摘 要

推荐系统旨在为用户过滤大量信息，向他们提供更能满足其偏好和需求的信息。如今，个性化推荐服务已经广泛应用于各个领域，例如电子商务、电影及音乐等娱乐行业、旅游业等。然而随着社交网络的高速发展，人们结成团体进行活动的情况变得十分普遍，在这种情况下，群体推荐系统解决了为可能具有不同兴趣的用户组成的群组提供推荐的问题。

群推荐问题本质上属于群体决策问题，因此本文受现有群体决策方法的启发，考虑尽可能地使群组达到更高的整体满意度，本文提出了一种优化的基于共识驱动的群体推荐方法。该方法首先摒弃掉以往研究中单一使用基于用户的协同过滤方法的习惯，使用评分预测准确率更高的混合协同过滤算法，保证推荐过程中生成群组推荐的可靠性；然后引入群体决策理论中的共识支持系统模型，通过共识控制过程不断迭代，改变群组部分成员对部分项目的偏好，以使个人偏好向群组偏好靠近，从而达到群组成员对推荐结果的高度共识。

本文使用研究中最为常用的MovieLens数据集对算法推荐效果进行检验，采取precision（精确度）以及nDCG（归一化折损累积增益）作为推荐效果的评估指标，并分别探索了个人偏好权重与成员偏好修改比例对算法的影响，同时本文也将不同共识阈值情况下算法的推荐效果与传统的平均策略进行了比较。实验结果表明，本文提出的基于共识驱动的推荐算法推荐效果明显优于传统的平均策略集结方法。

关键词：群体推荐；共识；协同过滤；推荐系统

Abstract

The recommendation system is designed to filter a large amount of information for users and provide them with information that better suits their preferences and needs. Today, personalized recommendation services have been widely used in various fields, such as e-commerce, entertainment industries such as movies and music, and tourism. However, with the rapid development of social networks, it has become common for people to form groups to conduct activities. In this case, the group recommendation system solves the problem of providing recommendations for groups of users who may have different interests.

The group recommendation problem is essentially a group decision problem. Therefore, this paper is inspired by the existing group decision-making methods, and considers the group to achieve higher overall satisfaction as much as possible. This paper proposes an optimized consensus-driven group recommendation method. This method first discards the habit of using the user-based collaborative filtering method in the previous research, and uses the hybrid collaborative filtering algorithm with higher accuracy of scoring prediction to ensure the reliability of group recommendation in the recommendation process. Then the paper introduces the consensus support system model of the group decision theory, constantly iterating through the consensus control process, changing the preferences of some members of the group for some items, so that the individual preferences are close to the group preference, so as to reach the height consensus of the group members for recommendation results.

In this paper, we use the MovieLens dataset, which is the most commonly used in the research, to test the recommended effect of the algorithm, taking precision and nDCG as the evaluation index of the recommended effect, and exploring the impact of personal preference weight and member preference modification ratio on the algorithm. At the same time, this paper also compares the recommendation effect of the algorithm under different consensus thresholds with the traditional average strategy. The experimental results show that the consensus-driven-based recommendation algorithm proposed in this paper is significantly better than the traditional average strategy aggregation method.

Key Words：Group recommendation; Consensus; Collaborative filtering; Recommended system

目录

第1章 绪论 1

1.1 研究目的及意义 1

1.1.1 研究目的 1

1.1.2 研究意义 1

1.2 国内外研究及应用现状综述 2

1.3研究内容及组织结构 3

1.3.1 研究内容 3

1.3.2 组织结构及技术路线 3

第2章 相关理论介绍 5

2.1 群体推荐系统 5

2.2 共识支持系统模型 6

第3章 基于混合协同过滤算法的评分预测 9

3.1 协同过滤算法概述 9

3.2 混合协同过滤算法 12

3.2.1 改进的基于项目的协同过滤算法 12

3.2.2 混合基于项目和用户的评分预测方法 12

第4章 基于共识支持系统模型的群体推荐系统 14

4.1系统简介 14

4.2 推荐阶段 14

4.3 共识阶段 16

4.4 系统开发与实现 20

第5章 案例分析 23

5.1 实验数据 23

5.2 评价指标 24

5.3 实验设计 24

5.4 实验结果分析 25

5.4.1 个体偏好平衡参数β对算法的影响 25

5.4.2 成员偏好修改比例参数ne对算法的影响 26

5.4.3 共识阈值对算法的影响及比较分析 27

第6章 总结与展望 29

6.1 全文总结 29

6.2 研究展望 29

参考文献 31

致谢 33

第1章 绪论

1.1 研究目的及意义

1.1.1 研究目的

随着互联网的高速发展，如今已经进入web3.0时代，相较于更偏向社交的web2.0时代，web3.0则更注重交互，不仅仅网民可以提出需求，相关企业也能根据网民日常产生的数据对网民的喜好做出分析和判断。web3.0的标志性特点是“以人为本”，旨在提供个性化的服务体验，在每时每刻产生的海量信息中筛选出最符合用户的优质信息优先展现。而这种个性化服务的实现需要用户有一个“在线信息筛选黑盒子”，能够根据用户的基础信息及行为信息进行深度挖掘，在无形之中向用户推荐其可能更感兴趣的信息，个性化推荐系统便是web3.0标志性特点的标志性实现。

个性化推荐系统旨在为用户过滤大量信息，向他们提供更能满足其偏好和需求的信息。在大数据时代背景下，用户不仅仅是数据的消费者，也是数据的创造者，信息在各个用户之间的交互过程中得到了传播，其传播速度之快、涉及范围之广，已经远远超过以往。目前web2.0时代催生的淘宝、京东、当当、Amazon等大型电子商务平台成为用户最主要的购物基地，微博、微信及各大在线社交网站成为用户社交的最主要媒介，个性化推荐在这些电商平台集社交平台上已经得到广泛的使用并发挥着巨大的作用。Web3.0时代，在个性化推荐服务上，无论是精准度、覆盖率，还是新颖度、惊喜度，都有着更高的要求。且随着社交网络的快速发展，用户结成群体的情况十分普遍，如朋友相约观影、家人聚餐、同学结伴出游等，此时传统的针对个体的推荐服务就不再适用，需要尽可能地模拟现实中的群体决策过程，根据群体用户的整体特点进行相应的群体推荐，达到群体推荐结果在其成员的个人偏好中反映出高度一致的程度。因此如何为群体用户提供有效精准的推荐服务已引起很多专家学者的注意，成为推荐领域研究的新挑战。

1.1.2 研究意义

与传统的个性化推荐系统相比，群体推荐系统的任务一般分为获取成员偏好、生成个人推荐、解释群组推荐以及帮助做出最终选择四个部分。根据现有文献的研究，目前主要的群体推荐方法分为两种，一类是个体评级聚合，即将群组成员中各个个体的评级进行汇总聚合，得到一个表示群组偏好的群体评分模型，将群体看作一个整体进行推荐；另一类是个体推荐结果聚合，即通过协同过滤等传统的个性化推荐方法获得每个组成员的个体推荐结果，再对推荐结果进行汇总得到群组的推荐结果。