英语原文共 15 页

基于模糊偏好树的个性化企业对电子服务推荐系统

吴殿双，张光泉，陆杰，IEEE高级会员

摘要 - 网络对企业为客户提供个性化在线服务创造了绝佳机会。推荐系统旨在自动生成对客户（企业或个人）的产品/服务的个性化建议。虽然推荐系统已得到很好的研究，但推荐系统的开发仍存在两个挑战，特别是在现实的B2B电子服务中：

1. 项目或用户简档通常在商业应用中呈现复杂的树结构，这不能通过正常项目相似性度量来处理; 2）在线用户的偏好通常是模糊和模糊的，并且不能通过现有的推荐方法来处理。为了应对这些挑战，本研究首先提出了一种模糊树形结构用户偏好建模方法，其中模糊集技术用于表达用户偏好。然后开发推荐树形结构项目的推荐方法。本研究中的关键技术是一种全面的树匹配方法，它可以匹配两个树形结构数据，并通过考虑树结构，节点属性和权重的所有信息来识别它们的相应部分。重要的是，使用澳大利亚商业数据集和MovieLens数据集测试和验证所提出的基于模糊偏好树的推荐方法。实验结果表明，所提出的模糊树形结构用户偏好简档有效地反映了用户偏好，推荐方法对树形结构项目表现出优异的性能，特别是在电子商务应用中。本研究还将建议的推荐方法应用于开发基于Web的业务合作伙伴推荐系统。

索引术语 - 电子商务，模糊偏好，推荐系统，树匹配，基于Web的支持系统。

• 1. 介绍

通过使用推荐方法，推荐系统[1]，[2]，是基于网络的支持系统，它们在没有用户直接输入的情况下，主动建议所有可用项目中的一组有限和经过排名的项目。这些系统被广泛用于克服由所谓的电子商务[3]，电子学习[4]和电子旅游等各种网络应用以及新闻，电影，书籍，视频推荐[5]和房地产[6]等领域资源中的“信息爆炸”现象所导致的问题。在推荐之前，推荐系统使用背景数据，例如包括来自用户的评级的历史数据，以及输入数据，例如项目的特征或用户评级，来发起推荐;模型和算法将两者结合起来并产生推荐[7]，[8]。在实际情况中，项目和用户行为的特征通常是主观的，模糊的和不精确的[8]，用户的项目偏好通常是主观的和不确定的。用户难以表达他/她对具有确切数字的项目的兴趣。模糊集理论和技术非常适合处理推荐问题中的模糊性和不确定性问题。在先前的研究[8] - [11]中，用户偏好和项目特征已经表示为模糊集合，并且向客户提供了用于选择最合适项目的建议，其中包含不完整和不

确定的信息[12]，[13]。目前的研究和推荐系统应用主要集中在向个人用户提出建议。模糊用户偏好和项目表示相应地关注向量表示。

通过Web创建和提供的大量信息为企业对企业（B2B）电子服务的开发提供了极好的机会，例如在线寻找业务合作伙伴[14]。Web上过多的信息会造成严重的信息过载问题。这个问题的有效解决方案是开发个性化推荐系统;但是，B2B环境中很少使用推荐技术。主要原因是B2B环境中的项目或用户配置文件非常复杂，只能呈现为复杂的结构，例如树结构。例如，B2B应用程序环境中的企业可以提供若干产品类别，每个产品类别可以包含多个子类别，在这些子类别下可以存在多个特定产品，这些产品一起形成树结构。因此，需要树形结构的数据建模和树匹配方法。但是，项目通常在当前研究中被描述为单个值或向量，并且迄今尚未考虑树形结构的项目或用户简档。前面提到的模糊偏好模型（表示为向量）不适合处理基于Web的B2B环境中的树结构数据。

解决这些挑战 - 即树形结构的项目（产品/服务），树形结构的用户偏好，模糊的用户偏好值和建议的个性化 - 在B2B电子服务推荐问题中，本研究提出了一种建模模糊树结构用户偏好的方法，提出了一种树匹配方法，并基于以前的方法，开发了一种创新的模糊偏好基于树的推荐方法。已开发的新方法已在业务合作伙伴推荐系统中实施和应用。

本文有三个主要贡献。从理论上讲，开发了一种综合考虑树结构，节点属性和权重的树匹配方法。从技术方面，开发了模糊树形结构的用户偏好建模方法，以及基于模糊偏好树的树结构项目推荐方法。从实践方面来看，所提出的方法/方法用于开发称为Smart BizSeeker的基于Web的B2B推荐系统软件，具有有效的结果。

