個性化推薦算法研究綜述

劉子赫

摘 要：隨著大數(shù)據(jù)技術(shù)的發(fā)展，推薦算法為人們享受網(wǎng)絡(luò)便利提供了很多幫助。隨著推薦算法的不斷進步，個性化推薦算法逐漸受到了用戶的青睞。本文介紹了個性化基本算法的其中三種：基于內(nèi)容的推薦算法、構(gòu)建知識網(wǎng)絡(luò)、基于社交應(yīng)用的個性化推薦。同時介紹了個性化推薦算法與其他技術(shù)的聯(lián)系、運作流程和應(yīng)用等，從實際出發(fā)，以解決實際問題為目的，闡述應(yīng)用具體形式。此外，本文也闡述了亟待解決的難點和問題。

關(guān)鍵詞：推薦算法;個性化;知識網(wǎng)絡(luò)

中圖分類號：TP391.3 文獻標識碼：A 文章編號：1671-2064（2020）06-0039-02

0引言

隨著數(shù)據(jù)體量過載時代的到來，面對信息過載問題，如何在短時間得到具有針對性的數(shù)據(jù)已經(jīng)是現(xiàn)代人主要面臨的問題。本文介紹了個性化推薦基本算法和未來主要應(yīng)用和應(yīng)用形式、階段優(yōu)勢和長遠發(fā)展優(yōu)勢，結(jié)合生活實際和現(xiàn)有技術(shù)提出下一階段發(fā)展趨勢和具體應(yīng)用，也針對數(shù)據(jù)使用者的角色進行了分析。

1個性化推薦算法介紹

1.1 基于內(nèi)容的推薦算法

此算法是個性化推薦中最為重要的一種思想，簡單直接，通過分析用戶的歷史行為記錄和相關(guān)興趣記錄（如用戶自身填寫的興趣），形成用戶的興趣偏好向量，再對已有的項目進行分類，分析項目的屬性特征，提取出項目屬性向量，通過計算用戶興趣偏好向量與項目自身向量進行相似度計算，得出用戶對于此項目的接受可能性大小或者top-N推薦。

此算法簡單直觀，對于單個屬性比較有效準確，個性化強不受任何干擾。但是缺點也比較明顯，項目、用戶冷處理冷啟動，復(fù)雜項目的屬性提取和權(quán)重分配，數(shù)據(jù)過于稀疏無法處理計算[1]。

1.2 構(gòu)建知識網(wǎng)絡(luò)

利用現(xiàn)代大數(shù)據(jù)的關(guān)聯(lián)性和人工構(gòu)建的知識網(wǎng)絡(luò)可以進行相關(guān)知識的推薦，利用這一方法收集用戶的直接需求和可能出現(xiàn)的相關(guān)需求，這也是個性化推薦的重要組成部分和未來的發(fā)展趨勢。比如在自學(xué)技能的領(lǐng)域，相關(guān)的知識點需要利用知識結(jié)構(gòu)，既可以從問題入手，向四周延伸，學(xué)習(xí)相關(guān)的技能點和關(guān)鍵要素，還可以從已知點出發(fā)，進行更深層次的學(xué)習(xí)，在推薦的過程中，根據(jù)相關(guān)聯(lián)的內(nèi)容進行學(xué)習(xí)，有助于系統(tǒng)掌握整個知識框架。

此算法關(guān)聯(lián)性強、推薦知識相近、接受程度高，有助于用戶拓展相關(guān)興趣?，F(xiàn)階段制約其發(fā)展的主要問題有：知識網(wǎng)絡(luò)的構(gòu)建、構(gòu)建結(jié)構(gòu)、優(yōu)先推薦權(quán)重、范圍有一定限制。盡管現(xiàn)階段還有不足，未來一定可以引入AI，智能連接相關(guān)知識，不再需要人工特意維護和手動架構(gòu)，發(fā)展前景比較廣大[2]。

