面向高維數(shù)據(jù)環(huán)境的個(gè)性化推薦質(zhì)量控制模型研究

宋梅青

摘 要：[目的/意義]在高維數(shù)據(jù)環(huán)境下，推薦的精準(zhǔn)度和實(shí)時(shí)性存在相互制約的現(xiàn)象。如何在精準(zhǔn)度與實(shí)時(shí)性之間取得平衡，實(shí)現(xiàn)對(duì)推薦質(zhì)量的有效控制是值得研究的問題。[方法/過程]本文首先分析了高維數(shù)據(jù)環(huán)境的成因及其對(duì)推薦質(zhì)量的影響，在此基礎(chǔ)上構(gòu)建了一種個(gè)性化推薦質(zhì)量控制模型，該模型先評(píng)估推薦質(zhì)量在精準(zhǔn)度和實(shí)時(shí)性兩個(gè)方面的損失，再結(jié)合應(yīng)用環(huán)境，得到相應(yīng)的質(zhì)量控制策略。[結(jié)果/結(jié)論]實(shí)驗(yàn)分析的結(jié)果證明該模型可以在高維數(shù)據(jù)環(huán)境下實(shí)現(xiàn)對(duì)推薦質(zhì)量的有效控制，讓推薦系統(tǒng)可以更好地適應(yīng)不同的應(yīng)用環(huán)境。

關(guān)鍵詞：高維數(shù)據(jù)環(huán)境;大數(shù)據(jù);個(gè)性化推薦;推薦質(zhì)量;控制;模型;應(yīng)用環(huán)境

DOI：10.3969/j.issn.1008-0821.2019.11.003

〔中圖分類號(hào)〕G202 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2019）11-0023-07

Abstract：[Purpose/Significance]The accuracy and the real-time performance of recommendation exist mutual restraint under high dimensional data environment.How to achieve the balance between accuracy and real-time performance and to realize effective control of recommendation quality are problems worth studying.[Method/Process]At first，the causes of high dimensional data environment and its affects to recommendation quality were analyzed.On this basis，a quality control model of personalized recommendation was constructed.This model first assessed the loss of recommendation quality from two aspects of accuracy and real-time performance and then combined with the application environments to get the corresponding quality control strategies.[Result/Conclusion]The result of experimental analysis illustrated that the model was able to realize effective control of recommendation quality under high dimensional data environment，so that personalized recommendation system could better adapt to different application environments.

Key words：high dimensional data environment;big data;personalized recommendation;recommendation quality;control;model;application environment

個(gè)性化推薦技術(shù)在電子商務(wù)、社交、廣告和新聞?lì)I(lǐng)域都取得了商業(yè)上的成功，受到眾多學(xué)者的關(guān)注。精準(zhǔn)度和實(shí)時(shí)性是個(gè)性化推薦質(zhì)量的兩個(gè)核心指標(biāo)，推薦的精準(zhǔn)度越高、實(shí)時(shí)性越強(qiáng)，就表示推薦質(zhì)量越好。大數(shù)據(jù)時(shí)代的來臨，高維數(shù)據(jù)環(huán)境對(duì)推薦系統(tǒng)來說已經(jīng)成為常態(tài)。在高維數(shù)據(jù)環(huán)境下，個(gè)性化推薦的精準(zhǔn)度和實(shí)時(shí)性存在相互制約的現(xiàn)象，即：在追求更高精準(zhǔn)度的同時(shí)，其推薦實(shí)時(shí)性往往會(huì)下降，反之如果想實(shí)現(xiàn)更高實(shí)時(shí)性則精準(zhǔn)度也會(huì)受到影響。因此，當(dāng)應(yīng)用環(huán)境變化需要調(diào)節(jié)推薦的精準(zhǔn)度或者實(shí)時(shí)性時(shí)，就必須在它們兩者之間取得一個(gè)平衡，不能為了提升一個(gè)推薦質(zhì)量指標(biāo)，而導(dǎo)致另一個(gè)推薦質(zhì)量指標(biāo)的大幅下降，這樣系統(tǒng)的推薦質(zhì)量是無法保證的。由此，本文提出一種面向高維數(shù)據(jù)環(huán)境的個(gè)性化推薦質(zhì)量控制模型，該模型通過對(duì)比推薦質(zhì)量在精準(zhǔn)度和實(shí)時(shí)性兩個(gè)方面的損失，來尋找有效的推薦質(zhì)量控制策略，讓推薦系統(tǒng)可以更好地應(yīng)對(duì)不同的應(yīng)用環(huán)境。本研究不僅豐富了個(gè)性化推薦的理論體系，也為實(shí)際應(yīng)用提供借鑒。

1 相關(guān)研究

個(gè)性化推薦是通過一定的技術(shù)手段來挖掘數(shù)據(jù)中的用戶興趣，再根據(jù)用戶興趣挖掘的結(jié)果來篩選待推薦的項(xiàng)目，最后生成推薦集合推送給目標(biāo)用戶。目前有關(guān)個(gè)性化推薦的研究中，比較有代表性的有：

