没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:Elsevier沙特国王大学学报一种新的上下文协同过滤系统及其在个性化健康营养教育Hanane Zitounia, Mr. Souham Meshoulb,Chaker Mezioudaa君士坦丁大学2 Abdelhamid Mehri,君士坦丁,阿尔及利亚b沙特阿拉伯Nora Bint Abdulrahman公主大学信息技术系CCIS研究中心阿提奇莱因福奥文章历史记录:收到2020年2020年3月22日修订2020年4月17日接受2020年4月23日在线提供保留字:上下文感知推荐系统协同过滤内部背景外部背景利益攸关方聚合健康美味推荐系统A B S T R A C T如今,互联网正在成为一个选择的平台,其中用户和项目的数量急剧增长,使推荐系统(RS)成为最需要和最广泛的技术。本文讨论了上下文感知的协作RS,并提出了一个双重的贡献,包括二维上下文协作推荐系统(2DCCRS)和相关的应用程序。我们的第一个贡献提出了一个新的框架协作上下文感知RS依赖于两个关键的想法。第一种方法建议将语境分为内部语境和外部语境两部分,以便以不同的、更恰当的方式处理内部和外部语境属性。这允许以更有效的方式解决上下文模型的复杂性。在第二个想法中,我们引入了两个概念,即“利益相关者”和“聚合”,以有效地缓解新用户和新项目的问题。2DCCRS基于多层架构。其最高层依赖于预过滤算法,该算法处理冷启动系统问题,并且主要基于用户简档与项目特征之间的相似性。中间层是基于一个collab-orative过滤算法,考虑到用户的喜好,兴趣和优先级,而最深的层,这被认为是最相关的,在我们的多层架构,侧重于后过滤算法,其中的建议是更适合用户环境。在我们的第二个贡献,我们提出了一个案例研究2DCCRS,以证明所提出的方法的实用性和有效性。事实上,我们提出了一个个性化的健康和美味的应用程序(H T),生成基于2DCCRS框架的项目,以指导用户走向健康和美味的膳食,最好地满足他的需求。所得到的结果是非常有希望的,并显示了我们的建议的有效性。©2020作者(S)。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 11252.背景11253.相关工作11283.1.上下文感知推荐系统11283.1.1.讨论11283.2.健康食品推荐系统11283.2.1.讨论1129*通讯作者:Ali Menjli,Constantine 2:Abdlhamid Mehri University,Constantine 25000,Algeria.电子邮件地址:hanane. univ-constantine2.dz(H. Zitouni)。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2020.04.0121319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comH. Zitouni等人 /沙特国王大学学报-计算机与信息科学34(2022)1124-113711254.二维上下文协作推荐系统(2DCCRS):CARS 1129的建议系统4.1.基本理念11294.2.基本概念11294.3.2DCCRS 1130的总体结构4.4.推荐引擎11335.案例研究H T:健康食品推荐的情境协作RS 11335.1.H T 1134的关键要素5.2.实验11346.结论1136竞争利益声明参考文献11361. 介绍信息和互联网技术的进步导致网络上的数据空前增长。 因此,迫切需要足够的工具来有效地过滤如此庞大的信息量,并提取其中有用的部分。推荐系统是最相关的解决方案之一。从协同过滤(CF)到基于内容的过滤(CBF);它们的主要目标是为合适的用户推荐合适的项目。实际上,推荐系统(RS)是旨在呈现信息元素(电影、音乐、书籍、新闻、图像、网页等)的信息过滤(IF)的特定形式。等等)。可能会引起用户兴趣。通常,RS可以将用户的简档与某些参考特征进行比较,并试图预测用户将给出的“意见”。这些特征可以从作为“基于内容的过滤”方法的本质的对象本身中提取,或者从作为协同过滤方法的基础的社会环境中提取,或者从两者(对象和社会环境)中提取。在这种情况下,我们处理混合滤波(HF)方法(Asim,2000;Shaanxi,2001)。