摘 要：隨著移動互聯(lián)網(wǎng)技術(shù)的普及和移動互聯(lián)業(yè)務(wù)的爆炸性增長，互聯(lián)網(wǎng)業(yè)務(wù)個性化推薦技術(shù)日益受到重視，其中協(xié)同過濾算法是應(yīng)用最為廣泛的推薦算法之一，但是在校園移動互聯(lián)網(wǎng)應(yīng)用中，傳統(tǒng)的協(xié)同過濾算法難以準確定位目標用戶的最近鄰，因此其推薦效果并不理想。本文將業(yè)務(wù)影響權(quán)重參數(shù)引入?yún)f(xié)同過濾算法中以便更加精確計算校園用戶間的相似度，同時采用層次分析法（APH）確定權(quán)重數(shù)值，最后采用實際收集的數(shù)據(jù)進行算法仿真實驗，結(jié)果表明該算法較傳統(tǒng)協(xié)同過濾算法具有較好的推薦精度。

關(guān)鍵詞：個性化推薦；協(xié)同過濾算法；APH；相似度計算

隨著移動通信網(wǎng)絡(luò)的發(fā)展和智能手機的普及，移動互聯(lián)網(wǎng)業(yè)務(wù)日益豐富著人們的生活，移動增值業(yè)務(wù)的數(shù)量也呈現(xiàn)爆炸性的增長[1]，[2]。與此同時，不論是用戶還是運營商都感覺到了類型繁多的業(yè)務(wù)和多元化的用戶需求之間信息連接的迫切性，移動互聯(lián)業(yè)務(wù)的個性化推薦研究由此進入了人們的視線。其中，協(xié)同過濾算法是應(yīng)用最為廣泛的推薦算法之一。

協(xié)同過濾算法由Goldberg等在1992年提出，其主要原理是如果某些用戶對一些業(yè)務(wù)的評價很相似，那么他們對其他業(yè)務(wù)的評價也會很相似。目前協(xié)同過濾算法主要分為兩類：1）基于用戶的協(xié)同過濾算法：該算法的關(guān)鍵在于尋找與目標用戶具有相似興趣的最近鄰居，將這些鄰居的選擇推薦給目標用戶。2）基于項目的協(xié)同過濾算法：該算法的關(guān)鍵在于使用目標用戶對相似項目的評分來預(yù)估該用戶對某個新項目的評分，根據(jù)評分的高低來決定推薦的次序[3]。總體來看基于用戶的協(xié)同過濾算法更適用于移動互聯(lián)網(wǎng)業(yè)務(wù)的個性化推薦。

1 傳統(tǒng)的基于用戶的協(xié)同過濾算法

該算法的核心思想是根據(jù)用戶對各種業(yè)務(wù)的評價情況統(tǒng)計出與目標用戶興趣最為接近的用戶群，稱為目標用戶的“最近鄰居”。目標用戶對某個未曾使用的業(yè)務(wù)的評價可以基于他的“最近鄰居”對該項業(yè)務(wù)的評價結(jié)果預(yù)測得到。根據(jù)不同業(yè)務(wù)的預(yù)測評價決定該業(yè)務(wù)的推薦排序。移動增值業(yè)務(wù)中，傳統(tǒng)的協(xié)同過濾推薦算法是按照以下步驟進行：

（1）建立不同用戶對于各項業(yè)務(wù)的評分矩陣R（m，n），代表共有m個用戶和n種增值業(yè)務(wù)，矩陣元素Rij代表用戶i對業(yè)務(wù)j的評分，取值區(qū)間一般位于[0，1]之間。

（2）為目標用戶尋找最近鄰居集。通過計算用戶之間的相似度，為目標用戶形成相似度從大到小排列的鄰居集合。用戶i和用戶j的相似度的計算采用Pearson相關(guān)度計算公式：

式中，用戶i和用戶j共同評分過的業(yè)務(wù)集合為Iij，Ri，k表示用戶i對業(yè)務(wù)k的評分， 和 表示用戶i和j對業(yè)務(wù)的平均評分。

（3）根據(jù)目標用戶的最近鄰居集合對某項業(yè)務(wù)的評分來預(yù)測目標用戶對該項業(yè)務(wù)的評分，并根據(jù)預(yù)測評分的高低決定業(yè)務(wù)的推薦排序。用戶u對項目i的預(yù)測評分為：

式中，Su是目標用戶u的最近鄰居集合。 和 分別表示用戶u和用戶n對增值業(yè)務(wù)的平均評分。Sim（u，m）表示用戶u和用戶n之間的相似度。Rn，i表示用戶n對業(yè)務(wù)i的評分。

很明顯，該算法在計算用戶相似度時，并沒有權(quán)重值，或者說對每項業(yè)務(wù)賦予相同權(quán)重，因此對某些用戶群體，如校園互聯(lián)網(wǎng)用戶，該算法是不適用的，需要進行改進。

