推荐系统是个性化实现的一种经典方式，在电商购物（如阿里巴巴、亚马逊）、社交网络（如Facebook，微博）、新闻资讯（如今日头条）、音乐电影（网易云音乐、豆瓣）等领域有广泛而成功的应用。传统的推荐一般仅考虑用户对推荐对象的评分（User-item Rating），不考虑时间、地点场景、情绪活动状态等上下文，无法适应相对复杂的环境。而上下文感知推荐系统（Context Aware Recommender System）考虑了更多的上下文场景，能结合更丰富的信息，给用户提供更准确、更有效的推荐。在交互式对话中，除了采用GUI图形用户界面之外，通过语音或文字进行对话CUI（Conversational User Interface）也是不错的选择。CUI可以通过上下文感知推荐系统的方式来实现，在具体实施中，大致可以分成以下几个部分。
上下文数据收集：收集CUI下的数据，是整个上下文感知推荐的第一步。通常时间、地点（城市）、个性、关注点、情绪、用户行为等上下文信息是收集的重点。以电商导购和客服为例，早、中、晚的时间段含义不同，星期几也有差异。例如，早上用户精力充沛，好奇心强，对商品品质、性能要求更高；中午相对疲惫，时间有限，讲究效率；晚上的时间比较充沛，关注的细节会比较多。
CUI下数据收集的方式也跟GUI有很大差异。GUI以隐式获取为主，即主要利用用户和系统的交互日志，获得包括浏览、点击、收藏、购买等行为。而CUI下的数据获取除了隐式获取外，还可以用更直接的方式来获取。例如，直接询问用户是否喜欢，提供可选项让用户选择，让用户说出期望的目标等等。
上下文数据的建模方式也会对个性化推荐的结果产生重要影响。键值对、向量模型表示非常简单便于理解和实现；树或者层次化的模型可以表达从属逻辑关系，保留更准确的信息；贝叶斯网络可以构建推理所需要的概率框架。本体可以支持更好的形式化的描述，也方便后续的逻辑推理运算。差分上下文加权（Differential Context Weighting）是一种比较新颖和实用的建模方式，可以在一定程度上改善数据稀疏的问题，加权的上下文特征对推荐结果提升也有显著帮助。
用户偏好分析：用户偏好与具体的应用场景密切相关，无论是获取偏好的维度，还是获取的方法，都有很多选择。一般来说，用户的偏好分为长期的静态信息和短期的动态信息。例如年龄、身高、体重、所在城市、婚姻状态等人口统计学数据属于相对稳定的数据，传统的推荐系统应用较多。而现在的推荐系统都尝试用更细粒度的、动态的标签来衡量用户的特点和偏好，比如，你收藏过什么，买过什么；还考虑时间维度的因素，如买过婴儿奶粉，买过学生文具等。不同的时间节点，不同的人生状态，都会导致不同的选择。对这些偏好因素考虑得越细，推荐结果会越好。
偏好分析的方式多种多样，有的基于规则或启发的方式，也有的基于统计模型的方式。在相对简单、任务单一的环境中，基于规则的方式就能得到较好的结果；而在业务复杂、灵活多变的场景下，用基于模型的方式，效果相对稳定，扩张性更强。线性分类器、决策树、贝叶斯模型、矩阵分解等都是常用的方法。
推荐结果生成：基于上下文的推荐结果生成大致可分为三种类型，（1）基于协同过滤（Collaborative filtering）的上下文感知推荐技术，（2）基于内容的上下文感知推荐技术，（3）混合式上下文推荐技术。第一种技术的优点在于可以利用群体智慧做推荐，但也面临数据稀疏和冷启动的问题。第二种技术中，矩阵分解（Matrix Factorization）、张量分解（Tensor Factorization）、隐因子分解（Factorization Machine）都能提供不错的推荐效果，但也存在矩阵运算计算量大、对新用户的扩展性不够好等问题。第三种技术主要考虑如何用不同的策略将两种方式进行组合，从而得到更好、更稳定的结果。最新的研究中，还出现基于隐变量和考虑序列数据特点的推荐系统，为推荐结果生成提供了新的思路。
推荐效果衡量和反馈：评测数据集是推荐效果衡量和评估的关键。对于很多商业系统来说，这也是其取胜的法宝。一般来说，出于商业竞争和隐私保护的目的，真实数据标注和生成的评测数据集都不会轻易公开。尤其对于cUI，数据集缺失是行业面临的共同难题。因此，高质量、覆盖面广的评测数据集的建立，一定程度上会构成核心竞争力。
在评价指标方面，传统推荐系统的评价指标，例如精确率（Precision）、召回率（Recall）、均方根误差（RMSE）、平均绝对误差（MAE）等都可以用来识价推荐结果的好坏。
由于CUI的特点，对推荐结果的评价还可以从与用户交互过程中获得的反馈、判断用户交互中止时的状态、判断用户后续的行为（例如电商导购中的下单购买）等各方面，获得用户实际的评价结果。
电话咨询
在线咨询