王明誠(chéng)++王菁++韓燕波

摘要：針對(duì)一般小型系統(tǒng)，要完成個(gè)性化推薦，為了降低系統(tǒng)的復(fù)雜度，完全可以避免采用那些復(fù)雜的方法如基于人口統(tǒng)計(jì)學(xué)的推薦、基于內(nèi)容的推薦、協(xié)同過(guò)濾推薦等推薦策略。這些推薦策略中都會(huì)用到復(fù)雜的算法，對(duì)于一個(gè)初學(xué)者來(lái)說(shuō)，想搞懂任何一種算法都不會(huì)太容易。針對(duì)所做的ICON項(xiàng)目來(lái)說(shuō)，提出了一個(gè)簡(jiǎn)單的推薦策略，就是針對(duì)某個(gè)關(guān)鍵點(diǎn)來(lái)來(lái)查找相似用戶或相似內(nèi)容，來(lái)簡(jiǎn)單實(shí)現(xiàn)“協(xié)同過(guò)濾算法”。

關(guān)鍵詞：個(gè)性化推薦；icon；協(xié)同過(guò)濾算法；權(quán)值；關(guān)鍵點(diǎn)；

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）03-0250-03

1 概述

隨著信息時(shí)代的不斷發(fā)展，網(wǎng)絡(luò)給人們的生活帶來(lái)了翻天覆地的變化，人們可以足不出戶就能夠在網(wǎng)絡(luò)上購(gòu)買到自己想要的任何商品。網(wǎng)絡(luò)的便利，使得人們的購(gòu)物方式得到了改變，同時(shí)也滋生了很多購(gòu)物平臺(tái)的產(chǎn)生。無(wú)論大型還是小型的電子商務(wù)平臺(tái)，都會(huì)存在著一些弊端，信息過(guò)載問(wèn)題，就是商品的種類太過(guò)于豐富多樣性，以至于用戶不能很快地查找到自己喜歡的商品。所以平臺(tái)開(kāi)發(fā)商們就會(huì)想盡辦法來(lái)避免這種情況，個(gè)性化推薦應(yīng)運(yùn)而生，個(gè)性化推薦就是在正確的時(shí)間把正確的商品推薦給正確的用戶，來(lái)拉攏用戶，防止用戶的流失，從而提升自己平臺(tái)的競(jìng)爭(zhēng)力。

1.1課題背景及研究的目的

當(dāng)今時(shí)代是信息的時(shí)代，每天人們都會(huì)被不同的海量數(shù)據(jù)所圍繞，如何從這些繁雜的數(shù)據(jù)中找到自己想要的數(shù)據(jù)，是我們每個(gè)人都迫切需要的。我們都希望每個(gè)平臺(tái)系統(tǒng)都能給我們展示出契合我么自己的數(shù)據(jù)，這樣我們就不需要花費(fèi)太多的精力在尋找數(shù)據(jù)上。

基于和老師同學(xué)們一起做的這個(gè)ICON項(xiàng)目（一個(gè)類似圖片交際購(gòu)物系統(tǒng)），因?yàn)橛脩舻牟粩嘣黾?，所上傳的圖片也越來(lái)越多，為了滿足用戶查找數(shù)據(jù)的方便，就打算給系統(tǒng)添加一個(gè)個(gè)性化推薦策略。由于自己對(duì)推薦這一塊比較陌生，閱讀了多篇關(guān)于推薦系統(tǒng)的論文及報(bào)告，大多都會(huì)涉及諸多復(fù)雜的算法，就想到針對(duì)我們這個(gè)系統(tǒng)來(lái)設(shè)計(jì)一個(gè)較為簡(jiǎn)單的個(gè)性化推薦。

1.2 本文主要研究的內(nèi)容和組織架構(gòu)

1.2.1 本文主要工作

本文主要探討了一下個(gè)人設(shè)計(jì)的簡(jiǎn)單個(gè)性化推薦策略及相關(guān)工作。介紹了該推薦策略的研究背景和目的，然后又詳細(xì)地介紹了該策略算法。最后就該研究成果在ICON項(xiàng)目中的應(yīng)用效果進(jìn)行了展示，說(shuō)明了我們算法的可行性。

