英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料
一个共识驱动的群体推荐系统
Jorge Castro, 1,lowast; Francisco J. Quesada, 2,dagger; Ivaacute;n Palomares, 3,Dagger; Luis Martacute; ınez 2,sect;
1 Department of Computer Science and Artificial Intelligence, University of
Granada, 18071, Granada, Spain
2 Computer Science Department, University of Jaeacute;n, Jaeacute;n, Spain
3 Built Environment Research Institute, University of Ulster, Londonderry BT52
1SA, United Kingdom
推荐系统的目标是为用户过滤大量的信息，为他们提供那些更好地满足他们的偏好或需求的信息。传统上，这种系统被应用在不同的领域，如电子商务或旅游。在此背景下，群体推荐系统解决了为可能有不同兴趣的用户组生成推荐的问题。虽然不同的聚合过程被广泛应用于实际生活应用程序中来生成群体推荐，但这些过程并不保证向群体推荐的产品列表能够反映其成员个体偏好的高度一致。考虑到在高度一致水平下获取群体推荐的附加价值的需求，本文提出了一种新的群体推荐系统方法，试图在群体成员的个体推荐之间达成高水平的共识。为了做到这一点，并受到文献中现有群体决策方法的启发，进行了一个共识达成的过程，以便在提出群体建议之前使这些个别建议互相更加接近。
1. 介绍
在当代背景下，大量的信息导致用户面临着筛选满足其实际需求的信息的困难任务。为了解决这个问题，推荐系统被提议来过滤信息，从而向用户提供只满足他们偏好或需求的信息。
传统的推荐系统解决了向个人用户提供推荐的问题，但也存在某些产品或服务，例如电影，音乐和旅游景点都有一定的社会特点，因此它们是为了被一群用户而不是个人享受。在此背景下，传统的推荐系统受到了限制，因此有必要对其进行扩展以克服这一限制。
群体推荐系统(GRS)是推荐系统领域研究中最具挑战性、但也是最必要的方面之一：针对一群可能彼此有不同兴趣的用户生成推荐的必要性。正如Jameson和Smyth在文献8中所述，在群体推荐中存在四个基本的推荐子任务：(i)获取成员偏好，(ii)生成推荐，(iii)解释群体推荐，以及(iv)帮助做出最终选择。在这篇论文中，我们着重于通过应用群体决策(GDM)和达成共识的技术来改进推荐。在生成群体推荐的过程中，提出了对个体推荐系统的两个扩展:评分聚合和推荐聚合。
(i)在评分聚合中，将个别评级合并起来，以获得代表群体偏好的群体概况。
(ii)在推荐汇总中，获得每个成员的个体建议，并将这些推荐列表进行汇总，以获得适合该小组的推荐列表。
对GRSs中的推荐过程进行了评级和推荐聚合的研究。在本文中，我们的目标是直接满足个人用户的需求。因此，我们关注推荐聚合。这些预测的一个可取的特点是尽量减少成员的痛苦，因为他们可能不同意最好的推荐产品。因此，最小操作被应用于在一些推荐聚合过程工作中。但是，仅仅应用这种聚合过程并不能保证组用户之间就收到的推荐达成高度一致意见，而只能达到最低程度的一致意见。
为了克服这种情况，我们的目标不仅包括寻找一个主要适合于该组中大多数满意用户的群组推荐，而且还包括为当前的GRS提供在用户之间就此类推荐达成一定共识的附加价值。为此，我们考虑对GDM使用协商一致的方法，将它们集成到小组建议过程中。在GDM问题中，若干个人或专家试图为由一组备选方案或此类问题的可能解决方案组成的决策问题找到共同的解决方案。因此，每个专家都表达了他/她对每种选择的偏好。解决GDM问题的传统选择过程不考虑一些专家可能不同意所作决定的事实；因此，已经提出了一些基于共识意见的方法来克服这一限制，方法是应用协商一致达成过程(CRPs)，在作出小组决定之前达成高水平的协议。在CRP中，专家不断地使他们的偏好更接近彼此，直到他们之间达成足够的一致。