在本文的其余部分安排如下。在第二节中，阐述了推荐系统，树匹配方法和模糊集技术的相关工作。第三节介绍了模糊树结构偏好模型。第四节提出了一种全面的树匹配算法来识别两棵树之间的相应部分。第五节提出了模糊偏好树构造算法。第六节给出了树状结构项的模糊偏好树推荐方法。该方法已使用澳大利亚业务数据集和Movie-Lens数据集进行了测试。实验评估和结果在第VII节中给出。在第VIII节中，建议的推荐方法在推荐系统软件SmartComSeeker中实施，以帮助企业找到合作伙伴（供应商或买家）。最后，结论和未来的研究在第九节中给出。

• 1. 相关作品

本节将回顾推荐系统中的推荐系统，树匹配方法和模糊集技术的文献。

A.推荐系统

推荐技术引起了很多关注，并提出了许多推荐方法。三种主要的推荐技术是协同过滤（CF），基于内容（CB）和基于知识（KB）的技术[7]。CF技术是目前推荐系统中最成功和最广泛使用的技术[15]，[16]。它可以帮助人们根据具有相似兴趣的其他人的意见做出选择[17]。CF技术可以进一步分为基于用户和基于项目的CF方法[18]。CF方法的主要局限性是数据稀疏性和冷启动（CS）问题[1]，[16]，[18]。当可用项目的数量增加并且评级矩阵中的评级数量不足以生成准确的预测时，出现数据稀疏性问题。当获得的评级与需要被预测的评级数量相比非常小时，推荐系统便无法定位类似的项目并产生糟糕的推荐。CS问题包括CS用户问题和CS项目问题。CS用户问题（也称为新用户问题）会影响具有少量评级或无评级的用户。

当CS用户的评级项目数量较少时，基于CF的方法无法使用评级相似度准确找到用户邻居;因此，它无法生成准确的建议。CS项目问题（也称为新项目问题）会影响仅具有少量评级或无评级的项目。对于CS项目只有少数评级，基于CF的方法无法使用评级相似性来适当地定位类似的邻居，并且不太可能推荐它们[1]，[19]。CB推荐技术推荐的项目与特定用户之前喜欢的项目类似[20]。CB方法的主要局限性是项目内容依赖问题，过度专业化问题和新用户问题[1]，[20]。KB推荐系统基于关于用户和项目的知识向用户提供项目[21]。与CF和CB方法相比，KB方法没有CS问题，因为新用户可以基于他/她的兴趣知识获得推荐。在大多数情况下，KB方法适用于推荐复杂的产品和服务，如消费品，技术设备或金融服务[21]。KB方法有一些限制，但是，例如，KB方法需要保留有关项目和用户的一些信息以及功能知识，以提出建议。它还受到可伸缩性问题的困扰，因为与其他推荐技术相比，它需要更多的时间和精力来计算大型案例库中的相似性。每种推荐技术都有其自身的优点和缺点，因此提出了混合推荐技术以实现更高的性能，同时避免典型推荐技术的缺点[22]。现有混合推荐技术中最常见的做法是将CF与其他推荐技术结合起来，以避免CF方法的问题[1]，[23]。

已经开发了与用户和项目相关联的基础语义属性和属性，以在称为基于语义的推荐系统的某些类型的推荐系统中生成推荐[24]。关于项目的语义信息包括项目的属性，项目之间的关系，以及项目和元信息之间的关系[25]。作为语义信息的主要来源的分类法和本体可以用于推荐系统，因为它们提供了发现和分类关于要推荐的项目，用户简档甚至上下文的新信息的手段[24]。例如，产品分类法和本体已经在几个推荐系统中提出，以利用相关的语义信息来

提高推荐质量[26]-[28]。在商业环境中，产品类别用于评估企业之间的语义相似性[2]，[14]，[29]。语义信息的使用能提供关于为什么特定项目被推荐或未被推荐的额外解释并提供比当前CF技术更好的推荐效果，特别是在很少或无可用的评级信息的情况下[29]。在本研究中，应充分考虑树状结构业务数据的属性信息，以提出准确的建议。

B.树匹配

树状结构数据广泛应用于许多应用领域[30] - [34]。在树结构数据的应用过程中，研究了树相似性度量[35]，树同构[36]和子树匹配问题[34]，[37]。树编辑距离模型[37]是用于比较有序或无序标记树的结构的最广泛使用的方法。该模型将两棵树与将一棵树转换为另一棵树的编辑操作序列的最低成本进行比较。编辑操作产生编辑距离映射，编辑距离映射是编辑操作应用于两个标记树中的每个节点的图形规范[38]。树编辑距离模型也用于树同构和子树匹配问题[37]。在上述研究中，仅考虑树结构和节点标签，这不足以用于B2B电子服务推荐的应用。在我们之前的研究中，构建了两个树形结构数据之间的编辑距离映射，它考虑了树结构，节点属性和权重[39]，[40]。在推荐系统中使用了许多树匹配方法。在[41]中，用户的行为模式表示为树结构，树匹配用于查找不同行为模式之间的相关性。在电信行业，商业用户的产品/服务通常具有复杂的层次结构;因此，树结构数据已被用于表示项目和用户配置文件[40]，[42]。已经开发了树匹配方法来评估树结构项或用户之间的相似性。但是，这些方法无法构建模糊树形结构的用户首选项并将项目与用户首选项匹配。在本研究中，为了在B2B电子服务环境中匹配树形结构项和用户偏好，基于树编辑距离映射开发了一种新的树匹配方法。