1）根據(jù)內(nèi)容相似性來實(shí)現(xiàn)推薦。安悅等[1]提出一種基于內(nèi)容的熱門微話題個(gè)性化推薦算法，該算法通過對(duì)比內(nèi)容的相似性為用戶尋找感興趣的微話題，實(shí)驗(yàn)結(jié)果表明該算法可以在一定程度上解決微博數(shù)據(jù)過載的問題，實(shí)現(xiàn)較好的推薦效果。王嫣然等[2]提出一種基于內(nèi)容過濾的科技文獻(xiàn)個(gè)性化推薦算法，該算法將訪問時(shí)間權(quán)重和文獻(xiàn)重要度兩種概念與內(nèi)容過濾相結(jié)合，實(shí)現(xiàn)了推薦精準(zhǔn)度的提升。王潔等[3]先根據(jù)歷史瀏覽記錄對(duì)有相同興趣的用戶進(jìn)行聚類，再通過內(nèi)容相似性挖掘?qū)ふ彝扑]項(xiàng)目，實(shí)驗(yàn)證明該個(gè)性化推薦方法可以有效提升推薦的精準(zhǔn)度。

2）根據(jù)社交網(wǎng)絡(luò)中的用戶關(guān)系實(shí)現(xiàn)推薦。陳婷等[4]提出一種融合社交信息的個(gè)性化推薦方法，該方法將用戶評(píng)分相似度與社交網(wǎng)絡(luò)中的信任關(guān)系兩者相結(jié)合來尋找最近鄰，結(jié)合用戶自身偏好和最近鄰的影響實(shí)現(xiàn)評(píng)分預(yù)測(cè)，實(shí)驗(yàn)結(jié)果證明該算法可以提升推薦的精準(zhǔn)度。李鑫等[5]提出了一種基于興趣圈中社會(huì)關(guān)系挖掘的個(gè)性化推薦算法，該算法將興趣圈中的社會(huì)關(guān)系與矩陣分解模型相結(jié)合，實(shí)現(xiàn)矩陣分解的優(yōu)化，實(shí)驗(yàn)證明該方法在解決推薦冷啟動(dòng)方面有較好的效果。Ma H等[6]將信任網(wǎng)絡(luò)與用戶評(píng)分結(jié)合，通過概率矩陣分解來優(yōu)化推薦。景楠等[7]提出了一種基于用戶社會(huì)關(guān)系的好友個(gè)性化推薦算法，該算法將用戶在社會(huì)網(wǎng)絡(luò)中的影響力和社會(huì)關(guān)系相結(jié)合實(shí)現(xiàn)推薦算法的改進(jìn)。

3）利用標(biāo)簽信息來改進(jìn)推薦效果。陳梅梅等[8]提出了基于標(biāo)簽簇的信任張量模型，再通過計(jì)算簇內(nèi)和簇間的信任強(qiáng)度，實(shí)現(xiàn)對(duì)傳統(tǒng)相似性計(jì)算的補(bǔ)充，從而改進(jìn)個(gè)性化推薦的準(zhǔn)確性?？仔佬赖萚9]提出一種基于標(biāo)簽權(quán)重評(píng)分的個(gè)性化推薦模型，并結(jié)合該模型對(duì)多類傳統(tǒng)推薦算法進(jìn)行改進(jìn)，實(shí)驗(yàn)證明了該模型的有效性。李瑞敏等[10]通過分析用戶、標(biāo)簽和項(xiàng)目之間的關(guān)系建立圖模型，在此基礎(chǔ)上將初步推薦列表與間接關(guān)聯(lián)集合進(jìn)行綜合，實(shí)現(xiàn)對(duì)推薦算法的改進(jìn)。

4）融合情境的個(gè)性化推薦。劉海鷗等[11]提出了一種對(duì)多種情境進(jìn)行興趣建模的方法，該方法可以提升推薦的精準(zhǔn)度。周明建等[12]用多維度建模法構(gòu)建了知識(shí)情境模型，通過計(jì)算知識(shí)情境的相似性來尋找關(guān)聯(lián)知識(shí)并實(shí)現(xiàn)推薦，實(shí)驗(yàn)表明該方法提升了個(gè)性化推薦的精準(zhǔn)度。

5）基于協(xié)同過濾的個(gè)性化推薦。杜永萍等[13]將用戶間的信任關(guān)系與評(píng)分相似性相結(jié)合來尋找最近鄰，實(shí)現(xiàn)對(duì)傳統(tǒng)協(xié)同過濾推薦算法的改進(jìn)。董立巖等[14]提出一種基于時(shí)間衰減的協(xié)同過濾個(gè)性化推薦算法，該算法將遺忘曲線和記憶周期融入?yún)f(xié)同過濾推薦中，以興趣衰減函數(shù)來優(yōu)化評(píng)分相似性的判斷，實(shí)驗(yàn)證明該算法可提高推薦的精準(zhǔn)度。郭蘭杰等[15]提出一種融合社交網(wǎng)絡(luò)的協(xié)同過濾個(gè)性化推薦算法，該算法利用社交網(wǎng)絡(luò)中的朋友關(guān)系來進(jìn)行評(píng)分矩陣的填充，可有效緩解數(shù)據(jù)稀疏性問題，實(shí)現(xiàn)算法的改進(jìn)。郭弘毅等[16]提出一種融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾改進(jìn)算法，該算法先識(shí)別社交網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)，再與用戶興趣聚類信息進(jìn)行融合來共同優(yōu)化矩陣分解模型，實(shí)驗(yàn)證明該算法提升了推薦的精準(zhǔn)度。

