一种基于价值的推荐方法

A Value-based Recommendation Method

符丁

（黔南民族师范学院 计算机与信息学院,贵州 都匀  558000）（e-mail:hnhbwhfd@126.com）

摘要  用消费价值理论对协同过滤和基于内容的推荐方法从用户需求和产品的表示方面来分析其推荐，发现其推荐缺乏社会责任和整体性的问题.为解决上述问题,从行为价值驱动视角,提出一种基于价值的推荐方法和评价指标. 方法认为顾客选择购买和消费的不是产品，而是价值；产品为顾客提供了六种正负消费价值中部分或全部，不同产品有相同价值，产品应按基于场景的功能正价值归类；顾客有六种正价值中部分或全部需求和拒绝负价值需求，对需求中各正价值偏好的程度不同，对待负价值带来风险的态度不同，偏好相似顾客的现状不同，顾客根据感知价值选择购买某种品牌的产品.基于上述观点，方法用正价值解决推荐的整体性，用负价值解决推荐的社会责任，用感知价值提升推荐的精度．实验结果表明,协同过滤和基于内容的推荐缺乏社会责任和整体性,而基于价值的推荐具有社会责任和整体性，基于价值推荐的精度高于协同过滤和基于内容推荐的精度．

关键词    推荐系统；基于价值的推荐；价值过滤；评价指标；价值；信任

Key words  recommender system; value-based recommendation; value filtering; criteria of assessment; value; trust

推荐系统是帮助用户解决信息过载问题的有效工具, 已被广泛应用于包括电子商务在内的多个领域．协同过滤和基于内容的推荐是目前较为常见的推荐方法． 协同过滤推荐系统面临新用户, 新产品,打分稀疏性和算法可扩展性等问题；基于内容的推荐系统受到信息获取技术,专业化程度过高等因素的制约^[1-16]．除了上述问题, 它们还存在缺乏社会责任和整体性的问题．

整体性是系统最基本的特性，人类活动所追求的本来目标本质上是整体性或整体涌现性，因此，整体性是推荐系统满足用户需求的必然要求．推荐的整体性是指推荐系统能同时向用户推荐诸多不同种类（或内容）的产品，而这些产品相互作用或加工处理所产生的结果是用户所期望实现的价值，或者说，这些产品与主体以一定方式相互作用表现出的整体特性是主体所期望实现的价值，总之，这些产品对用户所期望实现的价值有贡献且必不可少．例如：严重脑梗塞患者，推荐系统应向患者推荐治疗该疾病的知识、药物、食物和康复设备（器材），临床医学实践证明：上述单一产品难以使患者康复，只有上述所有产品与患者以一定方式相互作用下才能使患者康复，康复是整体效应的结果，是患者所期望实现的价值．用户所期望实现的价值要求推荐系统具有推荐的整体性，而现有的推荐系统不具有推荐的整体性．再如：对初涉推荐系统的研究者而言，他期望推荐系统能同时向他推荐有关推荐系统方面的论文和对推荐系统研究有贡献的其它领域论文，目前推荐系统能向他推荐有关推荐系统方面的论文，但不能同时向他推荐对推荐系统研究有贡献的其它领域论文，而后者更有价值，如人类行为动力学论文，因为它为研究者研究推荐系统提供新颖的视角和启发，研究者有望研发出对推荐系统理论有贡献的成果，该成果是研究者所期望实现的价值．预测事物变化的研究者期望推荐系统能向他推荐影响事物变化的直接和间接因素，以便使用预测技术准确地预测事物将会发生何种变化，事物将会发生何种变化是研究者期望要的价值．如：股票分析师掌握影响股票变化的直接和间接因素的完整信息就能用预测技术准确地预测股票走势，股票走势是股票分析师期望要的目标价值．总之，推荐的整体性对于领域研究者而言，其价值不言而喻．此外，推荐的整体性还隐含推荐的多样性、新颖性、惊喜性．综上所述，整体性推荐的产品能够更好地满足用户需求，整体性是衡量推荐系统满足用户需求的能力．

社会责任性是衡量推荐系统规避风险的能力．具有社会责任的推荐系统能推荐可用产品清单和禁用产品清单；可用产品清单中的产品既能满足消费者的需求，又不会给消费者带来风险；禁用产品清单中的产品会给消费者带来风险，推荐该清单目的是给消费者以善意的提醒，有助消费者规避风险．两份清单体现系统的能力、仁慈与正直，是消费者所期的，如，某种疾病患者不仅希望系统能推荐使疾病康复的产品且不会带来风险，还希望推荐影响疾病康复的产品，提示患者禁用以避免疾病恶化．在现实生活中，消费者更想知道哪些产品不适合自己消费，因此，推荐禁用产品比推荐可用产品更重要，但是，现有的推荐方法却忽略了．不具有社会责任的推荐系统所推荐的可用产品将会给消费者带来风险，产品给消费者带来风险将导致消费者对推荐系统不信任．此外，推荐系统应有帮助消费者改掉坏的消费习惯，引导、培养消费者好的消费习惯的社会责任．

基于内容（协同过滤）的推荐方法本质上是计算产品（用户）相似性．基于内容的方法是通过属性计算产品的相似性，推荐的产品既可以是同种类（或内容）的，也可以是不同种类（或内容）的，但种类及种类数不具有用户所期望实现的目标价值所需的产品种类及种类数．尽管通过属性可以将用户不喜欢含有某（些）属性的产品过滤掉，但通过属性能否将用户不喜欢含有某（些）负价值的产品过滤掉是不确定的．协同过滤方法分为基于用户的协同过滤、基于产品的协同过滤和基于模型的协同过滤．基于用户的协同过滤是基于用户的行为自动进行聚类计算用户的相似性，基于产品（模型）的协同过滤是基于用户的行为自动进行聚类计算产品的相似性．协同过滤不能将用户不能消解负价值的产品过滤掉，推荐的产品既可以是同种类（或内容）的，也可以是不同种类（或内容）的，种类及种类数是否具有用户所期望实现的目标价值所需的产品种类及种类数是不确定．理论分析结论：基于内容（协同过滤）推荐的产品不仅存在给用户带来风险，而且难以实现用户所期望的价值，即方法缺乏社会责任和整体性，实证研究也给予了验证．

基于内容（协同过滤）的方法注重产品（用户）相似性，计算产品（用户）相似性是基于属性（行为、关系），而不是基于价值；忽视用户需求本质、产品的本质、产品的负价值和偏好相似用户的现状不同是造成基于内容（协同过滤）的推荐缺乏社会责任和整体性的根本原因．基于内容（协同过滤）的方法认为人类的行为是记忆驱动、兴趣驱动，但人类行为动力学揭示:人类的某些行为是价值驱动的^[17]．从行为价值驱动视角，针对基于内容（协同过滤）的方法存在缺乏社会责任和整体性的问题，提出了一种基于价值的推荐方法和评价指标．本文主要贡献如下:

·发现基于内容（协同过滤）的推荐方法存在的严重问题：缺乏社会责任和整体性．推荐系统是否具有社会责任和整体性是决定用户是否对推荐系统的信任．

·改进消费价值模型，构建了产品价值效用模型、消费者功能正价值需求效用模型、产品价格效用模型和消费者感知价值效用模型，为基于价值的推荐方法奠定了坚石的理论基础．

·提出了基于价值的推荐方法．从行为价值驱动的视角重新思考推荐，抓住用户需求本质、产品的本质、对产品负价值消解能力不同和偏好相似用户的现状不同，通过正负价值解决了基于内容（协同过滤）的推荐方法缺乏社会责任和整体性的问题，通过感知价值提升了推荐的精度，理论与实证结果表明了该方法的有效性．

· 提出了新的评价指标：社会责任性和整体性，丰富推荐方法的评价指标．

本文第1节描述相关工作；第2节问题定义；第3节描述方法的理论基础；第4节阐述方法观点，给出方法框架，描述方法的实现；第5节实验与结果分析；第6节价值方法与现有方法就信任问题分析；第7节给出全文总结及以后研究工作．

1 相关工作

本节介绍基于内容的推荐方法、基于协同过滤的推荐方法、基于深度学习的内容过滤方法和基于深度学习的协同过滤方法，并对方法的社会责任和整体性的问题进行分析．

基于内容的推荐方法用属性表示用户需求和产品，将与用户有交互行为（如购买）的产品的部分属性及属性值作为用户的需求，通过与产品的属性及属性值的匹配来推荐相似的产品，推荐的产品既可以是同种类（或内容）的，也可以是不同种类（或内容）的．消费价值模型揭示：用户的需求本质是价值，而不是属性及属性值，价值是消费行为的驱动力；产品的本质是消费价值或产品价值，而不是属性及属性值；产品价值是购（拒）买的理由．用户有正价值需求和拒绝负价值需求，如：心脏病患者有心脏病康复（正价值）需求和拒绝加重心脏病(负价值)需求．产品有多方面的正负价值，如：<<辛德勒的名单>>影片有战争对人性的危害、生命至上、扬善避恶等正价值和血腥场景对心脏病患者有加重心脏病等负价值．尽管产品价值是由属性及属性值决定，但是，有些产品价值由那些属性及属性值决定是可知，也有些产品价值由那些属性及属性值决定是不可知，判定产品价值的属性参考值（标准）是变化的、动态的，判定产品价值具有专业性和跨领域性，因此，由用户或系统依据部分属性及属性值来判定产品具有何种价值既不科学也不准确．尽管用户是通过对产品属性及属性值的要求来实现其价值需求，但是，用户价值需求的实现决不是属性及相应属性值累加的结果，而是诸多具有这方面价值的不同种类（或内容）的产品与用户以一定方式相互作用的结果．属性只是实现用户价值需求的手段，使用此手段的结果并不能确保用户目标价值的实现，原因在于：部分属性及属性值是否表达了用户的价值需求和产品的价值是不确定的，推荐的产品是否具有用户所期望实现的目标价值是不确定的，推荐产品的种类及种类数肯定不能满足用户所期望实现的目标价值所需的产品种类及种类数．尽管通过属性可以将用户不喜欢含有某（些）属性的产品过滤掉，但通过属性能否将用户不喜欢含有某（些）负价值的产品过滤掉是不确定的，换句话说，推荐的产品不能肯定不含用户不能消解的负价值．基于上述分析可得：基于内容的推荐方法缺乏社会责任和整体性．