C.推荐系统中的模糊集技术

模糊集理论为非随机不确定性的管理提供了丰富的方法。它非常适合处理不精确的信息，对象或情境类别的不清晰，以及偏好轮廓的渐进性[8]，[43]。在[10]中，项目表示为断言集上的模糊集。项的要素或属性的值是与要素相关的断言子集的模糊集。用户的有意偏好被表示为基本偏好模块，其是可以评估项目的组件的有序加权平均。用户的扩展偏好表示为用户经验项目的模糊集合，其成员资格度是评级。基于该表示，可以推断出用户对项目的偏好。Zenebe等人[8]，[9]定义了项目的特征集和每个特征的一组值。这些物品是表示为值上的模糊子集，由特征向量表示。介绍了四种基于模糊集的相似性度量：模糊集理论，余弦，接近度和相关性。Cao和Li [44]使用领域专家的语言术语来评估消费者电子产品的特征，并允许用户使用语言术语来表达他们对项目特征的需求。在[12]中，用户偏好表示为从用户集到项集的正面和负面的两种模糊关系。通过整合CB相似度和基于项目的CF相似度来计算项目相似度，CB相似度是项集合内的模糊关系，基于项目的CF相似度是基于用户偏好计算的。

通过来自偏好和项目相似性关系的模糊关系演算来生成用户相似性。通过组成上述模糊关系产生最终建议，即正面和负面偏好。Porcel等。[13]基于CB滤波和多粒度模糊语言建模技术，开发了一种基于模糊语言的推荐系统，可用于评估不同的定性概念。模糊相似性度量和模糊匹配方法已经在以前的研究中使用，但据我们所知，没有研究专注于解决树状结构数据中的模糊性问题。

III.模糊树结构偏好模型

本节描述模糊树结构化用户首选项的表示。模糊集技术用于模拟用户偏好;给出了一个正式的树形结构数据模型，然后给出了模糊树形结构的用户偏好模型。

1. 用户的模糊偏好

要向用户提出建议，必须知道有关用户首选项的信息。本节介绍了用户首选项的建模方法。关于用户偏好的信息基本上可以通过两种不同的方式获得：扩展和有意[10]。扩展表达的偏好信息指的是基于用户关于特定项目的动作或过去经历的信息。有意表达的偏好信息是指用户在所考虑的项目中对他们所期望的内容的规范。在本文中，用户偏好模型涵盖了两种信息。

在推荐系统的实践中，商业用户的偏好通常是复杂和模糊的。可能难以要求商业用户表达对项目或项目的特征的清晰偏好，因此难以用清晰的数字表示用户的偏好。在这项研究中，模糊集技术用于描述用户的复杂和模糊的偏好。

假设完全有序的集合R=｛1,2，...，r｝被预定义以表示评级的清晰值。一个用户u对项目（或特征）j的偏好被表示为模糊集R，，其 中每个表示评级i的隶属度。如果没有混淆，将表示为{,,...,}。例如，假设清晰的评级为1到5的等级，其中1为最低评级，5为最高评级，则用户对项目的偏好通过隶属度[0，[1]，表示为模糊子集{1,2,3,4,5}。 偏好值（0/1，0/2，0/3，0.9/4，1/5）表示一个用户非常喜欢某件物品，偏好度是高隶属度（1）比评级值“5”以及非常高的隶属度（0.9）比评级值“4”，而偏好值（1/1，0/2，0/3，0/4，0/5）表示用户根本不喜欢该物品，偏好度是高隶属度（1）比评级值 “1”和其他评级值的低隶属度（0）。

本论文考虑了这一研究，提出了各种结构，物品的特征构成了层次结构。 业务用户的偏好涉及一组产品/特征，因此用户偏好被描述为具有模糊偏好值的树结构。 为了正式描述树结构项和用户首选项，树结构数据模型的定义如下。

B．树结构数据模型

定义树结构数据模型以表示树结构化项或用户偏好。它基于基本树定义，如下所示。

定义1 [45]：树被定义为有向图T =（V，E），其中基础无向图没有周期，V中有一个可分辨的根节点，用root（T）表示，因此对于任何节点，从根（T）到节点v的T中有一条路。

在实际应用中，定义通常扩展为表示实际对象。在本研究中，通过在定义中添加以下特征，提出了树状结构数据模型。

1)节点属性：树中的节点被赋予语义含义。引入了域属性项集合A，它是一组用于指定节点语义含义的符号。存在属性分配函数a：VA，以便为树中的每个节点分配属性。属性

资料编号：[3269]