推薦系統(tǒng)專利技術(shù)綜述

齊智超 喬帥 方源

摘要：本文介紹了推薦系統(tǒng)相關(guān)的重要技術(shù)及其技術(shù)發(fā)展路線，通過對(duì)推薦系統(tǒng)相關(guān)專利進(jìn)行分析，梳理出推薦系統(tǒng)技術(shù)重要的發(fā)展及趨勢(shì)，并結(jié)合業(yè)內(nèi)重要申請(qǐng)人的技術(shù)演進(jìn)，對(duì)推薦系統(tǒng)的發(fā)展歷程和呈現(xiàn)形態(tài)進(jìn)行分析，預(yù)測(cè)未來推薦系統(tǒng)技術(shù)的發(fā)展新趨勢(shì)。

關(guān)鍵詞：信息超載;推薦;檢索;匹配

1、概述

近年來，推薦系統(tǒng)在商業(yè)領(lǐng)域的應(yīng)用越來越廣泛，其應(yīng)用包含電子商務(wù)推薦、個(gè)性化廣告推薦、新聞推薦等諸多領(lǐng)域，如人們經(jīng)常使用的淘寶、今日頭條、豆瓣影評(píng)等產(chǎn)品，其背后均有成熟的推薦系統(tǒng)作為支撐。推薦系統(tǒng)是一個(gè)能夠?yàn)橛脩籼峁﹤€(gè)性化服務(wù)的系統(tǒng)，其能夠?qū)⒆罘嫌脩魝€(gè)性化需求的信息推薦給用戶。經(jīng)過了二十多年的積累和沉淀，推薦系統(tǒng)逐漸成為一門獨(dú)立的學(xué)科在學(xué)術(shù)研究和業(yè)界應(yīng)用中都取得了很多成果。

為了獲取推薦系統(tǒng)相關(guān)的專利技術(shù)的申請(qǐng)情況，本文使用專利檢索與服務(wù)系統(tǒng)，通過分類號(hào)（IPC：G06F17/30）+關(guān)鍵詞（recommend、match）在VEN數(shù)據(jù)庫（外文數(shù)據(jù)庫）中進(jìn)行檢索，截止2019年6月6日，共檢索得到相關(guān)專利文獻(xiàn)共1827篇，其中中國國內(nèi)申請(qǐng)量為1210篇，國外申請(qǐng)量為617篇。以下內(nèi)容將對(duì)該1827篇專利進(jìn)行分析，以獲得推薦系統(tǒng)相關(guān)專利申請(qǐng)總體情況，梳理其技術(shù)發(fā)展脈絡(luò)，并對(duì)主要申請(qǐng)人以及相關(guān)關(guān)鍵技術(shù)進(jìn)行統(tǒng)計(jì)分析。

2、專利申請(qǐng)總體情況

隨著互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用，尤其是移動(dòng)互聯(lián)網(wǎng)的發(fā)展，推薦系統(tǒng)逐漸成為互聯(lián)網(wǎng)技術(shù)中研究的熱點(diǎn)內(nèi)容，從專利申請(qǐng)量來看，1999-2005年間并未出現(xiàn)明顯的增長(zhǎng)，而2006-2010年間出現(xiàn)了小幅度的增長(zhǎng)，然后在2011年迎來的爆發(fā)式的增長(zhǎng)。從技術(shù)發(fā)展的角度來看，1999-2005年屬于互聯(lián)網(wǎng)應(yīng)用比較平淡的時(shí)期，大多數(shù)PC重在客戶端軟件的開發(fā);而2006-2010年，則互聯(lián)網(wǎng)技術(shù)快速更新迭代、逐漸累積大量用戶的過程，此時(shí)即是推薦系統(tǒng)技術(shù)的萌芽時(shí)期。2007年1月9日，蘋果發(fā)布iPhone，2008年Google發(fā)布安卓操作系統(tǒng)，經(jīng)過4-5年的技術(shù)迭代，隨著技術(shù)的逐漸成熟，在2011年左右移動(dòng)互聯(lián)網(wǎng)技術(shù)已經(jīng)深刻改變了人們的生產(chǎn)生活方式，也正是移動(dòng)互聯(lián)這樣肥沃的土壤中，推薦系統(tǒng)技術(shù)得以生根發(fā)芽，并逐漸壯大。相信隨著5G技術(shù)的推廣和普及，萬物互聯(lián)的逐漸成型，推薦系統(tǒng)技術(shù)必將迎來新一輪爆發(fā)。

