融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法

劉雯雯，汪皖燕，程樹林

(安慶師范大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 安慶 246133)

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和各種網(wǎng)絡(luò)平臺(tái)的日益興盛，用戶面臨著日益嚴(yán)重的數(shù)據(jù)超載、檢索困難等問題[1]。用戶無(wú)法快速、精準(zhǔn)地從海量的信息庫(kù)中獲取所需要的信息。為緩解這些問題，推薦系統(tǒng)[2]應(yīng)運(yùn)而生，它不需要用戶提供明確的需求信息，而是通過主動(dòng)跟蹤用戶的歷史行為記錄來(lái)發(fā)掘用戶的偏好，進(jìn)而為用戶推薦合適的項(xiàng)目[3]。推薦算法是推薦系統(tǒng)的核心，好的推薦算法會(huì)為推薦系統(tǒng)帶來(lái)更好的推薦效果。

但傳統(tǒng)推薦算法大多存在著項(xiàng)目熱門度偏差問題[4-5]：傳統(tǒng)協(xié)同過濾推薦算法[6]通常偏向于推薦熱門項(xiàng)目[7]，忽視了對(duì)小眾用戶偏好的非熱門項(xiàng)目的推薦。雖然推薦熱門項(xiàng)目通常是一個(gè)很好的選擇，但推薦列表中可能存在較為普遍的項(xiàng)目，因此，傳統(tǒng)協(xié)同過濾推薦算法在促進(jìn)新項(xiàng)目的發(fā)現(xiàn)上存在一定的不足，亦忽視了小眾用戶的偏好，從而導(dǎo)致對(duì)非熱門項(xiàng)目或新項(xiàng)目的推薦存在缺陷，因?yàn)橹挥袠O少數(shù)用戶甚至沒有用戶對(duì)這些項(xiàng)目進(jìn)行過評(píng)分。研究表明，非熱門項(xiàng)目的價(jià)值遠(yuǎn)高于熱門項(xiàng)目，可以為用戶帶來(lái)更大的收獲或利益[8-9]。推薦系統(tǒng)中非熱門項(xiàng)目的數(shù)量遠(yuǎn)多于熱門項(xiàng)目(項(xiàng)目熱門度較高的項(xiàng)目)的數(shù)量，隨著推薦系統(tǒng)的不斷發(fā)展，非熱門項(xiàng)目的數(shù)量也在持續(xù)增長(zhǎng)中，如果過多推薦熱門項(xiàng)目而忽視對(duì)非熱門項(xiàng)目的推薦，就有可能在一定程度上降低推薦的精度。

另外，推薦系統(tǒng)中存在的項(xiàng)目熱門度偏差問題可能會(huì)對(duì)社會(huì)造成不良影響[4]。比如，在微博、Facebook等社交網(wǎng)站中，用戶的訂閱大多來(lái)源于推薦系統(tǒng)，其影響著用戶的言行舉止，若大肆為用戶推薦不當(dāng)?shù)难哉摶蛐袨?，可能?huì)對(duì)用戶造成不好的影響。例如總是為用戶推薦兇殺、猥褻、校園暴力等事件會(huì)造成用戶的恐慌和不安，甚至造成社會(huì)動(dòng)蕩。針對(duì)該問題，該文提出一種融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法。引入熱門閾值，根據(jù)項(xiàng)目熱門度將項(xiàng)目進(jìn)行二分類，即熱門項(xiàng)目和非熱門項(xiàng)目。對(duì)于熱門項(xiàng)目，融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法，降低熱門項(xiàng)目的貢獻(xiàn)，從而提升推薦精度，提高用戶滿意度。

1 相關(guān)工作

傳統(tǒng)推薦算法的推薦列表中熱門項(xiàng)目更容易被推薦，這過于強(qiáng)調(diào)大眾偏好，忽視了向小眾用戶推薦其偏好的非熱門項(xiàng)目的重要性。以書籍推薦為例，絕大多數(shù)的研究者都購(gòu)買過《機(jī)器學(xué)習(xí)》這本書，而《推薦系統(tǒng)》是僅研究推薦系統(tǒng)的小眾用戶才可能購(gòu)買的一本書。相比較而言，推薦《推薦系統(tǒng)》比推薦《機(jī)器學(xué)習(xí)》更能滿足這些小眾用戶的需求，提高其滿意度。為此專家學(xué)者從不同層面對(duì)熱門推薦進(jìn)行了相關(guān)研究，主要的熱門推薦分為以下三類。

