ^j，完成，转步骤406。

步骤406：计算更新兴趣程度权值W_i，结束。

其中隶属度因子p_i ^j的计算方法与长期模型更新规则LUR中的隶属度因子的计算方法相同。更新兴趣程度权值W_i的计算方法如下：

$W_i^k=W_i^{k-1}+p_i^j(F_j-W_i^{k-1})---\left(4\right)$

其中i为兴趣类别的序号，W_i ^k表示更新后的兴趣程度权值，W_i ^k-1表示更新前的兴趣程度权值，p为更新率的推荐项目隶属度因子。推荐项目隶属度因子用于标识反馈来源推荐项目相对于特定兴趣类别的相似程度(即模糊聚类中的隶属度)，对于反馈信息RF_j而言，其推荐项目隶属度是一个集合{p₁ ^j，p₂ ^j，...，p_i ^j，...}，其中p_i ^j表示RF_j的推荐项目I_j相对于第i个兴趣类别的相似程度。推荐项目隶属度因子p的取值范围为[0，1]。

图5展示了本发明的兴趣漂移更新方法中对于兴趣漂移检测IDR的执行流程。该检测过程的具体步骤如下：

步骤501：二值化预测结果。将用户的兴趣的预测结果二值化为“正确”和“错误”两种情况，转步骤502。

步骤502：设置假设检验过程的置信度α_d，转步骤503。

步骤503：进行兴趣漂移的检测，即在置信度α_d下，比较实际预测成功率v(结果为“正确”的次数S除以总的推荐次数N)与期望预测成功率V的大小；若v≥V，则转到步骤504；否则，转到步骤505。

步骤504：未发生兴趣漂移，结束。

步骤505：等待下一次推荐反馈信息，若收到反馈信息后转步骤506。

步骤506：进行兴趣漂移的确定，即在置信度α_d下，比较实际预测成功率v与期望预测成功率V的大小；若v≥V，则转到步骤504；否则，转到步骤507。

步骤507：已发生兴趣漂移，结束。

兴趣漂移检测IDR是兴趣模型更新策略中的重要的环节，它是以门户个性化推荐系统对用户兴趣的预测结果的概率分布为兴趣漂移观察指标的。其具体做法是将对用户兴趣的预测结果二值化为“正确”和“错误”两种情况，从而将进行了N次预测的过程视为N次伯努力试验过程，由此可以将实际预测成功率v视为以期望预测成功率V为期望以V(1-V)/N为方差的随机变量，当N较大时，v近似服从正态分布。这样，检测兴趣漂移的问题就转化为对预测成功率观察值v进行U假设检验的问题，若v在一定置信度下显著低于期望预测成功率，则认为发生兴趣漂移。

在个性化推荐反馈信息中，可能存在噪声数据。所谓噪声数据就是指由用户的误操作或探索性浏览操作等原因产生的与用户兴趣没有直接因果关系的反馈信息。本发明采用单一置信度进行噪声数据识别的方法来识别和去除噪声数据，对假设检验过程设置置信度α_d，当根据本次推荐的反馈信息求得的预测正确率在α_d置信度下低于预期预测正确率时，视为可能发生兴趣漂移，须等待下一次推荐反馈信息进行确认，若根据下一次推荐反馈信息求得的预测正确率在α_d置信度下恢复至预期水平，则认为预测正确率此前的下降是噪声数据导致的结果，不认为发生了兴趣漂移；若根据下一次推荐反馈信息求得的预测正确率仍在α_d置信度下低于预期水平，则认为发生了兴趣漂移。

参见图6所示，门户个性化推荐服务系统包括有：

兴趣挖掘单元101，位于门户平台中，用于获取门户用户的个性化描述文件，隐式跟踪并捕获登录门户用户的兴趣内容和访问行为模式，显式收集门户用户对于个性化推荐服务的评分，并将获取到的信息提供给隐私保护单元102。

隐私保护单元102，用于对来自兴趣挖掘单元101的信息嵌入安全标记，以进行私有化过滤保护，然后提供给兴趣模型构建单元103、兴趣漂移检测单元112、推荐选择器107。

兴趣模型构建单元103，用于对获取的兴趣数据进行规范化处理，根据处理后的信息构建门户用户的兴趣模型，并将构建的门户用户兴趣模型提供给训练分类单元104。

训练分类单元104，用于通过数据管理单元105调用数据存储单元108中存储的兴趣模型，将来自兴趣模型构建单元103的兴趣模型或者来自兴趣模型更新单元113的兴趣模型与来自数据存储单元108的兴趣模型进行近邻聚类的反馈学习，然后将反馈学习结果通过数据管理单元103更新数据存储单元108中存储的门户用户兴趣模型。

数据管理单元105，用于辅助管理训练分类单元104、兴趣模型更新单元113、推荐选择器107与数据存储单元108的数据通信和调用。

推荐选择器107，用于通过数据管理单元105调用数据存储单元108中存储的兴趣模型，根据来自数据存储单元的兴趣模型，确定推荐控制策略及推荐算法的选择和组合，然后提供给预测分析单元109，并向预测分析单元109提供来自数据存储单元108中存储的兴趣模型。