值得注意的是,存在用于RS的其他方案,诸如基于知识的过滤、效用过滤和人口统计过滤。人们可以参考(Burke,2002)以获得深入的见解。推荐系统是信息和电子商务生态系统的重要部分(Resnick等人, 1994年)。在我们的研究背景下,我们专注于协同过滤。协同过滤器使用来自一组用户的评级基于活跃用户的简档,这样的系统推荐被类似用户 喜 欢 但 还 没 有 被 他 喜 欢 的 项 目 。 作 为 Charu C.Aggarwal 在(Aggarwal,2016)中描述:协同过滤方法的基本思想是,这些未指定的评级可以估算,因为观察到的评级通常在不同的用户和项目协作方法的优点之一是它允许活跃的用户发现新的兴趣。然而,该方法具有一些缺点。推荐的质量此外,一个新的用户和一个新的项目没有任何评级是两种情况下,系统不能正确处理,由于缺乏有关任何实体的信息。这被称为冷启动问题,它包括与新用户和新项目相关的两个子问题(Burke,2002)。与传统的推荐系统不同,上下文感知推荐系统(CARS)将上下文信息集成到推荐过程中(Burke,2002)。我们的目标是更好地满足用户的需求,并生成适合其上下文的相关建议。虽然CARS为RS添加了更多的维度,但它以相同的方式处理所有项目的特征(属性)。这使得RS更加复杂,并可能对建议的相关性产生负面影响。例如,成本和质量被类似地对待,即使它们对于目标用户不具有相同的重要性。文献中的大多数作品(见表1)没有提出对大量上下文属性的任何简化,甚至提出了以与经典上下文推荐系统中相同的方式处理属性的任何解决方案在目前的工作中,为了解决这两个问题,我们提出了一个新的定义CARS,在那里我们分开的上下文中的两个维度:内部上下文;定义的一组因素有关的用户自己,和外部上下文;不同的一组因素有关的用户事实上,我们提出了一个新的上下文协作推荐系统,旨在解决新的用户和项目的问题,通过下面描述的两个基本概念。- 利益相关者。它是具有相同内部上下文特征和/或处于相似外部环境中的用户的社区。- 聚集。它是与特定涉众的所有用户相关的项目集。概括地说,我们的目标是通过提出两个新的上下文范式来处理项目特征的复杂性和等价性,并通过两种新技术来2. 背景上下文感知系统(CARS)是近年来研究的热点。在描述这样的系统之前,需要定义概念上下文上下文可以以不同的方式定义,这取决于它与什么有关。例如,它可以指事件发生的情况,这有助于解释它。或一个短语,它指的是周围的词,即紧接在它之前和之后的文本或讲话,这有助于理解它的意思。在我们工作的背景下,我们关注Abowd,Dey等人给出的以下定义(Abowd等人,1999年):“上下文是任何可以用来描述一个实体的情况的信息。实体是被认为与用户和应用程序之间的交互相关的人、地点或对象,包括用户和应用程序本身。因 此 , 上 下 文 可 以 是 任 何 物 理 位 置 或 任 何 给 定 时 间(Adomavicius和Tuzhilin,2011),甚至是陪同人员。表1上下文推荐系统。CARS适用领域上下文属性语境范式提取方法建模方法对CARS属性CARS属性之间的区别(哈里里等人,2012年)多媒体地点,时间,心情,同伴,天气,年龄,性别,其他。后显式标记没有没有过滤和隐式(Shi等人,(2015年)电商年龄,性别,位置,附近,情绪,季节性,当前预算,后隐式本体没有没有以前的日志,时间,其他。过滤(Benlamri和Zhang,2014) 电子文件活动、位置、环境、URL、性别、一天中的时间、年龄,预处理显式本体没有没有文档特征(标题、作者、关键字.. . 等),其他。过滤和隐式(Alhamid等人,(2015年)多媒体地点时间心情同伴天气年龄性别。. 其他.预处理隐式向量没有没有过滤(Reynner等人,(2010年)多媒体地点时间心情同伴天气年龄性别。. 其他.预处理显式向量没有没有用户和上下文之间的关系。过滤和隐式(Hussein等人, 2014年度)地方当前时间、位置、同伴、距离、活动、天气、用户上下文显式本体没有没有情绪、社会关系、个人偏好、社会影响、其他。建模和隐式(Teze等人,(2015年)旅行和时间,同伴,位置,附近,当前情况,社交上下文显式逻辑没有没有旅游关系,意图,季节性,国籍,预算,专业知识。建模和隐式(Zheng等人,(2016年)多媒体地点时间心情同伴天气年龄性别。. 其他.