混合推薦系統(tǒng)方法淺析

劉景昊

【摘 要】隨著Internet的迅速發(fā)展，各種信息以指數(shù)級(jí)的速度增長(zhǎng)，類型也愈來(lái)越多。如何有效的解決信息過(guò)載帶來(lái)的種種問(wèn)題，如何滿足各種不同用戶的需求，成為新的研究課題。本文提出一種基于混合方法的推薦系統(tǒng)方法，經(jīng)驗(yàn)性的比較了混合算法與單純貼近算法之間的表現(xiàn)，并且說(shuō)明了混合方法較純貼近方法可以提供更準(zhǔn)確的推薦效果。

【關(guān)鍵詞】混合推薦系統(tǒng)；內(nèi)容算法；人工智能

0.引言

在互聯(lián)網(wǎng)的迅猛發(fā)展下，隨著信息過(guò)載問(wèn)題的逐年升溫，互聯(lián)網(wǎng)用戶對(duì)信息需求的日益膨脹，推薦系統(tǒng)在各個(gè)領(lǐng)域的數(shù)字化進(jìn)程中扮演著越來(lái)越重要的角色.在過(guò)去的數(shù)十年中，推薦系統(tǒng)在學(xué)術(shù)研究、工業(yè)界各種應(yīng)用上取得了長(zhǎng)足的進(jìn)步.然而，現(xiàn)有的推薦算法仍然存在特征提取、冷啟動(dòng)、過(guò)擬合、稀疏問(wèn)題，需要不斷完善和解決.一些推薦系統(tǒng)通過(guò)混合使用協(xié)同方法和基于內(nèi)容的方法，來(lái)避免單純使用基于內(nèi)容的方法或協(xié)同算法中的某些局限[1]。將協(xié)同方法和基于內(nèi)容的方法混合應(yīng)用至推薦系統(tǒng)有很不同方式，大概可以分為以下幾類：

（1）單獨(dú)分開執(zhí)行協(xié)同方法和基于內(nèi)容的方法并將其預(yù)測(cè)合并。

（2）將一些基于內(nèi)容算法的特征應(yīng)用于協(xié)同方法中。

（3）將一些協(xié)同方法的特征應(yīng)用于基于內(nèi)容方法中。

（4）建立一個(gè)將協(xié)同算法和基于內(nèi)容算法特征結(jié)合應(yīng)用的模型。

上述方法已經(jīng)被推薦系統(tǒng)的研究者所采用，下面將展開介紹。

構(gòu)建混合推薦系統(tǒng)的一種方法是單獨(dú)執(zhí)行協(xié)同算法和基于內(nèi)容的方法。然后，我們可以得到兩種情況。首先，我們可以將從各自的推薦系統(tǒng)中得到的結(jié)果（評(píng)級(jí)）采用線性組合或者投票機(jī)制的方法進(jìn)行處理，以獲得一個(gè)最終的結(jié)果。此外，我們可以采用其中某一種推薦系統(tǒng)，也即在任何情況下都采用一種比其他推薦系統(tǒng)都要好的系統(tǒng)，當(dāng)然，這里的好是建立在一定的“質(zhì)量”評(píng)價(jià)標(biāo)準(zhǔn)之上的。比如，每日學(xué)習(xí)系統(tǒng)選擇了一個(gè)可以對(duì)推薦給出高置信區(qū)間值的推薦系統(tǒng)，同時(shí)這個(gè)系統(tǒng)能夠選擇出那些與用戶過(guò)去的評(píng)價(jià)更加一致的推薦。