数据存储单元108，用于存储门户用户和/或门户用户群的兴趣模型库，该兴趣模型库包括门户用户和/或门户用户群的兴趣度模型库115、访问事务集、推荐算法集以及反馈更新算法集114；

预测分析单元109，用于根据来自数据存储单元108中存储的兴趣模型进行预测过滤分析，根据预测分析结果和来自推荐选择器107的推荐控制策略及推荐算法，执行计算确定推荐结果，确定的推荐结果通过调用WWW资源索引存储单元110中存储的WWW资源索引提供给推荐资源展现单元111。

WWW资源索引存储单元110，用于存储WWW资源索引。

推荐资源展现单元111，用于将来自预测分析单元109的WWW资源封装为含Web页面内容的门户组件，并推送给门户用户。

上述推荐选择器107、预测分析单元109、推荐资源展现单元111构成元推荐引擎。在本发明中，所述元推荐引擎，由推荐选择器107，通过数据管理单元105调用数据存储单元108中存储的兴趣模型，确定推荐控制策略及推荐算法的选择和组合，提供给预测分析单元109；由预测分析单元109根据推荐控制策略及推荐算法，执行计算确定推荐结果，并根据所确定的推荐结果调用WWW资源索引存储单元110中存储的WWW资源索引，提供给推荐资源展现单元111；最后由推荐资源展现单元111将WWW资源封装为含Web页面内容的门户组件，推送给门户用户。

兴趣漂移检测单元112，用于检测用户关注的信息是否发生变化，并将反馈/判断信息f₀₀传递至兴趣模型更新单元113。所述的反馈/判断信息f₀₀是指兴趣漂移检测单元112检测获得的检测结果和门户用户的个性化推荐反馈信息。所述检测结果可能为下述四种结果之一，即未发生兴趣漂移、待确认兴趣漂移、检测到噪声数据、已确认兴趣漂移。

所述的未发生兴趣漂移是指进行个性化推荐服务后获得的推荐成功率不小于根据历史数据所得的期望推荐成功率，认为推荐成功，兴趣模型预测结果与用户的兴趣一致。

所述的待确认兴趣漂移是指检测到推荐成功率低于根据历史数据所得的期望推荐成功率时，认为可能发生了兴趣漂移，为排除噪声数据造成的影响，需要等待下次个性化推荐的反馈信息进一步判断是否确实发生了兴趣漂移。

所述的检测到噪声数据是指在检测结果为待确认兴趣漂移后，再次根据个性化推荐反馈信息进行检查，判定推荐成功率下降是由于用户的误操作或探索性操作造成的，而不是用户兴趣变化造成的，即认为是噪声数据。

所述的已确认兴趣漂移是指检测结果为待确认兴趣漂移后，再次根据个性化推荐反馈信息进行检查，判定推荐成功率下降确是由于用户的兴趣变化造成的。

兴趣模型更新单元113用于(A)通过数据管理单元105调用数据存储单元108中的兴趣度模型库115、反馈更新算法集114；(B)依据反馈/判断信息f₀₀与反馈更新算法集114中某一特定更新算法对兴趣度模型库115中的某一兴趣模型进行更新，并将更新后的兴趣模型数据f₁分别输出给训练分类单元104、数据管理单元105。

兴趣度模型库115中至少包括有长期兴趣模型库、短期兴趣模型库、临时兴趣模型库。

反馈更新算法集114中至少包括有长期兴趣模型更新算法、长期兴趣模型修正算法、短期兴趣模型构造/更新算法。

Claims (5)

1.一种面向奇异发现推荐的兴趣模型更新方法，该面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统中，其特征在于：所述面向奇异发现推荐的兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR；对兴趣模型更新方法有下列处理步骤：

步骤101：等待一条个性化推荐反馈信息，个性化推荐反馈信息RF是由推荐项目I和反馈权值F构成的二元组，数学表达形式为RF＝<I，F>；收到反馈信息后，转到步骤102；

所述推荐项目I是在WWW最新资源(111)中选择的与用户兴趣相似的资源，这些资源以超链接形式存在于门户平台中；

所述反馈权值F是表示用户对推荐项目的感兴趣程度，它是[0，1]区间上的一个正实数，通过计算用户浏览行为或用户对推荐项目的评分而获得；

步骤102：采用兴趣漂移检测IDR进行兴趣漂移的检测，检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，则转到步骤103；否则，转到步骤104；

步骤103：采用长期兴趣模型修正规则LMR对长期兴趣模型进行修正，获得修正后的长期兴趣模型；

此步骤是对长期兴趣模型进行修正，并且仅使用长期兴趣模型进行个性化推荐，结束此次更新过程；

步骤104：采用短期兴趣模型构造/更新规则SUR进行生成或者更新短期兴趣模型，同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例均为50％，等待一条反馈信息，若收到反馈信息后转到步骤105；短期兴趣模型以当前使用的长期兴趣模型的副本作为更新基础，是用于反映用户最新兴趣偏好的兴趣模型；