协同过滤分为基于用户的协同过滤、基于产品的协同过滤和基于模型的协同过滤．基于模型的协同过滤常见方法为矩阵分解法，以及将辅助信息集成到矩阵分解中的扩展方法，如基于信任的推荐方法^[18-20]．基于用户的协同过滤实质上是给用户分类，确定用户属于哪类用户群，向用户推荐该类用户群所喜欢的产品．基于产品（模型）的协同过滤首先给产品分类，然后确定用户兴趣属于哪些类及感兴趣程度，最后向用户推荐该产品类中最喜欢的产品．给用户（产品）分类是基于用户的行为（兴趣）自动进行聚类，对于某个用户（产品）是否属于一个类，完全由用户的行为（兴趣）确定，分类是动态的．由于给用户（产品）分类是基于用户的行为自动进行聚类，而不是明确基于价值，因此，既不能确保用户类中的用户所喜欢的产品具有相同价值，也不能确保产品类中的产品具有相同价值；既不能确保用户类中的用户所喜欢产品的种类及种类数与用户所期望实现的目标价值所需的产品种类及种类数相符，也不能确保产品类中产品的种类及种类数与用户所期望实现的目标价值所需的产品种类及种类数相符．综上所述，协同过滤推荐的产品既可以是同种类（或内容）的，也可以是不同种类（或内容）的；不同种类（或内容）的产品是否具有用户所期望实现的目标价值是不确定的，产品的种类及种类数是否具有用户所期望实现的目标价值所需的产品种类及种类数是不确定的，换句话说，难以确保这些不同种类（或内容）的产品与用户以一定方式相互作用的结果是用户所期望实现的目标价值．方法不仅没有体现用户需求本质和产品的本质，而且还忽略了产品的负价值和偏好相似用户的现状（如健康，年龄等）不同，因此，方法不能将用户不能消解负价值的产品过滤掉，推荐该产品会给用户带来风险．基于以上分析可得：基于协同过滤的推荐方法缺乏社会责任和整体性．

基于深度学习的内容（协同）过滤方法^[21-26]是将深度学习技术融入传统的内容（协同）过滤方法中，发挥深度学习的优势以弥补传统内容（协同）过滤方法某（些）方面能力的不足，旨在提高推荐的精度，是传统内容（协同）过滤方法的扩展，与传统内容（协同）过滤方法没有本质区别，因此，基于深度学习的内容（协同）过滤方法缺乏社会责任和整体性．

所谓价值，就其深层而言，是指客体与主体需要的关系，即客体满足人的需要的关系；就其表层而言，价值是客体满足了主体需要而产生的一种效应，即价值是主体与客体相互作用过程中客体对主体的效应^[27]，或者说，价值是主客体以一定方式相互作用表现出的整体特性或整体涌现性．当整体特性对主体的生存或发展具有正面的意义，则为正价值，此客体具有或包含正价值；当整体特性对主体的生存或发展具有负面的意义，则为负价值，此客体具有或包含负价值；当整体特性对主体的生存或发展既不具有正面的意义，也不具有负面的意义，则为零价值，此客体无价值．

所谓消解是指使产品负价值对消费者的生存或发展不具有负面的意义，或者说，消费者具有根除、减弱或承受产品负价值的能力．例如，健康人可以消解影片中惊险刺激场景产生的副作用，而心脏病患者不可以消解影片中惊险刺激场景产生的副作用；治疗某疾病的药有加重胃溃疡的副作用，胃溃疡患者对此药的负价值不可以消解，非胃溃疡患者对此药的负价值可以消解．

2 问题定义

基于价值的推荐的问题定义如下：假设在推荐系统中存在N个用户且用户行为是价值驱动的,其构成的集合为                                               ,存在M个产品,其构成的集合为,给定N个用户信息和M个产品信息，用户信息包括用户特征信息、基本健康信息和用户与产品交互信息, 产品信息包括产品名称、生产者、品牌、价格、生产日期、有效期、产品（正负）价值、产品与价值的关系和产品类型等．基于价值的推荐旨在从用户信息和产品信息中获取用户价值需求（正价值需求和拒绝负价值需求）和产品价值向目标用户推荐k个可用产品和p个禁用产品；可用产品满足目标用户正价值需求且感知价值效用值最大同时保证无风险，禁用产品满足目标用户拒绝负价值需求，即禁用产品会给目标用户带来风险；如果M个产品中存在使目标用户正价值需求得以完全满足的产品，那么k个可用产品使目标用户正价值需求得以完全满足，即k个可用产品与目标用户以一定方式相互作用的结果是目标用户所期望实现的目标价值；如果M个产品中存在x个含有目标用户拒绝负价值需求的产品，那么p=x．

3基于价值的推荐方法的理论基础

本节首先对消费价值模型进行改进，再根据改进的消费价值模型、消费者感知价值理论和效用理论构建产品价值效用模型、消费者功能正价值需求效用模型、产品价格效用模型和消费者感知价值效用模型，模型作为基于价值推荐方法的理论基础．

3.1产品消费价值模型

Sheth等认为：顾客选择购买和消费的不是产品，而是价值；产品为顾客提供了功能价值、社会价值、情感价值、认知价值和情境（条件）价值，消费者选择购买行为受这五种消费价值中部分或全部价值的影响^[28]．随着物质生活水平的日渐提高，越来越多的消费者不再满足于基本需求和品质需求，而关注消费体验，满足不同场景下的消费需求成为消费新常态．Sheth等的消费价值模型难以解释目前的消费者选择购买行为，为此，在现模型基础上加入场景价值，改进模型能解释目前消费者选择购买行为．改进的消费价值模型认为：顾客选择购买和消费的不是产品，而是价值；产品为顾客提供了六种消费价值中部分或全部价值，六种消费价值分别为功能价值、社会价值、情感价值、认知价值、情境价值和场景价值；功能价值是产品基本（核心）价值，其它价值是在基本价值的基础上的扩展（扩增）价值；消费者选择购买行为受六种消费价值中部分或全部价值的影响且各价值的影响程度不同，准确地说，消费者选择购买何种品牌的何种产品的决策依据是消费者感知价值；产品的每种价值有正负之分，从此角度，产品为顾客提供了正价值和负价值；消费者将满足其价值需求的正价值的感知价值视为正，正价值满足消费者价值需求的程度与消费者感知价值成正比；消费者将其不能消解的负价值的感知价值视为负，负价值给消费者带来的风险与消费者感知价值成反比，消费者对待风险的态度与消费者感知价值成正比；消费者将不满足其价值需求的正价值的感知价值和其能消解的负价值的感知价值均视为零．

3.2产品价值效用模型

改进的消费价值模型认为：一个产品有一种或多种不同的正负价值，产品正价值由功能正价值和正扩展价值构成，产品负价值由功能负价值和负扩展价值构成．消费者在消费产品时，不仅消费了产品的正价值，同时也消费了产品的负价值．“效用”作为价值判断标准，效用是指消费者通过消费某种产品或享受闲暇等使自身的需求、欲望得到满足的一个度量[29]，是以消费者现状为基础的、对客观价值的主观认知．对能满足消费者正价值需求的产品，消费者的现状（如：健康状况）不同，消费该产品的后果不同，即价值效用不同，如:心脏病患者和健康者观看含惊险刺激场景的影片．产品价值效用计算方法有两种，一种是基于场景驱动的价值效用计算方法，另一种是基于功能驱动的价值效用计算方法．鉴于越来越多消费者的需求趋势是基于场景的消费体验，故采用基于场景驱动的价值效用计算方法．方法将场景价值从扩展价值中抽出作为产品其它价值的基础，所谓基础是指：当产品的场景价值不满足消费者的场景价值需求时，产品的价值效用值为0，换句话说，消费者认为产品没有使用价值．

依上述，产品价值效用值的大小可表述为:

  (1)

式（1）中：U(V) 代表产品的价值效用，U(V_scene) 代表产品的场景价值效用,U(PV) 代表产品正价值效用，U(NV) 代表产品负价值效用．

当产品的场景价值满足消费者的场景价值需求时，则产品的场景价值效用值为1，否则为0．产品的场景价值效用值的大小可表述为:

                    (2)

场景价值效用模型作为第一次价值过滤依据，第一次价值过滤是将不满足消费者的场景价值需求的产品过滤掉，本次过滤旨在实现推荐的消费体验．

消费者对功能正价值和正扩展价值的偏好程度不同，产品的正价值效用值的大小可表述为:

  (3)

式（3）中：U(FPV) 代表产品的功能正价值效用，U(PEV) 代表产品的正扩展价值效用．w_fpv和w_pev分别为产品的功能正价值和正扩展价值的权重，且．.n代表已交互（购买）的产品数.

对于产品功能正价值，当产品功能正价值能满足消费者的功能正价值需求，则产品功能正价值效用值为a，0＜a≤1，a=1表示产品功能正价值完全满足消费者的功能正价值需求，换句话说，表示产品与消费者以一定方式相互作用的结果是消费者所期望实现的功能正价值；当产品功能正价值不能满足消费者的功能正价值需求，则产品功能正价值效用值为0．依上所述，产品功能正价值效用值的大小可表述为:

                (4)

产品功能正价值效用模型作为第二次价值过滤依据．第二次价值过滤是将满足消费者的场景价值需求的产品集中不满足消费者的功能正价值需求的产品过滤掉，本次过滤旨在实现推荐的整体性．

产品既可能包含正扩展价值中的部分或全部价值，也可能不包含正扩展价值．消费者既可能没有正扩展价值的需求，也可能有正扩展价值中部分或全部价值的需求，且对正扩展价值中各价值的偏好程度不同．依上述，产品的正扩展价值效用值的大小可表述为:

      (5)

式（5）中: U(PV_social) 代表产品的社会正价值效用，U(PV_emotional) 代表产品的情感正价值效用，U(PV_cognitive) 代表产品的认知正价值效用，U(PV_condituonal) 代表产品的情境正价值效用．w_ei分别为相应价值的权重，且， ，f_i=1..4分别代表已交互（购买）的产品中社会正价值、情感正价值、认知正价值和情境正价值出现次数．

产品有多方面或多种的情感正价值，如：高兴、放松和兴奋等，产品的情感正价值效用值为产品多方面或多种的情感正价值效用值之和，因此，产品的情感正价值效用值的大小可表述为:

  (6)

               (7)

由式（6）和（7）可得：

  (8)

式（6）、（7）和（8）中：n为情感正价值的方面或种数，u(pv_i)为产品的i方面（种）的情感正价值效用，w_i为u(pv_i)的权重，，,x_i表示产品是否具有i方面（种）的情感正价值，y_i表示消费者是否有i方面（种）情感正价值需求．当产品具有i方面的情感正价值，则x_i为1；否则，x_i为0．当消费者有i方面情感正价值需求，则y_i为1；否则，y_i为0．

产品的社会正价值、认知正价值和情境正价值效用值的大小表述与产品的情感正价值效用值的大小表述相同．依上所述，产品正扩展价值效用值的大小可表述为:

            (9)

式（9）中：0＜b≤1，b=1表示产品的正扩展价值完全满足消费者的正扩展价值需求．产品的正扩展价值效用值是产品的正扩展价值对不同的消费者呈现的主观价值，产品的正扩展价值效用模型作为第四次价值过滤依据，第四次价值过滤是将最不满足或不满足消费者社会正价值、情感正价值、认知正价值和情境正价值需求的产品过滤掉，本次过滤旨在提高推荐的精准性．

由式（3），（4）和（9）可得：

        (10)

对于产品负价值，如果消费者对产品的负价值可以消解，那么消费产品负价值不会给消费者带来风险和利益（痛苦和快乐），此时消费者对负价值的感知价值为零，即产品负价值效用值为0；如果消费者对产品的负价值不可以消解，那么负价值会给消费者带来风险，此时产品负价值效用值为负，风险与负价值效用成反比，态度与负价值效用成正比，故产品负价值效用值为-c/d，c为负价值给消费者带来的风险，0＜c≤1，d为消费者对待风险的态度，1≤d＜∞．依上所述，产品负价值效用值的大小可表述为:

              (11)

