摘 要：信息技術和互聯(lián)網的迅猛發(fā)展把我們帶進了信息過載的時代。海量信息的同時呈現(xiàn)，一方面增大了用戶發(fā)現(xiàn)自己感興趣信息的難度，另一方面也使得大量信息無法被一般用戶獲取。個性化推薦系統(tǒng)是目前解決信息過載問題最有效的工具。本文簡單介紹了推薦系統(tǒng)的概念和組成要素，重點介紹了幾種重要的推薦技術和個性化推薦系統(tǒng)的應用領域。

關鍵詞：個性化推薦；推薦技術；關聯(lián)規(guī)則；協(xié)同過濾

隨著信息技術和互聯(lián)網的迅速發(fā)展，人們逐漸從信息匱乏時代進入了信息過載時代。這個時代，對于信息生產者而言，如何讓自己生產的信息脫穎而出，收到廣大用戶的關注是一件很困難的事情。對于用戶而言，信息量的增大加重了找到感興趣信息的負擔，從而降低了信息的使用效率。推薦系統(tǒng)正是在這一環(huán)境中誕生的，它是根據用戶的信息需求、興趣等，將用戶感興趣的信息、產品等推薦給用戶的個性化信息推薦系統(tǒng)。

1 推薦系統(tǒng)概念、組成要素

目前被廣泛接受的推薦系統(tǒng)的概念和定義是Resnick和Varian在1997年給出的：“它是利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程”。個性化推薦系統(tǒng)主要由三個要素組成，分別是：候選對象、用戶、推薦算法。推薦系統(tǒng)把用戶模型中興趣需求信息和推薦對象模型中的特征信息匹配，同時使用相應的推薦算法進行計算篩選，找到用戶可能感興趣的推薦對象，然后推薦給用戶。

2 推薦技術

推薦算法是整個推薦系統(tǒng)中核心的部分，在很大程度上決定了推薦系統(tǒng)的質量。目前主要的推薦技術基本包括以下幾種：基于關聯(lián)規(guī)則的推薦技術，基于內容的推薦技術，協(xié)同過濾推薦技術和混合推薦技術。

2.1 基于關聯(lián)規(guī)則的推薦技術

關聯(lián)規(guī)則是數據中所蘊含的一類重要規(guī)律，對關聯(lián)規(guī)則進行挖掘是數據挖掘中的一項根本任務，關聯(lián)規(guī)則挖掘就是從數據項目中找出所有的并發(fā)關系，這種關系也稱為關聯(lián)。關聯(lián)規(guī)則挖掘的經典應用就是購物籃數據分析，目的是找出顧客在商場（或普通店鋪）所選購商品之間的關聯(lián)。

關聯(lián)規(guī)則可以這樣表述。設I={i1，i2，…，in}為所有項的集合，事務T表示事務集合。數據庫D為事務數據庫。關聯(lián)規(guī)則形如X→Y的蘊含式，其中X、Y均為項目集，并且X、Y沒有交集。關聯(lián)規(guī)則的強度可以用支持度和置信度表示。支持度為同時包含X、Y 項集的事務在數據庫D中的百分比。置信度為包含X的事務同時也包含Y在數據庫D中的百分比。目前已有大量文獻提出關聯(lián)規(guī)則挖掘算法，在眾多算法中，最著名的是Apriori 算法。

Apriori算法是由Agrawal等人在1994年提出來的，是一種最有影響的挖掘布爾關聯(lián)規(guī)則頻繁項集的算法。該算法分兩步進行：第一步，生成所有繁瑣項目集，繁瑣項目集是支持度高于最小支持度的項目集；第二步，從繁瑣項目集中生成所有可信的關聯(lián)規(guī)則，可信關聯(lián)規(guī)則是置信度大于最小置信度的規(guī)則。

基于關聯(lián)規(guī)則的推薦技術其優(yōu)點是：簡單直接，領域通用性強，規(guī)則的挖掘可以離線進行，可以保證推薦算法的實時性要求。其缺點是：存在著嚴重的\"冷啟動\"問題，新加入的項目由于缺少相關的用戶數據，難以被系統(tǒng)中的規(guī)則發(fā)現(xiàn)，從而得不到推薦，并且隨著系統(tǒng)項目數量的不斷增加，規(guī)則也會呈出相應的增長趨勢，使得規(guī)則的管理成本相應升高，降低了系統(tǒng)的運行效率。

2.2 基于內容的推薦技術

基于內容的推薦算法重要的是建立項目特征屬性庫，系統(tǒng)通過用戶已關注項目的特征屬性值，來掌握目標用戶興趣點，依據用戶興趣點與待推薦項目屬性值的匹配程度進行推薦。用戶興趣點的產生依賴于系統(tǒng)所采用的機器學習算法，如基于向量的表示、文本挖掘、判別樹、神經網絡等技術?；趦热莸耐扑]結果直觀易理解，不需要過多的領域知識，但是需要有足夠數據構造分類器，一些例如稀疏問題、新用戶問題和復雜屬性等問題不易處理。