基于前面的目标，在本文中，我们提出了一种方法，考虑到为一组用户提供的推荐，试图就向他们提供的推荐达成高度一致意见。首先，提出了一个GRS模型，该模型实现了这样一种方法，以便向小组交付一致同意的推荐。
本文的主要内容如下:第2节综述了GRSs和CRPs在解决GDM问题中的一些基本概念和预备知识。第3节介绍了本文提出的协商一致建议的共识驱动的GRS，详细描述了它的不同阶段。第4节给出了一个案例研究来评估所提出的GRS技术，并将其与基线技术进行比较。最后，第五部分提出了一些结束语。
2. 导论
本节首先回顾GRSs的一些基本概念，然后简要概述GDM中的CRP。
2.1群体推荐系统
在本节中，介绍了推荐系统(RS)和群体推荐的基本概念，描述了群体推荐的输入和基本技术。
传统RSs(单用户)使用三个资源来源:
用户：U = {,hellip;,}是系统的一组用户，这些用户可以提供关于他们自己的信息，例如年龄、性别或邮政编码。
项目：I = {,hellip;, }是系统的一组项，其中可能包含元数据或文本描述等内容信息。
评级：Rsube;Utimes;I→D组用户的评级产品,描述如何满足用户对特定项评级领域D。
RSs尝试对条目进行排序和过滤，并预测被用户不可见条目的评级，从而使用这些数据源执行推荐。现有的RS技术的一些例子包括人口统计推荐、基于内容的推荐和分别依赖于用户的数据、项目或评级的协同过滤方法。正式地说，推荐系统试图推荐一项或一组最大化给定效用函数的项目。
基于内容的推荐系统使用用户和项目概要文件之间的相似性度量作为实用函数。另一方面，在合作和人口统计方法中，效用函数应用于评级预测。
协同过滤技术依赖于评级信息，可用的用户偏好的信息越多，性能就越好。一种简单而扩展的技术是使用最近邻的协同过滤方法。
图1 推荐聚合方案
在这种技术中，用户的首选项由一个带有用户评分的向量表示，其中包含表示用户尚未体验过的项目的空单元格。基于内存的协同过滤背后的思想是找到与目标用户(邻居)最相似的k个用户，计算用户评分之间的相似性。皮尔逊相关系数被证明是用户之间最合适的相似性度量，因为它不受用户在评价项目时的偏见的影响，例如用户对项目的评分始终处于高或低的基础上。一旦选择了邻居，它将结合对该项目的邻居评级，用于预测对不可见项目的评级。已经提出了一些方法来结合邻居评级。为简便起见，本文考虑加权相似性聚合。最后，将推荐列表构造为一个未见项目或预测的有序列表，按照预测值的递减顺序排列，即表示该项目对用户有用或有趣的评估值。
GRSs的基本方法扩展了RSs，因此，推荐不是针对单个用户，而是针对用户组(G = {,hellip;,}sube;U)。GRSs可以在不同的模式下运行，比如为一个目标项目寻找最合适的用户群体，或向一个用户推荐加入他们的推荐组，在这个提案中，我们关注群体的项目推荐。由于我们使用协作方法，我们的效用函数是评级预测。从形式上讲，群组推荐包括寻找能够最大限度地为用户组预测评级的项目(或一组项目)：
利用以前对单个用户RSs的研究，通过扩展来生成组推荐。因此，存在两种基本方法：
（i）评级聚合，包括聚合每个成员的个人评级，以计算一个聚合的群组评级概要文件或伪用户，并使用该概要文件作为输入执行个人推荐。
（ii）预测聚合，它将每个成员的推荐列表聚合为一个针对组的列表(如图2所示)。
图2 推荐聚合方案
GRSs的一个已知的限制是，推荐可能不能满足该组所有成员的个人偏好，例如，有些成员可能认为向该组提出的一些建议项目是令人满意的，而有些成员则认为是令人不满意的。为了克服这个问题，推荐聚合最小化了成员的痛苦，但是它没有考虑到群体动态，比如群体对个人行为的影响。我们的建议试图通过在推荐中应用CRPs来克服这种情况。
2.2 GDM中达成共识的过程
GDM问题意味着多个具有不同知识和经验的专家参与，他们必须解决一个决策问题并做出一个共同的决策。GDM问题的形式化特征如下:
(i)需要解决的决策问题的存在性。
(ii)集合X = {，hellip;， }(nge;2)，问题的替代方案或可能的解决方案。
(iii)集合E = {，hellip;， }(mge;2)，表示他们对一组备选方案X的意见或偏好的参与者或专家。
决策问题可能发生在不同的环境中(确定性、风险和不确定性)，是现实生活中大多数GDM问题，通常在不确定性环境中定义。这些环境的特点是存在模糊和不精确的信息。为了在不确定的语境中表达自己的观点，专家可能会在不同的信息领域表达自己的偏好，如数值、区间值或语言