1.混合推薦系統(tǒng)概念與特征

一些混合型推薦系統(tǒng)，包括Schwaighofer[2]和Rashid [3]里描述的“通過(guò)內(nèi)容的協(xié)同”，都基于一些傳統(tǒng)的協(xié)同技術(shù)，但是也能夠?yàn)槊總€(gè)用戶保留基于內(nèi)容的文件。這些基于內(nèi)容的文件，不是平常的相關(guān)項(xiàng)，而是被用來(lái)計(jì)算兩個(gè)用戶之間相似度的項(xiàng)。正如在曾匯艷，麥永浩[4]中所述，這些措施是用來(lái)解決一些純協(xié)同方法中遇到的稀疏性相關(guān)問(wèn)題，從而使許多成對(duì)用戶擁有大量重要的相關(guān)項(xiàng)。這種方法的另一個(gè)好處是可以推薦項(xiàng)目給用戶，這些項(xiàng)目不僅在擁有類似文件的用戶之間取得高的評(píng)級(jí)值，并且同時(shí)能夠在擁有不同文件的用戶中得到高分。這個(gè)項(xiàng)目不僅包含與用戶估計(jì)值高度相關(guān)的一些相似文件，而且也更直接的包含那些與用戶文件相反的估計(jì)值高的項(xiàng)目。Sarwar[6]介紹了一種使用多種不同過(guò)濾方法的相似方法---特別是內(nèi)容分析代理業(yè)作為一種附加的方法加入到了協(xié)同過(guò)濾算法內(nèi)。由此造成的結(jié)果是，那些與過(guò)濾評(píng)級(jí)評(píng)價(jià)一致的用戶往往可以得到更好的推薦效果。與此相類似，使用了一種協(xié)同方法，在這種方法中傳統(tǒng)用戶評(píng)級(jí)向量被擴(kuò)展了，這正是由一種純粹基于內(nèi)容方法的預(yù)測(cè)得到的。

2.混合推薦系統(tǒng)模式

在這個(gè)分類中最流行的方法是把一些降維技術(shù)應(yīng)用在一組基于內(nèi)容的文件中。比如，Herlocker[5]使用了潛在語(yǔ)義索引來(lái)創(chuàng)建用戶文件集合的協(xié)同視圖，這些用戶文件是用特征向量來(lái)表示的，使得性能相比基于內(nèi)容方法有了改善。

眾多研究者近些年一直在研究這個(gè)問(wèn)題。部分研究人員建議使用基于內(nèi)容和協(xié)同特性來(lái)應(yīng)用在一個(gè)基于單因素的分類中。Balabanovic[7]建議用一個(gè)統(tǒng)一的概率方法用于綜合使用協(xié)同推薦和基于內(nèi)容的推薦，這個(gè)方法是基于概率的潛在語(yǔ)義分析。然而，另一種貼近使用了貝葉斯混合作用回歸模型，也應(yīng)用了馬科夫鏈等預(yù)測(cè)和估值方法。更特殊的是使用了用戶的文件信息和在單一統(tǒng)計(jì)模型使用的項(xiàng)，來(lái)估計(jì)對(duì)于用戶i和項(xiàng)目j的未知額定值rij ：

r=Xμ+Zу+ωу+e

e|→N（0，σ）

λ|→N（0，Λ）

у|→N（0，Γ）

這里i=1，……，I并且j=1，……，J分別代表了用戶和項(xiàng)；e，λ和у是引入產(chǎn)生噪音的隨機(jī)變量，并且沒(méi)有注意到不同用戶，不同項(xiàng)目的來(lái)源。

Xij是一個(gè)包含了用戶和項(xiàng)特征的矩陣，Zi是一個(gè)用戶特性的向量， ω是一個(gè)項(xiàng)特性的向量。這個(gè)模型中未知參數(shù)是 μ，σ，Λ和Γ，它們的值是從已知數(shù)據(jù)來(lái)利用馬科夫鏈方法進(jìn)行處理得到的。總體上來(lái)說(shuō)，利用用戶屬性集{Zj} 來(lái)創(chuàng)建一個(gè)用戶文件的一部分，項(xiàng)的屬性集{ωj} 用來(lái)創(chuàng)建一個(gè)項(xiàng)文件的一部分，它們的交集{Xij} 來(lái)估計(jì)每個(gè)項(xiàng)的等級(jí)。

無(wú)論用戶何時(shí)對(duì)系統(tǒng)發(fā)出請(qǐng)求，它的評(píng)級(jí)都能通過(guò)實(shí)時(shí)按需計(jì)算而有效的得到。一種不同的方法被采用，目的是來(lái)改善已經(jīng)存在的協(xié)同過(guò)濾算法的性能，在這個(gè)方法中用戶組評(píng)級(jí)的輸入是被精心挑選的，使用的技術(shù)包括排除噪音、冗余度還有就是利用了評(píng)級(jí)數(shù)據(jù)的稀疏性。此外，在其中的最新發(fā)展中，K.Yu[9]提出了一種協(xié)同過(guò)濾的概率方法，即把基于記憶與基于模型的技術(shù)結(jié)合起來(lái)的方法。特別是在[9]中提出的（1）使用主動(dòng)學(xué)習(xí)的方法來(lái)了解每個(gè)用戶偏好的概率模型（2）使用在混合模型中的存儲(chǔ)的用戶文件來(lái)計(jì)算推薦。后者提出的方法在一些方面用到了傳統(tǒng)的基于記億的算法思想。

