張普洋+郭劍英

摘要：推薦算法是個性化推薦系統(tǒng)的核心。目前，研究人員提出了很多推薦算法。本文首先對個性化推薦系統(tǒng)進行介紹，然后側(cè)重討論了多種經(jīng)典的個性化推薦算法，對這些推薦算法的優(yōu)缺點及適用場景進行了比較分析，最后在此基礎(chǔ)上提出了未來的研究方向。

關(guān)鍵詞： 個性化推薦；算法；推薦系統(tǒng)

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）27-0162-02

1個性化推薦系統(tǒng)

隨著互聯(lián)網(wǎng)的飛速發(fā)展和云計算的興起，人們已然處于一個信息爆炸的大數(shù)據(jù)時代。每天面對海量的數(shù)據(jù)信息，搜索引擎在一定程度上為人們解決了信息篩選問題，但當(dāng)用戶無法用準(zhǔn)確的關(guān)鍵詞描述自己的需求時，搜索引擎的篩選效率將會打折扣。用戶如何在一個網(wǎng)站上快速而有效地找到自己所需要的信息？網(wǎng)站如何將用戶最關(guān)注最感興趣的信息篩選出來實時呈現(xiàn)在用戶面前？推薦系統(tǒng)的出現(xiàn)解決了這些問題。

推薦系統(tǒng)是根據(jù)用戶的興趣愛好向用戶推薦符合其需求的對象，亦稱為個性化推薦系統(tǒng)。個性化推薦系統(tǒng)通過一定的方式將用戶和信息聯(lián)系起來，不僅可以幫助用戶找到感興趣的信息，而且能夠?qū)⑿畔⒎诸惓尸F(xiàn)在不同的用戶面前，從而實現(xiàn)用戶與信息提供商的雙贏。個性化推薦系統(tǒng)已經(jīng)全面運用到各個互聯(lián)網(wǎng)網(wǎng)站中。在電子商務(wù)領(lǐng)域，網(wǎng)站通過使用個性化推薦系統(tǒng)向用戶推薦其可能感興趣的商品，提高用戶的購買率和用戶的忠誠度。Netflix網(wǎng)站使用個性化推薦系統(tǒng)為用戶推薦喜歡的電影，豆瓣電臺通過個性化推薦系統(tǒng)向用戶推薦符合其口味的好音樂，Goodreads網(wǎng)站利用推薦系統(tǒng)為用戶推薦適合其閱讀的書籍。

2個性化推薦系統(tǒng)中關(guān)鍵算法分析

個性化推薦系統(tǒng)為用戶提供個性化體驗的同時，也日益受到越來越多的學(xué)者和互聯(lián)網(wǎng)網(wǎng)站的關(guān)注。個性化推薦系統(tǒng)的工作原理是首先輸入數(shù)據(jù)源（用戶和項目的各種屬性和特征，包括年齡、性別、地域、物品的類別、發(fā)布時間等），然后選擇合適的推薦算法，最后將產(chǎn)生的推薦結(jié)果（按照用戶喜好程度排序的項目列表）推薦給用戶。不同的個性化推薦系統(tǒng)使用不同的推薦算法，因此個性化推薦系統(tǒng)最為核心之處在于根據(jù)不同的數(shù)據(jù)源選擇不同的推薦算法。

目前，個性化推薦系統(tǒng)中主要使用的推薦算法有：協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法、基于人口統(tǒng)計學(xué)的推薦算法、組合推薦算法。下面對主要的推薦算法進行比較并分析它們的優(yōu)缺點及適用場景。

2.1協(xié)同過濾推薦算法

協(xié)同過濾推薦是使用最廣泛的個性化推薦算法之一。協(xié)同過濾有兩種主流算法：基于用戶的協(xié)同過濾和基于項目的協(xié)同過濾。

2.1.1基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾是根據(jù)不同的用戶對項目的評分來測評各用戶之間的相似性，基于用戶間的相似性進行推薦。即通過用戶的瀏覽記錄、購買行為等信息分析各個用戶對項目的評價，發(fā)現(xiàn)與當(dāng)前用戶最相似的“鄰居”用戶群（“K-鄰居”的算法）；然后將K個鄰居評價最高并且當(dāng)前用戶又沒有瀏覽過的項目推薦給當(dāng)前用戶?；谟脩舻膮f(xié)同過濾推薦算法是以用戶與用戶之間的關(guān)系為著眼點，因為興趣相近的用戶可能會對同樣的東西感興趣。如：Facebook網(wǎng)站首先對用戶個人資料、周圍朋友感興趣的廣告等相關(guān)信息進行分析，計算出各用戶之間的相似性，進而對用戶提供廣告推銷。所以說，在當(dāng)前流行的社交網(wǎng)站中，基于用戶的協(xié)同過濾推薦是一個不錯的選擇，若將基于用戶的協(xié)同過濾推薦算法與社會網(wǎng)絡(luò)信息相融合，會增加用戶對推薦解釋的信服程度。

