基于社交實(shí)值條件的拓?fù)渖窠?jīng)網(wǎng)絡(luò)推薦算法

楊 璐，洪聯(lián)系

（集美大學(xué) 誠(chéng)毅學(xué)院，福建 廈門(mén) 361021）

隨著信息時(shí)代的到來(lái)，信息過(guò)載問(wèn)題越發(fā)突出，個(gè)性化推薦系統(tǒng)在這個(gè)信息化背景下應(yīng)運(yùn)而生，成為廣大學(xué)者和業(yè)界的研究熱點(diǎn)。雖然現(xiàn)階段社交網(wǎng)絡(luò)的數(shù)據(jù)分析結(jié)果能有效地影響商業(yè)機(jī)制，但個(gè)性化推薦技術(shù)在速度和準(zhǔn)確度上仍有進(jìn)一步提高的空間。

推薦系統(tǒng)這個(gè)概念在1990年被提出，它最初的用意是讓數(shù)以萬(wàn)計(jì)的網(wǎng)絡(luò)用戶擁有更多的選擇，更高效地從信息網(wǎng)絡(luò)中發(fā)現(xiàn)更切合自己興趣的事物。1992年，PARC Tapestry System提出了一種類似集體智慧的算法——協(xié)同過(guò)濾算法，并且證明了如何運(yùn)用用戶已知的個(gè)人信息及其他們的瀏覽點(diǎn)擊等習(xí)慣中做出個(gè)性化分析。麻省理工大學(xué)于1995年研發(fā)的Ringo System便是運(yùn)用協(xié)同過(guò)濾自動(dòng)從網(wǎng)絡(luò)提取數(shù)據(jù)的音樂(lè)推薦系統(tǒng)。隨后，更多推薦算法陸續(xù)被提出，從信息過(guò)濾的角度可以概括為：協(xié)同過(guò)濾推薦（Collaborative Filtering Recommendation）［1-3］，基于內(nèi)容的推薦（Content-based Recommendation）［4］，基于知識(shí)的推薦（Knowledge-based Recommendation）［5］，混合推薦（Hybrid Recommendation）[6-7]，隨著移動(dòng)設(shè)備的普及，又出現(xiàn)了基于地理位置的推薦（Mobile Recommendation）［8-9］。

21世紀(jì)以來(lái)，推薦系統(tǒng)的研究與應(yīng)用在各大電子商務(wù)和社交網(wǎng)絡(luò)中得到廣泛應(yīng)用，其中以A-mazon、Facebook、Twitter最為著名，有研究表明，Amazon有35%的營(yíng)業(yè)額來(lái)自于自身的推薦系統(tǒng)。當(dāng)前，有越來(lái)越多的社交網(wǎng)站開(kāi)始研究大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[10-11]，而從推薦系統(tǒng)出現(xiàn)至今已過(guò)去幾十年，目標(biāo)便是研發(fā)更快，準(zhǔn)確率更高的算法，提高用戶體驗(yàn)度和商業(yè)轉(zhuǎn)化率。

推薦系統(tǒng)發(fā)展到現(xiàn)在，在硬件方面主要面臨的問(wèn)題是內(nèi)存消耗，但更為嚴(yán)峻的挑戰(zhàn)是針對(duì)不同類型的數(shù)據(jù)結(jié)構(gòu)和需求，研究員們需改進(jìn)出更為適合的算法。過(guò)去幾年中，社交網(wǎng)絡(luò)和商業(yè)化網(wǎng)站都存在一個(gè)“冷啟動(dòng)”問(wèn)題，即新用戶或新商品和網(wǎng)絡(luò)中其他人或物的關(guān)系如何定義。對(duì)于內(nèi)存消耗問(wèn)題，本文針對(duì)實(shí)驗(yàn)中使用的集群數(shù)據(jù)集給出的解決辦法是只選擇計(jì)算目標(biāo)用戶所在集群里其他所有用戶與之的相似度來(lái)推斷其愛(ài)好，該思路針對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)算法可大大減小其計(jì)算量，且實(shí)驗(yàn)證明該計(jì)算結(jié)果擁有更高的準(zhǔn)確度。

