摘 要：本文在全面研究各類推薦算法的基礎(chǔ)上，提出了基于物聯(lián)網(wǎng)的推薦算法。該算法結(jié)合了基于內(nèi)容的推薦和協(xié)同過濾推薦，綜合考慮了物聯(lián)網(wǎng)中設(shè)備的資源與資源相似性、設(shè)備與設(shè)備的評(píng)分矩陣，并基于用戶與用戶之間的相似性預(yù)測評(píng)分，給出推薦結(jié)果。

關(guān)鍵詞：推薦算法；相似性；混合推薦

中圖分類號(hào)：TP391.3

“物聯(lián)網(wǎng)”的概念是由麻省理工學(xué)院的Ashton教授提出的，其定義是把所有物品通過射頻識(shí)別等信息傳感設(shè)備與互聯(lián)網(wǎng)連接起來，實(shí)現(xiàn)智能化識(shí)別和管理。如今，隨著社交網(wǎng)絡(luò)的蓬勃發(fā)展，物聯(lián)網(wǎng)已將其用戶端延伸到人與人、人與物品、物品與物品之間，成為任何實(shí)體之間進(jìn)行信息交換的一種網(wǎng)絡(luò)概念[1]。

隨著信息爆炸時(shí)代的到來，瀏覽者能夠獲取、理解并正確使用信息的難度越來越大，于是推薦系統(tǒng)作為一種引導(dǎo)用戶發(fā)現(xiàn)其潛在需求的工具應(yīng)運(yùn)而生[2]。隨著物聯(lián)網(wǎng)的普及，推薦系統(tǒng)也被拓展到了物聯(lián)網(wǎng)領(lǐng)域。物聯(lián)網(wǎng)中的各個(gè)實(shí)體都擁有一個(gè)社交網(wǎng)絡(luò)賬號(hào)，各實(shí)體通過建立好友關(guān)系相互發(fā)現(xiàn)，通過好友交互實(shí)現(xiàn)相互控制等操作。因此，研究物聯(lián)網(wǎng)中的推薦機(jī)制能夠幫助用戶更加方便、高效地發(fā)現(xiàn)設(shè)備、控制設(shè)備，并且使各設(shè)備之間協(xié)同工作，保證系統(tǒng)的穩(wěn)定運(yùn)行。

1 推薦算法介紹

本文主要用到三種推薦算法：基于內(nèi)容的推薦、協(xié)同過濾推薦和混合推薦算法。

1.1 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦方法是信息檢索領(lǐng)域的重要研究內(nèi)容[3]，其核心思想是向用戶推薦與他們?cè)?jīng)喜歡的物品相似的新物品。該算法首先提取推薦對(duì)象的內(nèi)容特征和用戶偏好信息，然后計(jì)算二者之間的相似性，選擇相似性較高的對(duì)象作為推薦結(jié)果推薦給用戶。

1.2 協(xié)同過濾推薦算法

協(xié)同過濾推薦技術(shù)是目前推薦系統(tǒng)中應(yīng)用最廣泛、最成功的技術(shù)之一[4]，其核心思想是基于與用戶相似的其他用戶的評(píng)價(jià)信息進(jìn)行推薦。該算法首先找到與指定用戶興趣相似的用戶，然后分析這些用于對(duì)推薦對(duì)象的評(píng)價(jià)信息，形成對(duì)推薦對(duì)象的喜好程度預(yù)測，進(jìn)而選擇預(yù)測得分高的對(duì)象作為推薦結(jié)果推薦給用戶。

1.3 混合推薦算法

推薦算法各有優(yōu)劣，所以實(shí)際中最常用的往往是混合推薦算法，即通過對(duì)不同算法的組合避免或彌補(bǔ)單個(gè)算法的弱點(diǎn)。研究人員提出了七種組合思路[5]：加權(quán)、變換、混合、特征組合、層疊、特征擴(kuò)充和元級(jí)別。