1.3 基于社交應(yīng)用的個性化推薦

就目前來講，手機中必不可缺的是相關(guān)的社交和娛樂app，相較于電腦，手機的及時性、快速性和短時性與pc端比較更適合個性化推薦算法應(yīng)用，而且受眾面更廣有助于豐富個性推薦算法。在這里的社交app不僅僅是微信、QQ等聊天的app，還有支付寶等支付app，一些短視頻網(wǎng)站等，因為這些都是有比較明顯的用戶歷史記錄，所以比較好挖掘用戶行為習(xí)慣，用戶特征比較明顯，易于進行個性推薦，提高推薦命中率。用戶的關(guān)注人、關(guān)注事件、搜索記錄、使用時間、關(guān)注類型、共同好友、發(fā)布動態(tài)、購買相關(guān)物品等記錄，全方位綜合分析用戶行為習(xí)慣，可以大體猜測用戶的職業(yè)興趣等綜合信息，結(jié)合知識框架，得到入手點和適合的推薦算法，提高準確率[3]。同樣，結(jié)合共同的興趣特點，對于一些行為特征相近的用戶可以計算出相似的推薦內(nèi)容，節(jié)省一定成本。還可以分析用戶所關(guān)注的事物的屬性向用戶統(tǒng)一推薦。此算法優(yōu)缺點比較突出，準確率高，全面、普及率高、維護成本低，但綜合性強，算法不易統(tǒng)一，容易涉及到用戶隱私等法律問題等。

2個性化推薦算法聯(lián)系

2.1 與AI的聯(lián)系——相輔相成

對于AI來說，一個學(xué)習(xí)型的算法是非常重要的，就目前而言，個人用AI主要是被動接受并加以學(xué)習(xí)模仿，貼和日常的用戶的個人習(xí)慣，對于主動出擊進行推薦的能力還不夠強，或者說無法滿足需求，無法達到替代一部分人工的作用，所以對于AI，個性化推薦的算法更加有助于他的發(fā)展。而對于個性化算法來說，他比AI的收集范圍要廣，利用知識的聯(lián)系性，不僅僅應(yīng)用搜索引擎，在搜索引擎中尋找符合用需要的內(nèi)容，依據(jù)用戶的愛好和行為喜歡等等，個性化推薦各類內(nèi)容，而引入AI可以更貼和用戶習(xí)慣，在合適的時間，以合適的方式推薦給用戶并且讓用戶自行選擇，再通過用戶所選的內(nèi)容，進行學(xué)習(xí)，決定下一次的推薦方式并修改個性化推薦算法，達到個性化效果。中短期來說個性化算法無法被AI替代，同時也可以作為AI發(fā)展的素材。也可以將AI引入個性化算法，將所計算出的數(shù)據(jù)結(jié)合用戶的選擇得要結(jié)論，使AI進行學(xué)習(xí)，相輔相成，或者在個性化推薦算法的平臺的UI引入AI，作為學(xué)習(xí)模式，使用戶更容易接受。長期來說，既可以獨立存在，也可以融合，這對于兩者有著很高的要求。

2.2 與大數(shù)據(jù)的運用

盡管是個性化推薦算法，但是個體離不開整體，大數(shù)據(jù)的應(yīng)用對于個性化推薦算法還是很必要的。當用戶的行為習(xí)慣大致相同，可以從數(shù)據(jù)庫中提取類似計算的結(jié)果，減少計算時間成本;收集普遍性和增長趨勢規(guī)律，掌握需求走向，提供給其他供應(yīng)商，從而對用戶提高針對性，減少成本[4]。

3 個性化推薦算法流程

本章將以半開源多樣化的數(shù)據(jù)處理平臺為例，介紹個性化推薦算法的流程。

3.1 概念介紹

通過半開源的數(shù)據(jù)分析處理平臺，用戶可以自主選擇數(shù)據(jù)處理方式和種類，即可引用與一般出具處理如簡單函數(shù)計算，也可以用于互聯(lián)網(wǎng)搜索，用戶可以操作算法，自主選擇算法。而對于用戶來說如何錄入需求就是問題，這就需要一個平臺，可以是網(wǎng)站或者是手機app，在界面中用戶選取數(shù)據(jù)對象、數(shù)據(jù)類型、要求、范圍、偏好等要求，經(jīng)過個性化推薦算法得出相關(guān)結(jié)論。