1 系統(tǒng)框架

如今社交網(wǎng)絡(luò)已經(jīng)成為人們生活中不可或缺的一部分,越來(lái)越多的人更傾向于在線交友和購(gòu)物，那么當(dāng)一個(gè)用戶進(jìn)入一個(gè)成熟的社交網(wǎng)絡(luò)并做出一切操作指令后，該系統(tǒng)便會(huì)根據(jù)用戶的選擇和操作習(xí)慣進(jìn)行分析而后給出用戶的傾向性分析結(jié)果，即社交網(wǎng)絡(luò)的推薦系統(tǒng)。一個(gè)完整的社交網(wǎng)絡(luò)系統(tǒng)，需要精確實(shí)時(shí)地對(duì)所提出的推薦算法進(jìn)行實(shí)現(xiàn)和評(píng)價(jià)。本文提出的推薦框架，以及該框架如何和預(yù)測(cè)算法結(jié)合，算法及系統(tǒng)框架如圖1所示。

本社交網(wǎng)絡(luò)推薦系統(tǒng)框架主要由三部分構(gòu)成：用戶數(shù)據(jù)預(yù)處理層、推薦生成層和效用評(píng)價(jià)層，整個(gè)實(shí)驗(yàn)過(guò)程將真實(shí)地模擬社交網(wǎng)絡(luò)的推薦。

圖1 在線社交網(wǎng)絡(luò)推薦系統(tǒng)的基本框架

用戶數(shù)據(jù)預(yù)處理層：算法分析所用數(shù)據(jù)集采集自Flixter網(wǎng)站，包括用戶信息、用戶行為日志（即用戶在此網(wǎng)站內(nèi)所產(chǎn)生的評(píng)分信息）和用戶之間的友好關(guān)系。海量數(shù)據(jù)下，緩解數(shù)據(jù)的稀疏性是數(shù)據(jù)預(yù)處理主要面對(duì)的問(wèn)題。數(shù)據(jù)量越大推薦算法的處理速度越慢，而且往往不能得到好的推薦結(jié)果，針對(duì)推薦質(zhì)量問(wèn)題，該框架設(shè)計(jì)了這一層級(jí)。

推薦生成層：分為線下訓(xùn)練、線上推薦兩個(gè)步驟，線下訓(xùn)練主要用到反向傳播神經(jīng)網(wǎng)絡(luò)和Sim-Rank++拓?fù)淠Ｐ?，而線上推薦即推薦生成層。首先隨機(jī)選取采集數(shù)據(jù)的絕大部分用于學(xué)習(xí)，即使用反向傳播神經(jīng)網(wǎng)絡(luò)和SimRank++進(jìn)行離線訓(xùn)練，并在原算法上增加權(quán)值進(jìn)行改進(jìn)。SimRank++算法主要針對(duì)的是用戶友好關(guān)系數(shù)據(jù)表，反向傳播神經(jīng)網(wǎng)絡(luò)則主要針對(duì)用戶行為日志表進(jìn)行分析。根據(jù)用戶的個(gè)人信息和評(píng)分時(shí)間，該模型加入了兩個(gè)主要權(quán)值變量，以改進(jìn)推薦效果。在此層作者將會(huì)搭建一個(gè)虛擬的社交網(wǎng)站作為可視化界面顯示預(yù)測(cè)結(jié)果，即用戶登錄進(jìn)作者模擬出來(lái)的社交網(wǎng)站中，點(diǎn)擊不同按鈕，根據(jù)已有數(shù)據(jù)進(jìn)行分析，預(yù)測(cè)結(jié)果會(huì)直接在該社交網(wǎng)站上呈現(xiàn)給當(dāng)前用戶。同時(shí)也將在數(shù)據(jù)庫(kù)中導(dǎo)入線下用算法訓(xùn)練后的數(shù)據(jù)，簡(jiǎn)單和直觀地看到預(yù)測(cè)評(píng)分。

效用評(píng)價(jià)層：系統(tǒng)推薦結(jié)果將與文中提到的部分傳統(tǒng)算法在精確性上進(jìn)行比較并用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）對(duì)其進(jìn)行評(píng)價(jià)。

2 算法描述及關(guān)鍵技術(shù)

所有推薦系統(tǒng)都會(huì)遇到“冷啟動(dòng)”問(wèn)題，即面對(duì)新注冊(cè)的用戶，系統(tǒng)對(duì)新用戶的行為習(xí)慣未知，便不能有效做出推薦。此時(shí)系統(tǒng)便可運(yùn)用僅有的用戶信息進(jìn)行分析，對(duì)此用歐幾里距離算法：