产品负价值效用模型作为第三次价值过滤依据，第三次价值过滤是将满足用户正价值需求的产品集中负价值不可以消解的产品过滤掉，本次过滤旨在实现推荐的社会责任性．

由式（1），（2），（10）和（11）可得：

     (12)

式（12）中列出8种情况下的产品价值的效用值，即产品价值对不同的消费者呈现的感知价值，它是价值客观性的主观价值论．对推荐系统而言，8种情况就是8种方案，8种情况下的产品价值效用值就是8种方案的后果对于决策者的效用值．效用最大化是消费者追求的目标和选择购买决策的依据，因此，推荐系统应采用效用值为w_fpv*a+w_pev*b和w_fpv*a的方案，其它方案不予采用．也就是说，在产品正价值能满足消费者的正价值需求，或在产品功能正价值能满足消费者的功能正价值需求，或对消费者所期望实现的价值有贡献，且消费者对产品的负价值可以消解的条件下，推荐系统可以推荐该产品；当产品正价值能满足消费者的正价值需求，或在产品功能正价值能满足消费者的功能正价值需求，或对消费者所期望实现的价值有贡献，但消费者对产品的负价值不可以消解，推荐系统不可以推荐该产品；若产品功能正价值不能满足消费者的功能正价值需求，或不能对消费者所期望实现的价值有贡献，无论消费者对产品的负价值是否可以消解，推荐系统不可以推荐该产品．换句话说，当产品效用值为w_fpv*a+w_pev*b和w_fpv*a时，如果推荐系统没有将该产品作为推荐候选，则表明推荐系统难以实现推荐的整体性；当产品效用值为((w_fpv*a+w_pev*b)-c/d)或((w_fpv*a)-c/d)或((w_pev*b)-c/d)或-c/d时，如果推荐系统推荐该产品，则表明推荐系统缺乏社会责任，除-c/d等于零外；当产品效用值为w_pev*b或0时，如果推荐系统推荐该产品，则会降低推荐的准确率．产品的价值效用模型是推荐系统生成候选推荐产品的依据，是消费者感知价值效用模型的基础.

3.3消费者功能正价值需求效用模型

消费者功能正价值需求要得到完全满足，或者说消费者所期望实现的价值得以实现，需要诸多不同种类（内容）的产品以及相应的产品消费量（标准量），而这些产品对消费者所期望实现的价值有贡献且必不可少．根据消费价值理论，消费者功能正价值需求效用可通过产品的功能正价值效用来表达．消费者功能正价值需求效用的大小由所需产品种类数和产品消费量来决定，消费者功能正价值需求效用值的大小可表述为:

          (13)

式（13）中：n为消费者所期望实现的价值所需产品种类数；a_i代表第i种产品消费标准量，产品消费标准量是指消费者功能正价值需求得到完全满足所需产品消费量，产品消费量大于标准量，不会增加效用，产品消费量小于标准量，则会降低效用； u_i代表第i种产品价值效用，i=1,2,…,n，且a_i>0，1>u_i>0，当 ，表示这些组合产品与消费者以一定方式相互作用的结果是消费者所期望实现的价值，即消费者功能正价值需求得到完全满足，如前面提到的严重脑梗塞患者康复．式（13）得：

       (14)

如果推荐系统推荐的产品种类数为m，m<n，消费者功能正价值需求效用值为:

          (15)

由式（14）和式（15）可得：

       (16)

由于

则              (17)

由式（17）可得，如果推荐系统推荐的产品种类数小于消费者所期望实现的价值所需产品种类数，那么推荐系统推荐的这些产品与消费者以一定方式相互作用的结果达不到消费者所期望实现的价值，换句话说，该推荐系统不具有推荐的整体性.

3.4产品价格效用模型

尽管消费者追求高性能、高质量的产品，但价格效用值大的产品是消费者选择和购买的对象．价格效用是消费者对价格满足自己偏好价位的主观心理评价，即消费者是根据自己的偏好价位来判断价格效用，由于不同的消费者有不同的消费价位偏好，偏好价位是消费者心理价格区间，因此，同一价格对不同的消费者有不同的效用，不同价格对同一消费者来说效用也是不同的．当价格符合消费者偏好价位（即价格在消费者心理价格区间内），购买产品，消费者会感到满意、快乐或幸福，那么为产品所付出的金钱价值效用值为正值（即价格效用值为正值）；当价格大于消费者偏好价位上限，消费者认为太贵，购买产品，消费者会感到不满意（不快乐）或痛苦，那么为产品所付出的金钱价值效用值为负值（即价格效用值为负值）；当价格小于消费者偏好价位下限，消费者担心质量不行（即达不到自己的质量要求），购买产品，消费者也会感到不满意（不快乐）或痛苦，那么为产品所付出的金钱价值效用值为负值．价格效用本质上反映消费者的价值需求、经济地位、购买能力、价值观念等．

依上所述，产品价格效用建模步骤如下：首先，根据消费者已购买产品的价格对消费者的消费价位建模；其次，依据消费价位模型对消费者过去时间段内偏好价位和平均消费价位建模，再根据最近两个连续时间段内平均消费价位对比以判断消费者的消费价位走势；第三，利用最近时间段内偏好价位和消费价位走势因子对消费者未（将）来偏好价位建模；最后，根据消费者未来偏好价位模型对产品价格效用建模．

消费者的消费价位可根据已购买产品的价格来确定，消费价位计算公式如下：

 (18)

式（18）中：公式将不易对比的价格映射在[0,1]区间，使不同的产品之间（消费）价格也是可以比较的；CP_cit表示消费者c在t时刻购买产品i的消费价位，代表产品的价格等级和消费者的消费等级；P_cit表示消费者c在t时刻购买产品i的价格；HP_cit和LP_cit分别表示在同一购物情境下t时刻购买产品i类目最高价和最低价．

消费者c在t时间段内偏好价位为，其中，MINCP_ct和MAXCP_ct分别为消费者c在t时间段内最低和最高消费价位．

平均消费价位计算公式如下：

       (19)

式（19）中：ACP_ct表示消费者c在t时间段内购买n件产品的平均消费价位．

如果ACP_c(t-1)>ACP_ct，说明消费者的消费价位走势向低；如果ACP_c（t-1）<ACP_ct，说明消费者的消费价位走势向高；

由于影响消费者偏好价位的因素是变动，如消费者的收入与需求，说明消费者偏好价位具有向高价位或向低价位走势的动态性，因此消费者未来偏好价位应根据最近偏好价位和价位走势来确定．消费者未来偏好价位计算公式如下：

 (20)

式（20）中：

由公式（18）可得产品i价格p的价位CP_ip，产品i价格p的效用计算公式如下：

      (21)

式（21）中：当价格大于消费者未来偏好价位上限，价格效用值为；当价格符合消费者未来偏好价位时，价格效用值为1；当价格小于消费者未来偏好价位下限，价格效用值为．产品价格效用模型是将价格不符合消费者偏好价位的产品过滤掉的依据，是消费者感知价值效用模型的组成部分．

3.5消费者感知价值效用模型

消费者感知价值的驱动因素主要是由产品价值、品牌价值（权益）、价值质量和价格因素构成^[30]，其中，产品价值是基础．消费者对品牌价值、价值质量和价格的偏好程度不同．品牌价值与品牌星级存在正相关关系，因此品牌价值效用值可用品牌星级表示．具有相同价值的产品价值质量不同，消费者选择价值质量好的产品；价值质量好坏用价值质量效用表示，普通消费者难以评判价值质量，但消费者相信领域专家对价值质量的评价，因此，用领域专家评价来表示价值质量效用．目前，大多数学者都认同消费者感知价值是消费者对自己的得失 (利益与代价)进行比较的结果^[31]．依上述，结合推荐系统特点，消费者感知价值效用模型构建如下:

   (22)

式（22）中：U(P_i) 为消费者对产品i感知价值效用，U(V_i)为产品i的价值效用，U(B_i)为产品i的品牌价值效用，U(CP_ip) 为产品i价格p效用U(Q_i) 为产品i的价值质量效用； d作为一票否决机制，如果向消费者推荐过该产品或消费者购买过该产品，则d为0，否则为1．w_b、w_q、w_cp分别为品牌价值、价值质量和价格的权重，且.

4基于价值的推荐方法

本节首先阐述方法观点；然后给出方法框架；最后描述框架构件以及方法实现过程.

4.1方法观点与框架

基于价值的推荐方法认为：从表象直观上看，消费者选择、购买和消费的是产品；但从本质上看，消费者选择、购买和消费的是价值，即消费者的需求本质是价值．产品为消费者提供了功能价值、社会价值、情感价值、认知价值、情境价值和场景价值，即产品的本质是消费价值或产品价值，其中，功能价值是产品的基本价值，其它价值是产品的扩展价值．产品价值是由属性及属性值决定，判定产品价值的属性参考值（标准）是变化的、动态的，产品价值的个数比产品属性的个数少得多．价值相对于属性而言易于获取，价值在本质上比属性及属性值抽象、稳定．用价值来表达消费者需求比用（部分）属性及属性值来表达消费者需求更能准确地反映消费者的需求本质，用价值来表示产品比用(部分)属性及属性值来表示产品更能准确地反映产品的本质，用价值来表示消费者需求和产品保证了产品与需求的无缝对接．一个产品有一种或多种不同的正负价值，不同的产品有相同的正（负）价值，一个产品可以属于一个或多个价值类，对于产品负价值，有的消费者能消解，有的消费者不能消解，产品的负价值能否消解取决于消费者的现状．消费者选择价值的趋势：首先是场景价值，然后是功能价值，最后是社会价值、情感价值、认知价值和情境价值；产品按基于场景的功能正价值归类是实现推荐整体性的保障．消费者有诸多不同的正价值需求和拒绝负价值需求，拒绝负价值需求实质上说明消费者对产品的某项负价值不能消解． 消费者的一项功能正价值需求要得以完全满足需要一种或诸多不同种类（内容）的产品以及相应的产品消费量（标准量）．消费者选择购买的决策依据是消费者感知的价值, 而不是生产者或物种确定的价值，但消费的乃是产品的客观价值．消费者感知价值是消费者根据自己的价值需求和现状对产品的客观价值的主观认知，因此，不同的消费者对同一产品有不同的感知价值，同一消费者对不同的产品有不同的感知价值．消费者基于场景的价值需求将成为消费新常态，推荐系统应能推荐消费者所期望实现的目标价值所需的可用产品和禁用产品；可用产品既能满足消费者基于场景的价值需求，又不会给消费者带来风险；禁用产品会给消费者带来风险，推荐该产品目的是给消费者以善意的提醒，有助消费者规避风险．

基于价值的推荐方法框架如图1所示：

Fig. 1 value-based recommendation method framework

图1  基于价值的推荐方法框架

用户信息包括：用户特征信息、基本健康信息、用户与产品交互信息．

产品信息包括：产品ID，产品名称，生产者，品牌，价格，生产日期，有效期，产品使用场景（或场景价值），产品功能正价值，产品负价值，产品正扩展价值，价值质量，产品与功能正价值关系和产品类型等．负价值包括功能负价值、社会负价值、情感负价值、认知负价值、情境负价值，正扩展价值包括社会正价值、情感正价值、认知正价值和情境正价值．产品信息数据可以从产品介绍、说明书和评价（获奖等）信息中获取．

