移動(dòng)用戶餐飲個(gè)性化需求推薦研究

朱保華　張曉濱

摘 要： 在個(gè)性化推薦系統(tǒng)中，協(xié)同過濾技術(shù)是應(yīng)用最成功的技術(shù)。協(xié)同過濾技術(shù)包含幾種典型代表，基于用戶的協(xié)同過濾、基于內(nèi)容項(xiàng)的協(xié)同過濾、基于關(guān)聯(lián)規(guī)則的協(xié)同過濾等，這些方法都有各自的優(yōu)缺點(diǎn)和應(yīng)用領(lǐng)域。通過對(duì)傳統(tǒng)協(xié)同過濾算法進(jìn)行分析，根據(jù)移動(dòng)用戶餐飲個(gè)性化的特點(diǎn)，引入杰卡德系數(shù)，將杰卡德系數(shù)引入到協(xié)同過濾中并對(duì)算法進(jìn)行改進(jìn)，最終在移動(dòng)用戶餐飲個(gè)性化推薦中取得了較為理想的效果。

關(guān)鍵字： 個(gè)性化； 協(xié)同過濾； 杰卡德系數(shù)； 相似性

中圖分類號(hào)： TN916.3?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）11?0013?03

Research on catering personalized demand recommendation for mobile users

ZHU Bao?hua， ZHANG Xiao?bin

（School of Computer and Science， Xian Polytechnic University， Xian 710048， China）

Abstract： In the personalized recommendation system， collaborative filtering technology is one of the most successful technologies in application， which contains a few typical modes： collaborative filtering technologies based on the users， content items， association rules and so on，. These technologies have their own advantages， disadvantages and application fields. By the analysis of the traditional collaborative filtering algorithm， Jaccard coefficient is introduced according to the catering persona?lized characteristic of the mobile users. Jaccard coefficient is introduced into collaborative filtering to improve the filtering algorithm.， An ideal effect was obtained in catering personalized recommendation for mobile users.

Keywords： personalization； collaborative filtering； Jaccard coefficient； similarity

0 引 言

隨著移動(dòng)用戶數(shù)量的增加和移動(dòng)設(shè)備的方便使用，移動(dòng)用戶能夠很方便地對(duì)餐飲進(jìn)行評(píng)分。但在實(shí)際的餐飲個(gè)性化推薦中采用傳統(tǒng)的協(xié)同過濾技術(shù)，即首先為目標(biāo)用戶尋找興趣相似的鄰居用戶，然后把鄰居用戶感興趣的項(xiàng)目推薦給目標(biāo)用戶。這種推薦往往不準(zhǔn)確，不能滿足用戶的真正需求。

移動(dòng)用戶無法通過小小的移動(dòng)設(shè)備在短時(shí)間內(nèi)瀏覽所有餐飲信息，從而面臨“信息超載”的問題，使用戶失去興趣。解決此類問題常采用的方法有信息檢索、關(guān)聯(lián)規(guī)則、基于項(xiàng)目屬性和云填充的協(xié)同過濾推薦算法[1]，根據(jù)事物之間的關(guān)聯(lián)性，Sarwar等人將協(xié)同過濾算法分成了基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法[2]，文獻(xiàn)[3]提出一種結(jié)合共同鄰居和用戶評(píng)分信息的相似度算法，文獻(xiàn)[4]提出在項(xiàng)目評(píng)分預(yù)測推薦的基礎(chǔ)上結(jié)合云模型的算法。

本文在移動(dòng)用戶餐飲個(gè)性化推薦中，對(duì)傳統(tǒng)協(xié)同過濾算法進(jìn)行改進(jìn)，在移動(dòng)用戶餐飲個(gè)性化推薦中取得了較為理想的效果。

1 協(xié)同過濾算法

在大多數(shù)采用協(xié)同過濾算法的推薦系統(tǒng)中，由于用戶評(píng)分的項(xiàng)目往往不超過總項(xiàng)目[5]數(shù)的1%，所以導(dǎo)致評(píng)分?jǐn)?shù)據(jù)的極端稀疏性，使得傳統(tǒng)的相似性計(jì)算方法不能準(zhǔn)確地計(jì)算出項(xiàng)目之間的相似性。文獻(xiàn)[6]提出結(jié)合似然關(guān)系模型和用戶等級(jí)的協(xié)同過濾推薦算法。協(xié)同過濾算法中一般采用以下幾種相似性計(jì)算算法。