预处理显式本体没有没有过滤(Rawat和Kankanhalli,多媒体地点时间心情同伴天气年龄性别。. 其他.上下文显式向量没有没有(2016年)建模和隐式(De Giusti等人,( 2010年)电子文件活动、位置、环境、URL、性别、一天中的时间、年龄,预处理显式本体没有没有文档特征(标题、出版商、作者、关键字.. . 等等),过滤和其他.隐式(Li等人,(2016年)电子文件活动、位置、环境、URL、性别、一天中的时间、年龄,预处理显式本体没有没有文档特征(标题、出版商、作者、关键字.. . 等等),过滤和其他.隐式(Krauss,2016)电商年龄,性别,位置,附近,情绪,季节性,当前预算,预处理显式图没有没有以前的日志,时间,其他。过滤和隐式(Aghdam,2019)一般自动学习上下文隐式马尔可夫模型是(基于没有建模层次隐藏(Morkov模型)(RICHA et BEDI,2019)旅游用户上下文属性预处理显式多agent没有没有过滤环境(Danaf等人, 2020年)一般自适应首选项属性是根据上下文隐式择基没有没有同一个人建模推荐器系统1126H. Zitouni等人/沙特国王大学学报H. Zitouni等人/沙特国王大学学报1127一个经典的推荐系统可以被看作是一个函数R,它在两个维度的基础上预测一个评级:用户和项目。R:用户×物品? 评级传统RS的问题在于,这些系统在生成推荐时不考虑用户的上下文例如,一个人可能对恐怖电影不感兴趣,但在电影院,晚上和朋友在一起可能会吸引他去看这类电影。因此,用户对特定项目的评价取决于上下文。在前面的例子中,一个人可以通过选择正确的地点、时间和陪同人员,对同一件物品从不喜欢变成喜欢顾名思义,上下文推荐系统将上下文整合为除了经典推荐过程中使用的内容之外的第三维。我们可以将它们视为3D推荐系统;其签名是:R:用户×项目×上下文?评级根 据 Adomavicius Tuzhilin ( Adomavicius 和 Tuzhilin ,2011),有三种不同的整合范式将上下文信息添加到推荐过程中,如下面的图1所示(其中U是用户,I是项目,R是评级,C是上下文):1. 上下文预过滤(PreF):它建议在使用标准(非上下文)方法计算推荐之前,使用上下文信息过滤掉不相关的评级。2. 上下文后过滤(PoF):在该范例中,在应用用于生成推荐的标准非上下文推荐方法之后使用上下文信息。3. 上下文建模(CM):它假设上下文信息与用户和项目数据一起在解释生成算法中使用。CARS的问题在于,它们被认为是一个多维模型,其中大量的属性使得推荐过程比仅包含两个维度(用户和项目)的经典推荐系统更复杂。这些系统的另一个关键挑战涉及物品的上下文特征;这些物品都以相同的方式处理。例如,在电影推荐的情况下,我们可以找到不同的-Fig. 1. 推荐系统中的上下文整合范例(Adomavicius和Tuzhilin,2011)。1128H. Zitouni等人/沙特国王大学学报不同的上下文属性;例如时间、天气和公司。然后,用户X可以给予同伴比天气和时间更重要的意义3. 相关工作本论文的研究工作主要涉及两个研究领域,即上下文感知推荐系统和健康食品推荐系统。3.1. 上下文感知推荐系统自成立以来,CARS是一个活跃的研究课题,有几项研究与CARS有关 。 然 而 , 他 们 中 只 有 少 数 人 对 CARS 进 行 了 艰 苦 的 文 献 综 述(Haruna等人,2017年)。在这方面,作者在(Baldauf等人, 2007年),提出了现有的上下文感知系统的比较研究。它深入讨论了所提出的方法,并强调其优点和缺点。此外,在(Hong等人,2009),研究人员提出了一个新的CARS分类框架,并探讨了分类框架的每个特征。上下文感知推荐系统的分类框架是基于上下文感知系统的体系结构,它由五个层组成:概念和研究层,网络层,中间件层,应用层和用户基础设施层。在(Lee et al.,2011年)提出了一些现有的上下文感知系统的调查。它概述了CARS的一般过程,解释了它们的设计考虑,并介绍了现有的代表性上下文感知系统的功能。后者的工作也提出了系统的趋势分析。 另一方面,(Park等人, 2012)检查和分类210 RS论文根据其不同的应用领域和不同的数据挖掘技术,他们采用。在(Verbert等人,2012),Vebert等人提出了一种上下文框架,其识别技术增强学习(TEL)应用的相关上下文维度,并分析现有的TEL推荐系统以及这些维度。