總體來看，目前針對(duì)個(gè)性化推薦的研究中，無論是優(yōu)化相似性的度量方法，還是改進(jìn)最近鄰的查找流程，或是優(yōu)化矩陣降維的方法等等，其改進(jìn)的思路都是通過對(duì)推薦算法的不同環(huán)節(jié)進(jìn)行優(yōu)化改進(jìn)來提升推薦質(zhì)量。大數(shù)據(jù)時(shí)代，推薦系統(tǒng)經(jīng)常面對(duì)高維的數(shù)據(jù)環(huán)境，高維數(shù)據(jù)環(huán)境下推薦精準(zhǔn)度和推薦實(shí)時(shí)性相互制約的現(xiàn)象，會(huì)嚴(yán)重影響推薦質(zhì)量的穩(wěn)定，讓推薦系統(tǒng)無法適應(yīng)應(yīng)用環(huán)境的變化，而目前恰恰缺少對(duì)該問題解決方法的研究。由此，本文提出一種面向高維數(shù)據(jù)環(huán)境的個(gè)性化推薦質(zhì)量控制模型，為解決該問題提供參考。

2 推薦系統(tǒng)高維數(shù)據(jù)環(huán)境的形成原因

大數(shù)據(jù)時(shí)代用戶數(shù)據(jù)極大豐富，個(gè)性化推薦系統(tǒng)為了更好地感知用戶的興趣偏好，會(huì)通過不同渠道收集用戶的各類數(shù)據(jù)，并將它們集中存儲(chǔ)起來作為推薦算法的數(shù)據(jù)源。如果這些數(shù)據(jù)源中的數(shù)據(jù)具有很高的維度，那么推薦系統(tǒng)就處在高維數(shù)據(jù)環(huán)境當(dāng)中。推薦系統(tǒng)高維數(shù)據(jù)環(huán)境的形成原因主要有以下兩點(diǎn)：

第一，用戶數(shù)和項(xiàng)目數(shù)的快速增長，導(dǎo)致推薦系統(tǒng)主數(shù)據(jù)源的維度大幅增加。個(gè)性化推薦系統(tǒng)是通過分析用戶已有消費(fèi)或評(píng)分記錄，來判斷用戶的興趣，再在用戶未消費(fèi)過的項(xiàng)目中匹配合適的推薦項(xiàng)目。因此，用戶消費(fèi)或者評(píng)分的歷史記錄就是推薦系統(tǒng)的主數(shù)據(jù)源。隨著用戶數(shù)和項(xiàng)目數(shù)的快速增長，用戶歷史消費(fèi)記錄矩陣或用戶對(duì)項(xiàng)目的評(píng)分矩陣都會(huì)大幅擴(kuò)容，形成高維數(shù)據(jù)環(huán)境。

第二，由于數(shù)據(jù)之間存在關(guān)聯(lián)關(guān)系，附屬數(shù)據(jù)源的維度也會(huì)快速增長。上文提到推薦系統(tǒng)會(huì)收集各類用戶數(shù)據(jù)作為興趣感知源。本文將歷史消費(fèi)信息與評(píng)分信息以外的數(shù)據(jù)統(tǒng)稱為附屬數(shù)據(jù)源。這些附屬數(shù)據(jù)雖然來源很多，數(shù)據(jù)類型和數(shù)據(jù)格式也很復(fù)雜，但它們都有一個(gè)共同特點(diǎn)，就是可以根據(jù)用戶的行為軌跡進(jìn)行關(guān)聯(lián)。這樣一來不同類型的用戶數(shù)據(jù)不再是相互孤立的，而是通過這種關(guān)聯(lián)關(guān)系緊密地聯(lián)系起來。因此，當(dāng)主數(shù)據(jù)源的維度增加時(shí)，附屬數(shù)據(jù)也必須進(jìn)行相應(yīng)擴(kuò)容。比如將用戶背景信息、社交網(wǎng)絡(luò)、標(biāo)簽等與歷史購買記錄或用戶評(píng)分進(jìn)行融合來實(shí)現(xiàn)推薦時(shí)，當(dāng)購買記錄矩陣或評(píng)分矩陣的維度增加時(shí)，與之對(duì)應(yīng)的用戶背景信息、社交網(wǎng)絡(luò)信息或者標(biāo)簽信息的數(shù)據(jù)維度也在增長，這些附屬數(shù)據(jù)維度的增長速度甚至快于主數(shù)據(jù)源本身，由此進(jìn)一步促使了推薦系統(tǒng)高維數(shù)據(jù)環(huán)境的形成。

3 高維數(shù)據(jù)環(huán)境對(duì)個(gè)性化推薦質(zhì)量的影響

精準(zhǔn)度與實(shí)時(shí)性是個(gè)性化推薦質(zhì)量的兩個(gè)核心指標(biāo)，以下將分別介紹高維數(shù)據(jù)環(huán)境對(duì)推薦精準(zhǔn)度和推薦實(shí)時(shí)性的影響，最后分析了精準(zhǔn)度與實(shí)時(shí)性在高維數(shù)據(jù)環(huán)境下相互制約的原因。