1.1 相似性計(jì)算

（1） 余弦相似性

用戶評(píng)分看作為[n]維項(xiàng)目空間上的向量，如果用戶對(duì)項(xiàng)目沒有進(jìn)行評(píng)分，則將用戶對(duì)該項(xiàng)目的評(píng)分設(shè)為0，用戶間的相似性通過向量間的余弦夾角度量。設(shè)用戶[i]和用戶[j]在[n]維項(xiàng)目空間上的評(píng)分分別為向量[pi，][pj，]則用戶[i]和用戶[j]直接的相似度sim（i，j）為：

[sim（i，j）=cos （pi，pj）=（pi，pj）pi?pj] （1）

（2） 相關(guān)相似性

設(shè)用戶[i]和[j]共同評(píng)分過的項(xiàng)目集合用[Iij]表示，則用戶[i]和用戶[j]之間的相似性sim（i，j）通過pearson相關(guān)系數(shù)度量：

[sim（i，j）=c∈Iij（Ri，c-Ri）（Rj，c-Rj）c∈Iij（Ri，c-Ri）2c∈Iij（Rj，c-Rj）2] （2）

（3） 修正的余弦相似性

在余弦相似性度量方法中沒有考慮不同用戶的評(píng)分尺度問題，修正的余弦相似性度量方法通過減去用戶對(duì)項(xiàng)目的平均評(píng)分改善了該缺陷， 設(shè)用戶i和j共同評(píng)分過的項(xiàng)目集合用[Iij]表示，[Ii]和[Ij]分別表示用戶i和用戶j評(píng)分過的項(xiàng)目集合，則用戶i 和用戶j 之間的相似性sim（i，j）為：

[sim（i，j）=c∈Iij（Ri，c-Ri）（Rj，c-Rj）c∈Ii（Ri，c-Ri）2c∈Ij（Rj，c-Rj）2] （3）

式中：Ri，c表示用戶i對(duì)項(xiàng)目c評(píng)分；[Ri]和[Rj]分別表示用戶i和用戶j對(duì)項(xiàng)目c的平均評(píng)分。

1.2 推薦

根據(jù)其他相似鄰居集用戶興趣，對(duì)目標(biāo)用戶進(jìn)行評(píng)分預(yù)測，預(yù)測推薦公式如下：[Pu，i=Ru+a=1n（Ra，i-Ra）sim（u，a）a=1nsim（u，a）] （4）

式中：[Ru]和[Ra]分別表示用戶[u]和用戶[a]對(duì)項(xiàng)目的平均評(píng)分；sim（u，a）是用戶[u]和用戶[a]的相似系數(shù)；Ra，i表示用戶[a]對(duì)項(xiàng)目[i]的評(píng)分；[n]是用戶的個(gè)數(shù)。

2 餐飲個(gè)性化需求推薦

隨著移動(dòng)用戶在餐飲方面的需求越來越高，普通的個(gè)性化推薦很難滿足用戶的真正需求，本文從移動(dòng)用戶的角度出發(fā)，考慮餐飲之間味道的相似性和移動(dòng)用戶餐飲評(píng)價(jià)相似性，綜合這兩方面的因素，在移動(dòng)用戶餐飲個(gè)性化推薦中取得了較為理想的效果。

2.1 餐飲味道相似性

計(jì)算餐飲味道的相似性，味道包括酸、甜、苦、辣、咸等其他味道，假設(shè)餐飲的種類為n，其中每道餐飲又有k種味道，表1為餐飲的種類對(duì)應(yīng)的多種味道，1代表餐飲具有某種味道，0代表不具有某種味道。

