基于商品流行度和用戶活躍度的推薦算法研究

張獻忠

摘要：用戶活躍度和商品流行度對個性化推薦系統(tǒng)性能影響越來越大。而以前的推薦算法很少考慮這兩個因素的作用。該文根據(jù)商品流行度對計算用戶相似度的影響，提出了一種改進的計算用戶相似度的方法。同時，又根據(jù)用戶活躍度對目標(biāo)用戶預(yù)測評分的影響，提出了一種改進目標(biāo)用戶計算預(yù)測評分的方法。經(jīng)實驗驗證，改進后的推薦算法在準(zhǔn)確率、召回率和覆蓋率等性能指標(biāo)都優(yōu)于傳統(tǒng)的推薦算法。因此，改進后的算法在提高推薦系統(tǒng)的性能上具有較好的理論研究和應(yīng)用價值。

關(guān)鍵詞：商品流行度；用戶活躍度；協(xié)同過濾；相似度；推薦

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2014）32-7641-03

目前，常用的個性化推薦算法是基于協(xié)同過濾的推薦算法。它又分為兩種：基于用戶的協(xié)同過濾算法和基于項目的協(xié)同過濾算法。而基于用戶的協(xié)同過濾算法使用更為普遍?；谟脩舻膮f(xié)同過濾算法原理是如果用戶對一些項目的評分比較相似，則他們對其它項目的評分也比較相似。其實現(xiàn)過程是根據(jù)用戶以往對一些項目的評價，以及其他與該用戶具有類似興趣的用戶給一些項目的評價，將一些新的項目推薦給用戶，或者預(yù)測對用戶有價值的項目[1]。基于用戶的協(xié)同過濾推薦的過程分為三個步驟：評分表示、鄰居形成和推薦生成。

1 基于用戶的協(xié)同過濾算法存在的問題

實踐發(fā)現(xiàn)，該算法在用于個性化推薦過程中會存在以下一些問題[2]：

1） 隨著用戶和商品數(shù)量的不斷增加，參與評分的數(shù)據(jù)規(guī)模也越來越大。如果把所有的用戶評分記錄數(shù)據(jù)都參與計算，會大大增加計算兩個用戶間相似度的時間，必然會導(dǎo)致系統(tǒng)推薦性能的降低，因而也就無法完成及時推薦。

2） 越是熱門的商品越容易得到推薦，而使得冷門的商品無法被推薦。如果推薦的商品是熱門商品，那么推薦系統(tǒng)的意義也不大。同時喜歡某個冷門商品的用戶的相似度可能會更高一點。

3） 算法中沒有考慮到用戶活躍度和推薦結(jié)果間的關(guān)系。而事實上，人們更加傾向于有豐富購物經(jīng)驗的VIP用戶的推薦。但該算法中沒有體現(xiàn)VIP用戶的推薦權(quán)值。

2 算法改進思路

2.1 用戶活躍度和商品流行度對推薦結(jié)果的影響

用戶行為對于商務(wù)網(wǎng)站來說是很重要的，如購買或未購買，購買后的反饋信息是正面的還是負面的，等等。推薦系統(tǒng)的目的是要找出用戶可能感興趣的商品，而不是對這個商品會評多少分的問題。因為只有知道用戶有沒有購買的意向，才會有用戶給這個商品打多少分[3]。因此，在選擇相似用戶過程中，應(yīng)該盡可能選擇都對某類或某幾類商品有正面反饋的用戶。正是基于這樣的考慮，可以對傳統(tǒng)的基于用戶的協(xié)同過濾算法進行修改。修改的思路是從兩方面考慮，一是用戶相似度的計算方法，二是計算用戶興趣度時適當(dāng)考慮VIP用戶的權(quán)值。

用戶活躍度是用來反映用戶參與電子商務(wù)系統(tǒng)的積極程度?？梢园奄徺I記錄相對較多的用戶設(shè)定為VIP用戶，而把新用戶稱為不活躍的用戶。不同用戶喜歡的商品流行度也是不同的。新用戶喜歡瀏覽熱門商品，而老用戶會更傾向于瀏覽冷門的商品[4]。

2.2 推薦公式的改進

推薦算法中推薦公式的改進分兩個方面，一個是計算相似度的改進，另一個是計算用戶對商品的興趣度的改進。

1） 計算相似度的改進。為提高推薦算法的性能，必須要考慮長尾分布的影響。也就是說，要盡可能降低兩個用戶喜歡的商品中包含有熱門商品的作用。比如說，兩個同時購買了《新華字典》的用戶并不能說明他們的興趣相同。因為《新華字典》是一本經(jīng)常使用的工具書，絕大多數(shù)國內(nèi)用戶都會購買并使用過。但如果這兩個用戶都同時購買了《ASP.NET程序設(shè)計》這本書時，那可以認為他們的興趣比較相近，因為只有學(xué)計算機軟件或應(yīng)用專業(yè)的才會去買這本書。為此，可以在計算相似度時消除雙方都購買了熱門商品的影響[5]。對于給定用戶u和用戶v，計算相似度的公式可以改進如下：