价值本体库：用于将用户价值需求与产品价值信息本体化，即统一表达与判断标准，有助于系统理解、获取和表达用户价值需求与产品价值，使系统所表达的用户价值需求与用户所表达的价值需求是一致的，使系统所表达的产品价值与生产商所表达的产品价值是一致的，从而实现用户需求与满足需求产品的准确对接．

产品价值配置文件包括：基于场景的产品功能正价值文件、功能正价值与产品关联文件、产品负价值文件和产品正扩展价值文件．

用户价值需求包括：场景价值需求、功能正价值需求、正扩展价值需求和拒绝负价值需求．正扩展价值需求包括社会正价值、情感正价值、认知正价值、情境正价值、品牌价值和未（将）来偏好价位．负价值包括功能负价值、社会负价值、情感负价值、认知负价值和情境负价值．用户价值需求是利用需求获取方法从用户信息中获得．

用户价值需求配置文件包括：用户基于场景的功能正价值需求文件、用户正扩展价值需求文件和用户拒绝负价值需求文件．

价值过滤是把不满足用户价值需求的产品过滤掉，生成推荐的可用产品清单和禁用产品清单，即推荐列表．可用产品清单中的产品是供用户选择购买，禁用产品清单中的产品是建议用户不要选择购买．

基于价值的推荐方法实现过程：第一，构建用户信息文件、产品信息文件、价值本体库；第二，使用产品价值配置文件构建方法构建产品价值配置文件；第三，使用用户价值需求获取方法从用户信息中获取用户价值需求，再使用用户价值需求配置文件构建方法构建用户价值需求配置文件；第四，采用多次价值过滤的逐步求精的方法生成满足用户价值需求的可用产品清单和禁用产品清单，从而实现推荐的消费体验、整体性、社会责任和精准性；最后，将用户反馈信息存入用户信息文件中.

4.2价值本体与价值本体库的构建

本体是共享概念模型的明确的形式化规范说明^[32], 价值本体描述的是价值领域中概念与概念之间的关系．价值本体能够表达出价值概念间复杂的关系，便于将用户复杂的价值需求信息和产品的多种价值准确地表达出来．价值本体的结构可表示成一个五元组：

O={C,R,F,A,I};

其中，C、R、F、A和I分别是本体中概念、关系、函数、公理和实例的集合．

关系集中除了概念间的4种基本关系（部分整体关系、父子关系、实例关系、属性关系）外，还增加了等同关系、禁忌关系、治疗关系、预防关系、包含关系和贡献关系等．

（1）等同关系表达内涵完全相同的两个或两个以上概念间的关系．等同关系主要有同一概念的不同同义词，同一概念的不同命名、同一概念的不同译名、简称和全称缩写词等^[33]．等同关系与其它关系一起有助于系统正确理解和准确获取用户需求与产品价值．

（2）禁忌关系描述了“用户特征”与“产品”、“行为”、“场景”和“内容”之间的关系．通过禁忌关系获取用户拒绝负价值需求，例如：12岁应禁忌暴力色情内容，心脏病应禁忌惊险刺激场景．

禁忌关系还描述了“产品”与“疾病”之间的关系，通过禁忌关系获取产品负价值，例如：药品“阿司匹林”有加重胃溃疡等负价值．

（3）治疗关系描述了“治疗产品”和“疾病”之间的关系，“治疗产品”包括：药品、食品、器材和知识，患者通过消费或使用治疗产品使疾病得以康复，从而实现患者价值需求----健康．

（4）预防关系描述了“预防产品”和“疾病”之间的关系，用户通过消费预防产品可以预防疾病发生，从而实现用户价值需求----健康保持．

（5）包含（具有）关系描述了“产品”和“价值”之间的关系，即产品包含该价值，或产品具有该价值，用户通过消费产品使价值需求得以满足或实现．

（6）贡献关系描述了“产品”和“价值”之间的关系，即产品对用户价值需求的实现有贡献，如，人类行为动力学和消费价值理论都对推荐系统有贡献．

价值本体构建是根据实验需要对现有领域本体（如疾病领域本体）采用选择性复用并增加所需概念（如场景、疾病治疗与康复场景、治疗产品）、关系（如禁忌关系）等，该本体是一个供实验用的简化本体．价值本体构建的原则是Gruber在文献[34]中提出的5条规则,即:明确性和客观性、完全性、一致性、最大单调可扩展性、最小承诺^[35]．本体构建方法采用斯坦福七步法，用 OWL DL 作为领域本体的本体描述语言，本体构建工具采用的是 Protégé  4.3，用关系数据库SQL Server 2008来持久化本体数据．

下面给出以疾病领域为例构建价值本体与价值本体库的具体过程：

(1)价值本体需求分析：确定价值本体的目的（有效地表示、组织和管理价值知识）、领域范围(健康-疾病领域)、用途(信息过滤)和用户(信息过滤系统使用者)．

(2)确定复用已有的资源: 复用已有的资源不仅有助于高效构建本体库，而且可确保本体库的可用性．复用领域专家推荐的资源有《医学主题表》、《中国药品通用名称》、《国际疾病分类》、《疾病领域本体模型构建研究》、《全医药学大词典》、《家庭常见食物营养全书》、百度百科等．

(3)确定价值本体的核心概念集：首先列举领域重要术语，如：健康（躯体健康、心血管健康等）、疾病（心血管疾病、消化系统疾病等）、治疗产品（药物、食物等）；然后对这些术语进行分类、归类，形成概念分类体系；最后，与领域专家一起来确定这些术语集的核心概念，如：健康概念（躯体健康、心理健康等）、疾病病种概念（心血管疾病、消化系统疾病等）、疾病一般概念（治疗产品、禁忌产品、预防产品等）．

(4)定义价值本体概念类的关系：首先在领域专家的指导下建立概念类及概念类等级体系框架，如:健康类、疾病类、治疗产品类等；然后，将概念类的关系分为等级关系和非等级关系，等级关系包括种属关系和和实例关系，非等级关系包括等同关系、禁忌关系、治疗关系等；最后，概念类等级关系的获取是通过确定概念类所属领域，再利用领域叙词表的范畴表提取领域本体概念的等级关系，如：疾病概念类的等级关系复用《医学主题表》的等级关系，概念类的非等级关系的获取是通过领域专家对各个核心概念之间语义分析人工提取的．

(5) 定义概念类的属性：概念类的属性采用选择性复用已有的概念类的属性并根据刻画知识的需要添加新的属性，如，疾病类的属性有：疾病的标准名称、别名、英文名、治疗产品、禁忌产品等，其中，疾病的标准名称、别名、英文名是复用现有本体疾病类的属性，治疗产品、禁忌产品是根据刻画知识的需要添加的疾病类的属性．

(6) 定义属性分面：属性由多个分面组成, 分面是属性取值的类型、容许的取值等．如疾病类定义了“治疗产品”属性，将这个属性的取值类型限制为“class”, 允许取值的类为药物类、食物类、器材类、知识类，取值个数为多个．

(7) 创建实例：实例是概念类的基本元素，既是概念类的具体实体，也可以是一个类的子类．如，为乙型肝炎类创建的实例：急性黄疸型乙型病毒性肝炎．

(8) 定义领域知识公理：领域知识公理既是知识推理的基础，又有助于确保领域知识库中领域知识的准确性和一致性．知识公理由专家定义，如：一种疾病可以有零或多种治疗产品．

(9)用 Protégé构建价值本体：首先创建类；其次创建属性与属性分面；然后生成关系图；最后创建实例与可视化．

(10) 本体形式化编码：选用OWL语言形式化表示健康-疾病领域价值本体中的概念、属性和关系．

(11)本体评价：领域专家用精准性、合理性、完整性、可重用性、一致性、可扩展性等评测指标来评估价值本体库，评估结果表明该本体库具有有效性、合理性和可用性．

(12) 价值本体库存储：为了便于检索与应用，价值本体库存储在关系数据库中．实现方法：建立OWL DL本体和关系数据库之间的映射关系，按照这种映射关系把OWL本体转换成关系数据库模式存储在关系数据库中.

4.3产品价值配置文件的构建

基于场景的产品功能正价值文件结构为树状结构, 树的非叶子节点分两类：场景节点，功能正价值节点，场景节点在功能正价值节点上面，场景节点与功能正价值节点关系是需要的关系．树状结构的中间节点表示一个比它上面的节点相对狭窄而比它下面的节点相对宽泛的价值概念； 场景节点，如：疾病治疗与康复场景比场景相对狭窄，但疾病治疗与康复场景比疾病治疗与康复医院场景、疾病治疗与康复家庭场景相对宽泛；功能正价值节点，如：躯体健康、心理健康等比健康相对狭窄，但躯体健康比心脏健康相对宽泛； 树状结构的叶子节点表示一个产品集，产品集中的产品具有叶子节点上面节点表示的功能正价值，或者说与叶子节点的上面节点表示的概念是治疗关系、或预防关系、或包含关系、或贡献关系．

构建产品价值配置文件的过程如下：

    (1) 构建价值本体，建立OWL DL本体和关系数据库之间的映射关系，按照这种映射关系把OWL本体转换成关系数据库模式存储在关系数据库中.

    (2) 建立产品信息表，表中包含如下字段：产品ID，名称，生产者，品牌，价格，生产日期，有效期，使用场景（或场景价值），功能正价值，负价值，正扩展价值，价值质量，产品与功能正价值关系和产品类型.表中功能正价值、负价值和正扩展价值用产商使用的概念来表示.

(3) 建立基于场景的产品功能正价值表、功能正价值与产品关联表、产品负价值表和产品正扩展价值表．基于场景的产品功能正价值表包含3个字段：场景（或场景价值），功能正价值，功能正价值ID；功能正价值与产品关联表包含4个字段：功能正价值ID，产品ID，产品与价值领域本体概念（功能正价值）的关系和产品类型；负价值表包含2个字段：产品ID，负价值；正扩展价值表包含5个字段：产品ID，社会正价值，情感正价值，认知正价值和情境正价值．场景、功能正价值、负价值和正扩展价值字段存储的是价值领域本体概念．从功能正价值与产品关联表可以看出基于场景的产品功能正价值表中的功能正价值ID实质上代表一个产品集，产品集中的产品与价值领域本体概念是治疗关系、或预防关系、或包含关系、或贡献关系．基于场景的产品功能正价值文件、功能正价值与产品关联文件、产品负价值文件和产品扩展价值文件在关系数据库中分别以基于场景的产品功能正价值表、功能正价值与产品关联表、产品负价值表和产品正扩展价值表来表示．

   (4) 将存储在关系数据库中价值领域本体的部分映射到基于场景的产品功能正价值表中．表中场景和功能正价值字段存储能表达产品使用场景和产品功能正价值的价值领域本体概念及概念间的父子关系，如：{{疾病、躯体疾病、心血管疾病、冠心病}，{父子关系}，即存储概念集，概念集中的概念用分隔符分隔，分隔符前面的概念是分隔符后面概念的父概念，如：（疾病＞躯体疾病＞心血管疾病＞冠心病），其中＞用作概念间分隔符；在产品功能正价值ID字段存储代表产品功能正价值的价值领域本体概念ID；从而形成一个树状结构的“基于场景的产品功能正价值本体概念树”，非叶子节点表示价值领域本体概念，叶子节点（产品功能正价值ID）表示一个产品集，表中的记录条数就是“基于场景的产品功能正价值本体概念树” 叶子节点个数．