2.1.2 基于項目的協(xié)同過濾

基于項目的協(xié)同過濾是通過用戶對不同項目的評分來測評各個項目之間的相似性，基于項目之間的相似性做出推薦。即利用所有用戶對物品或者項目的偏好，計算不同物品或項目之間的相似度，然后根據(jù)用戶的歷史信息，將類似的物品或項目推薦給用戶。基于項目的協(xié)同過濾是以項目與項目之間的關(guān)系為中心，因為用戶可能偏愛與他已購買的商品類似的商品。如在購書網(wǎng)站上，當(dāng)用戶看一本書時，網(wǎng)站會給用戶推薦相關(guān)的書籍。此時，基于項目的協(xié)同過濾推薦成為了引導(dǎo)用戶瀏覽的重要手段。對于一個電子商務(wù)網(wǎng)站，用戶的數(shù)量遠遠超過商品的數(shù)量，同時商品的數(shù)據(jù)相對穩(wěn)定，因此計算商品的相似度計算量較小，不必頻繁更新。所以基于項目的協(xié)同過濾推薦適應(yīng)于提供商品的電子商務(wù)網(wǎng)站。

協(xié)同過濾推薦算法優(yōu)勢在于：不需要各領(lǐng)域的知識；能跨類型推薦（如推薦音樂、藝術(shù)品、電影等）；計算出來的推薦結(jié)果是開放的，可以共享他人的經(jīng)驗，能很好地發(fā)現(xiàn)用戶潛在的興趣愛好；自適應(yīng)性好；隨著時間推移預(yù)測精度會提高。

協(xié)同過濾的推薦算法不足之處在于對于歷史信息依賴性較強；還有冷啟動問題，當(dāng)新用戶或者新物品進入系統(tǒng)時，難以進行個性化推薦。同時在大規(guī)模網(wǎng)絡(luò)中，數(shù)據(jù)極端稀疏，算法效率較低，難以處理大數(shù)據(jù)量下的即時結(jié)果。

2.2基于內(nèi)容的推薦算法

基于內(nèi)容的推薦算法是根據(jù)歷史信息（如評價、分享、收藏過的文檔） 學(xué)習(xí)用戶的興趣，建立用戶偏好文檔，計算待推薦項目與用戶偏好文檔的匹配程度， 將最相似的項目推薦給用戶。如：在音樂推薦中，基于內(nèi)容的推薦系統(tǒng)首先分析用戶欣賞過的音樂的共性（歌手、曲風(fēng)等），再推薦與用戶感興趣的音樂內(nèi)容相似度高的其他樂曲。

基于內(nèi)容的推薦算法生成推薦的過程主要依靠三個部件：（1）內(nèi)容分析器：用一種適當(dāng)?shù)姆绞奖硎緩捻椖啃畔⒅刑崛〉挠杏眯畔?。?）文件學(xué)習(xí)器：該模塊收集用戶偏好的數(shù)據(jù)，生成用戶概要信息和偏好文檔。（3）過濾部件：通過學(xué)習(xí)用戶偏好文檔，匹配用戶概要信息和項目信息，將生成一個用戶可能感興趣的潛在項目評分列表。

基于內(nèi)容的推薦算法生成的推薦結(jié)果直觀明了，容易理解。不需要領(lǐng)域知識，不需要很大的用戶社區(qū)，僅需要得到兩類信息：項目特征的描述和用戶過去的喜好信息。

基于內(nèi)容的推薦算法有三個主要缺陷：（1）過度規(guī)范問題：推薦給用戶的項目與其消費過的項目很相似，不能為用戶發(fā)現(xiàn)潛在感興趣的資源。 （2）內(nèi)容分析有限：只能預(yù)處理一些易提取的文本類內(nèi)容（網(wǎng)頁、博客等），而在提取多媒體數(shù)據(jù)（圖像、音頻、視頻等）時較困難。（3）冷啟動問題：當(dāng)一個新用戶沒有對任何項目進行評分或沒有瀏覽過任何商品時，系統(tǒng)無法向該用戶提供準(zhǔn)確的推薦。

2.3 基于人口統(tǒng)計學(xué)的推薦算法

基于人口統(tǒng)計學(xué)的推薦算法是根據(jù)人口統(tǒng)計學(xué)數(shù)據(jù)（即系統(tǒng)用戶的基本信息：年齡、性別、工作、興趣、愛好等），計算用戶間相關(guān)程度，得到當(dāng)前用戶的最近鄰集，然后將把“鄰居”用戶群喜愛的項目推薦給當(dāng)前用戶。

基于人口統(tǒng)計學(xué)的推薦算法優(yōu)勢在于：不需要用戶的歷史喜好信息，可以很好解決冷啟動問題；不依賴于項目的屬性，其他領(lǐng)域的問題都可以無縫接入；而且隨著時間推移，預(yù)測精度也會逐漸提高。

但是在一些有較高要求的領(lǐng)域（如：音樂、藝術(shù)品、電影、書籍等）進行推薦時，此算法對用戶基本信息進行分類過于粗糙。同時在收集人口統(tǒng)計信息時，不易獲取比較敏感的信息，從而導(dǎo)致推薦系統(tǒng)在準(zhǔn)確度方面不如其他算法，無法得到良好的推薦效果。

