吴 杰,姜宜鑫*,韩国敬,马 驰

(1.辽宁科技大学 计算机与软件工程学院,辽宁 鞍山 114051;2.鞍山市气象局,辽宁 鞍山 114004;3.惠州学院 计算机科学与工程学院,广东 惠州 516007)

0 引 言

随着互联网的不断发展,信息量的不断暴涨,每位用户找寻自己想要的需求信息更是难上加难。为了解决信息过载问题,帮助用户快速准确地找到自己想要的东西,推荐系统应运而生,并且被认为是缓解信息过载问题的最有效办法之一[1]。

传统上推荐系统分为:基于内容的推荐系统、协同过滤推荐系统和混合推荐系统[2-4]。目前,主流推荐任务的实现依赖用户的历史交互行为(例如点击记录,购买记录)。然而推荐系统很难从这些隐式反馈中挖掘用户的真正偏好,使推荐结果受到很大程度的限制,并且给不出推荐某个商品的理由。对于这些问题,可评判(Critiquing)推荐系统[5-8]不仅可以对推荐的商品进行解释,也可以通过用户对解释项的评判挖掘用户的偏好,从而提高推荐质量。相比传统推荐系统,通过用户的评判,推荐系统能及时获取用户的显示反馈,更能准确反映用户的真实偏好。

整个推荐过程分为两步,首先通过用户与项目的历史交互行为,推荐系统生成解释项及推荐项。关键字作为商品的解释项,用来解释推荐的项目,如图1(a)所示。其次,对于生成的项目,如果没有满足用户需求,则可以对解释项进行评判。用户对“棕色”这个关键字进行评判,代表用户并不偏好“棕色”属性,而是对“水果味”“焦糖”这两个属性比较感兴趣,推荐系统则可以通过偏好反馈来重新推荐,如图1(b)所示。……