2 物聯(lián)網(wǎng)中的推薦算法

本文采用了混合推薦算法，既考慮了設(shè)備的資源與資源相似性，也考慮了設(shè)備與設(shè)備的評(píng)分矩陣，將基于內(nèi)容的推薦和協(xié)同過濾推薦算法結(jié)合在一起，使推薦結(jié)果更加準(zhǔn)確。

2.1 資源與資源的相似性

我們規(guī)定每個(gè)設(shè)備擁有k個(gè)資源屬性，并采用向量來表示其資源屬性信息：A（A1，A2，……，Ak）。其中Aj代表A設(shè)備的第j個(gè)資源屬性，Aj可取資源值0或1，取1代表設(shè)備A具有該資源屬性，取0則代表設(shè)備A不具備該資源屬性。設(shè)備的資源屬性信息可以從設(shè)備xml文件中獲得，且在輸入數(shù)據(jù)庫中時(shí)已經(jīng)確定。

我們通過n臺(tái)設(shè)備仿真該推薦算法的推薦過程，n臺(tái)設(shè)備各自定義k項(xiàng)屬性，建立的設(shè)備-資源屬性矩陣如表1所示，表中的行代表設(shè)備項(xiàng)，列表示資源類型。

假設(shè)兩個(gè)設(shè)備A和B，我們通過Jaccard系數(shù)來測量二者在共同屬性上的重疊度，對(duì)于二維二值矩陣，Jaccard相似度更加簡單準(zhǔn)確，計(jì)算公式如下：

可以看出，Jaccard系數(shù)通過兩個(gè)屬性集合的交集與并集的元素?cái)?shù)目之比衡量相似性，對(duì)于布爾矩陣的相似性度量更簡單高效。當(dāng)設(shè)備A和B具有完全相同的資源屬性時(shí)，其相似性為1；當(dāng)設(shè)備A和B具有完全不同的資源屬性時(shí)，其相似性為0，其余情況介于兩者之間。

2.2 設(shè)備與設(shè)備的評(píng)分矩陣

我們根據(jù)得到的資源與資源的相似性simJ（A，B），計(jì)算設(shè)備與設(shè)備的評(píng)分矩陣，具體構(gòu)建過程如下：

首先，根據(jù)設(shè)備與設(shè)備的資源屬性Jaccard相似度向量simJ（A，B），將相似度大于0的設(shè)備按相似度降序排序，得到對(duì)于當(dāng)前設(shè)備的部分設(shè)備相似度排序后的設(shè)備名稱向量D；

然后，對(duì)D中的設(shè)備賦初值，得到初始化的設(shè)備與設(shè)備評(píng)分矩陣R0；

最后，若存在真實(shí)的評(píng)分矩陣R’，則最終的設(shè)備與設(shè)備評(píng)分矩陣R= R0+ R’；若不存在真實(shí)的評(píng)分矩陣，則最終的設(shè)備與設(shè)備評(píng)分矩陣R=R0。

對(duì)于本文仿真的設(shè)備信息，我們得到的設(shè)備-設(shè)備評(píng)分矩陣如表2所示。

2.3 用戶與用戶的相似性

用戶之間的相似度計(jì)算基于用戶對(duì)推薦對(duì)象的評(píng)分，評(píng)分對(duì)象及評(píng)分值越相似，則認(rèn)為用戶對(duì)于推薦對(duì)象的喜好也越相似。常用的方法有Person相關(guān)系數(shù)和余弦相似度。

Pearson相關(guān)系數(shù)：Ri，c代表用戶Ui對(duì)項(xiàng)目Ic的評(píng)分值； 代表用戶Ui對(duì)所有評(píng)分項(xiàng)目的評(píng)分平均值；Ii，j代表用戶Ui和用戶Uj共同評(píng)分的項(xiàng)目。