4 總結(jié)

綜上所述，商品流行度和用戶活躍度對個性化推薦系統(tǒng)的性能產(chǎn)生一定的影響。在設(shè)計推薦算法時必須很好的考慮這兩個因素。盡可能減少熱門商品對用戶產(chǎn)生的影響，同時要加強VIP用戶對推薦系統(tǒng)的作用。

參考文獻：

[1] 章晉波.推薦系統(tǒng)中協(xié)同過濾算法的研究與實現(xiàn)[D].北京：北京郵電大學(xué)，2009.

[2] 楊芳.一種改進的協(xié)同過濾推薦算法[J].河北工業(yè)大學(xué)學(xué)報，2010（3）.

[3] Meadow C T Bert R. Boyce B R.Kraft D H. Text Information Retrieval Systems Third Edition[M].Emerald Group Publishing Limited.，2007.

[4] Manning C D Raghavan P. Schutze H.Introduction to Information Retrieva [M].England：Cambridge University Press，2008

[5] 曹一鳴.協(xié)同過濾推薦瓶頸問題綜述[J].軟件，2012，33（12）.

摘要：用戶活躍度和商品流行度對個性化推薦系統(tǒng)性能影響越來越大。而以前的推薦算法很少考慮這兩個因素的作用。該文根據(jù)商品流行度對計算用戶相似度的影響，提出了一種改進的計算用戶相似度的方法。同時，又根據(jù)用戶活躍度對目標(biāo)用戶預(yù)測評分的影響，提出了一種改進目標(biāo)用戶計算預(yù)測評分的方法。經(jīng)實驗驗證，改進后的推薦算法在準(zhǔn)確率、召回率和覆蓋率等性能指標(biāo)都優(yōu)于傳統(tǒng)的推薦算法。因此，改進后的算法在提高推薦系統(tǒng)的性能上具有較好的理論研究和應(yīng)用價值。

關(guān)鍵詞：商品流行度；用戶活躍度；協(xié)同過濾；相似度；推薦

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2014）32-7641-03

目前，常用的個性化推薦算法是基于協(xié)同過濾的推薦算法。它又分為兩種：基于用戶的協(xié)同過濾算法和基于項目的協(xié)同過濾算法。而基于用戶的協(xié)同過濾算法使用更為普遍?；谟脩舻膮f(xié)同過濾算法原理是如果用戶對一些項目的評分比較相似，則他們對其它項目的評分也比較相似。其實現(xiàn)過程是根據(jù)用戶以往對一些項目的評價，以及其他與該用戶具有類似興趣的用戶給一些項目的評價，將一些新的項目推薦給用戶，或者預(yù)測對用戶有價值的項目[1]?；谟脩舻膮f(xié)同過濾推薦的過程分為三個步驟：評分表示、鄰居形成和推薦生成。

1 基于用戶的協(xié)同過濾算法存在的問題

實踐發(fā)現(xiàn)，該算法在用于個性化推薦過程中會存在以下一些問題[2]：

1） 隨著用戶和商品數(shù)量的不斷增加，參與評分的數(shù)據(jù)規(guī)模也越來越大。如果把所有的用戶評分記錄數(shù)據(jù)都參與計算，會大大增加計算兩個用戶間相似度的時間，必然會導(dǎo)致系統(tǒng)推薦性能的降低，因而也就無法完成及時推薦。

2） 越是熱門的商品越容易得到推薦，而使得冷門的商品無法被推薦。如果推薦的商品是熱門商品，那么推薦系統(tǒng)的意義也不大。同時喜歡某個冷門商品的用戶的相似度可能會更高一點。

3） 算法中沒有考慮到用戶活躍度和推薦結(jié)果間的關(guān)系。而事實上，人們更加傾向于有豐富購物經(jīng)驗的VIP用戶的推薦。但該算法中沒有體現(xiàn)VIP用戶的推薦權(quán)值。