此外,作者(Bobadilla等人,2013)提出了推荐系统以及协同过滤方法和算法的概述。他们还解释了它们的演变,并为这些系统提供了一个原始的分类此外,对学者推荐领域中的相关文章以及影响它们的上下文信息的综述可以在(Champiri et al.,2015年)。在(Champiri等人,2015)提供了一个综述,其重点是从学术领域的用户观点对上下文概念进行更多研究的需要关于CARS的另一个系统性文献综述在(Inzunza etal.,2016年)。它确定的上下文信息被认为是相关的研究人员在生成基于上下文的建议。基于(Haruna等人, 2017年),我们提供表1最近推荐系统的主要特点:3.1.1. 讨论表1示出了CARS已经被设计用于各种应用领域,诸如多媒体(电影、音乐、…. )、电子商务、电子文档(新闻、研究论文、. ),地点,.. . 它们还涵盖了几个上下文属性,例如位置、时间、活动、年龄等。. 此外,所研究的系统使用一个不同的上下文范式(前过滤,后过滤,上下文建模)在一个等效的方式。表1还表明,大多数CARS使用显式和隐式的方法来提取上下文信息,在用户需要的地方,在显式的方法提供必要的信息,描述他们的兴趣。这是通过收视率或直接问问题.然而,在隐式方法中,系统推导出这些信息的值。此外,本体建模和向量建模是最常用的建模方法相比,图形和标记建模。另一点是几乎所有的研究系统都没有对CARS模型的复杂性提出任何简化,他们认为所有的上下文属性对目标用户具有相同的权重或重要性。在我们的工作中,我们提出了一个混合范式的CARS,结合预过滤和后过滤,这将提高推荐的质量。此外,我们还提出了一种简化CARS属性复杂度的方法,即使用两个上下文维度(内部和外部)来简化CARS属性的复杂度,并在计算预测的公式中使用系数,根据目标用户的需求对上下文属性赋予不同的权重。所提出的方法将应用于健康食品推荐领域作为CARS的应用领域,这是尚未探索。3.2. 健康食品推荐系统虽然许多推荐系统只试图将用户的偏好与他们对音乐、电影或书籍的品味结合起来,但最近的方法主要集中在食物推荐上。后者中的一些是基于上下文推荐的。Lifesum(网站:https://lifesum.com/(咨询时间:02/2018))是一个旨在帮助建立健康生活方式的应用程序,计划减肥/增重。它允许用户根据他们的卡路里选择食物。首先,用户选择他希望遵循的养生方式的类型,然后他输入他的个人信息,例如身高、当前体重和他希望达到的体重。之后,应用程序计算其形态每天所需的卡路里数。食物推荐系统(Ge,2015)使用基于内容的推荐技术来产生饮食推荐。这是基于食物的相似性基本上,该系统根据先前评估的特征构建用户简档,Healthydiet(Shekharand Krishna,2012)是一个健康饮食RS和一个中间程序,具有一个用户界面,可以自动从人们的饮食习惯中提取有用的信息该系统的设计与实现是基于Web数据挖掘技术,在准确率和RS执行时间分析方面,采用ID3和C4. 5两种决策树学习算法,对健康食品数据集进行在该系统中,健康食品数据集首先应用于基于内容的过滤,其分析用户过滤后的产品是有益于用户健康的食品HealthyEat-out RS(Atanacio,2014)是使用CF提供个性化推荐的RS,它还跟踪每日营养和热量摄入。该系统根据用户的口味和每日营养目标,建议尝试的地方和菜肴该系统允许用户通过移动和网络应用程序对菜单上的菜肴进行评分。Chefpad(Kuo等人, 2012)是一种收集推荐的系统,其适合于用户的偏好并且可以考虑用户的健康。它是在移动平台上开发的,同时考虑到该应用程序可以直接在厨房中使用。由FooducateLTD开发的Fooducate应用程序(Huang,2015)使用算法系统,Foodu- cate允许用户输入食物或扫描条形码,以确定特定食物的营养食物是H. Zitouni等人/沙特国王大学学报1129A产品的分类由其营养成分、成分和制造工艺决定。亚马逊上的杂货店和食品RS(Huang等人,亚马逊已经发展成为最受欢迎的在线商业网站之一。它为各种产品提供了大量的用户评论,包括针对不同类型用户的所有类型的食品。它基于亚马逊上的用户评论,可以通过学习食物的味道、产品特性以及用户与产品之间的相关性来ShopWell(Tatli,2009)是一款条形码扫描和商店应用程序,可根据用户的营养需求评估食品和杂货餐馆推荐系统(Dias,2016)旨在提供一个系统,支持人们找到根据他们的健康状况和偏好提供食物的餐馆。