余弦相似度：Rik代表用戶Ui對(duì)項(xiàng)目Ik的評(píng)分，n代表用戶Ui和用戶Uj共同評(píng)分的項(xiàng)目數(shù)，如果用戶沒有對(duì)項(xiàng)目進(jìn)行評(píng)分，則默認(rèn)為0。本文采用余弦相似度計(jì)算用戶與用戶的相似性。

為了測試本文推薦算法的結(jié)果，我們模擬目標(biāo)用戶和另外三位用戶的相似度情況如表3所示，表中的相似度采用余弦相似度進(jìn)行計(jì)算。

2.4 評(píng)分預(yù)測并產(chǎn)生推薦結(jié)果

以用戶相似性sim（i，j）為權(quán)重，加權(quán)他們對(duì)未評(píng)價(jià)設(shè)備A的評(píng)分，可得到用戶i對(duì)A的預(yù)測評(píng)分。選擇預(yù)測評(píng)分最高的前N個(gè)對(duì)象，即可作為本次推薦的最終推薦結(jié)果。用戶i對(duì)設(shè)備A的預(yù)測評(píng)分計(jì)算如下：

其中，pi，A代表目標(biāo)用戶i對(duì)設(shè)備A的預(yù)測評(píng)分，Rj，A代表目標(biāo)用戶i的相似用戶j對(duì)于設(shè)備A的評(píng)分，這里我們用NN代表目標(biāo)用戶i的相似用戶集合。

基于本文的推薦算法，我們得出對(duì)n臺(tái)測試設(shè)備的推薦結(jié)果評(píng)分如表4所示。

可以看出，由于目標(biāo)用戶與user1的相似性最高，對(duì)設(shè)備的推薦結(jié)果評(píng)分與user1對(duì)設(shè)備的評(píng)分基本呈正相關(guān)；由于目標(biāo)用戶與user3相似度最底，推薦結(jié)果的評(píng)分與user3基本呈負(fù)相關(guān)。同時(shí)，不同設(shè)備的評(píng)分浮動(dòng)會(huì)受到設(shè)備-設(shè)備評(píng)分矩陣的影響，設(shè)備之間的相似性與推薦結(jié)果評(píng)分呈正相關(guān)。這一結(jié)果與實(shí)際中設(shè)備及用戶的相似性對(duì)其喜好的影響相同，從而證明本文提出的算法是可靠的。

3 結(jié)束語

本文提出的推薦算法將基于內(nèi)容的推薦結(jié)果作為協(xié)同過濾推薦的輸入，首先根據(jù)設(shè)備資源信息計(jì)算其Jaccard相似度，然后將該結(jié)果用于初始化協(xié)同過濾的評(píng)分矩陣，并在該過程綜合考慮設(shè)備的靜態(tài)和動(dòng)態(tài)評(píng)分屬性。實(shí)際運(yùn)用中，我們可通過用戶反饋結(jié)果調(diào)整算法參數(shù)，進(jìn)一步提高推薦結(jié)果的準(zhǔn)確度。

參考文獻(xiàn)：

[1]孫其博，劉杰，黎羴.物聯(lián)網(wǎng)：概念?架構(gòu)與關(guān)鍵技術(shù)研究綜述[J].北京郵電大學(xué)學(xué)報(bào)，2010（03）.

[2]劉瑋.電子商務(wù)系統(tǒng)中的信息推薦方法研究[J].情報(bào)科學(xué)，2006（02）：300-303.

[3]王國霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012（07）：66-76.

[4]黃正.協(xié)同過濾推薦算法綜述[J].價(jià)值工程，2012（21）：226-228.

[5]李丹丹.基于混合算法的個(gè)性化電子商務(wù)推薦系統(tǒng)研究[D].天津財(cái)經(jīng)大學(xué)，2008.

作者簡介：張貴元（1980-）男，陜西周至人，中級(jí)講師，本科，研究方向：計(jì)算機(jī)。

作者單位：東莞理工學(xué)校，廣東東莞 523000