3.總結(jié)

混合推薦系統(tǒng)也可以用一種基于知識(shí)的技術(shù)來(lái)討論，比如基于案例的推理，這樣做的目的是為了改進(jìn)推薦的準(zhǔn)確性，并且消除一些傳統(tǒng)推薦系統(tǒng)的局限性。比如，基于知識(shí)的推薦系統(tǒng)作為主菜，用到一些關(guān)于飯店、烹飪風(fēng)格和食物的知識(shí)域，來(lái)為它的用戶推薦飯店。基于知識(shí)系統(tǒng)的主要缺點(diǎn)是一種對(duì)知識(shí)獲取的需要。眾所周知，這是大多數(shù)人工智能應(yīng)用的瓶頸。然而，基于知識(shí)的推薦系統(tǒng)從應(yīng)用領(lǐng)域發(fā)展而來(lái)，這種知識(shí)域是從一種機(jī)器可以讀出的表格所構(gòu)建的，比如是一種存在論。舉例來(lái)說(shuō)，快捷系統(tǒng)使用主題存在論的研究，來(lái)對(duì)用戶在線進(jìn)行推薦。

此外，許多文章，經(jīng)驗(yàn)性的比較了混合算法與單純貼近算法之間的表現(xiàn)，并且說(shuō)明了混合方法較純貼近方法可以提供更準(zhǔn)確的推薦效果。

【參考文獻(xiàn)】

[1]K.Yu，X.Xu，J.Tao，M.Ester，and H.-P.Kriegel.“Instance Selection Techniques for Memory-Based Collaborative Filtering.”Proc.Second SIAM Intl Conf.Data Mining （SDM02），2002.

[2]K.Yu，Tresp，X.Xu，and H.-P.Kriegel，“Probabilistic Memory-Based Collaborative Filtering，”IEEE Trans.Knowledge and Data Eng，vol.16，no.1，pp.56-69，Jan，2004.

[3]A.M.Rashid，I.Albert，D.Cosley，S.K.Lam，S.M.McNee，J.A.Konstan，andJ.Riedl，“Getting to Know You：Learning New User Preferences in Recommender Systems，”Proc.Intl Conf.Intelligent User Interfaces，2002.

[4]曾匯艷，麥永浩.基于內(nèi)容預(yù)測(cè)和項(xiàng)目評(píng)分的協(xié)同過(guò)濾推薦[J].計(jì)算機(jī)應(yīng)用，2004，24（1）：111-113.

[5]Herlocker J，Konstan J，Borchers A，et al.An Algorithmic Framework for Performing Collaborative Filtering[C]//Proceedingsofthe22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.[S.l.]：ACM Press，1999.

[6]Sarwar B，Karypis G.Item-based Collaborative Filtering Recom-mendation Algorithm[C]//Proceedings of the 10th International World Wide Web Conference.Hong Kong，China： [s.n.]，2001.

[7]Balabanovic M，Shohalm Y.Fab：Content Based Collaborative Recommendation[J].Communication of the ACM，1997，40（3）：66-72.

[8]趙建東， 陳小樂(lè).基于Internet 的智能家庭網(wǎng)絡(luò)控制器的實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用，2002，28（12）：46-48.

[9]K.Yu，A.Schwaighofer，V.Tresp，X.Xu，and H.-P.Kriegel，“Probabilistic Memory-Based Collaborative Filtering，”IEEE Trans.Knowledge and Data Eng， vol.16，no.1，pp.56-69，Jan.2004.

[10]楊思忠，劉錦德.家庭網(wǎng)絡(luò)及相關(guān)技術(shù)[J].計(jì)算機(jī)應(yīng)用，2000，20（7）：24-28.

[11]葉朝輝，楊士元.智能家庭網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2001，18（9）：1-6.

[12]宋倩，李祥珍.基于電力線通信技術(shù)的智能家居系統(tǒng)[J].電力系統(tǒng)通信，2004，25（12）：40-43.現(xiàn)代通信網(wǎng)絡(luò).