來(lái)計(jì)算用戶之間的“距離”。其中，p和q分別代表不同的兩個(gè)用戶，n為用戶個(gè)性化屬性個(gè)數(shù)。從上述距離中便可分析出在用戶個(gè)人信息的基礎(chǔ)上的相似度SED，從而解決冷啟動(dòng)問(wèn)題，同時(shí)也可將其作為老用戶之間相似度計(jì)算的一項(xiàng)指標(biāo)。

推薦模型將使用反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)合SimRank++算法，不但可以降低神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的個(gè)數(shù)從而加快數(shù)據(jù)處理速度，與此同時(shí)還可提高推薦精度。在這個(gè)大數(shù)據(jù)時(shí)代，社交網(wǎng)絡(luò)數(shù)據(jù)集中70%都是缺失數(shù)據(jù)，如果單一依靠評(píng)分或者用戶關(guān)聯(lián)度作為聚類條件，會(huì)由于數(shù)據(jù)的稀疏導(dǎo)致分析結(jié)果的準(zhǔn)確度降低。該算法第一步運(yùn)用SiamRank++尋找目標(biāo)用戶的最近鄰居，再用反向傳播神經(jīng)網(wǎng)絡(luò)分析目標(biāo)用戶與其的相似度，從而做出預(yù)測(cè)，最大程度上減少無(wú)用的數(shù)據(jù)分析提高預(yù)測(cè)準(zhǔn)確度。與此同時(shí)結(jié)合數(shù)據(jù)集特點(diǎn)，運(yùn)用個(gè)人信息和評(píng)價(jià)時(shí)間戳作為權(quán)值擬合算法，解決“冷啟動(dòng)”和用戶動(dòng)態(tài)興趣愛(ài)好的變化問(wèn)題。

2.1 SimRank++算法

SimRank是一種基于隨機(jī)步伐的相似度算法[12]，也是一種基于圖的拓?fù)浣Y(jié)構(gòu)信息來(lái)衡量任意兩個(gè)對(duì)象間相似程度的模型。核心思想為：如果兩個(gè)對(duì)象和被與其相似的對(duì)象所引用（即它們有相似的入鄰邊結(jié)構(gòu)），那么這兩個(gè)對(duì)象也相似。通過(guò)臨近相似規(guī)則，它可以很簡(jiǎn)潔地定義出用戶之間關(guān)系。兩個(gè)用戶之間相似度越高，相應(yīng)的Ssimrank(a，b)值則越低。標(biāo)準(zhǔn)SimRank算法如式（2）：

其中C為一個(gè)常數(shù)，取值在0到1之間，且具體大小要在實(shí)驗(yàn)過(guò)程中通過(guò)反復(fù)計(jì)算才能定值。a和b表示兩個(gè)關(guān)聯(lián)用戶，Ii（a）和Ij（b）)分別為與用戶a，b為好友的所有用戶集合。若a，b為任意兩個(gè)不相關(guān)用戶，且之間沒(méi)有任何關(guān)聯(lián)的其他用戶，則無(wú)法定義出a，b兩者間的相似度，即s(a，b)=0。所以式（1）可以得到一個(gè)臨界條件：Ii（a）= ?或 Ij（b）= ? 時(shí)，Ssimrank(a，b)=0。

式子（1）的缺陷在于一定的迭代計(jì)算后，所有用戶的相似度結(jié)果將會(huì)得到同一個(gè)值；便有了改進(jìn)算法SimRank++（以下簡(jiǎn)稱SR++），即增加一個(gè)權(quán)重值w。

E(a)∩E(b)為用戶a和b的共同好友數(shù)，該值和權(quán)重W為正比關(guān)系。加上權(quán)重W后進(jìn)行迭代以得到最終相似度，多次實(shí)驗(yàn)后表明當(dāng)?shù)螖?shù)在6次之后便可得到一個(gè)穩(wěn)定的結(jié)果。綜上所述，本文所提出的用戶間相似度算法可歸結(jié)為下：