这项研究不是简单地帮助人们识别最适合他们的食物,而是提出了一种机制,从餐厅本体中收集菜单项,并根据用户的健康状况对其进行分类它提供了一个简单而准确的程序,通过一个基于测验的视觉用户界面来分析食物偏好,并将学术资料投射到营养适当的食物选项中,以找到用户感兴趣的食物。3.2.1. 讨论表2总结了每项工作的主要特点从该表中可以看出,根据预期目的,推荐的上下文在一个系统与另一个系统之间是不同的:推荐餐馆、健康食品、食谱或食品。大多数建议的系统认为健康因素只是一个简单的属性和非优先级参数。另一点是,没有一个研究的系统考虑用户偏好,食品健康和用户环境一起计算预测。在我们的工作中,我们将提出一个新的原型的健康食品推荐,其中用户的情况和偏好两者都被考虑在内。4. 二维上下文协同推荐系统(2DCCRS):CARS4.1. 基本思想首先,为了解决上下文推荐系统的问题,特别是那些涉及到多维的复杂性,我们提出的模型将上下文属性分类为内部和外部。这允许以不同的方式处理上下文属性。 图 2显示了内部和外部上下文的示例。其次,2DCCRS依赖于两个新的概念,即聚合和利益相关者,处理新的项目和用户情况。4.2. 基本概念在本小节中,我们在强调系统架构之前提供一些基本定义:a) 内部背景和外部背景(IC、EC)所提出的方法依赖于协同推荐系统的关键概念,即用户,项目,评价和社区。其主要目标是解决CARS和协同过滤系统中遇到的问题这是通过使用以下各自的关键思想来构建如图所示的解决方案方案。一曰:将用户上下文分割成外部上下文和内部上下文。● 使用聚合和利益攸关方概念内部上下文IC:内部上下文由与用户自身相关的一组因素定义,例如,情绪与疾病图二. 两个语境表2健康食品领域的推荐系统方法标准建议预测计算基于建议算法项目User Food用户偏好健康环境(网址:https://lifesum.com/)(咨询时间:02/CBF是是没有Aliment(2018年))(Ge,2015)CBF是否没有Aliment(阿塔纳西奥,2014年)CF否是没有健康食品(Shekhar和Krishna,2012)CBF否是没有饮食(阿塔纳西奥,2014年)CF否是没有健康食品(Kuo等人, 2012年)CBF是是没有配方(Huang,2015)CBF是是没有Aliment(Huang等人,(2017年)HF是否没有杂货(Tatli,2009年)CBF是是没有Aliment(迪亚斯,2016年)HF否是是的餐厅(Yang,2016)CBF是是没有配方●1130H. Zitouni等人/沙特国王大学学报[外部上下文EC:外部上下文由与用户环境相关的一组因素定义;诸如时间、温度、环境因素。. 等因此,建议R可以定义如下:R:模式×项目× EC? 评级其中:模式是用户使用其IC的抽象表示(即,模式=用户IC)因此,与Adomavicius& Tuzhilin(Adomavicius和Tuzhilin,2011)范式不同(参见图1)。 1),我们建议incorpo- rating RS的上下文,如图所示。3.第三章。 我们注意到,字母R、U、I表示与图1中相同的事物。 1.此外,P、IC和EC分别代表模式、内部语境和外部语境。图图3描述了我们的建议,该建议对图1所示的范例进行了一些修改。提出的范例是,基于内部上下文的预过滤,基于外部上下文的后过滤和结合前两个上下文的混合过滤。b) 聚合和利益攸关方利益相关者(Stakeholder):利益相关者是一组拥有相同内部上下文特征的用户,和/或他们处于相似的外部环境中。换句话说,它们具有相同的外部特征。聚合:聚合是与特定涉众的所有用户相关的一组项目。(An创建利益相关者和聚合的示例将在案例研究中进行4.3. 2DCCRS的总体结构所提出的2DCCRS的总体架构如图所示。 四、它包括三个层次:内部上下文层、协作推荐层和外部上下文层。因此,2DCCRS的一般架构是基于混合算法(图1)。 5)。a) 内部上下文层内部上下文层采用预过滤的方法,只根据用户的内部上下文特征进行过滤。过滤过程首先根据每个用户的配置文件(模式)将其分配给适当的利益相关者,然后指定与其内部上下文一致的项目集合。在计算项目的预测(Pred 1)之前,根据用户所属的利益相关者计算项目的适当权重(Wi图三. 在2CdCRS中整合两个语境维度的范式H. Zitouni等人/沙特国王大学学报1131.