    (5) 抽取产品的使用场景、功能正价值、负价值和正扩展价值本体概念及概念间的父子关系．首先，从产品信息表中提取产品使用场景、功能正价值、负价值、正扩展价值、产品与功能正价值关系和产品类型，一个产品有若干个使用场景、若干个功能正价值、若干个负价值和若干个正扩展价值；其次，分别将产品的使用场景、功能正价值、负价值和正扩展价值在本体关系数据库中进行语义查询得到产品的使用场景、功能正价值、负价值和正扩展价值本体概念及概念间的父子关系和产品与功能正价值领域本体概念关系；最后，将得到的概念及概念间的父子关系用概念集表示．如： 和, SV_k、PV_i和NV_j分别表示产品第k个使用场景、第i个功能正价值和第j个负价值本体概念及概念间的父子关系，其中，←和＞用作概念间分隔符，分别表示需要关系和父子关系．

    (6) 将SV_k 和PV_i与基于场景的产品功能正价值表中的产品使用场景和功能正价值本体概念进行匹配，实质上是将产品的第k个使用场景和第i个功能正价值与基于场景的产品功能正价值本体概念树中的概念匹配，当产品的使用场景和功能正价值与本体树中某个概念匹配时，提取基于场景的产品功能正价值表中匹配概念ID（产品的功能正价值ID），最后，将产品功能正价值ID、产品ID、产品与功能正价值关系和产品类型存入功能正价值与产品关联表中，重复上述操作，直至产品的所有使用场景和功能正价值匹配完毕．

    (7) 将产品第j个负价值（NV_j）和产品ID存入产品负价值表中，重复上述操作，直至产品的所有负价值存入产品负价值表中．

    (8) 将产品正扩展价值和产品ID存入产品正扩展价值表中.

    (9) 重复上述步骤（5）、（6）、（7）、（8），直至所有产品的使用场景、功能正价值、负价值和正扩展价值存入相应表中．

(10) 产品价值配置文件构建完毕．

4.4用户价值需求配置文件构建方法

本节介绍用户价值需求模型，用户价值需求获取方法，用户基于场景的功能正价值需求、拒绝负价值需求和正扩展价值需求文件构建方法.

4.4.1用户价值需求模型

    用户价值需求模型的表示方法采用基于价值领域本体的“用户价值需求概念树”的方式．用户价值需求模型是价值领域本体的部分映射，即用户价值需求模型存储价值需求概念及概念间的部分关系，从而形成一个树状结构的“用户价值需求概念树”．模型采用领域本体中的概念及概念间的关系来描述用户价值需求完整信息．方法把用户需求信息中的语义关系转变为本体中节点间的关系，能准确地表达用户价值需求．系统中每位用户都有三棵属于自己的用户价值需求概念树，一棵是用户基于场景的功能正价值需求概念树，另一棵是用户拒绝负价值需求概念树，最后一棵是用户正扩展价值需求概念树．

用户价值需求的结构可表示成一个二元组： PersonalO={PC,PR}，其中，PC为概念集合、 PR为概念之间关系的集合．

例如，冠心病患者有冠心病康复的正价值需求，即有购买冠心病康复的产品需求，那么

PersonalO={{疾病、躯体疾病、心血管疾病、冠心病、治疗产品、药品、食品、器材、知识}，{父子关系、治疗关系}}；其中，治疗产品与冠心病是治疗关系，治疗产品与药品是父子关系；用不同的分隔符将冠心病、治疗产品、药品、食品、器材和知识这些概念组合在一起作为需求概念树的叶子节点，表示用户的最终具体功能正价值需求．

再如，如果冠心病患者有购买冠心病康复的食品需求，那么

PersonalO={{疾病、躯体疾病、心血管疾病、冠心病、治疗产品、食品}，{父子关系、治疗关系}}；治疗产品与冠心病是治疗关系，治疗产品与食品是父子关系；用不同的分隔符将冠心病、治疗产品、食品这些概念组合在一起作为需求概念树的叶子节点，表示用户的最终具体功能正价值需求．

上述二元组完整准确地表达出用户价值需求，即系统所表达的用户价值需求与用户所表达的价值需求是一致的.

4.4.2用户价值需求获取方法

用户价值需求可通过产品、注册信息、问卷和用户协同等方法获取．具体如下：

(1)从用户已购产品中提取用户场景价值需求、功能正价值需求和正扩展价值需求．因为用户购买和消费的不是产品，而是价值，所以产品的场景价值、功能正价值、正扩展价值、品牌价值和价位就是用户场景价值需求、功能正价值需求和正扩展价值需求．需求获取方法：将用户已购产品与产品价值配置文件进行匹配，提取匹配产品的场景价值、功能正价值、正扩展价值、品牌价值和价位，从而获取用户场景价值需求、功能正价值需求和正扩展价值需求．用户价值需求是用价值本体概念及概念间的关系来表示的，是用不同的分隔符将价值本体概念组合在一起，不同的分隔符代表概念间的不同关系．

（2）从用户注册信息获取用户价值需求．注册信息包括用户特征信息和基本健康信息，用户特征信息包括：性别、出生年月日、职业、婚姻、教育程度、收入等，基本健康信息包括现病史、既往病史，如疾病史、过敏史、残疾情况等．从注册信息中可获取用户正价值需求和拒绝负价值需求，如： 2007年1月1日出生的用户有拒绝暴力色情负价值需求，患心脏病的用户有心脏病康复正价值需求和拒绝诱发或加重心脏病负价值需求．用户价值需求是通过用户特征信息和基本健康信息在价值本体库中进行语义查询而得到价值本体概念及概念间的关系．

（3）通过问卷的方式获取用户价值需求．按问卷设计原则和网站提供的产品设计问卷，将用户回答信息在价值本体库中进行语义查询可得用户价值需求．

(4) 基于用户协同方法获取用户的价值需求．方法的基本步骤：首先，根据所有用户的价值需求信息，寻找与当前活动用户价值需求相似的邻居用户（用户群）；然后，基于邻居的价值需求记录,为当前活动用户进行价值推荐；最后，用户对推荐的价值进行选择确认，生成一个用户场景价值和功能正价值需求集、一个用户正扩展价值需求集和一个用户拒绝负价值需求集.

4.4.3用户基于场景的功能正价值需求文件构建方法

用户基于场景的功能正价值需求文件结构与基于场景的产品功能正价值文件结构相似，树状结构的叶子节点表示用户的最终具体正价值需求．用户基于场景的功能正价值需求文件构建步骤如下：

（1）建立用户基于场景的功能正价值需求表，表包含2个字段：用户ID、场景价值和功能正价值．用户基于场景的功能正价值需求文件用该表来表示．

（2）通过用户价值需求获取方法获取用户场景价值需求和功能正价值需求，生成待确认的用户基于场景的功能正价值需求集．

（3）对待确认的用户基于场景的功能正价值需求集进行分析、确认，生成用户基于场景的功能正价值需求集．

（4）从用户基于场景的功能正价值需求集中取出一项需求，将该项需求和用户ID存入用户基于场景的功能正价值需求表．重复上述操作，直至用户基于场景的功能正价值需求集为空．

（5）用户基于场景的功能正价值需求文件构建完毕.

4.4.4用户拒绝负价值需求和正扩展价值需求文件构建方法

用户拒绝负价值需求和正扩展价值需求文件结构与用户基于场景的功能正价值需求文件结构相似．用户拒绝负价值需求和正扩展价值需求文件构建方法与用户基于场景的功能正价值需求文件构建方法相似.

4.5价值过滤

基于价值的推荐是采用多次价值过滤的逐步求精的方法来实现推荐的消费体验、整体性、社会责任和精准性．价值过滤实现过程如下：

（1）将用户基于场景的功能正价值需求文件与基于场景的产品功能正价值文件逐层匹配（即用户基于场景的功能正价值需求概念树与基于场景的产品功能正价值概念树匹配），提取用户基于场景的功能正价值需求与基于场景的产品功能正价值匹配的产品，生成满足用户基于场景的功能正价值需求的产品集，产品集包含不同种类或内容的产品．此过程包含两个子过程：第一个子过程完成用户场景需求与产品使用场景的匹配，第二个子过程完成用户功能正价值需求与产品功能正价值的匹配．第一个子过程作为第一次价值过滤，它将不满足用户场景价值需求的产品过滤掉，本次过滤实现了推荐的消费体验．第二个子过程作为第二次价值过滤，它将不满足用户功能正价值需求的产品过滤掉，本次过滤实现了推荐的整体性．

（2）将用户拒绝负价值需求文件与产品集中产品的负价值匹配，去掉产品集中负价值不可以消解的产品，生成待推荐的候选产品集．此过程是第三次价值过滤，它将产品集中负价值不可以消解的产品过滤掉，本次过滤实现了推荐的社会责任．

（3）用产品的正扩展价值效用模型计算待推荐的候选产品集中每个产品正扩展价值的效用值，根据效用值大小对相同产品排序，得到多个不同种类或内容的产品排序队列，即多个不同产品的排序队列，从这些不同种类或内容的产品排序队列中提取效用值大的若干个产品，生成多个不同产品的待推荐的候选排序队列．此过程是第四次价值过滤，它将待推荐的候选产品集中正扩展价值效用值小的相同产品过滤掉，即本次过滤是将待推荐的候选产品集中最不满足用户社会正价值、情感正价值、认知正价值和情境正价值需求的相同产品过滤掉，旨在提升推荐的精度．

（4）用消费者感知价值效用模型计算待推荐的候选排序队列中每个产品的感知价值，根据感知价值效用值大小对每个队列中产品重新排序，得到多个不同种类或内容的产品排序队列，从这些不同种类或内容的产品排序队列中提取感知价值效用值大的若干个产品，生成推荐的可用产品集 (推荐列表)．此过程是第五次价值过滤，它将待推荐的候选排序队列中感知价值效用值小的相同产品过滤掉．第五次价值过滤又隐含二次过滤，一次是将待推荐的候选排序队列中已推荐过或消费者购买过该产品过滤掉；二次是将前次未过滤掉的产品中最不满足消费者品牌价值、价值质量和价格需求的相同产品过滤掉，本次过滤是消费者在品牌价值、价值质量和价格需求之间寻求的一种平衡．第五次价值过滤是在前四次价值过滤的基础上进一步提高了推荐的精准性．通过五次价值过滤生成满足用户基于场景的价值需求的可用产品清单．

（5）反复通过五次价值过滤便可生成用户在不同场景下的消费需求能够得到满足的可用产品清单．

（6）用户拒绝负价值需求文件与产品负价值文件匹配，将匹配的产品提取，生成推荐的禁用产品清单.

5实验与结果分析

在本节中，进行了大量的实验，旨在回答以下三个研究问题．

RQ1 基于内容、基于协同过滤和基于价值的推荐是否具有社会责任?

RQ2 基于内容、基于协同过滤和基于价值的推荐是否具有整体性?