SED是根據(jù)用戶個(gè)人信息用歐幾里距離算法計(jì)算出來(lái)的用戶相似度。從最終相似度值找到目標(biāo)用戶的最近鄰居，然后選取相似度最高的前20個(gè)相似用戶和已關(guān)聯(lián)用戶作為反向傳播神經(jīng)網(wǎng)絡(luò)的輸入層來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)的得分。

2.2 反向傳播神經(jīng)網(wǎng)絡(luò)及其改進(jìn)應(yīng)用

神經(jīng)網(wǎng)絡(luò)[13-14]等機(jī)器學(xué)習(xí)[15]算法應(yīng)用于大數(shù)據(jù)是人工智能領(lǐng)域中一個(gè)成功應(yīng)用，它能夠滿足人們從大量數(shù)據(jù)中挖掘出隱含的、未知的、有潛在價(jià)值的信息和知識(shí)的要求。目前，數(shù)據(jù)挖掘在市場(chǎng)營(yíng)銷、銀行、制造業(yè)、保險(xiǎn)業(yè)、計(jì)算機(jī)安全、醫(yī)藥、交通和電信等領(lǐng)域已經(jīng)有許多成功案例。

反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Algorithm，BP）是一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)，包括輸入、隱藏和輸出共三層，遵循

其中j是隱藏層的個(gè)數(shù)，i是輸入層的個(gè)數(shù)，k是輸出值，R(10)是0到10之間的任意數(shù)。并且本文所提出的評(píng)分預(yù)測(cè)模型將在傳統(tǒng)BP網(wǎng)絡(luò)中加入時(shí)間戳作為權(quán)值來(lái)為評(píng)分的有效性進(jìn)行排序，整個(gè)網(wǎng)絡(luò)訓(xùn)練流程如圖2所示。

圖2 基于時(shí)間戳的BP網(wǎng)絡(luò)模型

在現(xiàn)實(shí)中有一個(gè)值得注意的問(wèn)題就是人的興趣是會(huì)隨著時(shí)間的推移而發(fā)生改變，所以用戶對(duì)于項(xiàng)目的興趣度便不能單純地依靠評(píng)分來(lái)推斷。本文將給每個(gè)評(píng)分一個(gè)取值范圍在0至1之間的權(quán)值w，而這個(gè)權(quán)值的判斷方法就是基于項(xiàng)目的評(píng)價(jià)時(shí)間。通過(guò)上述內(nèi)容，用戶對(duì)于項(xiàng)目的評(píng)分將依靠權(quán)值w進(jìn)行預(yù)處理，同時(shí)找到缺失數(shù)據(jù)和剔除離群值。接著根據(jù)圖2所示的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)后，對(duì)目標(biāo)用戶未評(píng)價(jià)的項(xiàng)目進(jìn)行預(yù)測(cè)，預(yù)測(cè)得分高的將作為推薦結(jié)果。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如下所示：

以上為輸入層到隱藏層的計(jì)算過(guò)程，激活函數(shù)使用Logistic Function。其中p為迭代次數(shù)，yj(p)為隱藏層輸出，xi(p)為輸入值，wij(p)為權(quán)值向量，δk(p)為誤差梯度，α為學(xué)習(xí)率，θj為精度控制參數(shù)。而后采用試錯(cuò)法求解得到合適的隱藏層節(jié)點(diǎn)數(shù)量。

式（10～14）為隱藏層到輸出層的計(jì)算公式，其計(jì)算過(guò)程類似輸入層到隱藏層，ek(p)為誤差信號(hào)，其它符號(hào)含義同式（6～9）。上述整個(gè)SR++_BP模型可大大降低整個(gè)評(píng)分矩陣的稀疏度，訓(xùn)練-預(yù)測(cè)過(guò)程如圖3所示。

圖3 SR++_BP模型的訓(xùn)練測(cè)試集/過(guò)程

圖3是整個(gè)算法模型的訓(xùn)練測(cè)試過(guò)程，u6i6單元格的值即為需要預(yù)測(cè)的項(xiàng)，表格上半部分相當(dāng)于訓(xùn)練集，其中IN是輸入向量，OUT部分是真實(shí)輸出。對(duì)圖3的數(shù)據(jù)集進(jìn)行訓(xùn)練得到穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)后，輸入[u6：1,5,1,2,3]，可得到 u6對(duì) i6的評(píng)分。

