面向個(gè)性推薦系統(tǒng)的協(xié)同過(guò)濾推薦算法研究

黃杰　張?chǎng)螣睢堝\濤

摘要：在信息過(guò)載的時(shí)代，推薦系統(tǒng)應(yīng)運(yùn)而生。協(xié)同過(guò)濾推薦系統(tǒng)算法是應(yīng)用最成熟最廣泛的推薦技術(shù)。本文模擬電影推薦這一場(chǎng)景，應(yīng)用了協(xié)同過(guò)濾推薦系統(tǒng)下不同推薦算法，并將推薦質(zhì)量進(jìn)行對(duì)比得出一個(gè)相對(duì)客觀的實(shí)驗(yàn)結(jié)論。

關(guān)鍵詞：推薦系統(tǒng);協(xié)同過(guò)濾;個(gè)性化推薦

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）05-0136-01

0 引言

隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，信息過(guò)載給用戶和生產(chǎn)者都帶來(lái)不小的挑戰(zhàn)。而推薦系統(tǒng)的產(chǎn)生正是為了應(yīng)對(duì)用戶需求不明確以及長(zhǎng)尾信息等問(wèn)題。推薦系統(tǒng)通過(guò)分析用戶的歷史行為給用戶的興趣建模，從而為用戶推薦滿足其興趣和需求的信息。如今，協(xié)同過(guò)濾推薦系統(tǒng)應(yīng)用到各類電商平臺(tái)，如亞馬遜、京東商城等等。在電影推薦領(lǐng)域，Netflix公司是最為成功的公司之一，其應(yīng)用協(xié)同過(guò)濾推薦算法中基于物品的推薦算法。本文針對(duì)3種基于模型的協(xié)同過(guò)濾推薦算法，將其應(yīng)用在模擬的電影評(píng)分環(huán)境中，并對(duì)其進(jìn)行分析。其中包括：Slope One、SVD、SVD++。

1 協(xié)同過(guò)濾推薦算法

協(xié)同過(guò)濾的基本思想是，如果用戶在過(guò)去有著某種偏好，那么在未來(lái)也會(huì)有相似的偏好?；诖?，如果兩個(gè)用戶的偏好有大量重疊，那么可以在他們之間進(jìn)行項(xiàng)目的相互推薦。由于選擇感興趣的項(xiàng)目來(lái)自從大量集合中過(guò)濾出來(lái)的結(jié)果，而且用戶是在隱式地與其他人相互協(xié)作，因此這種技術(shù)稱為協(xié)同過(guò)濾。

目前，協(xié)同過(guò)濾推薦算法大致分類兩類：基于記憶的協(xié)同過(guò)濾算法和基于模型的協(xié)同過(guò)濾算法。其中基于記憶的協(xié)同過(guò)濾推薦算法又分為基于用戶的最近鄰?fù)扑]和基于物品的最近鄰?fù)扑]。

1.1 基于用戶的最近鄰?fù)扑]

通過(guò)對(duì)目標(biāo)用戶的歷史行為數(shù)據(jù)發(fā)現(xiàn)用戶對(duì)商品的喜好。然后，找出與目標(biāo)用戶過(guò)去有相似偏好的其他用戶，即尋找目標(biāo)用戶的最近鄰。針對(duì)目標(biāo)用戶沒(méi)有見(jiàn)過(guò)的項(xiàng)目i，利用其近鄰對(duì)i的評(píng)分計(jì)算預(yù)測(cè)值。若結(jié)果是積極的，則向目標(biāo)用戶進(jìn)行推薦。

1.2 基于物品的最近鄰?fù)扑]

通過(guò)不同用戶對(duì)不同物品的評(píng)分或其他行為（如加入心愿單，分享給他人，評(píng)價(jià)等）來(lái)量化物品間的關(guān)系，從而找到物品的最近鄰。若目標(biāo)用戶對(duì)物品i的態(tài)度為積極的，并且物品j是物品i的鄰居，那么，將物品j推薦給目標(biāo)用戶。在實(shí)踐中會(huì)將用戶對(duì)物品的態(tài)度量化，從而進(jìn)行更加精準(zhǔn)的推薦。