3.1 高維數(shù)據(jù)環(huán)境對(duì)推薦精準(zhǔn)度的影響

個(gè)性化推薦是通過分析用戶行為數(shù)據(jù)或用戶背景數(shù)據(jù)等信息來判斷用戶的興趣偏好。用戶的興趣是多方面，每個(gè)方向上都可能有潛在的興趣點(diǎn)，要想感知這些興趣，就需要有相應(yīng)的用戶數(shù)據(jù)?？偟膩碚f，用戶興趣感知源越多，就越能從多個(gè)側(cè)面來推斷用戶的偏好。當(dāng)推薦系統(tǒng)處于高維數(shù)據(jù)環(huán)境時(shí)，主數(shù)據(jù)源和附屬數(shù)據(jù)源都涵蓋了大量的有用信息，推薦系統(tǒng)可以利用不同的算法模型來挖掘用戶的興趣。從這個(gè)角度來說，高維數(shù)據(jù)環(huán)境對(duì)提升推薦精準(zhǔn)度有正面的作用。比如推薦系統(tǒng)可以利用用戶背景數(shù)據(jù)與消費(fèi)評(píng)價(jià)數(shù)據(jù)進(jìn)行融合，在多個(gè)用戶背景維度上對(duì)其興趣進(jìn)行細(xì)分，這樣預(yù)測(cè)出的用戶興趣的精準(zhǔn)度會(huì)大大提高，同樣的結(jié)合項(xiàng)目本身的屬性或者社交網(wǎng)絡(luò)、信任關(guān)系等也可以提升推薦的精準(zhǔn)度?？偟膩碚f，高維數(shù)據(jù)環(huán)境為推薦系統(tǒng)提供了豐富的興趣感知源，為推薦精準(zhǔn)度的提升奠定了數(shù)據(jù)基礎(chǔ)。

3.2 高維數(shù)據(jù)環(huán)境對(duì)推薦實(shí)時(shí)性的影響

推薦實(shí)時(shí)性也是推薦質(zhì)量的重要指標(biāo)，當(dāng)用戶訪問網(wǎng)站時(shí)，推薦系統(tǒng)必須快速地識(shí)別用戶的潛在意圖，并及時(shí)給予推薦，這樣用戶根據(jù)系統(tǒng)推薦進(jìn)行進(jìn)一步的選擇。如果推薦集合的計(jì)算時(shí)間太長，無法保證推薦的實(shí)時(shí)性，用戶可能跳轉(zhuǎn)到另外一個(gè)頁面，其興趣可能已經(jīng)發(fā)生轉(zhuǎn)化，或者在新的頁面下已經(jīng)沒有了推薦欄的設(shè)置，無法實(shí)現(xiàn)推薦。這樣系統(tǒng)的推薦質(zhì)量會(huì)大大下降，用戶體驗(yàn)也會(huì)降低。因此，保證推薦實(shí)時(shí)性對(duì)推薦系統(tǒng)來說非常重要。在高維數(shù)據(jù)環(huán)境下，用戶興趣感知源的增加，對(duì)推薦精準(zhǔn)度來說是利好，但是對(duì)于推薦實(shí)時(shí)性來說，會(huì)使得興趣挖掘的計(jì)算復(fù)雜度大幅提升，從而導(dǎo)致系統(tǒng)開銷過大，直接影響推薦系統(tǒng)的響應(yīng)。特別是將附屬數(shù)據(jù)源與主數(shù)據(jù)源進(jìn)行融合挖掘時(shí)，計(jì)算復(fù)雜度的數(shù)量級(jí)會(huì)大大增加。此外，當(dāng)大量用戶同時(shí)訪問時(shí)，系統(tǒng)的負(fù)擔(dān)會(huì)進(jìn)一步加重，系統(tǒng)響應(yīng)時(shí)間也會(huì)延長。總的來說，高維數(shù)據(jù)環(huán)境會(huì)降低推薦的實(shí)時(shí)性。

3.3 高維數(shù)據(jù)環(huán)境下精準(zhǔn)度和實(shí)時(shí)性相互制約的原因 ?在高維數(shù)據(jù)環(huán)境下，系統(tǒng)要想改善推薦的精準(zhǔn)度，就希望從不同角度來深入挖掘用戶的興趣偏好，這時(shí)需要調(diào)用的用戶數(shù)據(jù)會(huì)大幅增加。而調(diào)用數(shù)據(jù)的增加會(huì)使得興趣挖掘的計(jì)算量大幅提升，推薦實(shí)時(shí)性就無法保證。如果只調(diào)用很少的數(shù)據(jù)來挖掘用戶的興趣，雖然減少了計(jì)算量但無法深入感知用戶的興趣偏好，推薦精準(zhǔn)度就很難保證，這就是造成推薦精準(zhǔn)度和推薦實(shí)時(shí)性相互制約的原因。