ðÞ ¼12Þ见图4。所提出的2CdCRS的一般架构。图五、 H T应用程序截图:登录屏幕; H T评分;H T抽屉(W)和(Pred 1)的公式定义如下:1WiU; I5 if 艾岛0否则中文(简体)nð1Þ其中:- U:用户;- I:项目;- Ai:利益相关者i的适当聚合;- n:U所属的利益相关者的总集合。P1Ai1在所提出的方法中,预测是基于5的尺度计算的。对于二元分类,尺度为1。这一战略使我们能够解决以下问题:- 新用户:根据其个人资料(内部背景属性)将其分配给相关利益相关者(即,不需要其评估历史)。Pred1 U; I1132H. Zitouni等人/沙特国王大学学报--vi2Iuwv2uipPi2Iuwv 2wi-- 新物料:当系统中引入新物料时,根据其描述性属性,直接将其分配到相应的聚合中。这一层的过程适用于连接到系统的每个用户或在用户自己执行的配置文件更新期间。预滤波算法下面的算法描述了内部上下文层的过程.该算法的主要思想是,每个用户输入为了决定是否向用户推荐项目,基于协作过滤的RS,该评级的预测值必须基于用户之间的相似性来计算。在我们的方法中,我们使用余弦相似度来计算用户对之间的相似度值,如等式1所示。 假设u和w是一对用户,其中每个用户都表示为的向量!x,x!W,分别。两个用户u和w之间的余弦相似性然后由以下公式给出:在系统中将有一个配置文件(描述他的内部上下文属性)。这将允许系统将他分配给适当的利益相关者,这将有助于系统指定适合这些利益相关者的相关项目的聚集我也是!xu;x!关于我们其中:pPPi2iuwvuivwið3Þ利益相关者;以计算该层的第一预测(Pred 1)。预滤波算法输入:U的IC属性,项目I的集合。输出:Pred1。1:开始2:如果(U是新用户),则/*新用户3: 用户订阅系统 */4:{I:是一组由u和w评级的项目。答:是一个项目。Vui或Vw i:是向量中包含的投票!x,x!W,分别基本上,余弦相似度是两个向量的点积除以每个向量的幅度的乘积我们将点积除以幅度,因为我们只测量角度差。一旦根据用户社区之间的相似度值识别出用户社区,我们就通过以下公式计算次级5:为U创建用户配置文件;6:根据利益相关者的Pred2.uiXKv1/4simul; uv.Xj-Xv20047: 轮廓;l;j 1/4升PKjsimu;uj8:指定相关聚合Ai;第九章:其中:v¼1lv第十章:十一日:十二:十三日:十四日:十五:十六日:十七:十八日:十九日:二十:第二十一章:二十二:二十三:二十四:否则/* 系统中已存在{用户登录;如果(你更新了他的个人资料),{将U重新分配给适当的利益相关者;/* 根据他的IC属性 */指定相关聚合Ai;}}对于(i=1toI),{/* 参见等式2*/Pred 1(U,i);/* 我们计算目标用户U未查阅的项目的预测}端PH. Zitouni等人/沙特国王大学学报1133- Xl(分别为Xv)是用户ul给出的评级的平均值(分别)v)所有项目。- k:基于相似度的值的用户u1的k个最近邻居- i j:是一个项目没有评级由u l..请注意,如果用户是新用户,则此预测的结果为0在这种情况下,推荐引擎在生成最终推荐时将消除这一层,并且只考虑第一层和最后一层。这一层的过程需要考虑用户的口味作为推荐所基于的第二个因素协同过滤算法描述了协同推荐层的流程。它将用户历史记录(评级)作为输入然后,系统通过使用余弦相似度公式计算这些用户之间的相似度来将这些用户分组为社区最后,系统估计该层的预测值(Pred2)b) 协作推荐层(CRL)它是所提出的体系结构中的中间层它主要基于协同过滤技术。通过回顾现有的CARS,我们观察到,在项目推荐上下文中,这种类型的过滤对于向目标用户推荐他或她尚未查阅但已经被属于他的社区的其他用户欣赏的一些项目非常有用在这一层中,过滤将通过基于他们关于推荐项目的评估历史将在同一社区中具有相似品味的用户分组来应用此外,将用户彼此关联使得可以使其他人的每个意见受益。在这一层,我们的目标是通过创建社区来确保味道协同过滤算法输入:包含所有用户评价历史的矩阵输出:Pred2。一曰:2:开始3:V(U)=目标用户U的评级向量,4:评价历史矩阵;5:NU=评估历史中的用户数量6:矩阵;7:对于(i=1到NU),1134H. Zitouni等人/沙特国王大学学报;a(续)第八章:第九章:第十章:十一日:十二:协同过滤算法{Sim(U,W);f * 参见等式3* fif(Sim(U,W)>= Threshold)then/*相似度值超过阈值推荐引擎由三个层的集成定义,以达到预期的目标。