2 算法改進思路

2.1 用戶活躍度和商品流行度對推薦結(jié)果的影響

用戶行為對于商務(wù)網(wǎng)站來說是很重要的，如購買或未購買，購買后的反饋信息是正面的還是負面的，等等。推薦系統(tǒng)的目的是要找出用戶可能感興趣的商品，而不是對這個商品會評多少分的問題。因為只有知道用戶有沒有購買的意向，才會有用戶給這個商品打多少分[3]。因此，在選擇相似用戶過程中，應(yīng)該盡可能選擇都對某類或某幾類商品有正面反饋的用戶。正是基于這樣的考慮，可以對傳統(tǒng)的基于用戶的協(xié)同過濾算法進行修改。修改的思路是從兩方面考慮，一是用戶相似度的計算方法，二是計算用戶興趣度時適當(dāng)考慮VIP用戶的權(quán)值。

用戶活躍度是用來反映用戶參與電子商務(wù)系統(tǒng)的積極程度?？梢园奄徺I記錄相對較多的用戶設(shè)定為VIP用戶，而把新用戶稱為不活躍的用戶。不同用戶喜歡的商品流行度也是不同的。新用戶喜歡瀏覽熱門商品，而老用戶會更傾向于瀏覽冷門的商品[4]。

2.2 推薦公式的改進

推薦算法中推薦公式的改進分兩個方面，一個是計算相似度的改進，另一個是計算用戶對商品的興趣度的改進。

1） 計算相似度的改進。為提高推薦算法的性能，必須要考慮長尾分布的影響。也就是說，要盡可能降低兩個用戶喜歡的商品中包含有熱門商品的作用。比如說，兩個同時購買了《新華字典》的用戶并不能說明他們的興趣相同。因為《新華字典》是一本經(jīng)常使用的工具書，絕大多數(shù)國內(nèi)用戶都會購買并使用過。但如果這兩個用戶都同時購買了《ASP.NET程序設(shè)計》這本書時，那可以認為他們的興趣比較相近，因為只有學(xué)計算機軟件或應(yīng)用專業(yè)的才會去買這本書。為此，可以在計算相似度時消除雙方都購買了熱門商品的影響[5]。對于給定用戶u和用戶v，計算相似度的公式可以改進如下：

4 總結(jié)

綜上所述，商品流行度和用戶活躍度對個性化推薦系統(tǒng)的性能產(chǎn)生一定的影響。在設(shè)計推薦算法時必須很好的考慮這兩個因素。盡可能減少熱門商品對用戶產(chǎn)生的影響，同時要加強VIP用戶對推薦系統(tǒng)的作用。

參考文獻：

[1] 章晉波.推薦系統(tǒng)中協(xié)同過濾算法的研究與實現(xiàn)[D].北京：北京郵電大學(xué)，2009.

[2] 楊芳.一種改進的協(xié)同過濾推薦算法[J].河北工業(yè)大學(xué)學(xué)報，2010（3）.

[3] Meadow C T Bert R. Boyce B R.Kraft D H. Text Information Retrieval Systems Third Edition[M].Emerald Group Publishing Limited.，2007.

[4] Manning C D Raghavan P. Schutze H.Introduction to Information Retrieva [M].England：Cambridge University Press，2008

[5] 曹一鳴.協(xié)同過濾推薦瓶頸問題綜述[J].軟件，2012，33（12）.

摘要：用戶活躍度和商品流行度對個性化推薦系統(tǒng)性能影響越來越大。而以前的推薦算法很少考慮這兩個因素的作用。該文根據(jù)商品流行度對計算用戶相似度的影響，提出了一種改進的計算用戶相似度的方法。同時，又根據(jù)用戶活躍度對目標(biāo)用戶預(yù)測評分的影響，提出了一種改進目標(biāo)用戶計算預(yù)測評分的方法。經(jīng)實驗驗證，改進后的推薦算法在準(zhǔn)確率、召回率和覆蓋率等性能指標(biāo)都優(yōu)于傳統(tǒng)的推薦算法。因此，改進后的算法在提高推薦系統(tǒng)的性能上具有較好的理論研究和應(yīng)用價值。

關(guān)鍵詞：商品流行度；用戶活躍度；協(xié)同過濾；相似度；推薦

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2014）32-7641-03

目前，常用的個性化推薦算法是基于協(xié)同過濾的推薦算法。它又分為兩種：基于用戶的協(xié)同過濾算法和基于項目的協(xié)同過濾算法。而基于用戶的協(xié)同過濾算法使用更為普遍?；谟脩舻膮f(xié)同過濾算法原理是如果用戶對一些項目的評分比較相似，則他們對其它項目的評分也比較相似。其實現(xiàn)過程是根據(jù)用戶以往對一些項目的評價，以及其他與該用戶具有類似興趣的用戶給一些項目的評價，將一些新的項目推薦給用戶，或者預(yù)測對用戶有價值的項目[1]。基于用戶的協(xié)同過濾推薦的過程分為三個步驟：評分表示、鄰居形成和推薦生成。

