基于概念層次樹(shù)的個(gè)性化推薦算法

陳淑婷+胡美慧+郭江濤

摘要：隨著全球信息總量的爆炸式增長(zhǎng)，信息超載問(wèn)題無(wú)法避免且日趨嚴(yán)重化。個(gè)性化推薦系統(tǒng)是當(dāng)前解決信息過(guò)載問(wèn)題的有效技術(shù)。下文從概念層次樹(shù)入手，對(duì)基于概念層次樹(shù)的個(gè)性化推薦算法的整體流程進(jìn)行了詳細(xì)分析和介紹，旨在為相關(guān)人員提供參考。

關(guān)鍵詞：概念層次樹(shù)；個(gè)性化推薦；算法

引言

在目前的電子商務(wù)中，產(chǎn)品信息呈指數(shù)級(jí)增長(zhǎng)，個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生，它通過(guò)分析消費(fèi)者的歷史交易記錄，獲取消費(fèi)者的興趣偏好，并推薦產(chǎn)品或服務(wù)，節(jié)省了消費(fèi)者尋找合適商品的時(shí)間。在當(dāng)前的個(gè)性化推薦系統(tǒng)中，協(xié)同過(guò)濾及其改進(jìn)算法被大多數(shù)電子商務(wù)網(wǎng)站所采用?；诟拍顚哟螛?shù)的個(gè)性化推薦算法就是傳統(tǒng)協(xié)同過(guò)濾經(jīng)過(guò)改進(jìn)后的算法之一，大大提升了個(gè)性化推薦的準(zhǔn)確度，對(duì)個(gè)性化推薦技術(shù)的發(fā)展具有非常重要的意義。

1基于概念層次樹(shù)的個(gè)性推薦概述

概念層次樹(shù)是將數(shù)據(jù)庫(kù)中記錄的屬性字段根據(jù)一定的抽象程度進(jìn)行歸類(lèi)合并而形成的層次結(jié)構(gòu)。面向?qū)傩詺w納方法利用概念層次技術(shù)進(jìn)行概念提升，得到高度概括的表，進(jìn)而將它轉(zhuǎn)換成用戶(hù)的特征需求，為用戶(hù)個(gè)性化服務(wù)提供依據(jù)。概念層次結(jié)構(gòu)是表示抽象知識(shí)的重要手段，把原始數(shù)據(jù)泛化到較高層次，實(shí)現(xiàn)在不同概念層次上對(duì)數(shù)據(jù)的抽象。面向?qū)傩詺w納方法中用來(lái)進(jìn)行概念泛化的技術(shù)稱(chēng)為概念層次技術(shù)，用概念層次樹(shù)來(lái)表示用于泛化的背景知識(shí)，實(shí)現(xiàn)具體與抽象概念之間的轉(zhuǎn)化。

2概念層次樹(shù)的構(gòu)建

根據(jù)關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)（用戶(hù)年齡、受教育程度、收入、喜好等數(shù)據(jù)），為用戶(hù)的每個(gè)屬性構(gòu)建概念層次樹(shù)，使具體的屬性值概化為抽象的知識(shí)并歸類(lèi)合并，實(shí)現(xiàn)在不同概念層次上對(duì)數(shù)據(jù)的抽象。概念層次樹(shù)是通過(guò)樹(shù)結(jié)構(gòu)的形式，將具體的屬性值分組，然后按照背景知識(shí)逐級(jí)提升概念。每個(gè)獨(dú)立節(jié)點(diǎn)表示一個(gè)基本概念，它可能是一個(gè)屬性的簡(jiǎn)單組，也可能是若干屬性形成的復(fù)合組。概念層次樹(shù)的節(jié)點(diǎn)可以是同一屬性的不同抽象度的匯聚點(diǎn)，也可以是由一個(gè)概念包含的多個(gè)子概念，網(wǎng)站中用戶(hù)的性別、年齡、職業(yè)、教育程度、收入、喜歡的書(shū)等基本信息都不同程度上對(duì)用戶(hù)的興趣愛(ài)好產(chǎn)生一定的影響（具體概念層次樹(shù)結(jié)構(gòu)圖如圖1-圖3所示）。所以需要把這些基本信息的概念層次樹(shù)構(gòu)建出來(lái)，其中用戶(hù)興趣愛(ài)好這一基本信息是兩層的概念層次樹(shù)，與其職業(yè)相同。

3挖掘用戶(hù)喜歡的數(shù)據(jù)

3.1劃分項(xiàng)目種類(lèi)子集

從概念層次樹(shù)中的結(jié)點(diǎn)屬性分析，根的各直接子樹(shù)包含的項(xiàng)目種類(lèi)的屬性相對(duì)獨(dú)立，相互間關(guān)聯(lián)最小，根（用戶(hù)的興趣愛(ài)好，如喜好的電影、書(shū)籍等）的子樹(shù)——即用戶(hù)興趣愛(ài)好的分類(lèi)（如電影分為ComeXy類(lèi)電影、Aiction類(lèi)電影、Sci-Fi類(lèi)電影），它們各自包含的子類(lèi)相互間差異都較大。因此對(duì)項(xiàng)目種類(lèi)集合作如下劃分，即X={Root，Xn，X2...Xn}。Root為T(mén)的根結(jié)點(diǎn)，X（h=1，2，3...n）為Root的子樹(shù)Th中各結(jié)點(diǎn)（項(xiàng)目種類(lèi)）組成的集合，n為Root的子樹(shù)棵數(shù)。