(1)基于正則化的推薦。Abdollahpouri等人[10]引入一個(gè)靈活的基于正則化的框架，以增強(qiáng)學(xué)習(xí)排名(Length-to-Rank，L2R)算法中推薦列表的非熱門項(xiàng)目覆蓋率，但這里的熱門項(xiàng)目與非熱門項(xiàng)目是按50/50劃分的，未考慮其他情況，如20/80。Zhu等人[11]提出公平性問題中的一個(gè)新定義：popularity-opportunity bias。他們認(rèn)為根據(jù)用戶的偏好，熱門項(xiàng)目比非熱門項(xiàng)目更有可能被推薦給用戶的這種偏差現(xiàn)象是不合理的，并實(shí)證了該偏差的存在，然后通過后處理和內(nèi)處理兩種算法來(lái)緩減這種偏差。后處理是按一定規(guī)則提高非熱門項(xiàng)目的得分，從而使其獲得與熱門項(xiàng)目相似的排名，內(nèi)處理是采用正用戶項(xiàng)目對(duì)的預(yù)測(cè)偏好分?jǐn)?shù)和相應(yīng)項(xiàng)目熱門度間皮爾遜相關(guān)系數(shù)的平方的正則化項(xiàng)來(lái)實(shí)現(xiàn)項(xiàng)目的公平推薦。

(2)基于交互關(guān)系的推薦。Sun等人[12]提出了一種基于主題模型的用戶行為記錄、項(xiàng)目標(biāo)簽信息和社會(huì)關(guān)系聯(lián)合建模方法，分別構(gòu)建目標(biāo)用戶與一組項(xiàng)目、項(xiàng)目標(biāo)簽和社交用戶的對(duì)應(yīng)關(guān)系，從而間接構(gòu)建用戶與非熱門項(xiàng)目的映射關(guān)系，提高非熱門項(xiàng)目的推薦。Meghawat等人[13]提出一種多模式方法，該方法利用視覺特征(即內(nèi)容信息)、文本特征(即上下文信息)和社交特征(例如平均瀏覽量和群組數(shù)量)來(lái)預(yù)測(cè)社交媒體照片在瀏覽量方面的項(xiàng)目熱門度。

(3)基于檢測(cè)關(guān)鍵信息的推薦。Liu等人[14]提出一種新的結(jié)合關(guān)鍵詞驅(qū)動(dòng)和項(xiàng)目熱門度感知的基于無(wú)向引文圖的論文推薦方法，該方法推薦的論文關(guān)聯(lián)性強(qiáng)且項(xiàng)目熱門度高，同時(shí)其推薦的結(jié)果支持用戶對(duì)某個(gè)主題或領(lǐng)域進(jìn)行深入、持續(xù)的研究，但建立的無(wú)向引文圖可能存在嚴(yán)重的稀疏問題。Wang等人[15]提出一種新的帶有輔助語(yǔ)義學(xué)習(xí)的聯(lián)合深度網(wǎng)絡(luò)模型，引入文本分析到熱門推薦中。首先，使用優(yōu)化后的字符級(jí)卷積神經(jīng)網(wǎng)絡(luò)(Character-level Convolutional Neural Network，CharCNN)從用戶評(píng)論中學(xué)習(xí)輔助語(yǔ)義向量；然后，使用因子分解機(jī)(Factorization Machine，F(xiàn)M)組件和深度組件學(xué)習(xí)項(xiàng)目屬性特征的相應(yīng)向量表示；同時(shí)，采用卷積來(lái)模擬隱藏的潛在向量間的相互作用。Piotrkowicz等人[16]提出一個(gè)只使用標(biāo)題來(lái)預(yù)測(cè)新聞文章項(xiàng)目熱門度的新任務(wù), 側(cè)面證明了標(biāo)題對(duì)新聞文章項(xiàng)目熱門度的影響。