1 基于用戶的協(xié)同過濾算法存在的問題

實踐發(fā)現(xiàn)，該算法在用于個性化推薦過程中會存在以下一些問題[2]：

1） 隨著用戶和商品數(shù)量的不斷增加，參與評分的數(shù)據(jù)規(guī)模也越來越大。如果把所有的用戶評分記錄數(shù)據(jù)都參與計算，會大大增加計算兩個用戶間相似度的時間，必然會導(dǎo)致系統(tǒng)推薦性能的降低，因而也就無法完成及時推薦。

2） 越是熱門的商品越容易得到推薦，而使得冷門的商品無法被推薦。如果推薦的商品是熱門商品，那么推薦系統(tǒng)的意義也不大。同時喜歡某個冷門商品的用戶的相似度可能會更高一點。

3） 算法中沒有考慮到用戶活躍度和推薦結(jié)果間的關(guān)系。而事實上，人們更加傾向于有豐富購物經(jīng)驗的VIP用戶的推薦。但該算法中沒有體現(xiàn)VIP用戶的推薦權(quán)值。

2 算法改進思路

2.1 用戶活躍度和商品流行度對推薦結(jié)果的影響

用戶行為對于商務(wù)網(wǎng)站來說是很重要的，如購買或未購買，購買后的反饋信息是正面的還是負面的，等等。推薦系統(tǒng)的目的是要找出用戶可能感興趣的商品，而不是對這個商品會評多少分的問題。因為只有知道用戶有沒有購買的意向，才會有用戶給這個商品打多少分[3]。因此，在選擇相似用戶過程中，應(yīng)該盡可能選擇都對某類或某幾類商品有正面反饋的用戶。正是基于這樣的考慮，可以對傳統(tǒng)的基于用戶的協(xié)同過濾算法進行修改。修改的思路是從兩方面考慮，一是用戶相似度的計算方法，二是計算用戶興趣度時適當(dāng)考慮VIP用戶的權(quán)值。

用戶活躍度是用來反映用戶參與電子商務(wù)系統(tǒng)的積極程度。可以把購買記錄相對較多的用戶設(shè)定為VIP用戶，而把新用戶稱為不活躍的用戶。不同用戶喜歡的商品流行度也是不同的。新用戶喜歡瀏覽熱門商品，而老用戶會更傾向于瀏覽冷門的商品[4]。

2.2 推薦公式的改進

推薦算法中推薦公式的改進分兩個方面，一個是計算相似度的改進，另一個是計算用戶對商品的興趣度的改進。

1） 計算相似度的改進。為提高推薦算法的性能，必須要考慮長尾分布的影響。也就是說，要盡可能降低兩個用戶喜歡的商品中包含有熱門商品的作用。比如說，兩個同時購買了《新華字典》的用戶并不能說明他們的興趣相同。因為《新華字典》是一本經(jīng)常使用的工具書，絕大多數(shù)國內(nèi)用戶都會購買并使用過。但如果這兩個用戶都同時購買了《ASP.NET程序設(shè)計》這本書時，那可以認為他們的興趣比較相近，因為只有學(xué)計算機軟件或應(yīng)用專業(yè)的才會去買這本書。為此，可以在計算相似度時消除雙方都購買了熱門商品的影響[5]。對于給定用戶u和用戶v，計算相似度的公式可以改進如下：

4 總結(jié)

綜上所述，商品流行度和用戶活躍度對個性化推薦系統(tǒng)的性能產(chǎn)生一定的影響。在設(shè)計推薦算法時必須很好的考慮這兩個因素。盡可能減少熱門商品對用戶產(chǎn)生的影響，同時要加強VIP用戶對推薦系統(tǒng)的作用。

參考文獻：

[1] 章晉波.推薦系統(tǒng)中協(xié)同過濾算法的研究與實現(xiàn)[D].北京：北京郵電大學(xué)，2009.

[2] 楊芳.一種改進的協(xié)同過濾推薦算法[J].河北工業(yè)大學(xué)學(xué)報，2010（3）.

[3] Meadow C T Bert R. Boyce B R.Kraft D H. Text Information Retrieval Systems Third Edition[M].Emerald Group Publishing Limited.，2007.

[4] Manning C D Raghavan P. Schutze H.Introduction to Information Retrieva [M].England：Cambridge University Press，2008

[5] 曹一鳴.協(xié)同過濾推薦瓶頸問題綜述[J].軟件，2012，33（12）.