2 校園移動互聯(lián)網(wǎng)用戶的特殊性

校園用戶是目前移動互聯(lián)網(wǎng)增值業(yè)務(wù)的主要用戶群體之一，他們年齡段集中，學(xué)歷經(jīng)歷相似，時間較空閑，集聚性強同時經(jīng)濟能力有限，因此他們對于增值業(yè)務(wù)的選擇有一定的趨同性。從我們收集分析的1000份在校大學(xué)生增值業(yè)務(wù)使用情況的調(diào)查問卷的數(shù)據(jù)看來，有多項業(yè)務(wù)開通比率超過50%，其中最高的彩信業(yè)務(wù)開通比率接近70%。在此情況下，如果采用傳統(tǒng)的相似度計算方法，那么就很難真正區(qū)分出真正具有相同興趣的用戶。因此對于相似度計算算法必須進行改進以適應(yīng)校園用戶的特殊性。

3 算法的改進

為使用戶間相似度的計算值能夠更加準確地描述校園用戶間個人興趣的相似度，我們對被校園用戶過于廣泛使用的業(yè)務(wù)賦予較低的權(quán)值，這樣用戶間的相似度計算值將會更加精確。

為了將我們對各項業(yè)務(wù)重要性的定性分析轉(zhuǎn)變?yōu)榫唧w權(quán)值，在此引入了層次分析法（APH）。該方法由美國運籌學(xué)家T.L.saaty于上世紀70年代提出，是一種將定性和定量結(jié)合起來的系統(tǒng)分析方法，它將人的主觀判斷數(shù)量化。在此處應(yīng)用該方法，我們可以用收集的實證數(shù)據(jù)和經(jīng)驗判斷各業(yè)務(wù)之間的相對重要程度，并給出每種業(yè)務(wù)的影響權(quán)重。層次分析法的一個重要特點就是用兩兩重要性程度之比的形式表示出兩個方案的相應(yīng)重要性程度等級。在本文里我們對所涉及業(yè)務(wù)進行兩兩對比，并按其重要性程度評定等級。

在此處運用AHP方法，大體可分為以下三個步驟：

步驟1：分析各增值業(yè)務(wù)間的關(guān)系，建立主觀判斷的客觀化標度；

步驟2：對各項業(yè)務(wù)的重要性進行兩兩比較，根據(jù)上表的標度方法構(gòu)造兩兩比較的判斷矩陣；

步驟3：由判斷矩陣計算被比較業(yè)務(wù)對于該準則的相對權(quán)重，并進行判斷矩陣的一致性檢驗。

通過AHP法的應(yīng)用，我們能夠獲得各項業(yè)務(wù)的影響權(quán)重。設(shè)增值業(yè)務(wù)k的影響權(quán)重為Wk，那么用戶i和用戶j的相似度計算公式為：

根據(jù)公式（2）計算目標用戶對于各項未選取增值業(yè)務(wù)的預(yù)測評價后，我們就可以獲得針對目標用戶的推薦序列了。

4 實驗研究

為了驗證該算法，我們通過問卷調(diào)查的方式收集了1000名在校大學(xué)生對于11種常用移動互聯(lián)網(wǎng)增值業(yè)務(wù)的使用和興趣情況的數(shù)據(jù)。根據(jù)問卷結(jié)果首先建立了用戶打分矩陣，同時根據(jù)各項業(yè)務(wù)的使用率建立其兩兩比較的判斷矩陣。對判斷矩陣進行歸一化處理后，得到各業(yè)務(wù)權(quán)重值如下表，并通過一致性驗證。

我們將各業(yè)務(wù)權(quán)值代入公式3，獲得了各用戶間相似度數(shù)值，為每個用戶選取相似度最高的N名用戶作為其最近鄰居集合，得到每名用戶的推薦列表。將推薦列表與用戶自己提供的興趣列表相比，本文所提出的算法比傳統(tǒng)的協(xié)同過濾算法推薦精度提升了15%以上。

5 結(jié)論

本文主要根據(jù)移動互聯(lián)網(wǎng)校園用戶的特點，對基于用戶的協(xié)同過濾算法個性化推薦應(yīng)用過程和算法的改進進行了論述。我們將業(yè)務(wù)影響權(quán)重引入了用戶間相似度的計算過程中，并使用層次分析法來將經(jīng)驗判斷轉(zhuǎn)化為權(quán)重數(shù)值。改進后的算法提升了對業(yè)務(wù)的推薦精度， 算法仿真效果良好。由于移動增值業(yè)務(wù)種類繁多，我們此次僅選取了部分常用業(yè)務(wù)來進行實驗驗證，因此如何建設(shè)自適應(yīng)性權(quán)重計算模型，以便當業(yè)務(wù)種類擴展時，能夠簡單快捷的自動計算業(yè)務(wù)影響權(quán)重，將是我們今后研究的重點。

[參考文獻]

[1]Mobile Pholle Research RePort（2007-l0-30），http：//bbs.8.i.eo；n/toPledetail.html？id=19284.

[2]Accomplishment instance of main target in communication industry in 2007.

[3]Adomavicius G，Tuzhilin A.Toward the next generation of recommender systems：A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering，2005，17（6）：734-749.