根据 由多个 层产生 的处理 和结 果,系 统还将 计算一 般预 测(PredG)并将其向下排序以生成对目标用户的最终推荐;由Tops-K餐给出。PredG公式定义如下:十三日:十四日:属于 */{PredG u iaωPred1u;ibωPred2u;icωPred3a/b/cð5Þ十五:十六日:十七:十八日:十九日:(U,W)2CU;/*U和W是相似的,所以它们属于同一个社区*对于(j=1to length(CU)),{选择由W评定且未被U咨询的I;Pred 2(U,I);/* 参见等式4*/}}}端已知a、b、c是系数,以相同的方式处理旨在处理上下文属性的问题的系数。推荐算法描述了推荐引擎的过程。该算法将三个基本层提供的结果作为输入来计算一般预测(PredG)。最后,该算法生成与目标用户相关的TOP-K项列表5. 案例研究H T:用于健康食品推荐的上下文协作RSc) 外部上下文层它是所提出的架构的最深层,其中使用后滤波算法。后者基于用户的外部环境过滤过程首先根据用户的外部环境和依赖于其特征的项目聚合将每个用户分配给适当的利益相关者。项目的最终预测计算(Pred3)需要根据用户所属的利益相关者计算适当项目的权重(w)。(W)和(Pred3)的公式与ICL的公式完全相同。这一阶段使我们能够实现我们工作的主要目标之一,即提出有关项目的建议。后置滤波算法该算法描述了外部上下文层的过程,该过程与来自用户环境的上下文信息的数据一起操作这是为了将其分配给适当的利益相关者。后一项任务将允许系统定义用户所属的利益相关者索引中的相关聚合;以便计算第三个预测(Pred 3)。后置滤波算法输入:EC属性的U,一组物品I。输出:Pred3。1:开始2:将U重新分配给适当的利益相关者;/* 基于3:关于他的EC属性 */4:指定相关聚合Ai;5:For(i=1toI)do6:{7:Pred3(U,i);8:}端4.4.推荐引擎正如我们前面提到的,拟议的系统是基于多层架构,在这一部分,我们将解释的作用,H. Zitouni等人/沙特国王大学学报1135过去几十年来,高血压、糖尿病甚至癌症等疾病的负担一直在增加。不用说,饮食是解释这些健康问题的主要因素。如今,去餐馆或在外面吃饭是许多人生活方式的一个组成部分。事实上,食品种类和成分组合的增长势头强劲。越来越多的食物是可用的,这使得在可用选择的大空间中决定吃什么的任务变得复杂。根据世界卫生组织的定义,慢性病是一种无法治愈但可以控制的持久的人类疾病(慢性疾病和健康促进,2016)。因此,应该记住,健康和规律的饮食是控制高血压,糖尿病和肥胖等慢性疾病的最有效机制。提供的饭菜种类繁多,使户外的人们处于一种混乱的境地。菜单上所显示的膳食建议是所有人的虽然,他们没有相同的特征(年龄,性别,体重,健康状况,饮食习惯等)。还是一样的味道。根据意大利Bozen-Bolzano自由大学的研究,关于人们(其中65%是男性,35%是女性)对食物建议的意见,通过回答以下问题(Dharkar和Rajavat,2012):你想通过适应或屈服于你的个人口味来获得更健康的食物推荐吗?三个可能的答案是:- 是:意味着该人更喜欢更健康的食物推荐;- 是的,但在一定程度上:意味着该人希望收到的建议,他的口味和他的健康之间的平衡;- 否:意味着这个人只想要适合他口味的食物。调查结果显示,95%的受访用户希望以某种方式调整他们的口味,以获得更健康的饮食建议。本案例研究旨在提出一种新的解决方案,以帮助患有慢性病且没有任何营养知识的人,以及没有生病但有健康问题或希望找到适合其健康的1136H. Zitouni等人/沙特国王大学学报条件和食物偏好。为此,我们提出了一种基于协同过滤的上下文推荐方法,该方法生成个性化的膳食,以引导用户在广泛的选择空间考虑到以下方面:有关此用户的一般信息(如性别、年龄、体重)。. 等)。用户的健康状况用户的饮食习惯(素食主义者,Hallal)。用户的身体活动(是否进行体育运动)。用户的食物偏好用户所处的外部环境的影响(时间、温度及其环境因素等)。例如,我们工作的主要目标是实现平衡健康和口味因素(健康和美味)的协作和上下文推荐系统,换句话说,我们将提出一种移动应用,其提供专用于目标用户的个性化膳食。