推薦系統(tǒng)可以使用不同的算法來實(shí)現(xiàn)推薦，也可以通過多類型算法相互補(bǔ)充實(shí)現(xiàn)更高的精準(zhǔn)度。因此，需要重點(diǎn)說明的是精準(zhǔn)度與實(shí)時(shí)性的相互制約是針對(duì)整個(gè)推薦系統(tǒng)來說的。部分推薦算法通過模型的改進(jìn)，可以在提高精準(zhǔn)度的同時(shí)也提升實(shí)時(shí)性，但這只是局限在算法的層面，改進(jìn)算法相對(duì)于原來的算法，在調(diào)用數(shù)據(jù)不變的情況下可以實(shí)現(xiàn)精準(zhǔn)度與實(shí)時(shí)性的同時(shí)改進(jìn)。但是，當(dāng)推薦系統(tǒng)使用這種改進(jìn)算法進(jìn)行實(shí)際推薦時(shí)，其調(diào)用數(shù)據(jù)的越來越多，推薦實(shí)時(shí)性必然會(huì)下降。此外，還需要強(qiáng)調(diào)的是推薦精準(zhǔn)度的提升不是無限的，達(dá)到局部的峰值以后會(huì)下降。

綜上，為實(shí)現(xiàn)高維數(shù)據(jù)環(huán)境下對(duì)推薦質(zhì)量的有效控制，本文提出一種個(gè)性化推薦質(zhì)量控制模型，下文將詳細(xì)介紹該模型的設(shè)計(jì)，并通過實(shí)驗(yàn)分析驗(yàn)證模型的有效性。

4 面向高維數(shù)據(jù)環(huán)境的個(gè)性化推薦質(zhì)量控制模型4.1 模型的詳細(xì)設(shè)計(jì)

本文提出的面向高維數(shù)據(jù)環(huán)境的個(gè)性化推薦質(zhì)量控制模型，包含6個(gè)主要步驟，具體如下：

4.1.1 對(duì)推薦系統(tǒng)的狀態(tài)進(jìn)行標(biāo)記

在高維數(shù)據(jù)環(huán)境下，推薦系統(tǒng)通過挖掘歷史數(shù)據(jù)中的用戶興趣來產(chǎn)生推薦，挖掘越深越耗時(shí)，但精準(zhǔn)度會(huì)提升。放棄精準(zhǔn)度的提升，降低挖掘深度就會(huì)節(jié)省時(shí)間，提升推薦的實(shí)時(shí)性。推薦系統(tǒng)通過調(diào)整挖掘深度來控制精準(zhǔn)度與實(shí)時(shí)性的高低。設(shè)F={ft，0，1，2，3，…，k}為推薦系統(tǒng)處于不同挖掘深度時(shí)的狀態(tài)集合（非空集合），ft為F中的任意一個(gè)系統(tǒng)狀態(tài)，ft記錄了系統(tǒng)調(diào)用的推薦算法的相關(guān)信息以及調(diào)用數(shù)據(jù)的范圍。設(shè)wft表示推薦系統(tǒng)處于狀態(tài)ft時(shí)的推薦精準(zhǔn)度，設(shè)dft表示推薦系統(tǒng)處于狀態(tài)ft時(shí)的推薦實(shí)時(shí)性。F中的每一個(gè)的系統(tǒng)狀態(tài)分別對(duì)應(yīng)一組精準(zhǔn)度與實(shí)時(shí)性的值。

4.1.2 計(jì)算推薦實(shí)時(shí)性

推薦實(shí)時(shí)性可以用推薦時(shí)間來反映，推薦時(shí)間越短實(shí)時(shí)性越好。然而使用推薦時(shí)間來直接表示推薦實(shí)時(shí)性不能反映算法挖掘的細(xì)節(jié)。由此，本文在衡量推薦實(shí)時(shí)性時(shí)采用算法計(jì)算量來替代推薦時(shí)間。所謂算法計(jì)算量，為推薦算法在所調(diào)用的數(shù)據(jù)中需要比對(duì)的用戶數(shù)或者項(xiàng)目數(shù)。在個(gè)性化推薦中，推薦時(shí)間與算法計(jì)算量成正比，即：算法計(jì)算量越大，推薦時(shí)間越長，其對(duì)應(yīng)的推薦實(shí)時(shí)性越低。反之，算法計(jì)算量越小，其推薦時(shí)間越短，相應(yīng)的推薦實(shí)時(shí)性越高。計(jì)算F中每個(gè)系統(tǒng)狀態(tài)下的推薦實(shí)時(shí)性，再將F中的系統(tǒng)狀態(tài)按照其對(duì)應(yīng)的推薦實(shí)時(shí)性從高到低順序排列，形成一個(gè)系統(tǒng)狀態(tài)列表L。設(shè)系統(tǒng)狀態(tài)為ft時(shí)的算法計(jì)算量為Qft，即推薦實(shí)時(shí)性dft就等于Qft的值。

4.1.3 確定推薦實(shí)時(shí)性的臨界值

在個(gè)性化推薦中，系統(tǒng)會(huì)根據(jù)應(yīng)用環(huán)境和用戶反饋，設(shè)置推薦實(shí)時(shí)性的臨界值。該臨界值就是推薦系統(tǒng)能夠接受的最長推薦時(shí)間，超過這個(gè)臨界值，則被認(rèn)定無法實(shí)現(xiàn)即時(shí)的推薦，精準(zhǔn)度的高低就失去了意義。由于本文采用算法計(jì)算量替代推薦時(shí)間來評(píng)價(jià)推薦實(shí)時(shí)性，所以推薦實(shí)時(shí)性的臨界值，就是算法計(jì)算量的上限值，設(shè)該上限值為B。將系統(tǒng)狀態(tài)列表L中推薦實(shí)時(shí)性超過臨界值B的系統(tǒng)狀態(tài)刪除，形成新的列表L1。