2 融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法

由于原始項(xiàng)目評(píng)分?jǐn)?shù)據(jù)稀疏度較高，會(huì)降低推薦的精度，該文先按照文獻(xiàn)[17]的方法對(duì)原始項(xiàng)目評(píng)分?jǐn)?shù)據(jù)中的空缺評(píng)分項(xiàng)進(jìn)行預(yù)填充，得到項(xiàng)目評(píng)分矩陣R。即根據(jù)用戶的動(dòng)態(tài)偏好閾值將項(xiàng)目劃分成用戶偏好項(xiàng)目和用戶非偏好項(xiàng)目?jī)刹糠?，?duì)于用戶非偏好項(xiàng)目，采用原始項(xiàng)目評(píng)分?jǐn)?shù)據(jù)中該用戶的最低評(píng)分進(jìn)行填充；對(duì)于用戶偏好項(xiàng)目，融合用戶平均評(píng)分和項(xiàng)目平均得分以合適的比例進(jìn)行填充。然后，分析項(xiàng)目熱門度，根據(jù)熱門閾值將項(xiàng)目劃分成熱門項(xiàng)目和非熱門項(xiàng)目。對(duì)于熱門項(xiàng)目，采用項(xiàng)目熱門懲罰因子降低它的貢獻(xiàn)；對(duì)于非熱門項(xiàng)目，則用傳統(tǒng)方法進(jìn)行處理。

2.1 項(xiàng)目熱門度

項(xiàng)目熱門度：在有限項(xiàng)目集合SI和用戶集合SU中，對(duì)項(xiàng)目進(jìn)行過評(píng)分的用戶數(shù)與項(xiàng)目評(píng)分?jǐn)?shù)據(jù)中總用戶數(shù)的比例即為該項(xiàng)目的項(xiàng)目熱門度，如式(1)所示。

(1)

其中，若用戶u對(duì)項(xiàng)目i進(jìn)行過評(píng)分，則λu,i=1；否則λu,i=0。|SU|表示項(xiàng)目評(píng)分?jǐn)?shù)據(jù)中總用戶數(shù)，Hi表示項(xiàng)目i的項(xiàng)目熱門度，其取值范圍在[0,1]之間。Hi的值越大，表明項(xiàng)目越熱門。若直接采用對(duì)項(xiàng)目進(jìn)行過評(píng)分的用戶數(shù)度量項(xiàng)目熱門度，則忽視了用戶基數(shù)總量對(duì)項(xiàng)目熱門度的影響。假設(shè)在數(shù)據(jù)A和B中，數(shù)據(jù)A共有10位用戶，數(shù)據(jù)B共有50位用戶，其中，均有5位用戶對(duì)項(xiàng)目i進(jìn)行過評(píng)分。若直接用對(duì)項(xiàng)目進(jìn)行過評(píng)分的用戶數(shù)來(lái)度量項(xiàng)目i的項(xiàng)目熱門度，則其在數(shù)據(jù)A、B中的項(xiàng)目熱門度均為5，很明顯這是不準(zhǔn)確的；若采用文中的度量方法，則項(xiàng)目i在數(shù)據(jù)A、B中的項(xiàng)目熱門度分別為0.5、0.1，結(jié)果更合理，也符合實(shí)際情況。

2.2 項(xiàng)目熱門懲罰因子

在實(shí)際生活中，熱門項(xiàng)目出現(xiàn)的頻率遠(yuǎn)遠(yuǎn)高于非熱門項(xiàng)目，更容易被用戶接觸和評(píng)分，但用戶多是出于從眾或獵奇的心理，因此熱門項(xiàng)目較少甚至不能體現(xiàn)用戶潛在的偏好,應(yīng)采用項(xiàng)目熱門懲罰因子降低這些項(xiàng)目的貢獻(xiàn)。項(xiàng)目熱門懲罰因子的具體設(shè)置如式(2)所示。

(2)