为了使建议的方法和案例研究之间的联系,我们将在我们的案例研究的背景下定义2DCCRS的基本概念5.1. H T的关键要素无论推荐的对象是什么,我们都可以在每个协作RS中找到一些经典的概念,例如:用户、项目、评估和社区。此外,我们还介绍了内部背景、外部背景、聚合和利益相关者等概念。用户在所提出的方法中,用户是一个寻找有用的工具来选择健康膳食并同时满足他的口味的人,并且他属于以下类别之一:a) 健康的使用者(没有生病),希望在日常生活中遵循健康的饮食习惯。b) 患有慢性疾病的用户,在我们的工作中,我们将专注于以下疾病:糖尿病,高血压,肥胖症。疾病的选择是根据后者的特殊性做出的,其中饮食是治疗的一部分,并且预定的药物不足以治愈患者。拥有健康的饮食和/或有规律的饮食是控制这些慢性疾病过程中最有效的机制。这就是为什么膳食是根据他的疾病的迹象推荐给每个生病的用户项目在我们的方法中,该项目是由一顿饭,它可以是开胃菜,主餐或甜点根据口味偏好的给定用户和他的健康约束。它以两种形式出现在我们的系统中:- 单一项目:用户可以选择以下类型的膳食之一(开胃菜,主餐或甜点)。- 多项目:用户可以选择一种以上的膳食类型评价评价是用户对推荐项目给出的满意度的度量,并且可以是:显式:由用户以直接(显式)方式提供,隐式:从用户的购物历史,他的收听习惯或访问页面的数量... 等在我们的系统中,我们将选择0星到5星之间的明确评级,如下所示:三星及以上(喜欢):正面评价,用户喜欢系统推荐的项目,系统将其视为该用户的偏好之一。三星以下(不喜欢):负面评价,用户不喜欢此商品,以后系统将移到下次推荐此商品。社区社区是一组用户,他们根据他们分配给相同推荐项目的评价历史具有相同的品味该系统根据用户的食物偏好对用户进行聚类利益方利益相关者是一组拥有相同个人特征(年龄,性别... 等等),具有相同的健康和饮食习惯,具有相似的身体活动(IC)和/或具有相似的外部环境(EC)。聚集聚合是与特定涉众相关的所有用户相关的一组项目。基于给定项目中每个营养元素的归属阈值创建聚合。阈值取决于利益相关者的特征。上下文在推荐过程中,有趣的是在特定的上下文中对用户进行分类,以便提取更多的信息并获得更好的偏好预测如前所述,内部是用户的抽象建模的一部分,外部表示从他的环境中产生的上下文属性- 内部语境内部上下文由与用户自身相关的元素定义。在我们的案例研究中,我们研究了三个内部背景,即疾病,体育活动和饮食习惯(清真,素食)。- 外部场境外部上下文由与用户环境相关的一组元素定义在我们的研究中,我们考虑了以下外部属性:时间、温度、环境因素(饭前或饭后服用药物和/或锻炼)。5.2. 实验为了测试实现的原型,我们构建了一个测试语料库,我们使用了一些标准的评价措施。a) 测试语料库为了评估我们的推荐引擎,我们创建了自己的数据语料库,其中包括524名志愿者用户。为了收集这些用户的信息,我们向他们提出了一些问题,他们也回答了一份问卷。后一种方法能够提供用户的个人特征这些项目是基于从USDA2(美国农业部)组成数据库中获取的食品项目语料库定义的。提出数据集背后的原因是没有可用的数据集符合我们的需求。例如,我们没有找到一个转换为数字标度(例如从0到5)或二进制(对于例如喜欢/不喜欢)。2https://fdc.nal.usda.gov/●●●●●●H. Zitouni等人/沙特国王大学学报1137nu;iu;i;n从图7中,我们可以清楚地看到,H T的错误率仍然低于CCF方法的最高的RMSE值包括关于用户的健康状况的信息的数据集(例如,正常、糖尿病、高血压和肥胖)以及他们的个人信息(例如,年龄、性别和体育活动b) 评估措施为了评估我们的方法的有效性和鲁棒性,我们使用了以下评估措施。平均绝对误差(MAE)每一个推荐系统都是基于对一个项目对于目标用户的重要性的估计。用平均绝对误差和均方根误差来评价系统的质量MAE被定义为预测值与原始值之间的绝对误差或差异的平均值MAE指标计算如下:MAE¼Pu;i. pu;i-nu;i.均方根误差ð5ÞRMSE被定义为平方误差的平均值的根RMSE度量计算如下:我知道了。ffiffiffipffiffiffiffiffiffiffi-ffiffiffiffiffinffiffiffiuffiffiiffiΣffiffi2ffiffi见图7。H T和CCF上TOP-k的MAE和RMSE。其
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功