3、專利技術(shù)分析

在推薦系統(tǒng)的發(fā)展過程中，推薦系統(tǒng)經(jīng)歷了多種多樣的變化，但總體來說，主要還是從用戶模型、推薦算法、待推薦對(duì)象模型等三個(gè)方面進(jìn)行改進(jìn)。

3.1對(duì)用戶模型的改進(jìn)

用戶模型主要用來存儲(chǔ)用戶興趣數(shù)據(jù)，其體現(xiàn)了用戶對(duì)哪些內(nèi)容感興趣，也就是說用戶模型體現(xiàn)的是用戶的具體的需求，對(duì)用戶模型的改進(jìn)即是解決如何更準(zhǔn)確地獲取用戶興趣這一問題的過程。

北京搜神網(wǎng)絡(luò)技術(shù)有限責(zé)任公司申請(qǐng)的CN101105795A公開了一種基于網(wǎng)絡(luò)行為的個(gè)性化推薦方法，通過分析用戶的網(wǎng)絡(luò)行為，據(jù)此向用戶進(jìn)行個(gè)性化的推薦。百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司申請(qǐng)的CN101968802 A公開了一種基于用戶瀏覽行為進(jìn)行互聯(lián)網(wǎng)內(nèi)容推薦的方法，實(shí)現(xiàn)了基于用戶瀏覽行為進(jìn)行互聯(lián)網(wǎng)內(nèi)容推薦，為用戶提供了更為豐富的、高相關(guān)度的信息內(nèi)容，從而提高了用戶的搜索瀏覽體驗(yàn);北京字節(jié)跳動(dòng)網(wǎng)絡(luò)技術(shù)有限公司申請(qǐng)的CN104317959A公開了一種基于社交平臺(tái)的數(shù)據(jù)挖掘方法，通過建立用戶（老用戶）在不同平臺(tái)上的關(guān)聯(lián)模型解決了現(xiàn)有技術(shù)中因新注冊(cè)用戶沒有歷史瀏覽記錄，導(dǎo)致的無法提供有針對(duì)性的資訊的問題。

3.2 對(duì)推薦算法的改進(jìn)

推薦系統(tǒng)中，常見的推薦算法包括基于關(guān)聯(lián)規(guī)則的推薦，基于內(nèi)容的推薦，協(xié)同過濾推薦和混合推薦等，其主要目的實(shí)現(xiàn)如何將用戶的興趣與待推薦的內(nèi)容進(jìn)行匹配。

3.2.1 基于關(guān)聯(lián)規(guī)則的推薦

推薦系統(tǒng)可以通過將原本存儲(chǔ)在原有數(shù)據(jù)庫中的信息和規(guī)則庫中的關(guān)聯(lián)規(guī)則數(shù)據(jù)對(duì)比得到最終的推薦結(jié)果，為客戶提供個(gè)性化的推薦。

杭州因豪信息科技開發(fā)有限公司申請(qǐng)的CN101697162A公開了一種智能化推薦點(diǎn)菜方法，其對(duì)所有菜品的屬性進(jìn)行挖掘生成關(guān)聯(lián)規(guī)則集，計(jì)算每條關(guān)聯(lián)規(guī)則的置信度，從關(guān)聯(lián)規(guī)則集中尋找匹配的屬性關(guān)聯(lián)規(guī)則集，并得到菜品的推薦價(jià)值，將推薦價(jià)值進(jìn)行排序，選取多個(gè)菜品作為推薦菜品并輸出，能夠使推薦的菜品更具科學(xué)化和合理化。

3.2.2 基于內(nèi)容的推薦

基于內(nèi)容的推薦是根據(jù)用戶歷史信息（如評(píng)分、評(píng)價(jià)、分享、和收藏過的文檔）構(gòu)造用戶偏好文檔，計(jì)算推薦項(xiàng)目與用戶偏好文檔的相似度，將最相似的項(xiàng)目推薦給用戶。

