基于協(xié)同過濾算法的個(gè)性化影視推薦系統(tǒng)

王佳斐，范伊紅，宋永旗，王帥杰，付炳威

（河南科技大學(xué)軟件學(xué)院，河南洛陽 471000）

近年來，隨著移動(dòng)智能設(shè)備、通信設(shè)備的快速發(fā)展和5G技術(shù)的迅速普及，在移動(dòng)設(shè)備上看電影、看電視已經(jīng)成為人們休閑娛樂的最流行方式之一。隨著用戶對(duì)觀影過程中信息需求越來越多，影視行業(yè)也開始注重從多個(gè)角度提供更為全面的服務(wù)。其中影視推薦系統(tǒng)作為一種重要手段為觀眾和影視創(chuàng)作者之間架起了橋梁。但是，影視推薦的結(jié)果卻面臨著嚴(yán)重的單一化問題，如何提高影視推薦的內(nèi)容多樣化，避免內(nèi)容的單一化，給用戶帶來更好的體驗(yàn)，是當(dāng)今所有的影視平臺(tái)面臨的首要問題。

個(gè)性化推薦是一種功能，它會(huì)通過用戶的個(gè)性化需求來推薦符合其需求的內(nèi)容。推薦系統(tǒng)一般有三種分離技術(shù)：一是基于內(nèi)容，即對(duì)信息的內(nèi)容進(jìn)行建模；二是基于用戶，按相似人群的興趣進(jìn)行建模；三是混合方法，即集成多種方法達(dá)成實(shí)際效果。本系統(tǒng)采用基于用戶數(shù)據(jù)的建模方法，主要提取了用戶對(duì)電影的評(píng)分?jǐn)?shù)據(jù)及觀看歷史數(shù)據(jù)、用戶好友喜好的電影數(shù)據(jù)，并進(jìn)行篩選，為推薦系統(tǒng)的構(gòu)建提供了重要數(shù)據(jù)。

1 個(gè)性化影視推薦系統(tǒng)設(shè)計(jì)

本系統(tǒng)采用分層的架構(gòu)方法，首先將預(yù)先準(zhǔn)備好的電影數(shù)據(jù)存儲(chǔ)到MySQL中；應(yīng)用層包括:精彩推薦、歷史記錄、添加好友、電影詳細(xì)、用戶操作等；業(yè)務(wù)層包括：處理請(qǐng)求、數(shù)據(jù)交互、返回結(jié)果、推薦反饋等；算法層包括：協(xié)同過濾、基于評(píng)分推薦、基于歷史記錄推薦、基于用戶好友推薦；管理層包括：數(shù)據(jù)監(jiān)控和數(shù)據(jù)維護(hù)等，如圖1所示。

圖1 個(gè)性化推薦系統(tǒng)流程

2 協(xié)同過濾算法在系統(tǒng)中的設(shè)計(jì)

2.1 協(xié)同過濾算法

協(xié)同過濾算法作為一種結(jié)構(gòu)簡單的推薦算法被廣泛地應(yīng)用于各類推薦系統(tǒng)中，在1994年作為“信息過濾”被提出研究[1]，又在2002年被PremMel-ville稱為“協(xié)同過濾”并進(jìn)行了進(jìn)一步研究[2]。其算法核心是通過尋找集合中最近的“鄰居”，并通過用戶彼此之間的相似度來提供對(duì)于相應(yīng)電影的推薦。目前則采用啟發(fā)式或基于模型的協(xié)同過濾算法[3]。推薦內(nèi)容精準(zhǔn)度是一個(gè)推薦框架的重要指標(biāo)，為了正確地給客戶推薦電影。本文提出了一種多個(gè)指標(biāo)混合的方法，該方法通過使用兩個(gè)分類器來解決推薦內(nèi)容多樣化問題并降低錯(cuò)誤率。本文算法流程圖如圖2所示。

圖2 算法流程圖

2.1.1 頂級(jí)K推薦

經(jīng)典的推薦系統(tǒng)是根據(jù)用戶對(duì)于某一部電影的評(píng)價(jià)或者評(píng)分和用戶的相關(guān)屬性對(duì)推薦的內(nèi)容中進(jìn)行排序，這種推薦系統(tǒng)推薦的內(nèi)容會(huì)過于單一化，本文考慮到用戶可能喜好的類型不同，所以提出了一種交叉方法依照不同的屬性產(chǎn)生的推薦結(jié)果進(jìn)行排序，以提高推薦的準(zhǔn)確性。通過這種排序，推薦的電影類型可能會(huì)超過用戶所期望的類型。

這里，在公式（1）中，客戶u對(duì)電影i和j的評(píng)分分別為Ni和Nj，電影i和j的普遍性(電影熱度和觀看時(shí)長)分別為Mi和Mj。

2.2 基于電影評(píng)分的個(gè)性化推薦

第一類推薦，基于與推薦相關(guān)的用戶評(píng)分?jǐn)?shù)據(jù)，系統(tǒng)設(shè)置了電影評(píng)分功能和用戶行為記錄功能，數(shù)據(jù)庫記錄所有的用戶評(píng)分?jǐn)?shù)據(jù)。采用五分制打分，推薦之前找到目標(biāo)用戶與其他各個(gè)用戶有過相同評(píng)分的電影。把目標(biāo)用戶與其他用戶以及電影構(gòu)成一個(gè)user-score二維矩陣M如表1，利用公式（2）計(jì)算目標(biāo)用戶與其他用戶的相似度：