步骤105：检测反馈信息的数量FB是否达到能够进行兴趣漂移确认的反馈信息数量的阈值CT；若FB≥CT，则转到步骤106；否则，转到104；

步骤106：采用兴趣漂移检测IDR进行兴趣漂移的确认；检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，结束此次更新过程；否则，转到步骤107；

步骤107：执行模型快照存储，即将当前所使用的长期兴趣模型进行存储，将其作为用户兴趣的一个历史状态保存在用户兴趣状态序列中；转到步骤108；

步骤108：采用长期兴趣模型更新规则LUR执行长期兴趣模型更新；采用短期兴趣模型构造/更新规则SUR执行短期兴趣模型更新；并且同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例分别为m，1-m，其中m＝ERLT/(ERLT+ERST)，ERLT表示用户长期兴趣模型期望预测成功率，ERST表示用户短期兴趣模型期望预测成功率；转到步骤109；

步骤109：等待下一次反馈信息，若收到反馈信息后转到步骤110；

步骤110：对比长、短期兴趣模型期望预测成功率；检测用户长期兴趣模型期望预测成功率ERLT是否超过用户短期兴趣模型期望预测成功率ERST；若ERLT≥ERST，则转到步骤111；否则，转到步骤108；

步骤111：采用长期兴趣模型更新规则LUR对长期兴趣模型进行更新，单独使用长期兴趣模型进行个性化推荐，结束此次更新过程。

2.根据权利要求1所述的面向奇异发现推荐的兴趣模型更新方法，其特征在于：长期兴趣模型更新规则LUR是在指数近度加权平均算法的基础上，对推荐项目引入模糊类别描述，由推荐项目相对于兴趣类别的隶属度决定模型更新的更新率，充分利用无反馈推荐项目，扩大反馈更新数据规模；

该规则LUR以批量学习的方式一次性处理所有积累的反馈信息；

该规则LUR的具体执行步骤如下：

步骤201：检查是否存在无反馈推荐，若存在，转步骤202；否则，转步骤203；

步骤202：扩展反馈信息，完成，转步骤203；

步骤203：计算相似程度s_i ^j，完成，转步骤204；

步骤204：计算隶属度因子p_i ^j，完成，转步骤205；

步骤205：计算更新兴趣程度权值W_i，结束。

3.根据权利要求1所述的面向奇异发现推荐的兴趣模型更新方法，其特征在于：长期兴趣模型修正规则是以增量学习的方式读取数据，即对每到来一条反馈信息，立即对兴趣程度权值进行修正，因此需要规则LMR具有比其他规则更高的执行效率，考虑到此时并未发生兴趣漂移，进行模型修正的目的是为了进一步提高模型描述的准确程度，模型更新范围较小；

该规则LMR的步骤如下：

步骤301：计算相似程度s_i ^j，完成，转步骤302；

步骤302：计算隶属度因子p_i ^j，完成，转步骤303；

步骤303：计算更新兴趣程度权值W_i，结束。

4.根据权利要求1所述的面向奇异发现推荐的兴趣模型更新方法，其特征在于：短期兴趣模型构造/更新规则SUR首先复制长期兴趣模型作为进行更新的基础，然后对该副本进行更新，并以更新后的兴趣模型作为临时短期兴趣模型参与个性化推荐，以弥补为识别噪声而对兴趣漂移响应速度造成的影响，此种情况须使短期兴趣模型以最快速度反映出用户最新的兴趣偏好，因此规则SUR在更新兴趣程度权值时去掉了更新幅度偏好因子r对更新过程的影响，即令r恒等于1，从而进一步加大模型更新幅度，快速响应用户兴趣的变化；

该规则SUR的步骤如下：

步骤401：复制长期兴趣模型，并对该副本进行更新，再将该兴趣模型作为短期兴趣模型参与个性化推荐，转步骤402；

步骤402：检查是否存在无反馈推荐，若存在，转步骤403；否则，转步骤404；

步骤403：扩展反馈信息，完成，转步骤404；

步骤404：计算相似程度s_i ^j，完成，转步骤405；

步骤405：计算隶属度因子p_i ^j，完成，转步骤406；

步骤406：计算更新兴趣程度权值W_i，结束。

5.根据权利要求1所述的面向奇异发现推荐的兴趣模型更新方法，其特征在于：兴趣漂移更新方法中对于兴趣漂移检测IDR的执行流程如下：

步骤501：二值化预测结果；将用户的兴趣的预测结果二值化为“正确”和“错误”两种情况，转步骤502；

步骤502：设置假设检验过程的置信度α_d，转步骤503；

步骤503：进行兴趣漂移的检测，即在置信度α_d下，比较实际预测成功率v与期望预测成功率V的大小；若v≥V，则转到步骤504；否则，转到步骤505；

步骤504：未发生兴趣漂移，结束；

步骤505：等待下一次推荐反馈信息，若收到反馈信息后转步骤506；

步骤506：进行兴趣漂移的确定，即在置信度α_d下，比较实际预测成功率v与期望预测成功率V的大小；若v≥V，则转到步骤504；否则，转到步骤507；

步骤507：已发生兴趣漂移，结束。

Images