1.3 基于模型的推薦算法

基于模型的推薦方法首先會(huì)離線處理原始數(shù)據(jù)，如利用某些降維技術(shù)。運(yùn)行時(shí)，只需要預(yù)計(jì)算或“學(xué)習(xí)過(guò)”的模型就能預(yù)測(cè)。

2 電影推薦系統(tǒng)的推薦算法

在Netflix競(jìng)賽中，參賽隊(duì)伍使用基于模型的推薦算法能有效提高推薦系統(tǒng)的預(yù)測(cè)準(zhǔn)確率?；诖耍榻B三種常見(jiàn)的基于模型的推薦算法，并應(yīng)用于實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)是Netflix公司比賽的三萬(wàn)余條用戶對(duì)電影的評(píng)分。本文按照8：2的比例劃分訓(xùn)練集和測(cè)試集。以RMSE（均方根誤差）作為評(píng)價(jià)指標(biāo)。其中，RMSE值越小，則預(yù)測(cè)質(zhì)量越佳。

2.1 Slope One算法

算法思想：基于一種簡(jiǎn)單的線性回歸模型進(jìn)行預(yù)測(cè)。

算法原理：將用戶的評(píng)分之間的關(guān)系看作簡(jiǎn)單的線性關(guān)系：Y=X+b。

（1）根據(jù)評(píng)分矩陣計(jì)算兩兩項(xiàng)目之間的偏差;

（2）根據(jù)偏差數(shù)據(jù)為用戶未評(píng)分商品做出推薦列表。

2.2 SVD算法

算法思想：基于奇異值分解模型進(jìn)行預(yù)測(cè)。

算法原理：將龐大且稀疏的用戶評(píng)分矩陣?yán)肧VD算法映射到低維空間，然后計(jì)算低維空間中未評(píng)分項(xiàng)目與其他項(xiàng)目間的相似度，計(jì)算預(yù)測(cè)評(píng)分，然后將預(yù)測(cè)評(píng)分從高到低進(jìn)行排序，返回前N個(gè)項(xiàng)目對(duì)用戶進(jìn)行推薦。即通過(guò)壓縮矩陣，提取重要特征后進(jìn)行計(jì)算并推薦。比如，電影特征直觀而言可有驚悚片，喜劇片這種明顯的劃分。

2.3 SVD++算法

算法思想：SVD++算法是SVD算法的一種改進(jìn)，同樣是基于奇異矩陣分解模型的一種算法。

算法原理：SVD++算法在SVD算法的基礎(chǔ)上引入隱式反饋，使用用戶的歷史瀏覽數(shù)據(jù)、用戶歷史評(píng)分?jǐn)?shù)據(jù)、等作為新的參數(shù)。計(jì)算用戶對(duì)未知項(xiàng)目的評(píng)分后，通過(guò)均方根誤差量化評(píng)分質(zhì)量，加入正則化參數(shù)的意義在于防止過(guò)擬合。

3 算法應(yīng)用結(jié)果

Slope One預(yù)測(cè)結(jié)果：RMSE： 0.835657411324? SVD預(yù)測(cè)結(jié)果：RMSE： 0.813470466441

SVD++預(yù)測(cè)結(jié)果：RMSE： 0.816237015507

4 結(jié)語(yǔ)

由于不同環(huán)境下運(yùn)行結(jié)果具有差異性，分別在多臺(tái)機(jī)器上進(jìn)行了測(cè)試。初步得出結(jié)論：SVD++算法推薦效果相對(duì)更加精確。Slope One算法運(yùn)行速度快，其理論上相對(duì)簡(jiǎn)單，沒(méi)有實(shí)現(xiàn)個(gè)性化的推薦;SVD和SVD++是一種相對(duì)基礎(chǔ)的算法，在此基礎(chǔ)上不斷進(jìn)行改進(jìn)，如timeSVD++算法是一種考慮了時(shí)間感知的算法。在推薦系統(tǒng)方面，將各個(gè)方面的知識(shí)融會(huì)貫通，推薦系統(tǒng)會(huì)更加人性化、智能化。

參考文獻(xiàn)

[1] 王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：66-76.

[2] 吳揚(yáng)，林世平.基于正負(fù)反饋矩陣的SVD推薦模型[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24（6）：14-18.