RQ3 基于价值推荐的准确率和召回率是否高于基于内容、基于协同过滤推荐的准确率和召回率？

实验数据及测评方法

实验数据来源于MovieLens 20M公开数据集和专业网站．根据MovieLens数据从互联网电影资料库（英文简称IMDb）获取影片导演、主演和获奖情况等信息，电影信息包括电影ID、电影名称、导演、主演、类型、制片国家/地区、出品时间、语言、得分、获奖情况和标签．电影的正负价值从类型和标签中获取，影片的得分和获奖作为用户和领域专家对电影价值的评价（价值质量效用）．利用MovieLens数据和电影信息构造了一个数据集MMovieLens，用来验证基于内容、基于协同过滤和基于价值推荐的社会责任性、准确率和召回率．

数据集MMovieLens主要包括：（1）MMX-Movies，包含电影的ID、标题（电影名称）等；（2）MMX-Movies-Ratings，包含用户对电影的评分信息；（3）MMX-Movies-Values-Ratings，包括电影ID、电影价值、对电影价值的评价；（4）MMX-Movies-Values，包含电影的ID（产品ID）、正价值、负价值、电影与正价值关系；（5）MMX-Movies-Positive-Values，包含电影正价值和电影正价值ID；（5）MMX-Movies -Values-Correlation，包含电影正价值ID，电影ID，电影与价值领域本体概念（产品正价值）的关系；（7）MMX-Movies-Negative-Values，包含电影ID和电影负价值；（8）MMX-Users-Positive-Values，包含用户的ID和用户正价值需求；（9）MMX-Users-Negative-Values，包含用户的ID和用户拒绝负价值需求．MMX-Movies-Positive-Values、MMX-Movies-Values-Correlation、MMX-Movies-Negative-Values分别是基于场景的产品功能正价值文件、功能正价值与产品关联文件、产品负价值文件，构成产品价值配置文件．MMX-Users-Positive-Values和MMX-Users-Negative-Values分别是用户基于场景的功能正价值需求文件和用户拒绝负价值需求文件，构成用户价值需求配置文件．使用产品价值配置文件构建方法构建产品价值配置文件；使用用户价值需求获取方法从用户与产品交互数据（来自训练集）中获取用户价值需求，再使用用户价值需求配置文件构建方法构建用户价值需求配置文件，产品价值配置文件和用户价值需求配置文件中的数据为程序自动生成．在本实验中，将电影价值分为正价值和负价值，将用户价值需求分为正价值需求和拒绝负价值需求，正价值和负价值没有进一步细分，假设正价值就是功能正价值，假设电影场景价值和用户场景价值需求均为家庭场景，因为本研究关注的是推荐的社会责任性和整体性，不是准确率，所以进行简化处理，没有考虑扩展价值．基于内容过滤所需的配置文件及其构建详见参考文献【36】，为观察内容过滤方法的社会责任性，在文献【36】基础上增添用户厌恶模型，厌恶模型用于生成禁用产品清单，用户厌恶模型描述和构建与用户兴趣模型相似，兴趣模型表示用户对产品每个特征的喜欢程度，厌恶模型表示用户对产品每个特征的厌恶程度．厌恶模型是通过产品负价值表来表示健康责任、安全责任、经济责任、法律责任和道德责任．产品的特征为电影类型、制片国家/地区、语言和标签．

根据医师建议从药品、图书等专业网站获取有助下列疾病康复的产品数据，这些疾病分别是心脏疾病（冠心病、心肌病、动脉瘤）、肝脏疾病（肝炎、脂肪肝、肝硬化）、肾脏疾病（肾炎、肾衰竭、尿毒症）、胃病（浅表性胃炎、萎缩性胃炎、胃溃疡）、肺病（肺气肿、肺心病、慢阻肺），感冒（普通感冒、流行性感冒）．产品包括21种图书、117种药物、76种食物、12种康复设备（器材），假设图书和食物没有正扩展价值、原研（或原研进口）药物和康复设备有社会正价值、其它类型药物和康复设备没有正扩展价值．在某三甲医院病房和门诊，选取患有上述某一种疾病患者34位，选取患有上述二种以上疾病患者130位，询问并记录患者信息和患者购买的产品信息，将患者购买信息转换为患者对产品的评分信息．原始数据分别是患者信息、产品信息、评分信息和医师对产品评价信息；患者信息包括患者ID、特征信息、健康信息、患者与产品交互信息；产品信息包括产品ID、名称、生产者、品牌、价格、生产日期、有效期、使用场景（或场景价值）、功能正价值、负价值、正扩展价值、产品与功能正价值关系和产品类型；评分信息包括患者ID、产品ID、评分和评分时间；医师对产品评价信息包括产品ID、产品价值、对产品价值的评价（价值质量效用）．利用原始数据构造了一个数据集MProducts，用来验证基于内容、基于协同过滤和基于价值推荐的整体性、社会责任性、准确率和召回率．

数据集MProducts主要包括：（1）MPX-Products，包括产品ID、名称、生产者、品牌、价格、生产日期、有效期、使用场景（或场景价值）、功能正价值、负价值、正扩展价值、产品与功能正价值关系和产品类型；（2）MPX-Products-Ratings，包括患者ID、产品ID、评分和评分时间；（3）MPX-Products -Values-Ratings，包括产品ID、产品价值、对产品价值的评价；（4）MPX-Users，包括患者ID、患者名、特征信息、健康信息、患者与产品交互信息；（5）MPX-Products-Positive-Values，包括场景（或场景价值），功能正价值，功能正价值ID；（6）MPX-Products-Values-Correlation，包括功能正价值ID、产品ID、产品与价值领域本体概念（功能正价值）的关系和产品类型；（7）MPX-Products-Negative-Values，包括产品ID和产品负价值；（8）MPX-Products-Positive-Extended-Values，包括产品ID、社会正价值、情感正价值、认知正价值和情境正价值；（9）MPX -Users-Positive-Values，包括患者ID、场景价值和功能正价值；（10）MPX-Users-Negative-Values，包括患者ID和拒绝负价值需求; （11）MPX -Users-Positive-Extended-Values，包括患者ID、正扩展价值．MPX-Products-Positive-Values、MPX-Products-Values-Correlation、MPX-Products-Negative-Values和MPX-Products-Positive-Extended-Values分别表示基于场景的产品功能正价值文件、功能正价值与产品关联文件、产品负价值文件和产品正扩展价值文件，构成产品价值配置文件．MPX -Users-Positive-Values、MPX-Users-Negative-Values和MPX -Users-Positive-Extended-Values分别表示用户（患者）基于场景的功能正价值需求文件、用户（患者）拒绝负价值需求文件和用户（患者）正扩展价值需求文件，构成用户（患者）价值需求配置文件．MPX-Products、MPX-Products-Ratings、MPX-Products-Values-Ratings和MPX-Users中的数据是手工录入，使用产品价值配置文件构建方法构建产品价值配置文件，使用用户价值需求获取方法从用户信息（其中患者与产品交互数据来自训练集）中获取用户价值需求，再使用用户价值需求配置文件构建方法构建用户价值需求配置文件，产品价值配置文件和用户（患者）价值需求配置文件中的数据为程序自动生成和录入．基于内容过滤所需的配置文件及其构建详见参考文献【36】，为观察内容过滤方法的社会责任性，在文献【36】基础上增添用户厌恶模型．产品的特征为图书的内容和药物（食物、器材）的功效（能）．

测评方法采用离线评价和医学专家研究两种方式．医学专家研究实验是专家根据推荐项目对方法推荐的整体性、社会责任性、准确率和召回率进行评价．离线实验和医学专家研究实验均以传统纯基于内容的过滤算法（content-based filtering，CBF）^[36]、基于用户的协同过滤算法( user-based collaborative filtering，UserCF) ^[37]、基于物品的协同过滤算法( item-based collaborative filtering，ItemCF)^[37]和基于隐语义模型的过滤算法( latent factor model based filtering，LFM) ^[37]为Baseline，对结果进行了比对分析．实验没有采用最先进的方法作为Baseline，是因为目前最先进的方法与传统经典方法没有本质区别，先进的方法只是提升了经典方法某些方面的能力而已，如：特征提取、缓解稀疏性与冷启动，提高推荐的精度.

5.1评价指标

本文采用社会责任性（Social responsibility）、整体性（Holism）、准确率（Precision）和召回率（Recall）作为实验的评价指标．

社会责任性是衡量推荐系统规避风险的能力．产品给用户带来的风险表现在五个方面（即五种风险类型）:经济、道德、法律、安全和健康，一个产品的负价值可能给用户带来一种、或一种以上、甚至五种风险，风险标度范围为0到1，风险值大小与负价值给用户带来的风险成正比．为计算产品的风险值，在产品负价值表中增加一个字段：负价值风险类型，负价值风险类型字段中各种类型风险的风险值均为壹，剩下类型风险的风险值均为零．如果用户对产品的负价值能够消解，则负价值的风险值为零；否则，用负价值风险类型字段中各种类型风险的风险值计算负价值的风险值．一个产品负价值给用户带来的风险值计算公式定义为：，且， a_i(i=1..5)分别表示产品给用户在经济、道德、法律、健康和安全方面带来的风险，取值范围为0到1, w_ai为a_i的权重．由常识知：安全权值大于健康、法律权值，健康、法律权值大于道德权值，道德权值大于经济权值，则w_a5=w_a4+а，w_a5=w_a3+а，w_a4=w_a2+а，w_a3=w_a2+а，w_a2=w_a1+а. -1/2<а<1/8.产品给用户带来的风险值为产品负价值给用户带来的最大风险值．推荐系统的风险值为可用产品清单中的产品给用户带来的最大风险值．对系统中每位用户，在系统存在可用产品和禁用产品的前提下，如果推荐系统能推荐可用产品清单和禁用产品清单，可用产品清单中每个产品的风险值为零，禁用产品清单中每个产品的风险值为非零，并且x=p，p为禁用产品清单中的产品数，x为系统中会给用户带来风险的产品数，则表示推荐系统具有社会责任；否则，表示推荐系统缺乏社会责任．

整体性是衡量推荐系统满足用户需求的能力．推荐整体性指标定义为： ，其中，n为用户数，m为用户i功能正价值需求个数，x_i,j为实现用户i功能正价值j需求所需产品的种类数,产品已在系统中，y_i,j为满足用户i功能正价值j需求所推荐产品的种类数，产品的场景价值满足消费者的场景价值需求．当H=1,则表示推荐系统具有推荐的整体性，即y_i,j个产品与用户i以一定方式相互作用的结果是用户i所期望实现的功能正价值j；否则，表示推荐系统不具有推荐的整体性．

准确率是衡量推荐系统正确预测用户喜欢（或领域专家认可）产品的能力，度量推荐的准确度^[38]．对于某一用户i，准确率定义为： ，系统准确率定义为:，其中，N表示推荐列表中产品数，N_v表示推荐列表中用户喜欢（用于离线实验）或领域专家认可(用于医学专家研究实验）的产品数，所谓喜欢是指用户与产品有过交互行为，且产品不会给用户带来风险，n 表示用户数．

召回率表示用户喜欢（或领域专家认可）的产品被推荐的概率^[38]．对于用户i，其召回率定义为：，系统召回率定义为:，其中，N_sv表示系统中用户喜欢（领域专家认可）的产品的个数，N_v表示推荐列表中用户喜欢（领域专家认可）的产品的个数，且产品不会给用户带来风险，n 表示用户数．

