周慶芳

摘 要：互聯(lián)網(wǎng)通信技術(shù)和社會(huì)化媒體的大力發(fā)展使得每個(gè)人既可以是信息的接收者，也可以是信息的創(chuàng)造者。本文著重介紹了目前應(yīng)用最為廣泛的協(xié)同過(guò)濾技術(shù)，并在協(xié)同過(guò)濾算法實(shí)現(xiàn)的基礎(chǔ)上，利用一些通用的開源數(shù)據(jù)集以及常見的評(píng)估指標(biāo)對(duì)算法實(shí)現(xiàn)的效果做展示和分析，以完成對(duì)解決推薦系統(tǒng)的精確性與多樣性兩難問(wèn)題的探討。

關(guān)鍵詞：協(xié)同過(guò)濾、二次優(yōu)化、多樣性

中圖分類號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：C 收稿日期：2015-12-09

一、基于協(xié)同過(guò)濾的推薦算法

1.基于用戶的協(xié)同過(guò)濾

基于用戶的協(xié)同過(guò)濾算法是目前應(yīng)用廣泛且效率較高的一種個(gè)性化推薦算法。它主要基于3 個(gè)假設(shè)。[1]

（1）用戶是可分的。

（2）用戶對(duì)不同商品的評(píng)價(jià)包含了用戶的興趣信息。

（3）用戶對(duì)未知商品的評(píng)價(jià)將和同類用戶的評(píng)價(jià)相似。

算法通過(guò)分析用戶對(duì)項(xiàng)目的歷史行為數(shù)據(jù)（如評(píng)分、購(gòu)買、瀏覽等），生成與當(dāng)前用戶行為、興趣最相近（對(duì)相同產(chǎn)品有歷史行為）的用戶集，然后利用他們對(duì)其他一些項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)當(dāng)前用戶對(duì)那些項(xiàng)目的評(píng)分，從而產(chǎn)生推薦列表。

2.基于項(xiàng)目的協(xié)同過(guò)濾

經(jīng)過(guò)前述基于用戶的協(xié)同過(guò)濾算法后獲得的推薦候選列表，進(jìn)一步做基于項(xiàng)目的協(xié)同過(guò)濾。其算法過(guò)程與前面相似，不過(guò)相似度的計(jì)算是針對(duì)推薦候選列表中的項(xiàng)目以及目標(biāo)用戶歷史已接觸過(guò)的項(xiàng)目集合。主要步驟如下。

（1）輸入準(zhǔn)備。同上一節(jié)相反。向量表示中的每個(gè)評(píng)論過(guò)項(xiàng)目的用戶對(duì)該項(xiàng)目的評(píng)分。

（2）針對(duì)項(xiàng)目的最近搜索。同上一節(jié)相似，仍然利用上述相似度計(jì)算公式，但是計(jì)算結(jié)果為項(xiàng)目與項(xiàng)目的相似度。

（3）推薦產(chǎn)生。同上一節(jié)相似，將上述推薦候選列表中每個(gè)項(xiàng)目與目標(biāo)用戶的評(píng)分向量進(jìn)行相似度計(jì)算后排序，獲取前Top-K個(gè)項(xiàng)目作為推薦結(jié)果。但是為了后續(xù)推薦結(jié)果的篩選，本文在這里的算法實(shí)現(xiàn)不會(huì)進(jìn)行取K個(gè)的操作，而是直接保留整個(gè)候選推薦項(xiàng)目列表。

上述基于用戶的協(xié)同過(guò)濾主要利用了用戶—項(xiàng)目之間的關(guān)系，省略了對(duì)項(xiàng)目的建模，能夠避免對(duì)于復(fù)雜項(xiàng)目?jī)?nèi)容分析不完全或不準(zhǔn)確的問(wèn)題，具有簡(jiǎn)單易實(shí)現(xiàn)、性能較好、個(gè)性化、自動(dòng)化程度高等優(yōu)點(diǎn)。

二、多樣性增強(qiáng)算法

1.多樣性及其方法簡(jiǎn)介

一個(gè)好的推薦系統(tǒng)能夠開拓用戶的視野，就像一個(gè)凹透鏡，可將用戶的興趣發(fā)散出去。當(dāng)然，正如前面所述，精確性與多樣性時(shí)常是個(gè)魚與熊掌不可兼得的難題，所以這種發(fā)散也最好是在極可能不影響到精度的前提下進(jìn)行的。近年來(lái)針對(duì)提高推薦系統(tǒng)多樣的研究中，主要存在以下四類方法。[2]

（1）信息物理方法：將物理學(xué)中的物質(zhì)擴(kuò)散（Mass Diffusion ）和熱傳導(dǎo)（Heat Conduction）理論應(yīng)用到個(gè)性化推薦系統(tǒng)中。

（2）二次優(yōu)化方法：采用啟發(fā)式策略對(duì)傳統(tǒng)推薦算法得到的候選推薦列表進(jìn)行二次優(yōu)化。

（3）社會(huì)化網(wǎng)絡(luò)方法：信息推薦中社會(huì)關(guān)系往往比推薦內(nèi)容與用戶喜好的匹配程度更加重要。

（4）時(shí)間感知方法：作為情境的一種，時(shí)間信息很容易采集，并且對(duì)提高推薦系統(tǒng)的時(shí)序多樣性具有重要的價(jià)值。

2.二次優(yōu)化的目標(biāo)函數(shù)建立

為了提高推薦列表的多樣性（Diver sity），一種可行的方式就是在從候選推薦集合篩選時(shí)，不僅使用考慮相似度大小的Top-K方法，同時(shí)將多樣性考慮在內(nèi)。說(shuō)明不相似度d（i ， j）的計(jì)算依賴于相似度s（i ，j ）的計(jì)算，而相似度的計(jì)算已經(jīng)在前文公式中進(jìn)行定義，所以最終的Top-K篩選過(guò)程是在每次從候選集合P中篩選項(xiàng)目到推薦列表R中時(shí)，逐一計(jì)算候選集合P中的每個(gè)項(xiàng)目，并且選取項(xiàng)目c使得Quality最大的，放入推薦列表R中。

三、小結(jié)

本文主要研究了推薦系統(tǒng)的Top-K推薦列表選擇的多樣性增強(qiáng)問(wèn)題。為了避免向用戶推薦過(guò)度同質(zhì)化的內(nèi)容，在考慮推薦內(nèi)容時(shí)，不應(yīng)該僅僅以推薦精準(zhǔn)度作為唯一指標(biāo)，推薦內(nèi)容的多樣性同樣是提高用戶體驗(yàn)、增加用戶粘度的重要指標(biāo)。因此，本文所實(shí)現(xiàn)的貪婪選擇算法，它可以在損失一定精準(zhǔn)度的條件下實(shí)現(xiàn)推薦列表的內(nèi)容多樣性目標(biāo)。

參考文獻(xiàn)：

[1] 宋真真，王 浩，楊 靜.協(xié)同過(guò)濾技術(shù)在個(gè)性化推薦中的應(yīng)用[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2008，31（7）：1059-1063.

[2] 安 維，劉啟華，張李義.個(gè)性化推薦系統(tǒng)的多樣性研究進(jìn)展[J].圖書情報(bào)工作，2013，57（20）：127-135.