其中，Wi表示項(xiàng)目i的項(xiàng)目熱門懲罰因子，PT表示熱門閾值，γ為平衡參數(shù)，其取值范圍為γ>0，表示項(xiàng)目熱門度對(duì)項(xiàng)目熱門懲罰因子的影響系數(shù)。若Hi≤PT，則認(rèn)為項(xiàng)目i為非熱門項(xiàng)目，將其對(duì)應(yīng)的項(xiàng)目懲罰因子設(shè)置為1；若Hi>PT，則認(rèn)為項(xiàng)目i為熱門項(xiàng)目，其對(duì)應(yīng)的項(xiàng)目熱門懲罰因子設(shè)置為e-γ*Hi，熱門項(xiàng)目的項(xiàng)目熱門度越高，其對(duì)應(yīng)的項(xiàng)目熱門懲罰因子越小。

由于絕大多數(shù)用戶都對(duì)熱門項(xiàng)目進(jìn)行過評(píng)分，導(dǎo)致用戶相似性普遍偏高，基于此，該文將設(shè)計(jì)的項(xiàng)目熱門懲罰因子引入用戶相似度計(jì)算公式中，用來(lái)降低熱門項(xiàng)目對(duì)用戶相似度的貢獻(xiàn)。改進(jìn)后的余弦相似度計(jì)算公式如式(3)所示。

(3)

其中，u、v分別表示用戶集合中的兩個(gè)用戶，sim(u,v)表示用戶u與用戶v的用戶相似度。Iu,v表示用戶u與用戶v共同進(jìn)行過評(píng)分的項(xiàng)目集合，Iu、Iv分別表示用戶u、用戶v進(jìn)行過評(píng)分的項(xiàng)目集合。Ru,i、Rv,i分別表示用戶u、用戶v對(duì)項(xiàng)目i的評(píng)分。若用戶進(jìn)行過評(píng)分的項(xiàng)目集合中含有熱門項(xiàng)目，則其對(duì)應(yīng)的熱門懲罰因子小于1，sim(u,v)值隨之變小，弱化了用戶u與用戶v的用戶相似度，降低了熱門項(xiàng)目對(duì)用戶相似度的貢獻(xiàn)；若用戶進(jìn)行過評(píng)分的項(xiàng)目集合中全是非熱門項(xiàng)目，則其對(duì)應(yīng)的熱門懲罰因子為1，sim(u,v)值保持不變，即保留用戶u與用戶v的原始用戶相似度。

2.3 評(píng)分預(yù)測(cè)與評(píng)估指標(biāo)

通過式(3)計(jì)算出用戶間的用戶相似度，選取與目標(biāo)用戶最相似的K個(gè)近鄰，根據(jù)這些近鄰對(duì)目標(biāo)用戶未評(píng)分項(xiàng)目的評(píng)分預(yù)測(cè)目標(biāo)用戶的評(píng)分，然后將預(yù)測(cè)評(píng)分最高的前M個(gè)項(xiàng)目推薦給目標(biāo)用戶。

(4)

其中，Pu,i表示用戶u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分，Nu表示用戶u的近鄰集合。該文采用平均絕對(duì)誤差(Mean Absolute Error，MAE)和均方根誤差(Root Mean Squared Error，RMSE)作為所提方法的評(píng)估指標(biāo)，表示用戶評(píng)分與預(yù)測(cè)評(píng)分之間的偏差。MAE和RMSE的具體計(jì)算方式如式(5)、式(6)所示。

(5)

(6)

其中，|N|表示預(yù)測(cè)評(píng)分的數(shù)目。

2.4 方法描述

首先，依次根據(jù)式(1)、式(2)計(jì)算每個(gè)項(xiàng)目的項(xiàng)目熱門度和對(duì)應(yīng)的項(xiàng)目熱門懲罰因子；然后，基于改進(jìn)的余弦相似度計(jì)算用戶相似度并選取與目標(biāo)用戶最相似的K個(gè)近鄰，通過這些近鄰對(duì)目標(biāo)用戶未評(píng)分項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)目標(biāo)用戶的評(píng)分；最后，對(duì)預(yù)測(cè)評(píng)分進(jìn)行降序排序，并獲取對(duì)應(yīng)的項(xiàng)目推薦列表。融合項(xiàng)目懲罰因子改進(jìn)協(xié)同過濾推薦方法的算法如下：