除了上述比較典型的推薦算法，還有其他一些推薦算法： 基于知識的推薦算法、基于效用的推薦算法和基于關(guān)聯(lián)規(guī)則的推薦算法?；陉P(guān)聯(lián)規(guī)則的推薦算法是將用戶的購買歷史記錄、瀏覽痕跡、打分記錄作為數(shù)據(jù)源，挖掘出的關(guān)聯(lián)規(guī)則就是推薦對象。關(guān)聯(lián)規(guī)則挖掘是用來發(fā)現(xiàn)不同商品在銷售過程中的相關(guān)性，而且關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)是算法的關(guān)鍵，也是算法的瓶頸。

2.4 混合推薦算法

任何一個個性化推薦算法都有它獨特的優(yōu)勢和不可避免的缺陷，因此現(xiàn)實應(yīng)用中，直接用某種算法來做推薦系統(tǒng)的很少，往往是將各種推薦算法組合起來，這樣可以揚長補短，提高推薦的準(zhǔn)確度和效率。尤其是大數(shù)據(jù)環(huán)境下，各種混合推薦算法的推薦效果要優(yōu)于單一推薦算法?；趦?nèi)容的推薦算法和協(xié)同過濾算法都無法解決冷啟動問題，因為這兩種算法都需要歷史信息。若將協(xié)同過濾推薦算法與基于知識的推薦算法組合起來，則能很好地解決冷啟動問題。

文獻[2]以電影為推薦對象， 通過線性組合的方式將基于內(nèi)容的推薦算法和基于協(xié)同過濾的推薦算法相融合， 得到最終的推薦結(jié)果。兩種算法的組合很好地避免了基于內(nèi)容推薦算法不適合推薦多媒體數(shù)據(jù)的缺陷， 解決了協(xié)同過濾算法中用戶對電影評分少的數(shù)據(jù)稀疏的問題。

在一些大型的網(wǎng)站使用的就是融合了多種算法的推薦系統(tǒng)。比如淘寶網(wǎng)為顧客推薦商品時采用了基于內(nèi)容和基于關(guān)聯(lián)規(guī)則兩種算法的組合。根據(jù)用戶的瀏覽痕跡、收藏記錄、購買行為以及反饋信息產(chǎn)生可推薦的關(guān)聯(lián)規(guī)則，根據(jù)商品的相關(guān)屬性（描述，評價，名稱，收藏人氣，累計銷量等等）對優(yōu)質(zhì)商品進行評分，計算出用戶帶權(quán)重的標(biāo)簽，最后進行個性化推薦。

3 總結(jié)與展望

綜上所述，個性化推薦系統(tǒng)將用戶和項目有機地聯(lián)系起來，是一個高效的信息服務(wù)系統(tǒng)。為增強個性化推薦系統(tǒng)的功能，未來的個性化推薦系統(tǒng)應(yīng)該將企業(yè)的銷售系統(tǒng)、客戶關(guān)系管理系統(tǒng)等企業(yè)信息系統(tǒng)集成在一起，共同為企業(yè)發(fā)展提供決策支持。那么個性化推薦系統(tǒng)如何與這些系統(tǒng)集成，如何與社會網(wǎng)絡(luò)相結(jié)合，改變用戶購物模式，企業(yè)銷售方式，都是未來的研究方向。

設(shè)計個性化推薦系統(tǒng)最終目的都是為了提高用戶體驗感和滿意度。一個被用戶接受和認可的推薦系統(tǒng)，在幫助用戶發(fā)現(xiàn)潛在感興趣的項目的同時還能夠幫助項目提供商將項目投放給對它感興趣的用戶。一個好的推薦系統(tǒng)能夠?qū)净驑I(yè)務(wù)產(chǎn)生增值效應(yīng)，會給用戶帶來更好的體驗。但是如何將用戶的體驗感進行量化是一個具有挑戰(zhàn)性的課題。

參考文獻：

[1] 張亮，趙娜.改進的協(xié)同過濾推薦算法[J].計算機系統(tǒng)應(yīng)用，2016，25（7）

[2] 馬瑞敏，卞藝杰，陳超，吳慧.基于Hadoop 的電子商務(wù)個性化推薦算法——以電影推薦為例[J].計算機系統(tǒng)應(yīng)用，2015，24（5）.

[3] 喬亞飛，張霞，張文博.智能圖書系統(tǒng)中的個性化推薦[J].計算機系統(tǒng)應(yīng)用，2016，25（9）.

[4] 朱郁筱，呂琳媛.推薦系統(tǒng)評價指標(biāo)綜述[J].電子科技大學(xué)學(xué)報，2012，41（2）.

[5] 朱揚勇，孫婧.推薦系統(tǒng)研究進展[J].計算機科學(xué)與探索，2015，9（5）.

[6] 劉魯，任曉麗.推薦系統(tǒng)研究進展及展望[J].信息系統(tǒng)學(xué)報，2007（1）.

[7] 余力，劉魯.電子商務(wù)個性化推薦研究[J].計算機集成制造系統(tǒng)，2004（10）.

[8] 楊博，趙鵬飛.推薦算法綜述[J].山西大學(xué)學(xué)報，2011，34（3）.