周虹君 殷復(fù)蓮 陳怡婷 周嘉琪 伊成昱

【摘要】 本文針對(duì)協(xié)同過濾推薦算法中存在的矩陣稀疏問題，提出了基于聚類和矩陣分解的推薦算法，并結(jié)合隱式反饋信息構(gòu)建的電視用戶收視偏好模型，將推薦算法應(yīng)用有電視動(dòng)畫受眾分群和推薦中。針對(duì)受眾分群和節(jié)目推薦所使用的聚類算法和推薦算法涉及大量的迭代計(jì)算的問題，采用了高效的分布式計(jì)算系統(tǒng)——Spark進(jìn)行電視動(dòng)畫節(jié)目推薦研究。該方法提高了推薦準(zhǔn)確度，運(yùn)行時(shí)間明顯減少，具有較強(qiáng)的可擴(kuò)展性。

【關(guān)鍵詞】 Spark 受眾分群 矩陣分解 推薦 電視動(dòng)畫 節(jié)目標(biāo)簽

引言

推薦算法是目前應(yīng)用較廣的數(shù)據(jù)挖掘技術(shù)，在學(xué)術(shù)研究和應(yīng)用方面都得到了廣泛關(guān)注。Shihang H[1]在MapReduce上實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)服務(wù)的協(xié)同過濾推薦，而MapReduce并不擅長(zhǎng)推薦算法的迭代計(jì)算；Jing M[2]構(gòu)建了大規(guī)模的廣告推薦系統(tǒng)；Duo L[3]提出了基于統(tǒng)計(jì)模型的推薦方法，以解決協(xié)同過濾算法中的矩陣稀疏問題，并將其應(yīng)用于用戶行為分析及推薦中；YiBo H[4]提出了基于聚類的協(xié)同過濾推薦算法，但其涉及的迭代式計(jì)算較多，致使無法實(shí)現(xiàn)較高的效率。Manda W[5]等人在Spark上實(shí)現(xiàn)了基于ALS模型的協(xié)同過濾推薦。結(jié)合以上研究以及存在的問題，文本利用Spark在內(nèi)存計(jì)算和迭代計(jì)算上的優(yōu)勢(shì)，提出了Spark框架下受眾分群及聚類分解的推薦算法，將其應(yīng)用于廣電動(dòng)畫節(jié)目受眾推薦研究中。本文使用隱式反饋信息構(gòu)建“用戶-標(biāo)簽”收視偏好模型，通過聚類劃分用戶簇實(shí)現(xiàn)受眾分群，然后使用矩陣分解的推薦算法針對(duì)不同的用戶簇進(jìn)行推薦，可進(jìn)一步降低矩陣的稀疏性。使用“用戶-標(biāo)簽”收視偏好模型進(jìn)行受眾分群，一方面可以通過標(biāo)簽實(shí)現(xiàn)對(duì)用戶的肖像刻畫，另一方面可以使得各用戶簇的特性更加直觀。

一、用戶收視偏好模型

動(dòng)畫節(jié)目受眾分群和推薦需基于用戶收視偏好模型，本文使用隱含在用戶與節(jié)目交互之中的隱式反饋信息構(gòu)建該模型，包括二元數(shù)據(jù)（如用戶是否觀看了某個(gè)動(dòng)畫節(jié)目）和計(jì)數(shù)數(shù)據(jù)（如用戶收看某動(dòng)畫節(jié)目的收視時(shí)長(zhǎng)、收看次數(shù)）[7]。

1.1“用戶-標(biāo)簽”偏好模型

使用爬蟲技術(shù)獲取動(dòng)畫節(jié)目標(biāo)簽并與用戶收視數(shù)據(jù)結(jié)合，形成“用戶-標(biāo)簽”基本模型，使用收視時(shí)長(zhǎng)、節(jié)目播出時(shí)長(zhǎng)重構(gòu)出“用戶-標(biāo)簽”偏好模型的特征——忠誠(chéng)度和興趣度，構(gòu)成“用戶-標(biāo)簽”偏好集合：IL={L1，L2}，L1、L2分別表示用戶對(duì)節(jié)目的忠誠(chéng)度和興趣度。

忠誠(chéng)度：某用戶收視含某標(biāo)簽的節(jié)目總時(shí)長(zhǎng)與含該標(biāo)簽的節(jié)目播出總時(shí)長(zhǎng)的關(guān)系，表征該用戶對(duì)某標(biāo)簽的忠誠(chéng)程度。如式所示：

原始的收視偏好矩陣很稀疏，通過矩陣分解可有效降低收視矩陣的稀疏程度[6]。矩陣分解的求解方法很多，常用方法有：最小二乘迭代法ALS和隨機(jī)梯度下降法SGD。