2.3 協(xié)同過濾推薦技術

基于協(xié)同過濾推薦技術是當前主流的，應用最為廣泛的一種推薦技術。該推薦技術可以分為兩種，一種是基于用戶的協(xié)同過濾推薦技術；另一種是基于項目的協(xié)同過濾推薦技術，這兩種協(xié)同過濾推薦技術的不同之處在于兩者針對的對象不同?；谟脩舻膮f(xié)同過濾推薦技術是給用戶推薦和他有共同興趣的用戶喜歡的物品；基于項目的協(xié)同過濾推薦技術是給用戶推薦和他之前喜歡的物品相似的物品。

2.3.1 基于用戶的協(xié)同過濾推薦技術

基于用戶的協(xié)同過濾技術是推薦系統(tǒng)中最古老的算法。該算法在1992年被提出，并應用于郵件過濾系統(tǒng)，1994年被GroupLens應用于新聞過濾。該算法主要包括兩個步驟：第一步，找到和目標用戶興趣相似的用戶集合；第二步，找到這個集合中用戶喜歡的，且目標用戶還沒有聽說過的物品，將該物品推薦給目標用戶。

2.3.2 基于項目的協(xié)同過濾推薦技術

基于項目的協(xié)同過濾技術是基于這樣一個假設：用戶更傾向于選擇與用戶喜歡的項目相近的項目。該推薦過程分為兩個步驟，第一，計算物品之間的相似度；第二，根據物品的相似度和用戶的歷史行為為用戶生成推薦列表。

2.4 混合推薦技術

目前，推薦技術已經發(fā)展出了很多種，但每種推薦技術都在不同程度上存在各自的缺點，每種推薦技術在針對特定的用戶或者項目時才能發(fā)揮出自己的優(yōu)勢。因此人們提出了混合推薦來互補推薦技術各自的不足，已達到一個理想的推薦效果。在大部分的混合推薦技術研究當中，是將基于內容的推薦技術和基于協(xié)同過濾技術相結合。相對于使用單一途徑算法的推薦技術，基于混合推薦技術往往表現(xiàn)出更高的推薦精度和更好的推薦質量。

3 推薦系統(tǒng)的應用

自推薦系統(tǒng)誕生近20年的時間里，推薦系統(tǒng)的應用領域迅速擴展。從電子商務、音樂視頻網站，到作為互聯(lián)網經濟支柱的在線廣告和新穎的在線應用推薦，到處都有推薦系統(tǒng)的身影。下面簡單介紹個性化推薦系統(tǒng)的應用以及該領域較成功的網站。

3.1 電子商務

電子商務網站是個性化推薦系統(tǒng)的一大應用領域。著名的電子商務網站亞馬遜是個性化推薦系統(tǒng)的積極應用者和推廣者，被讀寫網稱為“推薦系統(tǒng)之王”。亞馬遜的推薦系統(tǒng)深入到了各類產品中，其中最主要的應用有個性化商品推薦列表和相關商品的推薦列表。

3.2 電影和視頻網站

在電影和視頻網站中，個性化推薦系統(tǒng)能夠幫助用戶在大量視頻信息中找到令他們滿意的視頻。該領域較成功的一家公司就是Netflix。Netflix在2006年開始舉辦著名的Netflix Prize推薦系統(tǒng)比賽。該比賽對推薦系統(tǒng)的發(fā)展起到了重要的推動作用。

3.3 個性化音樂網絡電臺

個性化推薦的成功應用需要具備兩個條件。第一是存在信息過載的問題，第二是用戶大部分時候沒有明確的需求。在這兩個條件下，個性化網絡電臺無疑是最合適的個性化推薦產品。目前國際上著名的有Pandora和Last.fm，國內的代表則是豆瓣電臺。

3.4 個性化閱讀

閱讀文章是很多互聯(lián)網用戶每天都會做的事情。目前互聯(lián)網上的個性化閱讀工具很多，國際知名的有Google Reader，國內有鮮果網等。同時，隨著移動設備的流行，移動設備上針對個性化閱讀的應用也很多，其中具有代表性的有Zite和Flipboard。

[參考文獻]

[1]Resnick P.Varian HR Recommender systems[外文期刊].1997（03）.

[2]許海玲.互聯(lián)網推薦系統(tǒng)比較研究[J].軟件學報，2009.20（2）：350.362.

[3]王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應用，2012，48（7）.

[4]劉興濤，石冰，解英文.挖掘關聯(lián)規(guī)則中Apriori算法的一種改進[J]. 山東大學學報，2008，43（11）：67-71.

[5]胡斌.基于高階潛在語義分析的音樂推薦系統(tǒng)的研究，碩士論文.北京工業(yè)大學計算機學院，2009.

[6]Schafer JB，Konstan J，Riedl J.Recommender systems in e-commerce[M].On Electronic Commerce，1999.P367-461.

[7]Deshpande M，Karypis G.Item-based top-N recommendation algorithms[J].ACM TransInformation Systems，22（1）：143-177，2004.

[8]李濤.推薦系統(tǒng)中若干關鍵問題研究[D].南京航空航天大學，2008.

[9]Wu L，Yu P.S，Ballman A.Speed Tracer：A Web usage mining and analysis tool [J].IBMSystems Journal，1998，37（1）：89-105.