3 實(shí)驗(yàn)結(jié)果及分析

通過(guò)實(shí)驗(yàn)驗(yàn)證文中所提出算法的性能，實(shí)驗(yàn)采用Flixter數(shù)據(jù)集，過(guò)程需要用到數(shù)據(jù)集中3個(gè)表，包括用戶對(duì)電影的評(píng)分，用戶好友關(guān)系和用戶個(gè)人信息。要證明算法對(duì)結(jié)果的影響，就要在實(shí)驗(yàn)中建立科學(xué)客觀的推薦效果評(píng)價(jià)體系，不僅可以用來(lái)比較衡量各推薦系統(tǒng)的優(yōu)劣，還可以在運(yùn)算過(guò)程中指導(dǎo)相關(guān)參數(shù)的選擇，避免大量重復(fù)而無(wú)效的計(jì)算。對(duì)數(shù)據(jù)多次隨機(jī)分割交叉學(xué)習(xí)，把訓(xùn)練結(jié)果和隨機(jī)選取的樣本數(shù)據(jù)進(jìn)行對(duì)比，以構(gòu)建一套綜合評(píng)價(jià)體系，客觀評(píng)價(jià)算法的推薦效果。

3.1 數(shù)據(jù)集統(tǒng)計(jì)分析

實(shí)驗(yàn)所采用的Flixter數(shù)據(jù)集包含好友關(guān)系和電影評(píng)分，共有147,612個(gè)用戶對(duì)48,794部電影進(jìn)行評(píng)分。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，剔除沒(méi)有好友關(guān)系的數(shù)據(jù)，再隨機(jī)分離出數(shù)據(jù)集中3000個(gè)用戶對(duì)5406部電影的評(píng)分（其中包括用戶個(gè)人信息和好友關(guān)系網(wǎng)絡(luò)）進(jìn)行實(shí)驗(yàn)。被選中的數(shù)據(jù)中，部分將作為訓(xùn)練數(shù)據(jù)，剩下的作為測(cè)試數(shù)據(jù)，用來(lái)和算法預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比，以考究預(yù)測(cè)結(jié)果和期望之間的重合度從而得到推薦準(zhǔn)確度。推薦模型數(shù)據(jù)結(jié)構(gòu)圖4所示。

圖4 推薦模型數(shù)據(jù)結(jié)構(gòu)

根據(jù)推薦模型數(shù)據(jù)結(jié)構(gòu)可發(fā)現(xiàn)數(shù)據(jù)集主體由3部分構(gòu)成：（1）用戶信息 （User）；（2）好友關(guān)系（Friendship）；（3）用戶對(duì)電影的評(píng)分（UserMovieRating）。首先根據(jù)用戶信息和用戶好友關(guān)系得到用戶之間的相似度，其次根據(jù)這個(gè)相似度選取要進(jìn)行訓(xùn)練的評(píng)分?jǐn)?shù)據(jù)，再次根據(jù)項(xiàng)目的評(píng)分時(shí)間進(jìn)行最后一輪篩選得到最終要納入訓(xùn)練的數(shù)據(jù)，訓(xùn)練出穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)后便可進(jìn)行項(xiàng)目評(píng)分預(yù)測(cè)，得到推薦結(jié)果。

3.2 評(píng)分函數(shù)

將使用推薦準(zhǔn)確度作為評(píng)價(jià)指標(biāo)，而使用評(píng)分函數(shù)的目的是用函數(shù)的形式來(lái)評(píng)價(jià)實(shí)驗(yàn)所搭建的模型對(duì)于數(shù)據(jù)集的挖掘分析及推薦有效程度。目前，絕大多數(shù)的推薦系統(tǒng)都是使用預(yù)測(cè)準(zhǔn)確度來(lái)評(píng)價(jià)推薦算法的性能，本質(zhì)是比較推薦結(jié)果和實(shí)際值之間的相似度。常用度量方法有平均絕對(duì)誤差（MAE）和根均方差（RMSE）。

MAE計(jì)算預(yù)測(cè)評(píng)分與用戶實(shí)際評(píng)分之間的平均絕對(duì)誤差值，其計(jì)算公式如式（15）所示；RMSE計(jì)算用戶實(shí)際評(píng)分和預(yù)測(cè)評(píng)分之間的根均方誤差，它的計(jì)算公式如式（16）所示。