4.1.4 計(jì)算推薦精準(zhǔn)度

計(jì)算h′ ft是為了測(cè)量其它系統(tǒng)狀態(tài)相對(duì)于基準(zhǔn)狀態(tài)的實(shí)時(shí)性損失程度。因此，必須以Qf0為基準(zhǔn)減去Qft，這種順序安排對(duì)應(yīng)了質(zhì)量損失的意義。先計(jì)算不同系統(tǒng)狀態(tài)下算法計(jì)算量的差值的絕對(duì)值，再判斷推薦實(shí)時(shí)性的方向系數(shù)，是為了分別展示推薦實(shí)時(shí)性的變化幅度和變化方向。

當(dāng)推薦實(shí)時(shí)性損失h′ ft為正數(shù)時(shí)，表示與基準(zhǔn)狀態(tài)相比推薦實(shí)時(shí)性下降了。當(dāng)h′ ft為負(fù)數(shù)時(shí)，表示與基準(zhǔn)狀態(tài)相比推薦實(shí)時(shí)性提高了。

根據(jù)上述公式，計(jì)算列表L2中除基準(zhǔn)狀態(tài)f0以外的其它系統(tǒng)狀態(tài)的推薦精準(zhǔn)度損失和推薦實(shí)時(shí)性損失。

4.1.6 建立推薦質(zhì)量控制節(jié)點(diǎn)

將推薦精準(zhǔn)度損失與推薦實(shí)時(shí)性損失的結(jié)果，按照列表L2中系統(tǒng)狀態(tài)的順序依次排列，可以對(duì)比不同系統(tǒng)狀態(tài)下精準(zhǔn)度與實(shí)時(shí)性的損失程度，由此可建立推薦質(zhì)量控制節(jié)點(diǎn)，推薦質(zhì)量控制節(jié)點(diǎn)的格式如表1所示：

在個(gè)性化推薦中，系統(tǒng)都會(huì)盡量提升推薦的精準(zhǔn)度，由于基準(zhǔn)狀態(tài)的精準(zhǔn)度最高，所以可以讓系統(tǒng)先以基準(zhǔn)狀態(tài)進(jìn)行推薦。當(dāng)系統(tǒng)的應(yīng)用環(huán)境發(fā)生變化，需要改變推薦精準(zhǔn)度或推薦實(shí)時(shí)性時(shí)，為保證推薦質(zhì)量的穩(wěn)定，避免單一推薦質(zhì)量指標(biāo)的大幅下降，可以先設(shè)置質(zhì)量控制的目標(biāo)。根據(jù)質(zhì)量控制目標(biāo)的要求，找到相應(yīng)的推薦質(zhì)量控制節(jié)點(diǎn)。再通過推薦質(zhì)量控制節(jié)點(diǎn)中系統(tǒng)狀態(tài)的信息，設(shè)置算法的挖掘深度和數(shù)據(jù)調(diào)用的范圍，由此可以實(shí)現(xiàn)有效的推薦質(zhì)量控制。

4.2 仿真實(shí)驗(yàn)

4.2.1 實(shí)驗(yàn)說明

本次實(shí)驗(yàn)以協(xié)同過濾推薦系統(tǒng)為例，對(duì)提出的個(gè)性化推薦質(zhì)量控制模型進(jìn)行驗(yàn)證，并完整的展示該控制模型的全過程，為其他學(xué)者使用模型提供參照。實(shí)驗(yàn)中的協(xié)同過濾推薦系統(tǒng)以用戶—項(xiàng)目評(píng)分矩陣為主數(shù)據(jù)源，以用戶背景中的年齡數(shù)據(jù)為附屬數(shù)據(jù)源，通過將用戶年齡數(shù)據(jù)與評(píng)分?jǐn)?shù)據(jù)進(jìn)行融合來實(shí)施興趣挖掘。具體算法過程如下：設(shè)與目標(biāo)用戶年齡差值的絕對(duì)值小于等于K的用戶，為目標(biāo)用戶的同年齡段用戶。算法先將與目標(biāo)用戶處于同一年齡段的用戶查找出來，作為最近鄰的備選，再在同年齡段用戶群中利用評(píng)分相似性篩選出最近鄰用戶集合，最后計(jì)算項(xiàng)目的推薦分?jǐn)?shù)，生成最終的推薦列表。實(shí)驗(yàn)中K的取值不同，意味著算法挖掘深度和調(diào)用數(shù)據(jù)的不同，不同的K值對(duì)應(yīng)著個(gè)性化推薦質(zhì)量控制模型中的不同系統(tǒng)狀態(tài)。

4.2.2 數(shù)據(jù)來源

本實(shí)驗(yàn)的數(shù)據(jù)來自美國明尼蘇達(dá)大學(xué)的Grouplens研究項(xiàng)目組提供的ml-100k數(shù)據(jù)集，該數(shù)據(jù)集中的文件u.data包含了943位用戶對(duì)1 682部電影的10萬條評(píng)分記錄，評(píng)分標(biāo)準(zhǔn)采用五分制，用戶打分越高表示用戶對(duì)該電影的滿意度越高。由u.data生成了5組訓(xùn)練集和測(cè)試集。文件u.user記錄了用戶的背景信息。

