面向兴趣点推荐系统调和的多智能体系统方法

《IEEE Transactions on Mobile Computing》：Towards a Reconciliation of Point-of-Interest Recommendation Systems Using Multi-Agent Systems

　　

兴趣点（Point-of-Interest，POI）推荐是一种通过利用智能手机用户的偏好与社交网络来帮助其发现新地点的有效方式。然而，该技术常基于协同过滤（Collaborative Filtering，CF），会因POI交互评分不足以及用户间缺乏显式友谊或信任关系而面临冷启动问题。为解决该问题，一种方案是在新用户或新POI场景下同时启动多个推荐系统（Recommendation Systems，RS），充分利用社交网络内可用信息源。研究人员提出用于调和POI推荐算法的多智能体系统（Multi-Agent System for Reconciling POI Recommendation Algorithms，MSRPRA）：RatAg智能体基于POI评分使用Pearson相似度；FrAg智能体基于已有友谊关系使用Jaccard相似度；TrAg智能体利用用户声明的信任分数；协调智能体采用Borda投票方法合并RatAg、FrAg与TrAg生成的POI列表。实验结果表明，MSRPRA优于仅使用Pearson相似度、Jaccard相似度或显式信任的方法；平均Precision提升7.38%、Recall提升7.73%，且在RMSE（Root Mean Square Error）方面精度更优，证实了多智能体融合与Borda投票可提升推荐相关性并缓解冷启动问题。

论文《Towards a Reconciliation of Point-of-Interest Recommendation Systems Using Multi-Agent Systems》发表于《IEEE Transactions on Mobile Computing》。研究背景方面，POI推荐系统（Point-of-Interest Recommendation Systems，RS）可引导用户发现餐厅、景点、文化活动等地点。现有方法主要依赖协同过滤（Collaborative Filtering，CF）与基于内容过滤（Content-Based Filtering，CBT）。CF利用相似游客预测待访POI，CBT分析POI特征匹配用户偏好。由于地理信息具有时空复杂性，CF更常用，但其依赖显式评分，而多数游客不重视评分，导致数据稀疏与冷启动问题。新用户无历史评分、新POI无交互记录，单一信息源推荐不稳定，因此研究人员希望并行使用评分、友谊、信任等多源信息，并用多智能体系统（Multi-Agent System，MAS）实现智能调和。

研究人员开展的研究为：构建MSRPRA，包含上下文感知智能体ContextAg、三个推荐智能体RatAg与FrAg与TrAg、协调智能体CorAg。ContextAg采集时间、位置、天气及评分、签到、信任声明，组织为评分矩阵、签到矩阵、信任矩阵。RatAg以Pearson相似度SimP(u,v)=∑_j∈Iu∩Iv(r_uj-r?_u)·(r_vj-r?_v)/[√∑(r_uj-r?_u)²·√∑(r_vj-r?_v)²]计算用户相似，再用pred(u,p)=r?_u+∑_v∈Vu(r_vp-r?_v)·SimP(u,v)/∑_v∈Vu|SimP(u,v)|预测评分并取top-k。FrAg以Jaccard相似度SimJ(u,v)=|F_u∩F_v|/|F_u∪F_v|刻画朋友重叠，用同类加权预测公式生成列表L_FA。TrAg以显式信任度d_uv加权受信用户评分，pred(u,p)=∑_v∈Lu^tr_vp·d_uv/∑_v∈Lu^td_uv，生成列表L_TA。CorAg以Borda投票（社会选择理论中的排序融合方法）给各列表第1名记k分、第2名k-1分、末位0分，累加得最终列表L_F并取top-k返回当前用户U_C。

主要关键技术方法：研究人员使用来自阿尔及利亚Mostaganem市硕士项目积累的POI推荐数据集，含用户、POI、评分、好友列表与显式信任度。评估采用RMSE_request=√[∑_i=1^m(r_i-r?_i)²/m]、Precision@K=1/|U|∑_u∈U|Rec_u∩Pert_u|/|Rec_u|、Recall@K=1/|U|∑_u∈U|Rec_u∩Pert_u|/|Pert_u|；按每用户80%训练、20%测试，K=5,10,15，邻居数N与推荐数k为超参数；核心方法是Pearson、Jaccard、显式信任三源推荐加Borda计数融合。

研究结果如下。

相关工作总结（Related Work）：已有多智能体推荐系统（Multi-Agent Recommendation Systems，MARS）用于旅游、视频、学习等场景，但多数需用户持续反馈、存在稀疏矩阵，或各智能体未排列表、或所有智能体用相同数据。研究人员指出尚无工作用MAS缓解因用户不评分导致的POI冷启动，故本文利用时空行为与社会关系。

所提模型（Proposed Model）：研究人员设计五智能体三层架构，ContextAg采上下文，RatAg/FrAg/TrAg分别产L_UA/L_FA/L_TA，CorAg用Borda融合。结论是该架构能把独立推荐与融合结合，适合稀疏数据与冷启动。

ContextAg智能体：采集GPS位置、时段、天气API、评分、签到、朋友信任声明，结构为评分矩阵、签到矩阵、信任矩阵；结论是上下文与多源数据可被统一建模。

RatAg智能体：用Pearson相似度与邻域加权预测，选top-k得L_UA；结论是基于评分的CF可作为一源，但在稀疏时受限。

FrAg智能体：用朋友集合Jaccard相似与同形预测公式得L_FA；结论是社会关系可补充评分不足。

TrAg智能体：用显式信任度d_uv加权受信者评分得L_TA；结论是显式信任能填充相似度矩阵空缺。

协调智能体（Coordinator Agent）：以Borda计分为POI跨列表位置打分并降序合并为L_F；结论是相对位置融合比单列表更鲁棒，尤其适合冷启动。

实验与结果（Experimentation and Results）：数据集为Mostaganem硕士项目数据；指标为RMSE、Precision@K、Recall@K；流程为划分训练测试、三智能体算相似与预测、CorAg融合、与单方法对比。研究人员得出：MSRPRA在Precision@5、Recall@5、Precision@10、Recall@10上优于SPearson、SJaccard、Trust；在Precision@15与Recall@15上SPearson略优；RMSE上MSRPRA优于三种单方法。结论是多源智能体调和能提升推荐质量与预测精度。

讨论与结论部分总结：研究人员认为投票式调和源于社会选择理论，比博弈论、启发式、论证等协商方式更适合合并多个POI排序列表。MSRPRA用Borda投票考虑POI在各列表中的相对位置，在用户-POI交互有限时仍可产出共识排序。主要贡献为：提出整合Pearson、Jaccard与显式信任的多源推荐框架；引入Borda投票聚合多智能体推荐列表；在RMSE、Precision、Recall上验证优于单源方法；证明基于投票的聚合可缓解POI推荐冷启动。研究意义在于为稀疏评分与缺友谊/信任声明的场景提供轻量、可解释、易部署的MAS推荐思路。未来可拓展至更复杂上下文与大规模平台，但原文未展开具体后续实验。