5.2实验设计与结果

数据集MMovieLens和MProducts构造前工作：构建离线实验和医学专家研究实验所需的价值本体与价值本体库，并用SQL Server 2008来存储，价值本体库是构建产品价值配置文件和用户价值需求配置文件的基础．数据集MMovieLens用作离线实验，数据集MProducts用作医学专家研究实验．实验数据划分：根据用户与产品（电影）的交互时间顺序将数据集中每位用户与产品（电影）的交互信息按4：1划分为二份，一份用作训练数据（即用户的旧或早期行为作为训练数据），另一份用作测试数据（即用户的新或近期行为作为测试数据），训练数据占数据集的80%，测试数据占数据集的20%．实验数据划分没有采用随机划分，而是按交互时间顺序来划分；随机划分方法可能导致用未来预测过去，交互时间顺序划分方法则是用过去预测未来．实验环境:Intel(R) Core(TM) i5-4210U 处理器,4GB 内存,Windows 8.1 中文版64位操作系统,编程语言为Java, JDK1.7+Eclipse4.3作为开发环境，数据库为SQL Server 2008，本体构建工具为 Protégé 4.3．为降低问题复杂性，实验假设公式中的权重相等．

离线实验用于观察5种方法推荐的社会责任性、准确率和召回率．实验假设有5%的用户有拒绝负价值需求（以心脏病为例，如有拒绝不利于心脏病康复的惊悚、恐怖和灾难类型电影）．在实验中，产品价值配置文件是利用测试集中的产品信息构建的，用户价值需求配置文件是利用训练集中的用户信息（用户与产品交互数据）构建的．在实验中，基于5%的用户有拒绝负价值需求，选取5%用户（与惊悚、恐怖和灾难类型电影没有交互行为或最近没有交互行为）；在内容过滤方法中，用5%用户厌恶惊悚、恐怖和灾难类型电影信息构建用户厌恶模型，即5%用户厌恶模型中的用户对产品特征（相应类型）的厌恶程度值为非零，剩下95%用户厌恶模型中的用户对产品特征的厌恶程度值为零；在协同过滤方法中，将5%用户中与惊悚、恐怖和灾难类型电影有交互行为数据从训练数据中移出；在价值过滤方法中， 用5%用户拒绝不利于心脏病康复的需求构建用户拒绝负价值需求文件，即5%用户拒绝负价值需求文件内容为非空，剩下95%用户拒绝负价值需求文件内容为空 ．5种方法推荐的风险值是5%用户的推荐产品风险值的最大值，推荐产品的风险值可用产品负价值表和风险值计算公式计算．方法实验参数： UserCF方法邻居数K为80；ItemCF方法邻居数K为10；LFM方法，隐特征的个数F为100，学习速率alpha为0.02，正则化参数lambda为0.01，负样本/正样本比例ratio为10；Top-N中的N值为10．实验结果见表1，表中Yes表示方法能推荐可用产品清单和禁用产品清单，No表示方法不能推荐禁用产品清单．

Table 1 Social responsibility、 Precision and Recall

表1  五种方法推荐的社会责任性、准确率和召回率

医学专家研究实验用于观察5种方法推荐的整体性、社会责任性、准确率和召回率．实验方案：首先，选17位医学专家(数据集中患者的主治医师)．然后，在训练集上建立用户兴趣模型（对协同过滤和内容过滤而言）、厌恶模型（对内容过滤而言）和价值模型（对价值过滤而言，在训练集上获取用户价值需求，进而构建用户价值配置文件），并分别在数据集（训练数据和测试数据）和测试集上进行推荐，数据集上的推荐结果用于评价方法的整体性和社会责任，测试集上的推荐结果用于评价方法的整体性、社会责任性、准确率和召回率；对价值过滤而言，分别利用数据集和测试集中的产品信息构建产品价值配置文件，得到基于数据集的产品价值配置文件和基于测试集的产品价值配置文件，价值方法在基于数据集的产品价值配置文件上的推荐结果用于评价价值方法的整体性和社会责任，基于测试集的产品价值配置文件上的推荐结果用于评价价值方法的整体性、社会责任性、准确率和召回率．最后，17位医学专家根据5种方法推荐的结果、产品信息、用户信息对5种方法推荐的整体性、社会责任性、准确率和召回率进行评价，将17位医学专家评价结果的平均值作为最终评价结果．专家的具体评价结果分两步：首先对推荐的产品进行评价，如果产品有助于疾病治愈或康复，则专家认可该产品，否则专家不认可该产品；最后根据相应计算公式计算相应评价指标的值，该值为专家的评价结果．评价约定：推荐的整体性和社会责任只有具有和不具有两种结果，用1代表具有，用0代表不具有．方法实验参数： UserCF方法邻居数K为5；ItemCF方法邻居数K为10；LFM方法，隐特征的个数F为200，学习速率alpha为0.005，正则化参数lambda为0.01，负样本/正样本比例ratio为10；Top-N中的N值为价值实现所需产品种类数的倍数．医学专家研究实验结果见表2．

                   Table 1  Holism 、Social responsibility、 Precision and Recall

表2  方法推荐的整体性、社会责任、准确率和召回率

5.3实验结果分析

表1和表2分别展示了5种方法在MMovieLens和MProducts 数据集中的实验结果，从中可以看出：

（1）协同过滤和基于内容的推荐不具有整体性，基于价值的推荐具有整体性．这表明利用用户正价值需求和产品正价值能够解决推荐的整体性问题；否则，不能够解决推荐的整体性问题．基于价值的推荐认为不同的产品有相同正价值和相同正价值的不同的产品与用户以一定方式相互作用表现出的整体特性是用户所期望实现的价值，故价值推荐对产品按正价值归类并构建相同正价值的不同的产品都能得到推荐机制从而有效地解决了推荐的整体性，而协同过滤和基于内容的推荐忽视不同的产品有相同正价值和相同正价值的不同的产品与用户以一定方式相互作用表现出的整体特性是用户所期望实现的价值，则没有利用不同的产品有相同正价值并对产品按正价值归类以使其推荐不具有整体性．

（2）协同过滤和基于内容的推荐缺乏社会责任，基于价值的推荐具有社会责任．这表明利用用户拒绝负价值需求和产品负价值能够解决推荐的社会责任性问题；否则，不能够解决推荐的社会责任性问题．基于价值的方法认为产品存在负价值和用户有拒绝负价值需求，并利用负价值构建了规避风险机制，而协同过滤和基于内容的方法没有考虑产品存在负价值和用户有拒绝负价值需求，则没有利用负价值构建规避风险机制，尽管基于内容的方法可以利用产品特征（属性）构建规避特征（属性）机制，但特征(或特征值)不等于（负）价值，价值比特征（或特征值）抽象、稳定，决定价值的特征（或特征值）是变化的，产生价值的有些特征（或特征值）、机制尚未发现，列举若干个特征（或特征值）代表价值是不充分的、不完整的，所以基于价值的推荐具有社会责任，而协同过滤和基于内容的推荐缺乏社会责任．

（3）基于价值推荐的准确率和召回率高于协同过滤和基于内容推荐的准确率和召回率．这表明利用用户价值需求、产品价值和感知价值能够有效提升推荐的准确率和召回率，同时也反证了消费者的需求本质是价值，产品的本质是消费价值或产品价值，消费者是根据感知价值来选择和购买产品．表2显示：基于价值推荐的准确率和召回率是协同过滤和基于内容推荐的准确率和召回率的倍数，展示了基于价值的推荐方法在专业领域推荐的优势．

6价值方法与现有方法就信任问题分析

消费者采用推荐结果的前提是消费者信任推荐系统（即对推荐系统本身的信任），因此，消费者对推荐系统的信任是推荐系统要实现的主要目标．Mayer 等人构建的信任模型认为信任的来源于被信任者的三个特征：能力（Ability）、仁慈（Benevolence）与正直（Integrity），信任者如果确认被信任者在这三个方面是值得信任的 , 那么就表明了信任的存在^[39-40]．Gefen实证得出Mayer的信任模型适用于电子商务^[41]．McKnight研究得出Mayer的信任模型同样适用于推荐系统^[42]．鉴于信任三维度划分方法已经得到了学者们的普遍认同，并被广泛应用，因此，本文采用将信任划分为三个维度：能力、仁慈与正直．在推荐系统中，信任有两种不同的概念：对推荐系统中用户的信任和对推荐系统本身的信任．下面对协同过滤、基于内容、基于信任和基于价值的推荐系统就信任问题进行分析．

协同过滤和基于内容的推荐不具有社会责任和整体性，不具有推荐的整体性表明推荐系统不具有完全满足消费者需求的有效地推荐能力(即：消费者对推荐系统能力缺乏信任)，缺乏社会责任表明推荐系统不具有仁慈和正直(即：消费者对推荐系统仁慈和正直缺乏信任)，因此，从理论上讲，消费者对协同过滤和基于内容的推荐系统本身的信任是不存在的．但是，实验和实际应用结果表明协同过滤和基于内容的推荐系统具有部分满足消费者需求的有效地推荐能力，即：消费者对推荐系统能力的弱信任．在实际应用中，由于部分消费者对产品负价值具有消解能力，使得这部分消费者感知不到推荐系统缺乏社会责任，而对产品负价值不具有消解能力的另一部分消费者则感知到推荐系统缺乏社会责任，从而产生部分消费者对推荐系统的弱信任，这样就能够解释为什么电子商务网站使用协同过滤和基于内容的推荐系统后，其销售额有小幅增长．

基于信任的推荐是为了解决冷启动和数据稀疏性问题而提出的一种推荐方法，方法将用户间信任关系加入到协同过滤中，本质上乃属协同过滤，因此，从理论上讲，用户对基于信任的推荐系统的信任是不存在的．方法是利用用户之间的相互信任来提高用户对推荐系统的信任度，这种信任本质是对用户的信任，而不是对推荐系统本身的信任．“马斯洛需求层次理论”表明人的需求是会发生变化的，即用户的需求和兴趣会随时间而变化，即使用户的需求和兴趣相同，他们的现状也不一定相同，加之方法有诸多不足之处(如：信任计算方法的不足)，使得这种信任不具有可持续性、稳定性和可预测性．这种信任在推荐层面无助于留住电子商务平台老客户和吸引来新客户．

基于价值的推荐是为了解决社会责任和整体性的问题而提出的一种推荐方法，方法利用正负价值解决了上述问题．基于价值的推荐具有社会责任、整体性和高精度．推荐的整体性和高精度表明推荐系统具有完全满足消费者需求的有效地推荐能力(即：消费者对推荐系统能力的信任)，推荐能力还表现在推荐多样性、新颖性和惊喜性；具有社会责任表明推荐系统具有仁慈和正直；因此，消费者对基于价值的推荐系统的信任就存在，这种信任是消费者对基于价值的推荐系统本身的信任，是一种强信任．这种信任具有可持续性、稳定性和可预测性；这种信任在推荐层面不仅有助于解决电子商务平台客户持续购买问题，而且在信任的传播作用下还能吸引来新客户．

7结 束 语

为了解决协同过滤和基于内容的推荐缺乏社会责任和整体性的问题，提出了一种基于价值的推荐方法．实验结果表明，协同过滤和基于内容的推荐缺乏社会责任和整体性，基于价值的推荐具有社会责任和整体性，而且推荐的精度高于协同过滤和基于内容的推荐的精度．

基于价值的推荐方法的优点：不存在新产品问题、不受打分稀疏性问题的约束、产品推荐的平等性（即产品没有新旧之分、没有流行与非流行之分）、高透明性、高健壮性和令人信服的解释．基于价值的推荐方法不仅适用于协同过滤和基于内容的推荐方法的应用场景，而且特别适用于要求跨领域、具有社会责任和整体性的应用场景．

基于价值的推荐方法面临以下问题：

(1) 信息获取技术的约束．下一步将展开基于深度学习的价值过滤方法的研究．

(2) 隐性价值的自动发现与获取．产品价值（用户价值需求）有的是显性的，有的是隐性的；显性价值不是特别重要，相反隐性价值才是最重要．例如，高质量论文的显性价值是指对本领域研究有贡献，而它的隐性价值是指对其它领域研究有贡献，如果发现和获取它的隐性价值，并根据它的隐性价值将该论文推荐给相应领域的研究者，从而有望产生研究整体涌现性，进而加速人类文明的进程，这才是基于价值推荐的魅力所在．未来将展开对隐性价值自动发现与获取方法的研究．

(3) 精准问题有待研究．精准包括需求精准、推荐结果精准和推荐时间精准．需求精准包括有效需求精准和失效需求精准，原因在于需求随时间而变化，有效需求随时间推移而得到满足，该有效需求就变为失效需求，有了精准的需求，才会有推荐结果精准．推荐时间精准隐含消费者有购买行为时间的需求，推荐时间不精准，也会影响消费者的购买行为.