3.2尋找喜好種類(lèi)的鄰居

本文需要判定用戶(hù)喜好的項(xiàng)目種類(lèi)子集。對(duì)于用戶(hù)關(guān)注較少或從未關(guān)注過(guò)的項(xiàng)目種類(lèi)，本算法將其視為用戶(hù)“不感興趣的種類(lèi)”。根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)值，若（訪問(wèn)種類(lèi)子集中的項(xiàng)目數(shù)÷訪問(wèn)項(xiàng)目總數(shù)）<10%則視該項(xiàng)目種類(lèi)子集為用戶(hù)不喜好的項(xiàng)目種類(lèi)，算法將不再在其上尋找鄰居進(jìn)行推薦，以節(jié)省系統(tǒng)的資源。判定用戶(hù)喜好的項(xiàng)目種類(lèi)后，在各喜好的項(xiàng)目種類(lèi)子集Xn上，依次計(jì)算用戶(hù)Ai和用戶(hù)Ax的在每個(gè)集合中的PeArson相關(guān)度，其中，F(xiàn)i和Fk為用戶(hù)Ai和Ax對(duì)項(xiàng)目種類(lèi)的評(píng)分，V1、V2是用戶(hù)Ai、B對(duì)X中所有項(xiàng)目種類(lèi)的平均評(píng)分，根據(jù)計(jì)算出的PeAirson相關(guān)度，選擇與當(dāng)前用戶(hù)B最相似的K個(gè)用戶(hù)作為用戶(hù)Ai在項(xiàng)目種類(lèi)子集合X上的鄰居集。重復(fù)以上運(yùn)算，找出當(dāng)前用戶(hù)Ai在所有喜好的項(xiàng)目種類(lèi)子集上的鄰居集。

4產(chǎn)生推薦

4.1評(píng)估候選項(xiàng)目

在喜好的項(xiàng)目種類(lèi)子集Xn上，選取屬于該集合中的項(xiàng)目種類(lèi)、被當(dāng)前用戶(hù)Ai的鄰居所喜好、且未被B訪問(wèn)過(guò)的項(xiàng)目，構(gòu)成當(dāng)前用戶(hù)Ai的候選推薦項(xiàng)目集，即算每個(gè)候選項(xiàng)目受當(dāng)前用戶(hù)Ai關(guān)注的程度，用權(quán)重來(lái)表示。計(jì)算權(quán)重時(shí)，重點(diǎn)考慮的因素如下：（1）喜好bx的鄰居B與當(dāng)前用戶(hù)Ai的相似程度。B的偏好與Ai的越相似，B的推薦可信度就越高；（2）B對(duì)bx的喜好程度。B對(duì)bx越喜好，bx所獲得的推薦權(quán)重就越高。在計(jì)算B對(duì)bx的喜好程度時(shí)可以進(jìn)行如下處理：假定一個(gè)虛擬用戶(hù)C，R={bx}，則B對(duì)bx的喜好程度=simn（B，C）。當(dāng)B訪問(wèn)過(guò)較多與bx同類(lèi)的項(xiàng)目時(shí)，B對(duì)bx表現(xiàn)出較高的喜好程度。根據(jù)以上因素，定義候選項(xiàng)目權(quán)重計(jì)算公式，其中，Ai（bx）為用戶(hù)Ai的喜好bx的鄰居組成的集合；bx為其項(xiàng)目種類(lèi)屬于Xn的項(xiàng)目。

4.2產(chǎn)生最終推薦

評(píng)估所有項(xiàng)目種類(lèi)屬于用戶(hù)喜好項(xiàng)目種類(lèi)子集的侯選項(xiàng)目后，按權(quán)重對(duì)bx進(jìn)行降序排列，得到Xn上的候選項(xiàng)目的推薦列表。根據(jù)當(dāng)前用戶(hù)Ai對(duì)不同項(xiàng)目種類(lèi)的偏好，計(jì)算各喜好項(xiàng)目種類(lèi)的侯選推薦項(xiàng)在最終推薦列表中所占比例，即numx=N*（Rix/Ri）其中，凡為喜好種類(lèi)子集Xn上Ai訪問(wèn)項(xiàng)目組成的集合；N即為產(chǎn)生的top-N推薦的推薦項(xiàng)目數(shù)。從各Ph中抽取numih個(gè)項(xiàng)目，將這些項(xiàng)目按用戶(hù)喜好程度的具體數(shù)值降序排列，形成對(duì)用戶(hù)Ai的最終top-N推薦Py={b1，b2...bx}。

結(jié)束語(yǔ)

基于概念層次樹(shù)的個(gè)性化推薦算法，相較于傳統(tǒng)協(xié)同過(guò)濾算法在準(zhǔn)確性方面有了顯著提升，在推薦的多樣性上也有了明顯的改善。為了能夠使個(gè)性化推薦更加精準(zhǔn)，滿(mǎn)足客戶(hù)的需求，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)，相關(guān)人員可以將該算法部署到實(shí)際的推薦系統(tǒng)中，通過(guò)在線(xiàn)測(cè)試的方法獲取用戶(hù)對(duì)推薦數(shù)據(jù)的準(zhǔn)確性和多樣性的滿(mǎn)意程度，進(jìn)一步對(duì)當(dāng)前的個(gè)性化推薦算法進(jìn)行改進(jìn)。

參考文獻(xiàn)：

[1]何佶星陳汶濱牟斌皓.流行度劃分結(jié)合平均偏好權(quán)重的協(xié)同過(guò)濾個(gè)性化推薦算法[J/OL].計(jì)算機(jī)科學(xué)，2018，（S1）：50.

[2]陳潔敏，湯庸，李建國(guó)，蔡奕彬.個(gè)性化推薦算法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，46（05）：8-15.

[3]關(guān)遠(yuǎn).推薦網(wǎng)絡(luò)分析及個(gè)性化推薦算法研究[X].電子科技大學(xué)，2014.endprint