ALS模型中，對(duì)R≈PQT固定P求解Q，然后再固定Q求解P，重復(fù)交替這兩步直至算法收斂[5]。本文基于Spark分布式計(jì)算框架，因此采用更易于分布式計(jì)算的ALS算法。

2.2推薦算法的評(píng)價(jià)指標(biāo)

為評(píng)價(jià)算法推薦的準(zhǔn)確性，本文中采用一下評(píng)價(jià)指標(biāo)：均方誤差MSE、均方根誤差RMSE、全局平均準(zhǔn)確率MAP[7]。MSE表示評(píng)價(jià)數(shù)據(jù)的變化程度，其值越小，說明推薦模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好精確度，RMSE為其標(biāo)準(zhǔn)差。而MAP是基于排名的評(píng)價(jià)指標(biāo)，其值越高說明推薦的節(jié)目越精準(zhǔn)，節(jié)目的排位也更能滿足用戶。其具體定義分別如下式

三、實(shí)驗(yàn)及結(jié)果分析

本文使用某省單月用戶收視作為實(shí)驗(yàn)數(shù)據(jù)， 進(jìn)行動(dòng)畫節(jié)目核心受眾分群及其推薦。實(shí)驗(yàn)在Linux上搭建Spark平臺(tái)，并使用Python API、Anaconda科學(xué)計(jì)算集成以及IPython Notebook作為IDE。

3.1“用戶-標(biāo)簽”偏好模型的受眾分群

（1）Spark平臺(tái)下的K-means受眾分群

計(jì)算動(dòng)畫節(jié)目受眾所投入的累計(jì)時(shí)長(zhǎng)，取時(shí)長(zhǎng)最長(zhǎng)的70個(gè)動(dòng)畫標(biāo)簽進(jìn)行降維處理，并構(gòu)建“用戶-標(biāo)簽”偏好矩陣。使用K-Means聚類實(shí)現(xiàn)用戶分群，本文將最大迭代次數(shù)設(shè)為100，確保算法達(dá)到收斂。由于聚類簇?cái)?shù)K會(huì)影響最后的聚類效果，因此需要通過實(shí)驗(yàn)來確定。目標(biāo)函數(shù)WCSS是K-means聚類的內(nèi)部評(píng)價(jià)指標(biāo)，其數(shù)值可以表征聚類結(jié)果的誤差，其值越大，代表聚類的誤差越大。本實(shí)驗(yàn)通過改變K值，綜合聚類效果及運(yùn)行時(shí)間確定K的取值。實(shí)驗(yàn)結(jié)果如圖1：

隨著K增大，目標(biāo)函數(shù)WCSS數(shù)值降低，聚類效果越好，同時(shí)運(yùn)行時(shí)間也增加。綜合不同K下的WCSS和運(yùn)行時(shí)間，本文選擇K=8作為聚類的簇?cái)?shù)，根據(jù)“用戶-標(biāo)簽”偏好模型，將用戶劃分成8類。

使用節(jié)目標(biāo)簽對(duì)分群后的各類簇用戶進(jìn)行肖像刻畫。表3為各類簇前十個(gè)高頻核心標(biāo)簽。如表，類1用戶偏愛冒險(xiǎn)、國(guó)產(chǎn)動(dòng)畫；類2用戶的興趣集中在益智和戰(zhàn)斗、冒險(xiǎn)類動(dòng)畫；類3用戶偏向親子和家庭類動(dòng)畫，可預(yù)測(cè)其主要受眾為低齡兒童；類4用戶的興趣集中在輔導(dǎo)、音樂類及真人秀節(jié)目；類5用戶的標(biāo)簽集中在搞笑和益智類；類6用戶的興趣度明顯集中在音樂、輔導(dǎo)等益智類的節(jié)目；類7用戶喜歡劇情、冒險(xiǎn)、戰(zhàn)斗類的動(dòng)畫；類8用戶偏向于游戲、綜藝等少兒類節(jié)目。

（2）不同平臺(tái)下受眾分群的對(duì)比

本實(shí)驗(yàn)在Spark和R中使用K-menas對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行聚類，并就其CPU占用時(shí)間進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如表4。使用Spark受眾分群的CPU占用時(shí)間比R少一個(gè)數(shù)量級(jí)，時(shí)間減少約80%，說明在迭代運(yùn)算方面，Spark更有優(yōu)勢(shì)。

3.2矩陣分解的協(xié)同過濾推薦算法

使用“用戶-節(jié)目”收視偏好模型，根據(jù)分群后結(jié)果，使用矩陣分解的協(xié)同過濾算法分別對(duì)各類用戶推薦，本實(shí)驗(yàn)使用ALS進(jìn)行矩陣分解。實(shí)驗(yàn)將用戶的最大因子向量維度設(shè)為100維，最大迭代次數(shù)設(shè)為10次，收斂閾值設(shè)為0.01。