其中：n表示測(cè)試集數(shù)據(jù)個(gè)數(shù)；pi，u表示用戶i對(duì)電影u的實(shí)際評(píng)分；qi，u表示用戶i對(duì)電影u的預(yù)測(cè)評(píng)分。推薦算法的準(zhǔn)確度是所有用戶預(yù)測(cè)評(píng)分和用戶實(shí)際評(píng)分的差均分和根均方誤差。而后者在求和之前對(duì)誤差值進(jìn)行平方，所以其對(duì)RMSE的影響比MAE更大。

3.3 推薦界面和結(jié)果

為了直觀地看出預(yù)測(cè)結(jié)果，首先搭建了一個(gè)虛擬的社交網(wǎng)絡(luò)系統(tǒng)。它實(shí)現(xiàn)了用戶注冊(cè)、登錄、推薦和預(yù)測(cè)功能，只需點(diǎn)擊不同按鈕即可得到所要結(jié)果。同時(shí)也解決了文中所提出的“冷啟動(dòng)”問(wèn)題，接下來(lái)的好友推薦功能和項(xiàng)目預(yù)測(cè)評(píng)分也都實(shí)現(xiàn)在線計(jì)算，并且不會(huì)耗用過(guò)多內(nèi)存和運(yùn)行時(shí)間。

圖5 推薦界面

圖5簡(jiǎn)單地展示了社交推薦界面，證明了文中提出算法實(shí)際應(yīng)用的可行性。當(dāng)用戶登錄入該網(wǎng)站后，界面上會(huì)顯示出七個(gè)按鈕。點(diǎn)擊用戶配置文件（My Profile）按鈕可查看當(dāng)前登錄用戶的個(gè)人信息，同時(shí)可從中找出用戶基于個(gè)人偏好的相似性，也可在用戶未對(duì)任何項(xiàng)目進(jìn)行評(píng)分時(shí)解決系統(tǒng)“冷啟動(dòng)”問(wèn)題。點(diǎn)擊電影（Movie Recommender）和好友（People You May Interest）推薦按鈕，通過(guò)已置入網(wǎng)站的推薦算法（本文所提出的）則可得到預(yù)測(cè)和推薦結(jié)果。其余按鈕實(shí)現(xiàn)的是社交網(wǎng)站基本需求和基于某一條件下對(duì)原始數(shù)據(jù)的排序，僅僅是用來(lái)做數(shù)據(jù)展示的功能。

3.4 Flixter數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析

使用評(píng)分函數(shù)計(jì)算后的結(jié)果將在基于同一個(gè)數(shù)據(jù)集的基礎(chǔ)上，和傳統(tǒng)推薦算法進(jìn)行比較。本實(shí)驗(yàn)將評(píng)分?jǐn)?shù)據(jù)中的60%、70%、80%、90%作為訓(xùn)練數(shù)據(jù)集，相應(yīng)的剩下部分?jǐn)?shù)據(jù)集作為測(cè)試數(shù)據(jù)，實(shí)驗(yàn)結(jié)果如圖6～7所示。

圖6 預(yù)測(cè)精度MAE值

圖7 預(yù)測(cè)精度RMSE值

圖6和圖7中，橫坐標(biāo)表示不同推薦算法；縱坐標(biāo)前者為評(píng)價(jià)指標(biāo)MAE的值，后者為評(píng)價(jià)指標(biāo)RMSE的值。從兩圖中可發(fā)現(xiàn)隨著訓(xùn)練數(shù)據(jù)集比例增加，推薦效果越來(lái)越好，并且無(wú)論訓(xùn)練集比例占比多少，可發(fā)現(xiàn)本文提出的SR++_BP模型取得了最好的推薦效果，說(shuō)明了該模型利用用戶社交關(guān)系和其個(gè)性化屬性信息有助于提高推薦精度。反映了好友信任關(guān)系是值得信賴的，可以得出結(jié)論：SR++_BP模型在對(duì)用戶未評(píng)分項(xiàng)目上的預(yù)測(cè)效果高于BP、CF和CF_User算法模型，并且有效地解決了數(shù)據(jù)稀疏性問(wèn)題。

4 結(jié)束語(yǔ)