4.2.3 結(jié)果分析

在實(shí)際應(yīng)用中，設(shè)定同年齡段用戶的年齡差距不宜過大，本試驗(yàn)依次測(cè)試k從0～6的試驗(yàn)結(jié)果。根據(jù)本文提出的個(gè)性化推薦質(zhì)量控制模型，依次計(jì)算k的取值從0～6的7個(gè)系統(tǒng)狀態(tài)下的推薦精準(zhǔn)度與推薦實(shí)時(shí)性。

首先計(jì)算推薦實(shí)時(shí)性，本文用算法計(jì)算量替代推薦時(shí)間來評(píng)價(jià)推薦實(shí)時(shí)性。分析本實(shí)驗(yàn)中的推薦算法可以發(fā)現(xiàn)，在算法的相似性計(jì)算環(huán)節(jié)，通過對(duì)比目標(biāo)用戶與每一個(gè)潛在相似用戶之間的評(píng)分相似性程度來尋找最近鄰。因此目標(biāo)用戶需要對(duì)比的潛在相似用戶數(shù)的變化直接反映了算法計(jì)算量的變化。先計(jì)算全部用戶在K取不同取值時(shí)的潛在相似用戶數(shù)，再取平均值可以作為推薦實(shí)時(shí)性的值，最終的計(jì)算結(jié)果如表2所示：

根據(jù)表2中推薦實(shí)時(shí)性的計(jì)算結(jié)果可以發(fā)現(xiàn)，隨著K值的增加，推薦系統(tǒng)查找潛在用戶的范圍逐漸擴(kuò)大，推薦實(shí)時(shí)性逐漸下降。k=0時(shí)，推薦系統(tǒng)需要對(duì)比23.26個(gè)潛在相似用戶來實(shí)現(xiàn)推薦。k=6時(shí)，推薦需要對(duì)比的潛在用戶數(shù)增長為289.96個(gè)。本試驗(yàn)設(shè)定推薦實(shí)時(shí)性的臨界值為總用戶數(shù)的30%，則臨界值為282.9。根據(jù)個(gè)性化推薦質(zhì)量控制模型，刪除k=6的狀態(tài)，保留k等于0～5的6個(gè)系統(tǒng)狀態(tài)。計(jì)算這6個(gè)系統(tǒng)狀態(tài)下對(duì)應(yīng)的推薦精準(zhǔn)度，計(jì)算結(jié)果如表3所示。

根據(jù)表3中推薦精準(zhǔn)度的計(jì)算結(jié)果可以發(fā)現(xiàn)，從當(dāng)K從0增長到5的過程中，其推薦精準(zhǔn)度剛好也是逐漸上升。根據(jù)個(gè)性化推薦質(zhì)量控制模型，以K=5的系統(tǒng)狀態(tài)為基準(zhǔn)狀態(tài)，計(jì)算其它系統(tǒng)狀態(tài)的推薦質(zhì)量在精準(zhǔn)度和實(shí)時(shí)性兩個(gè)方面的損失，將計(jì)算結(jié)果按照推薦質(zhì)量控制節(jié)點(diǎn)的格式排列，結(jié)果如表4所示：

表4中，由于k=5為基準(zhǔn)狀態(tài)，所以其推薦精準(zhǔn)度和推薦實(shí)時(shí)性的損失都為0。通過表4可以發(fā)現(xiàn)，跟基準(zhǔn)狀態(tài)相比，其它系統(tǒng)狀態(tài)的推薦實(shí)時(shí)性損失都為負(fù)值，這表示推薦實(shí)時(shí)性都提高了，與此同時(shí)推薦精準(zhǔn)度損失都為正值，意味著推薦精準(zhǔn)度都下降了。

按照K值從4到0的順序，將表4中推薦實(shí)時(shí)性損失的絕對(duì)值與其相應(yīng)的推薦精準(zhǔn)度損失，繪制成圖1。

通過圖1可以發(fā)現(xiàn)，k的值從4到0的變化過程中，推薦實(shí)時(shí)性提升的程度要大大高于精準(zhǔn)度下降的程度。本實(shí)驗(yàn)?zāi)M一個(gè)應(yīng)用環(huán)境來演示如何應(yīng)用推薦質(zhì)量控制節(jié)點(diǎn)來尋找合適的質(zhì)量控制策略。系統(tǒng)剛開始以基準(zhǔn)狀態(tài)進(jìn)行個(gè)性化推薦。假設(shè)短時(shí)間內(nèi)訪問用戶數(shù)大幅增長，系統(tǒng)需要提升推薦實(shí)時(shí)性，但是希望推薦精準(zhǔn)度保持在基準(zhǔn)狀態(tài)的90%以上的水平。參照表4中的推薦質(zhì)量控制節(jié)點(diǎn)，從