参 考 文 献

[1]         Adomavicius G and Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734-749.

[2]         Liu Jian-Guo, Zhou Tao, Wang Bing-Hong. Progress of the personalized recommendation systems[J]. Progress of Nature and Science, 2009,19(1):1−15 (in Chinese with English abstract)
(刘建国, 周 涛, 汪秉宏. 个性化推荐系统的研究进展[J].自然科学进展,2009,19(1):1-15)

[3]         Balabanovic M and Shoham Y.  Fab: Content-based, collaborative recommendation[J]. Communications of the Association for Computing Machinery, 1997, 40(3): 66–72.

[4]         Bartolini I, Zhang Z, and Papadias D. Collaborative filtering with personalized skylines[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23( 2):190–203.

[5]         Bobadilla J, Ortega F, Hernando A, and Gutierrez A. Recommender systems survey[J].  Knowledge-Based Systems, 2013, 46: 109–132.

[6]         Burke R. Hybrid recommender systems: Survey and experiments[J]. User Model. User-Adapted Interaction, 2002, 12(4): 331–370.

[7]         Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009,42(8):30−37.

[8]         Cai Y, Leung HF, Li Q, Min H, Tang J, and Li J. Typicality-based collaborative filtering recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(3):766-779.

[9]         Choi K, Yoo D, Kim G, and Suh Y. A hybrid online-product recommendation system: Combining implicit rating-based collaborative filtering and sequential pattern analysis[J]. Electronic Commerce Research and Application, 2012, 11(4):309-317.

[10]      de Campos LM, Fernandez-Luna JM, Huete JF, and Rueda-Morales MA. Combining content-based and collaborative recommendations: A hybrid approach based on bayesian networks[J]. International Journal of Approximate Reasoning, 2010, 51(7):785-799.

[11]      Deshpande M, Karypis G. Item-Based top-n recommendation algorithms[J]. ACM Transactions on Information Systems, 2004, 22(1): 143−177.

[12]      Herlocker JL, Konstan JA, Terveen K, and Riedl JT. Evaluating collaborative filtering recommender systems[J]. ACM Transactions on Information Systems, 2004, 22(1):5-53.

[13]      Linden G, Smith B, andYork J. Amazon.com recommendations: Item-to-item collaborative filtering[J]. IEEE Internet Computing, 2003, 7(1):76-80.

[14]      Su XY and Khoshgoftaar TM. A survey of collaborative filtering techniques[J]. Advances in Artificial Intelligence, 2009, 209(4):1-19.

[15]      Wang C. and Blei DM. Collaborative topic modeling for recommending scientific articles[C]// Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. San Diego, CA, USA ,2011. 448–456.

[16]      ZengYifu, MuQilin, and ZhouLe. Graph embedding based session perception model for next-click recommendation[J]. Journal of Computer Research and Development, 2020, 57(3):590-603(in Chinese with English abstract)
(曾义夫, 牟其林, 周 乐等. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展,2020, 57( 3 ): 590-603)

[17]      Fu Ding, Li Ming-Jiang, and Li Lu. Empirical Study and Modeling of Human Behaviour Dynamics Based on the Value-Driven[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(5): 652-656 (in Chinese with English abstract)
(符 丁,李明江,黎路. 基于价值驱动的人类行为动力学实证研究和建模[J].电子科技大学学报,2015, 44( 5): 652-656)

[18]      Ma H, Yang H, Lyu MR, King I. SoRec: Social recommendation using probabilistic matrix factorization[C]//Proceeding of the 17th ACM conference on Information and knowledge management. Napa Valley, California, USA, 2008. 931−940.

[19]      Guibing Guo, Jie Zhang, Neil Yorke-Smith. TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings[C]//Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. Austin Texas, USA ,2015.123-129.

[20]      Chen Ting, Zhu Qing, Zhou Meng-Xi, Wang Shan. Trust-Based recommendation algorithm in social network[J]. Ruan Jian Xue Bao/Journal of Software, 2017, 28(3):721−731 (in Chinese with English abstract)
(陈婷, 朱青, 周梦溪, 王珊. 社交网络环境下基于信任的推荐算法[J].软件学报, 2017, 28(3):721−731)

[21]      Huang Li-Wei, Jiang Bi-Tao, Lv Shou-Ye, Liu Yan-Bo, Li De-Yi. Survey on deep learning based recommender systems[J]. Chinese Journal of Computers, 2018, 41(7):1619- 1647 (in Chinese with English abstract)
(黄立威, 江碧涛, 吕守业, 刘艳博, 李德毅. 基于深度学习的推荐系统研究综述[J].计算机学报, 2018, 41(7):1619-1647)

[22]      Elkahky A M, Song Y, He X. A multi-view deep learning approach for cross domain user modeling in recommendation systems[C].//Proceedings of the 24th International Conference on World Wide Web. Florence, Italy, 2015: 278-288.

[23]      Gong Y, Zhang Q. Hashtag Recommendation Using Attention-Based Convolutional Neural Network[C]// Proceedings of the 25th International Joint Conference on Artificial Intelligence. New York ,USA,2016: 2782-2788.

[24]      Okura S, Tagami Y, Ono S, et al. Embedding-based News Recommendation for Millions of Users[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Halifax, Canada, 2017: 1933-1942.

[25]      Hao Wang, Naiyan Wang, Dit-Yan Yeung. Collaborative Deep Learning for Recommender Systems[C]//Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Sydney, Australia,2015: 1235-1244.

[26]      He XG, Liao LZ, Zhang HW, Nie LQ, Hu X, Chua TS. Neural Collaborative Filtering[C]//Proceedings of the 26th International Conference on World Wide Web. Perth ,Australia, 2017:173-182.

[27]      Feng Ping. Evaluation theory[M]. Bei Jing:Oriental Press, 1995:31
(冯平.评价论[M].北京：东方出版社，1995:31)

[28]      Sheth JN, Newman BI, and Gross BL. Why We Buy What We Buy: A theory of consumption Values[J]. Journal of Business Research, 1991, 22(2):159–170.

[29]      Liu Guang-Qian. Network consumer behavior analysis of utility-based theory[J]. Enterprise Economy,2010,364(12):97-99 (in Chinese without English abstract)
(刘光乾. 基于效用理论的网络消费者行为分析[J].企业经济，2010,364(12):97-99)

[30]      Parasuraman,A. Eflections on gaining competitive advantage through customer value[J]. Journal of the Academy of Marketing Science,1997, 25 (2):154 -161.

[31]      Tian Jin-Mei,Wang Chun-Xiao. A review of customer's consumption value model[J]. Modern Management Science,2007,7:15-17 (in Chinese)
(田金梅,汪纯孝. 顾客的消费价值模型述评[J].现代管理科学,2007,7:15-17)

[32]      Studer R, Benjamins VR, and Fensel D. Knowledge Engineering: Principles and methods[J]. Data and Knowledge Engineering, 1998, 25(1):161-197.

[33]      Guo HY. Research on ontology model construction in disease domain[D]. Academy of Military Medical Sciences[D],Beijing,2011 (in Chinese with English abstract)
(郭会雨. 疾病领域本体模型构建研究[D].中国人民解放军军事医学科学院,北京,2011)

[34]      Gruber T R. Toward principles for the design of ontologies used for knowledge sharing[J]. International Journal of Human - Computer Studies,1995,43:907-928.

[35]      Deng ZH, Tang SW,   Zhang M, Yang DQ, Chen J. Overview of Ontology[J]. Acta Scientiarum Naturalium Universitatis Pekinensis,2002,38(5):730-738(in Chinese with English abstract)
(邓志鸿, 唐世渭, 张   铭, 杨冬青, 陈   捷. Ontology 研究综述[J]. 北京大学学报( 自然科学版),2002,38(5):730-738)

[36]      Dan JJ. Research on Content-based Personalized Recommendation Systems. Northeast Normal University[D],Chang Chun,2015 (in Chinese with English abstract)
(单京晶. 基于内容的个性化推荐系统研究[D].东北师范大学,长春,2015)

[37]      Xiang Liang. Recommendation system practice[M]. Posts &Telecom Press, Bejing,2012:44-72( in Chinese)
(项亮. 推荐系统实践[M]. 人民邮电出版社，北京.2012:44-72)

[38]      Zhu Yu-Xiao, Lu Lin-Yuan. Evaluation metrics for recommender systems[J]. Journal of University of Electronic Science and Technology of China, 2012, 41(2):163-175 (in Chinese with English abstract)
(朱郁筱，吕琳媛. 推荐系统评价指标综述[J].电子科技大学学报, 2012, 41(2):163-175)

[39]      Mayer RC, Davis JH, and Schoorman FD. An integrative model of organizational trust[J]. The Academy of Management Review, 1995, 20(3): 709–734.

[40]      Han Bing,Dong Da-Hai,Yang Yi. The review and prospect of trust research on internet consumers[J]. Soft Science,2007,21(3):15-19 (in Chinese with English abstract)
(韩  冰,董大海,杨  毅. 网络消费者信任研究的回顾与展望[J].软科学,2007,21(3):15-19)

[41]      Gefen D.  Reflections on the dimensions of trust and trustworthiness among online consumers[J].  ACM SIGMIS Database, 2002,33(3): 38–53.

[42]  McKnight DH, Choudhury V, and Kacmar C. Developing and validating trust measures for e-commerce: an integrative typology[J]. Information Systems Research, 2002, 13(3): 334–359.

作者简介：

Ding Fu，born in 1964, received his MSc degree in computer science from Wuhan University of Technology in 1995, now is an associate professor in the Department of Computer and Information, Qiannan Normal College for Nationalities. His research interests include software engineering, human dynamics, and recommender systems.

一种基于价值的推荐方法(修改版YJYFZ-A2).pdf