索尼公司申請(qǐng)的CN102270214A公開了一種內(nèi)容推薦方法，其基于存儲(chǔ)的優(yōu)選判別信息和內(nèi)容特征信息，通過對(duì)于每個(gè)用戶統(tǒng)合針對(duì)內(nèi)容的評(píng)價(jià)及內(nèi)容特征來產(chǎn)生每個(gè)用戶的優(yōu)選信息，向客戶端發(fā)送基于內(nèi)容特征信息、評(píng)價(jià)與優(yōu)選信息的特征的相似度而提取的推薦內(nèi)容列表，提高了推薦準(zhǔn)確度，符合用戶需求，無需考慮用戶的當(dāng)前環(huán)境，能在多種環(huán)境中推薦與用戶的期望匹配的內(nèi)容。

3.2.3協(xié)同過濾推薦

協(xié)同過濾推薦（Collaborative Filtering Recommendation）一般采用最近鄰技術(shù)，利用用戶的歷史喜好信息計(jì)算用戶之間的距離，然后利用目標(biāo)用戶的最近鄰居用戶對(duì)商品評(píng)價(jià)的加權(quán)評(píng)價(jià)值來預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度，系統(tǒng)從而根據(jù)這一喜好程度來對(duì)目標(biāo)用戶進(jìn)行推薦。

得利在線信息技術(shù)（北京）有限公司申請(qǐng)的CN102236646A公開了一種對(duì)象級(jí)垂直搜索引擎?zhèn)€性化排序算法iRank，其實(shí)現(xiàn)了構(gòu)建用戶和本體庫對(duì)象之間喜好興趣關(guān)系，并對(duì)語義模型排序結(jié)果進(jìn)行基于用戶興趣模型的個(gè)性化推薦排序，構(gòu)建結(jié)構(gòu)化用戶之間的相似度信息，并對(duì)用戶興趣模型排序結(jié)果再進(jìn)行基于用戶相似度模型的個(gè)性化推薦排序。

由此可知，協(xié)同過濾是基于這樣的假設(shè)的，為一用戶找到他真正感興趣的內(nèi)容的好方法是首先找到與此用戶有相似興趣的其他用戶，然后將他們感興趣的內(nèi)容推薦給此用戶。其思想在日常生活中也是常見的。

3.2.4 混合推薦

混合推薦（Hybrid Recommendation）經(jīng)常被采用，最簡(jiǎn)單的做法就是分別用基于內(nèi)容的方法和協(xié)同過濾推薦方法產(chǎn)生一個(gè)推薦預(yù)測(cè)結(jié)果，然后用某方法混合其結(jié)果。盡管從理論上有很多種推薦混合方法，但在某一具體問題中并不見得都有效，混合推薦一個(gè)最重要原則就是通過混合后要能避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)，這里就不在專門針對(duì)混合推薦算法的相關(guān)專利申請(qǐng)進(jìn)行專門的舉例。

整體來看，在1999至今的20年間，出現(xiàn)了多種多樣的對(duì)于推薦算法進(jìn)行改進(jìn)的專利申請(qǐng)，無論是基于關(guān)聯(lián)規(guī)則的推薦的、基于內(nèi)容的推薦的、基于協(xié)同過濾推薦或者是混合推薦，在不同的時(shí)期都有著數(shù)量可觀的相關(guān)申請(qǐng)。分析來看，1999-2005年間，互聯(lián)網(wǎng)的發(fā)展還處在一個(gè)比較低的層次，相關(guān)的推薦算法并沒有實(shí)質(zhì)性的進(jìn)步，相關(guān)的推薦系統(tǒng)僅僅通過應(yīng)用原始的算法進(jìn)行相應(yīng)的推薦。2005-至今，隨著互聯(lián)網(wǎng)的快速發(fā)展，互聯(lián)網(wǎng)中產(chǎn)生了海量的內(nèi)容，而為了得到海量數(shù)據(jù)內(nèi)容中與推薦系統(tǒng)相關(guān)的信息如用戶信息、待推薦對(duì)象信息以及用戶與待推薦對(duì)象間的關(guān)聯(lián)關(guān)系等內(nèi)容，數(shù)據(jù)挖掘以及數(shù)據(jù)處理算法取得了長(zhǎng)足的進(jìn)步。對(duì)于推薦算法的改進(jìn)，整體來說是隨著數(shù)據(jù)處理能力的提高而逐漸發(fā)展的。