表1 二維矩陣

其中R(u,i)是第u個(gè)用戶對(duì)第i個(gè)電影的評(píng)分，R(i)是第i個(gè)電影的平均得分。計(jì)算目標(biāo)用戶和其他用戶之間的相似度，使用此公式，并找出前三個(gè)，把前三名評(píng)分過的電影中目標(biāo)用戶未評(píng)分的電影，作為待推薦商品。最后向目標(biāo)用戶推薦前20名電影，這是推薦電影的主要方式。

2.3 基于歷史記錄的個(gè)性化推薦

第二類推薦，系統(tǒng)根據(jù)用戶的歷史瀏覽記錄來進(jìn)行推薦電影并通過電影的各種屬性進(jìn)行了不同的推薦。根據(jù)電影的發(fā)布時(shí)間實(shí)現(xiàn)了最新電影推薦；根據(jù)電影的平均評(píng)分?jǐn)?shù)據(jù)實(shí)現(xiàn)了最熱電影推薦；根據(jù)電影的類型實(shí)現(xiàn)了相似電影推薦。對(duì)于新用戶，由于缺少其相關(guān)的歷史數(shù)據(jù)，所以本文先采集用戶的一些基本信息，如喜歡什么類型的電影，并且以最熱電影為基礎(chǔ)，為其進(jìn)行初步的類型模型構(gòu)建，并最終進(jìn)行推薦。

2.4 基于好友喜好的個(gè)性化推薦

第三類推薦，系統(tǒng)通過用戶與他的好友的相關(guān)聯(lián)系數(shù)據(jù)。尋找和目標(biāo)用戶有相同偏好的朋友，然后根據(jù)目標(biāo)用戶朋友的偏好為目標(biāo)用戶生成推薦?；驹砭褪抢糜脩粼L問行為的相似性來互相推薦用戶可能感興趣的資源，如圖3所示。

圖3 根據(jù)好友推薦

上圖示意出基于好友間協(xié)同過濾推薦機(jī)制的基本原理，首先A和C之間互為好友，并且假定用戶A喜歡電影A、電影C、用戶B喜歡電影B、用戶C喜歡影片A、電影C、電影D；當(dāng)用戶A在觀看電影時(shí),A會(huì)根據(jù)用戶的反饋對(duì)電影進(jìn)行評(píng)分。如果我們想知道用戶是否有規(guī)律地收看電影的話，就需要了解每個(gè)用戶在一段時(shí)間內(nèi)觀看的電影數(shù)量。根據(jù)這些用戶的歷史偏好，我們可以看出用戶A和用戶C有相似的喜好，用戶C也喜歡電影D，所以我們可以推斷用戶A也可能喜歡電影D。并且A和C之間互為好友，比A與B非好友之間更具有推薦的可能，因此可以將電影D推薦給用戶A。

2.5 基于不同推薦方式的頂級(jí)K推薦

根據(jù)上述三類不同的推薦方式，我們最終將它們進(jìn)行頂級(jí)K推薦，這樣可以擴(kuò)展可能喜好的電影類型并將其在頁面上進(jìn)行推薦，同時(shí)也降低了推薦的錯(cuò)誤率，提升了用戶的體驗(yàn)。

3 推薦性能測(cè)試

與傳統(tǒng)的電影推薦系統(tǒng)相比，協(xié)同過濾算法集成了標(biāo)簽，提高了電影推薦系統(tǒng)網(wǎng)站平臺(tái)用戶的觀看體驗(yàn)。優(yōu)化了對(duì)電影的評(píng)估策略。本系統(tǒng)在傳統(tǒng)協(xié)同過濾算法的基礎(chǔ)上增加了根據(jù)電影屬性的推薦，如：最熱電影推薦、最新電影推薦與相似電影推薦,使得用戶的觀影體驗(yàn)得到進(jìn)一步提高。

本系統(tǒng)采用EuclideanDistanceSimilarity（歐氏距離相似度）算法[4]，分別進(jìn)行了三種不同方式的推薦，并最終進(jìn)行頂級(jí)k推薦，最后經(jīng)過一系列的測(cè)試將參數(shù)NNEIGHBORHOOD_NUM（鄰居數(shù)目）設(shè)置為4，能達(dá)到較好的推薦效果，準(zhǔn)確率與召回率[5]測(cè)試如表2所示：

表2 準(zhǔn)確率與召回率測(cè)試數(shù)據(jù)

4 結(jié)語

在本文中，我們?cè)O(shè)計(jì)了一個(gè)依賴于交叉方法的推薦模型，該系統(tǒng)將協(xié)同過濾(Collaborative Filtering,簡稱CF)與用戶相關(guān)提取屬相結(jié)合，從而使推薦的電影更加符合用戶的需求。精確評(píng)估表明，所提出的系統(tǒng)完全繞過了傳統(tǒng)的基于用戶的CF和基于電影的CF，并減少所推薦的單一化電影的數(shù)量。在真實(shí)用戶的數(shù)據(jù)集基礎(chǔ)上，通過一系列篩選，推薦結(jié)果表明，該方法在保持高精度的同時(shí)，有效地提高了推薦電影的總體多樣性和特征多樣性。用戶可以在第一時(shí)間內(nèi)尋找所需求的電影。