3.2 數(shù)據(jù)類型

個性化算法的最大優(yōu)勢在于它可以推薦各類數(shù)據(jù)，不僅僅應(yīng)用搜索引擎簡單的關(guān)鍵字和標簽等簡單搜索方式，運用個性化算法中的知識結(jié)構(gòu)，從各類網(wǎng)站入手，多種渠道多種數(shù)據(jù)形式，依靠知識網(wǎng)絡(luò)加強對于數(shù)據(jù)聯(lián)系性的考察，以知識結(jié)構(gòu)為起點搜索多種數(shù)據(jù)格式如：視頻、文字、表格、甚至社交平臺可以得到的留言帖子等等，全方位滿足用戶需求。此外，多種數(shù)據(jù)形式對于知識結(jié)構(gòu)和數(shù)據(jù)關(guān)聯(lián)性篩選的算法有著極高的要求，這是急需解決的問題。

3.3 算法流程介紹

首先收集用戶需求，如：價格、問題、意見、學(xué)習(xí)內(nèi)容。確定搜索范圍：如：相關(guān)網(wǎng)站、百度經(jīng)驗、視頻網(wǎng)站、相關(guān)論壇、貼吧等。調(diào)查對應(yīng)目標主體的相關(guān)數(shù)據(jù)要求并需要用戶進行進一步選擇，具體步驟如下：

（1）尋找主要相關(guān)聯(lián)數(shù)據(jù);

（2）根據(jù)用戶行為習(xí)慣知識關(guān)聯(lián)性主動過濾;

（3）選取關(guān)聯(lián)性最強，重復(fù)檢索次數(shù)最多，較權(quán)威的數(shù)據(jù);

（4）AI過濾;

（5）整理數(shù)據(jù)，分類;

（6）用戶主觀選擇。

3.4應(yīng)用形式

該平臺既可以采取會員制，也可以采用一次性購買制度，平臺結(jié)合數(shù)據(jù)流通形式定期更新和完善提供算法，提供計算的服務(wù)器。

4 個性化推薦算法應(yīng)用

4.1數(shù)據(jù)篩選推薦

現(xiàn)在用Python等軟件進行智能檢索已經(jīng)是提高效率的好方法，但是在一些情況下，對于一般人來說稍微復(fù)雜的數(shù)據(jù)處理使用Python的及時性不夠高，同時學(xué)習(xí)Python并且熟練應(yīng)用的過程也需要時間，在急需數(shù)據(jù)的情況和未接觸過Python的人可以使用這個平臺，圈定范圍、大小、參數(shù)、類型等并導(dǎo)入數(shù)據(jù)在平臺內(nèi)獨立運算，再根據(jù)用戶自己的限制進行過濾，算出所需要的數(shù)據(jù)。總體來說就是Python的編程模板的整合。

此外，個性推薦可以用于商業(yè)伙伴的選擇和自身的內(nèi)部檢查，有點類似于現(xiàn)在的天眼查，引入了個性推薦和用戶自身加以編輯限制的算法，使結(jié)果更符合公司需要。

4.2 學(xué)習(xí)內(nèi)容推薦

技術(shù)的掌握已經(jīng)成為各大公司職位的挑選依據(jù)之一，如：經(jīng)濟領(lǐng)域的員工需要一定簡單Python基礎(chǔ)和運用技能，互聯(lián)網(wǎng)企業(yè)需要員工會運用PS、PR、AE等軟件。