當(dāng)前用戶評(píng)分?jǐn)?shù)據(jù)在絕大多數(shù)數(shù)據(jù)集中都存在嚴(yán)重的數(shù)據(jù)稀疏性問(wèn)題，若只使用單一的BP模型將大大影響訓(xùn)練效果。其次，從數(shù)據(jù)中獲取用戶短時(shí)期內(nèi)的偏好，捕捉用戶偏好的動(dòng)態(tài)變化，是當(dāng)前推薦系統(tǒng)的熱點(diǎn)和難點(diǎn)，本文通過(guò)調(diào)整評(píng)分?jǐn)?shù)據(jù)在基于評(píng)價(jià)時(shí)間上的權(quán)值以改變輸出，便能很好地追蹤用戶的興趣變化。而在基于BP和SimRank++模型的社交網(wǎng)絡(luò)中，挖掘用戶社交活動(dòng)的特征信息及其與社交關(guān)系的關(guān)聯(lián)性，利用協(xié)同過(guò)濾和臨近相似規(guī)則，從大量數(shù)據(jù)中定義人與人之間、人與物之間的關(guān)系，是本文研究的主要目的。文中所提出的算法針對(duì)不同社交網(wǎng)絡(luò)數(shù)據(jù)特點(diǎn)，可有效反饋推薦結(jié)果，真正意義上為用戶緩解“信息”問(wèn)題，同時(shí)也和傳統(tǒng)推薦算法進(jìn)行比較，用評(píng)分函數(shù)來(lái)證明其學(xué)術(shù)和商業(yè)價(jià)值，也望未來(lái)在訓(xùn)練速度和推薦效率上有更好的改進(jìn)。

參考文獻(xiàn)：

［1］CHEN D，XU D.A Collaborative Filtering recommendation based on user profile weight and time weight［C］//International Conference on Computational Intelligence and Software Engineering.IEEE，2009：1－4.

［2］ZHANG Q Q，YE N.Collaborative filtering algorithm adapting to changes over dynamic time［J］.International Proceedings of Computer Science ＆ Information Tech，2012：27.

［3］CANNY J.Collaborative filtering with privacy via factor analysis［C］//International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM， 2002：238－245.

［4］RUTH G，XAVIER A.Weighted content based methods for recommending connections in online social networks［C］.Proceedings of the 2nd ACM RecSys＇10 Workshop on Recommender Systems and the Social Web ，2010：74－77

［5］BOURAGA S，JURETA I，F(xiàn)AULKNER S，et al.Knowledge based recommendation systems：a survey［J］.International Journal of Intelligent Information Technologies，2014，10（2）：1－19.

［6］GARCIA R.Hybrid methods for recommending connections in online social networks［D］.UPF，2010.

［7］JOEL P L，NUNO L，MARIA N M，et al.A hybrid recommendation approach for a tourism system［J］.Expert Systems with Applications，2013，40（9）：3532－3550.

［8］AUAD T，MENDES L，STROELE V，et al.Improving the user experience on mobile apps through data mining［C］//IEEE， International Conference on Computer Supported Cooperative Work in Design.IEEE，2016：158－163.

［9］TUUKKA R，KRISTER H，et al.SMAETMUSEUM：a mobile recommender system for the web of data web semantics：science［J］.Services and Agents on the World Wide Web，2013，20（2）：50－67.

［10］JIA W H，MICHELINE K，JIAN P.Data mining：concepts and techniques［M］.3rd Edition.Morgan Kaufmann：2012.

［11］DIETMAR J，SIMON F.Recommendation－based modeling support for data mining processes ［C］//ACM Conference on Recommender Systems.ACM，2014：337－340.

［12］JEH G，WIDOM J.SimRank：a measure of structural－context similarity［C］//Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM，2002：538－543.

［13］SCHOLKOPFB，PLATTJ，HOFMANNT.Modelinghumanmotionwsingbinarylatentvariables ［C］//InternationalConference onNeuralInformationProcessingSystems.MITPress，2006：1345－1352.

［14］WELLING M，ROSEN Z，HINTON M.Exponential family harmoniums with an application to information retrieval［C］//International Conference on Neural Information Processing Systems.MIT Press， 2004：1481－1488.

［15］CARREIRA P，HINTON M.On Contrastive Divergence Learning［J］.Proceedings of Artificial Intelligence ＆ Statistics，2005.