本實(shí)驗(yàn)對(duì)某月收看動(dòng)畫節(jié)目天數(shù)最多（29天）的機(jī)頂盒的用戶進(jìn)行推薦，受眾分群后該用戶屬于用戶簇5，此類用戶偏愛冒險(xiǎn)、奇幻、搞笑類動(dòng)畫。推薦結(jié)果按照偏好評(píng)分取前50個(gè)節(jié)目。

（1）有無受眾分群的推薦結(jié)果比較

實(shí)驗(yàn)中，分別對(duì)經(jīng)過受眾分群的用戶和未分群的用戶進(jìn)行節(jié)目推薦，預(yù)測(cè)出的評(píng)分表示用戶對(duì)該節(jié)目的偏好程度。為用戶ID=174294377推薦評(píng)分高的前十個(gè)節(jié)目，如表4：

可以看出，受眾分群后的推薦結(jié)果可挖掘到未分群推薦所忽略的節(jié)目，例如偏好評(píng)分較高的《熊出沒之叢林總動(dòng)員》和《大風(fēng)車》，未出現(xiàn)在無受眾分群的推薦列表中。因此，受眾分群的協(xié)同過濾推薦可以挖掘到更多更加滿足用戶收視偏好的節(jié)目。

（2）有無受眾分群的推薦結(jié)果、以及用戶原始偏好指數(shù)對(duì)比

表5顯示，矩陣分解的推薦算法在整體上表現(xiàn)都是優(yōu)秀的，無論是有無進(jìn)行受眾分群的推薦，都沒有較嚴(yán)重的誤差；另一方面，受眾分群后進(jìn)行推薦相比于未分群進(jìn)行節(jié)目推薦，更加接近用戶原始偏好指數(shù)，推薦結(jié)果的可信度更高。

（3）有無受眾分群的推薦結(jié)果評(píng)價(jià)指標(biāo)對(duì)比

該實(shí)驗(yàn)對(duì)全部用戶進(jìn)行動(dòng)畫節(jié)目推薦，分別計(jì)算兩個(gè)推薦方式的MSE、RMSE、MAPK、和運(yùn)行時(shí)間，實(shí)驗(yàn)結(jié)果如表6：

上圖顯示，經(jīng)過受眾分群的推薦，其MSE和RMSE的值越低，說明節(jié)目推薦的準(zhǔn)確度越高，其準(zhǔn)確率提高了60%；另一方面MAP的值越高，說明就排名而言，受眾分群的推薦更接近用戶的偏好。從運(yùn)行時(shí)間而言，該算法節(jié)省了50%的運(yùn)行時(shí)間。

四、總結(jié)

本文基于分布式處理框架Spark，提出了基于聚類和矩陣分解的推薦算法，并結(jié)合隱式反饋信息構(gòu)建的電視用戶收視偏好模型，將推薦算法應(yīng)用有電視動(dòng)畫受眾分群和推薦中。通過對(duì)高頻受眾進(jìn)行有無受眾分群的推薦，對(duì)比驗(yàn)證得出，基于受眾分群的節(jié)目推薦，可以挖掘出傳統(tǒng)推薦所忽視的節(jié)目，從個(gè)體上，提高了所推薦節(jié)目預(yù)測(cè)評(píng)分的準(zhǔn)確性，從整體上，提高了推薦節(jié)目列表的排名準(zhǔn)確度。該方法能夠明顯減少推薦時(shí)間并且提高推薦準(zhǔn)確度，具有良好的可擴(kuò)展性。

參 考 文 獻(xiàn)

[1] Shihang H，et al.Collaborative filtering of web service based on MapReduce[C]. ICSS.2014

[2] Jing M.A recommend system for modelling large-scale advertising[C].CCT.2014

[3] Duo L， et al. A NEW ITEM RECOMMEND ALGORITHM OF SPARSE DATA SET BASED ON USER BEHAVIOR ANALYZING[C].ICSP.2014

[4] YiBo H. An Item Based Collaborative Filtering Using Item Clustering Prediction[C].ISECS.2009

[5] Manda W， et al. Algorithmic Acceleration of Parallel ALS for Collaborative Filtering： Speeding up Distributed Big Data Recommendation in Spark[C].ICPADS.2015

[6] 鄭鳳飛，黃文培.基于Spark的矩陣分解推薦算法[J].中國(guó)機(jī)器學(xué)習(xí)會(huì)議.2015

[7] Nick P.Machine Learning with Spark[J]. Packt Publishing - ebooks Account.2014

[8]ZAHARIA M，et al.Resilient distributed datasets： a fault-tolerant abstraction for in-memory cluster computing[C].EECS.2011