3.3 對(duì)推薦對(duì)象模型的改進(jìn)

電子科技大學(xué)申請(qǐng)的CN104239512A公開了一種文本推薦方法，通過建立用戶模型，預(yù)處理文本文檔，提取特征向量，計(jì)算特征向量間同義詞的最優(yōu)匹配，根據(jù)特征向量與用戶模型間的相似度，確定推薦文本。本發(fā)明的方法在傳統(tǒng)余弦夾角算法基礎(chǔ)上加入同義詞間語義相似度的匹配因子，考慮文本同義詞對(duì)相似度的影響，更精確的計(jì)算文本間、文本與用戶模型間的相似程度。

清華大學(xué)申請(qǐng)的CN105975496A 公開了一種基于上下文感知的音樂推薦方法，基于上下文感知的音樂推薦方法，根據(jù)上下文信息與音樂特征的對(duì)應(yīng)關(guān)系，得到上下文信息對(duì)應(yīng)的音樂特征，根據(jù)音樂特征，獲取服務(wù)器端與音樂特征匹配的音樂，并將音樂推薦至當(dāng)前設(shè)備的音樂播放器進(jìn)行播放。其基于上下文感知的音樂推薦方法，不依賴于個(gè)人用戶，適用于普遍的個(gè)性化服務(wù)。

從其整體發(fā)展歷程來看，其主要是隨著特征提取相關(guān)技術(shù)的進(jìn)步而進(jìn)步。體現(xiàn)在專利申請(qǐng)中其改進(jìn)也多是對(duì)于對(duì)象特征如何提取的改進(jìn)。例如文本特征提取從普通的詞頻、權(quán)重來表示文本特征到利用語義特征來表示，再到利用機(jī)器學(xué)習(xí)算法對(duì)文本進(jìn)行特征提取。

4、結(jié)論與建議

總體而言，推薦系統(tǒng)是建立人與信息之間的聯(lián)系，結(jié)合如今盛行的技術(shù)來看，2005年前，互聯(lián)網(wǎng)技術(shù)本身不具備太多內(nèi)容，推薦系統(tǒng)發(fā)展相對(duì)比較沉寂，而2005-2010年間，隨著互聯(lián)網(wǎng)內(nèi)容的不斷豐富，出現(xiàn)了利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)進(jìn)行改進(jìn)后的推薦系統(tǒng)，而2011年至今，人工智能技術(shù)、深度學(xué)習(xí)算法的研究的逐漸推薦，有理由相信，通過人工智能以及深度學(xué)習(xí)算法的加持，推薦系統(tǒng)可以更好地了解到人們真正想要的是什么。人工智能技術(shù)擁有對(duì)于數(shù)據(jù)的超強(qiáng)處理能力以及強(qiáng)大的學(xué)習(xí)能力，可以預(yù)見，人工智能技術(shù)以及深度學(xué)習(xí)算法與推薦系統(tǒng)的結(jié)合，必然是未來發(fā)展的新的趨勢(shì)。

參考文獻(xiàn)

[1]Resnick P，Varian H R.Recommender systems[J].Communications of the ACM，1997，40（3）：56-58.

[2]Dietmar Jannach，Markus Zanker，Alexander Felfernig，Gerhard Friedrich著.推薦系統(tǒng)[M].北京：人民郵電出版社，2018.04.

[3]王國霞，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（07）：66-76.

作者簡(jiǎn)介：齊智超（1991.01-），男，河南新鄉(xiāng)人，碩士研究生，實(shí)習(xí)研究員，大數(shù)據(jù)技術(shù);

喬帥（1989.03-），男，河南鄭州人，碩士研究生，實(shí)習(xí)研究員，人工智能技術(shù)，等同第一作者;

方源（1990.06-），男，河南安陽人，碩士研究生，實(shí)習(xí)研究員，軟件測(cè)試技術(shù)。