通常，专家使用偏好结构来表达他们对其他选择的意见。模糊偏好关系是不确定性下GDM问题中最常用的偏好结构之一。模糊偏好关系与专家由隶属函数定义： Xtimes;X→[0, 1]，这是代表作为ntimes;n矩阵X有限:
其中每个评估代表的偏好程度替代覆盖， l， kisin;{1,hellip;， n}， l k，根据，解释如下:
gt; 0.5表示对的偏好大于。
lt; 0.5表示对的偏好大于。
= 0.5表示对 / 的无差异。
传统上，GDM问题的求解过程只有两个阶段:
(i)聚合：使用聚合操作符组合专家的首选项。
(ii) 利用：使用一个选择准则来获得一个或多个备选方案的子集作为问题的解决方案。
选择过程并不保证在作出决定时达到一致意见的水平，而这在若干实际情况中是必不可少的。为了克服这些缺点，专家们提出了所谓的CRPs，在CRPs中，专家们讨论并修改他们的偏好，以使他们更接近彼此。
对协商一致概念的解释有不同的观点，从通常在实践中难以实现的完全一致的经典观点(全体一致)到其他较软的解释。在参考文献15中，Saint和Lawson将协商一致定义为群体成员之间的一种相互同意的状态，在这种状态下，个体的所有合理关切都得到了满足。协商一致意见的目的是提高该小组对尽量减少痛苦的满意程度，这是本文所追求的主要目标。
CRP是一个迭代的动态过程，目的是在做出解决GDM问题的决策之前达到高度一致。因此，在这些过程中的一个基本方面是确定适当的协商一致措施，以便根据专家的偏好来量化群体协议的程度。根据计算类型和信息融合过程，不同的共识测度可分为以下几种(见图3):
(i)基于集体偏好距离的共识测度：以集体偏好为代表的群体意见()由所有专家个人偏好()的总和计算得出。然后通过计算每个个体偏好与集体偏好之间的距离d(, )得到共识度。
(ii)基于专家间距离的共识测度：对于组中每对不同的专家，(, )， i lt; j，根据距离测度计算其意见的相似度。然后将相似度值L(, )累加得到一致度。
在过去的几年中，已经提出了大量的共识模型，每个模型都有不同的特点，适用于不同的标准。图4描述了一个总体方案，它包含了大多数现有的方法，包括以下几个阶段：
(i)一致性度量：所有专家的偏好，, iisin;{1，hellip;，m}，以协商一致的措施计算目前的集团协议水平。
图3 协商一致措施的类型
图4 一般CRP方案
(ii) 共识控制：将当前的共识程度(CCD)与CRP开始时定义的共识阈值(CT)进行比较。如果CCD大于CT，则CRP结束，达到共识。另一方面，如果CCD低于CT，则CRP继续进行另一轮，直到达成共识或共识轮数超过允许的最大轮数。
(iii)协商一致进展：为了在下一轮CRP中提高协议水平，可以采用不同的程序，这取决于协商一致模型是考虑专家的主权，让他们根据收到的反馈修改自己的偏好，还是自动更新这些偏好：
反馈生成：在实现该机制的共识模型中，通过反馈机制建议专家如何修改他们的偏好，使他们更接近群体意见。
自动更新：这些共识模型不包含任何反馈机制。相反，它们实现了专家提供初始首选项的方法，并在整个CRP中应用对首选项值的自动更改来提高协议级别。
图5 建议的一般大纲。
进一步的细节存在的不同类型的共识在Ref.14模型可以发现，共识的分类方法在模糊上下文被定义，是根据使用的反馈生成模型分类或自动更新，以及测量用于每一个类型的共识。
3.共识驱动的群体推荐系统
本节介绍一种新的基于共识的GRS模型，该模型基于用户的个人建议，在高度一致的情况下为用户组提供建议。在下面的小节中，我们会进一步详细描述我们建议的基本方法的各个阶段(见图5)：
(i) 推荐阶段：在此阶段，采用协同过滤算法，为每个小组成员获得单独的推荐。在本阶段结束时，对最常见的n个预测项目的结果建议被表示为优先次序，并被用作共识阶段的输入。
(ii) 协商一致阶段：将小组成员的有序建议转化为模糊的偏好关系，然后应用CRP将这些偏好拉近彼此之间的距离，在高度协商一致的情况下获得一个集体偏好，并在此基础上给出建议列表。
3.1 符号
令 全文共11839字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2836]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