圖1 精準(zhǔn)度與實(shí)時(shí)性的損失對(duì)比圖

k=5時(shí)的系統(tǒng)狀態(tài)到k=2時(shí)的系統(tǒng)狀態(tài)，算法的計(jì)算量減少53%，推薦實(shí)時(shí)性大幅提升，而此時(shí)推薦精準(zhǔn)度只下降了9%，符合質(zhì)量控制目標(biāo)的要求。由此可以根據(jù)k=2時(shí)的系統(tǒng)狀態(tài)實(shí)施推薦。如果應(yīng)用環(huán)境進(jìn)一步改變，系統(tǒng)可設(shè)定新的質(zhì)量控制目標(biāo)，再和上述過程一樣找到合適的推薦質(zhì)量控制節(jié)點(diǎn)實(shí)施推薦，由此實(shí)現(xiàn)了對(duì)個(gè)性化推薦質(zhì)量的有效控制。

5 結(jié) 語

本文以大數(shù)據(jù)時(shí)代為背景闡述了推薦系統(tǒng)高維數(shù)據(jù)環(huán)境的形成原因，并且詳細(xì)分析了高維數(shù)據(jù)環(huán)境對(duì)個(gè)性化推薦質(zhì)量的影響。然后針對(duì)性地提出了一種個(gè)性化推薦質(zhì)量控制模型，該模型可以在高維數(shù)據(jù)環(huán)境下通過對(duì)比推薦精準(zhǔn)度與推薦實(shí)時(shí)性的損失，形成一系列推薦質(zhì)量控制節(jié)點(diǎn)。再根據(jù)應(yīng)用環(huán)境的差異，選擇合適的推薦質(zhì)量控制節(jié)點(diǎn)。最后根據(jù)該控制節(jié)點(diǎn)的系統(tǒng)狀態(tài)信息，實(shí)現(xiàn)推薦系統(tǒng)的狀態(tài)切換，從而達(dá)到對(duì)推薦質(zhì)量進(jìn)行有效控制的目的。未來筆者將進(jìn)一步對(duì)該領(lǐng)域進(jìn)行深入研究。

參考文獻(xiàn)

[1]安悅，李兵，楊瑞泰，等.基于內(nèi)容的熱門微話題個(gè)性化推薦研究[J].情報(bào)雜志，2014，33（2）：155-160.

[2]王嫣然，陳梅，王翰虎，等.一種基于內(nèi)容過濾的科技文獻(xiàn)推薦算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011，21（2）：66-69.

[3]王潔，湯小春.基于社區(qū)網(wǎng)絡(luò)內(nèi)容的個(gè)性化推薦算法研究[J].計(jì)算機(jī)應(yīng)用研究，2011，28（4）：1248-1250.

[4]陳婷，朱青，周夢(mèng)溪，等.社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J].軟件學(xué)報(bào)，2017，28（3）：721-731.

[5]李鑫，劉貴全，李琳，等.LBSN上基于興趣圈中社會(huì)關(guān)系挖掘的推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2017，54（2）：394-404.

[6]Ma H，Yang H，Lyu M R，et al.SoRec：Social Recommendation Using Probabilistic Matrix Factorization.In：Proc.of the Intl Conf.on Information and Knowledge Management.ACM Press，2008：931-940.

[7]景楠，王建霞，許皓，等.基于用戶社會(huì)關(guān)系的社交網(wǎng)絡(luò)好友推薦算法研究[J].中國管理科學(xué)，2017，25（3）：164-171.

[8]陳梅梅，薛康杰.基于標(biāo)簽簇多構(gòu)面信任關(guān)系的個(gè)性化推薦算法研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2017，（5）：94-101.

[9]孔欣欣，蘇本昌，王宏志，等.基于標(biāo)簽權(quán)重評(píng)分的推薦模型及算法研究[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1440-1552.

[10]李瑞敏，林鴻飛，閆俊.基于用戶-標(biāo)簽-項(xiàng)目語義挖掘的個(gè)性化音樂推薦[J].計(jì)算機(jī)研究與發(fā)展，2014，51（10）：2270-2276.

[11]劉海鷗，孫晶晶，蘇妍嫄，等.面向圖書館大數(shù)據(jù)知識(shí)服務(wù)的多情境興趣推薦方法[J].現(xiàn)代情報(bào)，2018，38（6）：62-67，156.

[12]周明建，趙建波，李騰.基于情境相似的知識(shí)個(gè)性化推薦系統(tǒng)研究[J].計(jì)算機(jī)工程與科學(xué)，2016，38（3）：569-576.

[13]杜永萍，黃亮，何明.融合信任計(jì)算的協(xié)同過濾推薦方法[J].模式識(shí)別與人工智能，2014，27（5）：417-425.

[14]董立巖，王越群，賀嘉楠，等.基于時(shí)間衰減的協(xié)同過濾推薦算法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2017，47（4）：1268-1272.

[15]郭蘭杰，梁吉業(yè)，趙興旺.融合社交網(wǎng)絡(luò)信息的協(xié)同過濾推薦算法[J].模式識(shí)別與人工智能，2016，29（3）：281-288.

[16]郭弘毅，劉功申，蘇波，等.融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2016，53（8）：1664-1672.

[17]項(xiàng)亮.推薦系統(tǒng)實(shí)現(xiàn)[M].北京：人民郵電出版社，2012：2-63.

[18]Pazzani M，Billsus D.Learning and Revising User Profiles：The Identification of Interesting Web Sites[J].Machine Learning，1997，（27）：313-331.

（責(zé)任編輯：郭沫含）