算法：融入項(xiàng)目熱門懲罰因子的協(xié)同過濾推薦方法

輸入：項(xiàng)目評(píng)分矩陣R，最近鄰個(gè)數(shù)K

輸出：用戶對(duì)應(yīng)的項(xiàng)目推薦列表

1:設(shè)置平衡參數(shù)γ

2:設(shè)置熱門閾值PT

3: fori=1,2,…,ndo

4:根據(jù)式(1)計(jì)算項(xiàng)目熱門度Hi

5:根據(jù)式(2)計(jì)算項(xiàng)目熱門懲罰因子Wi

6: endfor

7: foru=1,2,…,mdo

8: 根據(jù)式(3)計(jì)算用戶之間的相似度

9: 挑選最相似的K個(gè)近鄰用戶

10: endfor

11: 根據(jù)式(4)預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分Pu,i

12: 對(duì)預(yù)測(cè)評(píng)分進(jìn)行降序排序，并輸出推薦列表

3 實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)集描述

實(shí)驗(yàn)采用美國(guó)明尼蘇達(dá)大學(xué)GroupLens項(xiàng)目組提供的MovieLens 100 K數(shù)據(jù)集，每位用戶至少對(duì)20部電影進(jìn)行過評(píng)分，最高評(píng)分為5分，最低評(píng)分為1分。該數(shù)據(jù)包含943位用戶對(duì)1 682部電影項(xiàng)目的100 000個(gè)評(píng)分記錄，稀疏性為93.7%。隨機(jī)抽取80%數(shù)據(jù)作為訓(xùn)練集，剩下的20%數(shù)據(jù)作為測(cè)試集。

3.2 參數(shù)設(shè)置及分析

前期，在對(duì)原始項(xiàng)目評(píng)分?jǐn)?shù)據(jù)中的空缺項(xiàng)進(jìn)行填充時(shí)，偏好閾值參數(shù)和權(quán)重參數(shù)會(huì)影響最終的填充效果。由于該文與文獻(xiàn)[17]均采用MovieLens 100 K數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，故分別將偏好閾值參數(shù)和權(quán)重參數(shù)設(shè)置為1/60和0.1。在后期融合項(xiàng)目懲罰因子降低熱門項(xiàng)目的貢獻(xiàn)時(shí)，平衡參數(shù)γ和熱門閾值PT會(huì)影響最終的預(yù)測(cè)結(jié)果。所以，先針對(duì)這兩個(gè)參數(shù)進(jìn)行相應(yīng)的優(yōu)化實(shí)驗(yàn)，再進(jìn)行對(duì)比實(shí)驗(yàn)。

3.2.1 平衡參數(shù)γ對(duì)實(shí)驗(yàn)結(jié)果的影響

該文采用平衡參數(shù)γ來(lái)調(diào)節(jié)項(xiàng)目熱門度對(duì)項(xiàng)目熱門懲罰因子的影響。將γ的取值范圍設(shè)置為[0.5,3]，步長(zhǎng)為0.5,在PT=0，近鄰數(shù)K的取值范圍為[5,50]，步長(zhǎng)為5時(shí)進(jìn)行相關(guān)實(shí)驗(yàn)，結(jié)果如圖1所示。從圖1可以看出，γ值對(duì)實(shí)驗(yàn)結(jié)果有一定的影響。以近鄰數(shù)K=10為例來(lái)進(jìn)行具體分析。MAE值隨著γ值增大呈現(xiàn)先減小后增大的增長(zhǎng)趨勢(shì)。當(dāng)γ值較小時(shí)，熱門項(xiàng)目與非熱門項(xiàng)目對(duì)相似度的貢獻(xiàn)相差不大，對(duì)熱門項(xiàng)目的懲罰力度不夠；當(dāng)γ值較大時(shí)，則過分懲罰了熱門項(xiàng)目對(duì)相似度的貢獻(xiàn)。因此要對(duì)平衡參數(shù)γ進(jìn)行調(diào)參，尋找最合適的γ值。圖1表明γ最優(yōu)值取1。