根據(jù)表1每種餐飲對(duì)應(yīng)的多種味道可知，計(jì)算各個(gè)餐飲味道的相似性，假設(shè)餐飲A和餐飲B在n維味道空間上看作是向量[A={A1，A2，…，Ai}，][B={B1，B2，…，Bi}，]并且由于該向量的取值為二維數(shù)據(jù)（0或者1） ，則餐飲A和餐飲B之間的味道相似性[sims（A，B）]計(jì)算公式為：

[sims（A，B）=i=1nAi?Bin] （5）

式中：[Ai?Bi]表示[Ai]和[Bi]的交集。

2.2 移動(dòng)用戶餐飲評(píng)價(jià)相似性

以餐飲為點(diǎn)評(píng)對(duì)象，在事件性營銷、培育核心用戶和全面社區(qū)化策略下，迅速聚攏人氣，構(gòu)建內(nèi)容較豐富的餐飲口碑信息庫，用戶的點(diǎn)評(píng)數(shù)量和質(zhì)量影響著其他用戶的體驗(yàn)，用戶對(duì)餐飲的評(píng)價(jià)可用1～5分來表示，其中1～3分可表達(dá)不喜歡，用數(shù)值0表示。4～5分表達(dá)喜歡，用數(shù)值1表示。也可以直接表達(dá)顧客喜歡/不喜歡，用數(shù)值1/0表示。對(duì)于未評(píng)分的餐飲，簡單的辦法就是將未評(píng)分餐飲設(shè)為一個(gè)固定的缺省值，通常取餐飲的評(píng)分均值進(jìn)行填充。這種改進(jìn)方法確實(shí)可以提高推薦精度。

假設(shè)用戶u對(duì)餐飲a、b、c評(píng)分為2分、3分、5分，但未對(duì)餐飲d進(jìn)行評(píng)價(jià)，可以參考對(duì)前三種餐飲的評(píng)分均值得到。這里引入計(jì)算相似性的杰卡德系數(shù)來描述，杰卡德相似系數(shù)是衡量兩個(gè)集合相似度的一種指標(biāo)。其思想是兩個(gè)集合A和B的交集元素在A，B并集中所占的比例，稱為兩集合的杰卡德相似系數(shù)，用符號(hào)[J（A，B）]表示，[J（A，B）=A?BA?B，]可將杰卡德相似系數(shù)用在衡量樣本的相似度上。樣本A與樣本B是兩個(gè)n維向量，而且所有維度的取值都是0或1。根據(jù)對(duì)上面杰卡德系數(shù)的分析，這里引入杰卡德系數(shù)用來自適應(yīng)調(diào)節(jié)用戶之間的相似性值，設(shè)用戶u和用戶v的杰卡德系數(shù)如下：

[J（u，v）=Ru?RvRu?Rv] （6）

式中：[Ru]和[Rv]分別為用戶u和用戶v的評(píng)分項(xiàng)目集合；[J（u，v）∈][0，1]；[?]表示集合中的項(xiàng)目數(shù)。當(dāng)兩個(gè)用戶擁有完全相同的評(píng)分項(xiàng)目集合時(shí)，值為1。

從用戶對(duì)餐飲評(píng)分的角度來看，共同評(píng)分占用比越高，則說明兩個(gè)人感興趣的餐飲越相似。利用杰卡德系數(shù)通過兩個(gè)用戶的評(píng)分分布計(jì)算兩用戶的相似性，兩用戶共同評(píng)價(jià)的餐飲所占的比例越大，則相似性就越高。用戶評(píng)價(jià)大于3分的用數(shù)值1表示，評(píng)價(jià)小于3分的用0表示。假設(shè)用戶u對(duì)餐飲a、b、c的評(píng)分分別是5分、4分、2分，用數(shù)值表示為（110），用戶v對(duì)餐飲a、b、c的評(píng)分分別是4分、2分、3分，用數(shù)值表示為（101），則用戶u和用戶v的相似度為[13。]這里用杰卡德系數(shù)和sim（u，v）相結(jié)合達(dá)到修正sim（u，v）的效果，最終獲得更加準(zhǔn)確的用戶之間的相似性：

[simr（u，v）=J（u，v）?sim（u，v）] （7）

將用戶之間相似性[simr（u，v）]和餐飲的味道相似性[sims（u，v）]相結(jié)合，其中a∈[0，1]，a是調(diào)節(jié)基于兩種相似性的平衡因子。