現(xiàn)在，我們百度相關(guān)問題，基本上都會有教程，但是這些教程終究只針對一個問題，無法系統(tǒng)的學(xué)習(xí);而只理論學(xué)習(xí)不操作實操中會遇到更多的問題。這時也可以運用個性化算法推薦，從這個問題作為出發(fā)點，搜索各大論壇和視頻網(wǎng)站，整合相關(guān)問題，在解決對應(yīng)問題時，向外延伸，推薦其他問題解決方案，相關(guān)系統(tǒng)學(xué)習(xí)視頻，整合論壇相關(guān)留言帖子，從中學(xué)習(xí)未涉及的問題和疑難雜癥，綜合得出當前問題的解決方法、相關(guān)問題、可能出現(xiàn)的情況、疑難雜癥、相關(guān)推薦學(xué)習(xí)資料等。

4.3 網(wǎng)購?fù)扑]

在網(wǎng)購普及的今天，個性化算法已經(jīng)可以幫助我們節(jié)省大量的挑選時間。以價格為例，在雙十一狂歡的時候，用戶往往會因為價格的變動，會貨比三家，人工進行比較計算。在網(wǎng)站層面，對于價格網(wǎng)站往往不會將真實價格呈現(xiàn)出來，需要第三方的介入，運用爬蟲獲取價格走勢，收集優(yōu)惠程度價格，再根據(jù)消費者特定需求，比如：平臺、產(chǎn)地、價格區(qū)間、發(fā)貨和物流速度、商家信譽等，綜合以上的需求，得出結(jié)論。再比如電腦的選擇，既可以選擇廠家已經(jīng)批量生產(chǎn)的一體機，也可以采用組裝好的主機+顯示器的組合，或者是自己獨立組裝，自行購買CPU、硬盤、顯卡、聲卡等硬件設(shè)備，結(jié)合用戶輸入的需求（如：游戲用、辦公用、剪輯等專業(yè)用）推薦一定組合的硬件配置。結(jié)合用戶所選的硬件，推薦連接線、主機箱、音響、顯示器等其他核心設(shè)備。在個性算法計算的同時引入的AI結(jié)合用戶習(xí)慣職業(yè)推薦固定線、特色鍵鼠、支架、收納架等非必須物品。綜上，個性算法節(jié)省了用戶學(xué)習(xí)了解相關(guān)物品的專業(yè)知識、減少人工組合時間，同時減少支出，增加體驗感。

4.4廣告投放

個性化推薦算法不僅僅個人對于數(shù)據(jù)的搜索，同樣的也可以反向用于被推薦，傳統(tǒng)廣告的“命中率”已經(jīng)不適合年輕人。既然用戶選擇了最適合自己的數(shù)據(jù)，這些都可以被提供個性推薦算法的平臺所知，廣告的投放變得越發(fā)有針對性，不只是簡單的TAG推薦和普通的貼片廣告[5]。

5結(jié)語

本文對現(xiàn)階段比較適合個性化推薦的基本算法進行了介紹，對其運作流程進一步闡述，隨著數(shù)據(jù)的急速增長，越發(fā)完善的算法和用戶個性的突出，個性化推薦算法的優(yōu)勢進一步體現(xiàn)出來，結(jié)合時下熱門AI和大數(shù)據(jù)的等相關(guān)產(chǎn)業(yè)，可見個性化推薦算法的發(fā)展趨勢十分明朗，一定可以在未來為更多的用戶提供更精確的個性化服務(wù)。但在快速發(fā)展中，也未可避免的涉及到過度收集用戶隱私，信息泄露，過度干擾，信息誤判等諸多問題。

參考文獻

[1] 張志威.個性化推薦算法研究綜述[J].信息與電腦，2018（17）：27-29.

[2] 周穎芮，孫銳，袁圓.個性化推薦研究熱點及學(xué)術(shù)群探析——基于1990—2017年數(shù)據(jù)統(tǒng)計及可視化研究[J].科技與經(jīng)濟，2019，32（3）：1-5.

[3] 陳豪，王澤珺.個性化推薦算法綜述[J].企業(yè)科技與發(fā)展，2019（2）：64-65.

[4] 代麗，樊粵湘.個性化推薦系統(tǒng)綜述[J].計算機時代，2019（6）：9-11+15.

[5] 李珊.個性化推薦系統(tǒng)研究綜述[J].科技致富向?qū)В?014（8）：157.