(a)平衡參數(shù)γ對(duì)MAE值的影響 (b)平衡參數(shù)γ對(duì)RMSE值的影響

3.2.2 熱門閾值PT對(duì)實(shí)驗(yàn)結(jié)果的影響

該文用熱門閾值PT來(lái)將項(xiàng)目劃分為熱門項(xiàng)目和非熱門項(xiàng)目，即大于該閾值的項(xiàng)目則為熱門項(xiàng)目，反之則為非熱門項(xiàng)目。不同的PT值劃分出的非熱門項(xiàng)目集和熱門項(xiàng)目集不同。為驗(yàn)證PT值對(duì)實(shí)驗(yàn)結(jié)果的影響，將PT的取值范圍設(shè)置為[0.05,0.3]，在γ=1，近鄰數(shù)K取值范圍為[5,50]，步長(zhǎng)為5時(shí)進(jìn)行相關(guān)實(shí)驗(yàn)，結(jié)果如圖2所示。從圖2可以看出，PT值對(duì)實(shí)驗(yàn)的結(jié)果有一定的影響。以近鄰數(shù)K=15為例來(lái)具體分析熱門閾值PT對(duì)實(shí)驗(yàn)結(jié)果的影響，當(dāng)PT值較小時(shí)，其對(duì)熱門項(xiàng)目區(qū)分的力度過大，誤將非熱門項(xiàng)目歸為熱門項(xiàng)目，導(dǎo)致MAE值偏大；當(dāng)PT值較大時(shí)，其對(duì)熱門項(xiàng)目的區(qū)分力度過小，誤將熱門項(xiàng)目歸為非熱門項(xiàng)目，亦導(dǎo)致MAE值偏大。因此，需要對(duì)PT的值進(jìn)行調(diào)整以獲得最合適的值。圖2表明PT的最優(yōu)值取0.15。

(a)熱門閾值PT對(duì)MAE值的影響 (b)熱門閾值PT對(duì)RMSE值的影響

3.3 對(duì)照實(shí)驗(yàn)及結(jié)果分析

為進(jìn)一步驗(yàn)證所提方法的性能，將所提方法即融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法與文獻(xiàn)[17]的方法(用戶偏好二分策略和平均評(píng)分融合的預(yù)評(píng)分方法，即對(duì)比方法)進(jìn)行比較。在MovieLens 100 K數(shù)據(jù)集上進(jìn)行測(cè)試，不同近鄰數(shù)(近鄰數(shù)K為[5,50]，步長(zhǎng)為5)下的MAE和RMSE值如圖3所示。從圖3可以看出，隨著近鄰數(shù)K的不斷增大，這兩種方法的MAE和RMSE的波動(dòng)比較穩(wěn)定，即這兩種方法受近鄰數(shù)K的影響不大。所提方法在MAE和RMSE指標(biāo)上優(yōu)于對(duì)比方法，進(jìn)一步驗(yàn)證了所提方法的有效性。

(a)不同方法的MAE值對(duì)比 (b)不同方法的RMSE值對(duì)比

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)協(xié)同過濾算法存在的項(xiàng)目熱門度偏差問題，即熱門項(xiàng)目的推薦頻率遠(yuǎn)遠(yuǎn)高于非熱門項(xiàng)目的推薦頻率，提出一種融合項(xiàng)目熱門懲罰因子改進(jìn)協(xié)同過濾推薦方法。項(xiàng)目熱門懲罰因子有效地緩解了傳統(tǒng)協(xié)同過濾推薦算法存在的項(xiàng)目熱門度偏差問題。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，在參數(shù)取最優(yōu)值時(shí)，所提方法有效降低了評(píng)分預(yù)測(cè)的誤差。但該方法也存在一定的不足，如度量項(xiàng)目熱門度時(shí)未考慮時(shí)間因素，同一項(xiàng)目在不同時(shí)期對(duì)應(yīng)的項(xiàng)目熱門度可能有所不同等，未來(lái)將基于時(shí)間要素深入研究項(xiàng)目熱門因子在推薦中的作用。