[sim（i，j）=asims（i，j）+（1-a）simr（i，j）] （8）

2.3 餐飲個(gè)性化推薦

根據(jù)一些移動(dòng)用戶對(duì)餐飲的評(píng)價(jià)，對(duì)這些數(shù)據(jù)進(jìn)行整理，計(jì)算用戶u對(duì)餐飲i的預(yù)測評(píng)價(jià)Pu，i可以通過用戶u對(duì)最近鄰居集合中項(xiàng)目的評(píng)分得到，將餐飲之間相似性和修正過的用戶相似性結(jié)合，應(yīng)用到用戶u對(duì)餐飲的預(yù)測評(píng)分，計(jì)算公式如下：

[Pu，i=Ru+a=1n（Ra，i-Ra）sim（u，a）a=1nsim（u，a）] （9）

式中：Ra，i表示用戶a對(duì)餐飲i的評(píng)分；[Ru]和[Ra]分別表示對(duì)餐飲u和a的平均評(píng)分。

3 實(shí)驗(yàn)結(jié)果分析

本文試驗(yàn)中選取了200名注冊(cè)的移動(dòng)用戶對(duì)50道餐飲進(jìn)行的1 000條評(píng)分記錄作為實(shí)驗(yàn)數(shù)據(jù)集。MAE通過計(jì)算所有預(yù)測評(píng)分與實(shí)際評(píng)分的偏差來評(píng)價(jià)算法的優(yōu)劣。MAE值越小，則算法越精確。

[MAE=（u，i）∈RTPu，i-Ru，iRT] （10）

式中：Pu，i表示用戶u對(duì)餐飲i的預(yù)測評(píng)分；Ru，i表示顧客u對(duì)餐飲i的真實(shí)評(píng)分；RT表示測試集。

用戶鄰居數(shù)目從10增加到50，中間間隔為10，比較不同鄰居數(shù)目下兩種算法的不同MAE值，如圖1所示。其中a=0.5，由圖1可知MAE值越小準(zhǔn)確率越高，改進(jìn)的協(xié)同過濾算法明顯優(yōu)于傳統(tǒng)的協(xié)同過濾，將預(yù)測評(píng)分最高的N個(gè)餐飲推薦給用戶。

4 結(jié) 語

考慮到移動(dòng)用戶平時(shí)對(duì)各種餐飲的評(píng)分，本文引入杰卡德系數(shù)，將杰卡德系數(shù)和用戶相似性聯(lián)系在一起達(dá)到修正的目的，再和餐飲味道相似性線性相結(jié)合，最終預(yù)測移動(dòng)用戶對(duì)餐飲的評(píng)分，改進(jìn)的協(xié)同過濾算法在移動(dòng)用戶餐飲個(gè)性化推薦中取得了較為理想的效果。

參考文獻(xiàn)

[1] 孫金剛，艾麗榮.基于項(xiàng)目屬性和云填充的協(xié)同過濾推薦算法[J].計(jì)算機(jī)應(yīng)用，2012（3）：658?660.

[2] SARWAR B， KARYPIS G， KONSTAN J， et al. Item?based collaborative filtering recommendation algorithms [C]// Procee?dings of the 10th International Conference on World Wide Web. New York： ACM Press， 2001： 285?295.

[3] 賀銀慧，陳端兵，陳勇，等.一種結(jié)合共同鄰居和用戶評(píng)分信息的相似度算法[J].計(jì)算機(jī)科學(xué)，2010（9）：184?186.

[4] 徐德智，李曉慧.基于云模型的項(xiàng)目評(píng)分預(yù)測推薦算法[J].計(jì)算機(jī)工程，2010（17）：48?50.

[5] 鄧愛林，朱揚(yáng)勇，施伯樂.基于項(xiàng)目評(píng)分預(yù)測的協(xié)同過濾算法[J].軟件學(xué)報(bào)，2003，14（9）：1621?1628.

[6] 高瀅，齊紅，劉杰，等.結(jié)合似然關(guān)系模型和用戶等級(jí)的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2008（9）：1463?1469.