1.2.2 本文的組織架構(gòu)

第一章是緒論部分，介紹了個(gè)性化推薦系統(tǒng)的背景，以及研究目的。簡(jiǎn)單個(gè)性化推薦策略的由來(lái)。

第二章是算法簡(jiǎn)述部分，大概地介紹了一下算法。

第三章是算法詳解部分，在本章節(jié)中詳細(xì)介紹了算法的構(gòu)成。

第四章是指標(biāo)的權(quán)重計(jì)算部分，介紹了算法中一個(gè)比較重要的權(quán)重計(jì)算方法，并計(jì)算出了算法中各個(gè)特性的權(quán)重值。

第五章是結(jié)果分析部分，對(duì)推薦前后用戶滯留系統(tǒng)的時(shí)間和點(diǎn)擊look的數(shù)量進(jìn)行觀察比較，得出分析結(jié)果。

2 算法簡(jiǎn)述

1） 找出平臺(tái)關(guān)鍵點(diǎn)；

2） 統(tǒng)計(jì)關(guān)鍵點(diǎn)數(shù)據(jù)；

3） 畫(huà)出涉及關(guān)鍵點(diǎn)的表格；

4） 整理分析，推薦圖片；

5） 通過(guò)圖片推薦給用戶商品。

3 算法詳解

3.1 找出平臺(tái)關(guān)鍵點(diǎn)

用戶發(fā)表一個(gè)look（即圖片），都會(huì)給這個(gè)look選擇一個(gè)性別、季節(jié)、品牌、風(fēng)格等，其中風(fēng)格包含有正裝、暗黑、韓國(guó)風(fēng)、運(yùn)動(dòng)、嘻哈等多達(dá)20多種的不同風(fēng)格，其中肯定會(huì)有一種是你發(fā)表的look風(fēng)格。性別和風(fēng)格是主要的，從這兩個(gè)特性中我們就能看出你平時(shí)穿衣打扮，因?yàn)榘l(fā)表的每一張look都是對(duì)自己平時(shí)的一個(gè)真實(shí)寫(xiě)照。用戶發(fā)表的每一張look都是對(duì)應(yīng)自己所購(gòu)買的衣服，從而我們就可以從look中對(duì)應(yīng)到相應(yīng)的商品中。

拋開(kāi)性別這個(gè)普遍的共性來(lái)分析，我們可以根據(jù)用戶平時(shí)發(fā)表的look的風(fēng)格來(lái)觀察該用戶的穿衣習(xí)慣，從而得到用戶可能喜歡的商品類型，繼而向用戶推薦他們想要看到或者想要購(gòu)買的衣服。

在icon的系統(tǒng)中，用戶看見(jiàn)自己喜歡的look時(shí)，可以對(duì)其進(jìn)行點(diǎn)贊或者收藏。用戶也可以關(guān)注其他的用戶，成為他的粉絲，隨時(shí)關(guān)注他（她）發(fā)表的look，你們之間也可以相互交流探討穿衣打扮的技巧。

在認(rèn)真觀察項(xiàng)目后，可以看出用戶發(fā)表look的風(fēng)格就是所謂的關(guān)鍵點(diǎn)。

3.2 統(tǒng)計(jì)關(guān)鍵點(diǎn)數(shù)據(jù)

用戶發(fā)表的look，關(guān)注的look，點(diǎn)贊的look，以及收藏的look我們都統(tǒng)一存到了數(shù)據(jù)庫(kù)中。平臺(tái)是用mybatis連接的數(shù)據(jù)庫(kù)，所以，數(shù)據(jù)我們可以寫(xiě)sql語(yǔ)句直接獲取到，而不用去分析歷史數(shù)據(jù)或者網(wǎng)絡(luò)爬蟲(chóng)去解析用戶瀏覽行為等。

這個(gè)算法，我要求只需要能獲取到用戶偏重的前三個(gè)就行，所以常用到的mysql中的limit關(guān)鍵字，limit接受一個(gè)或兩個(gè)數(shù)字參數(shù)，參數(shù)必須是一個(gè)整數(shù)常量，如果給定兩個(gè)參數(shù)，第一個(gè)參數(shù)指定第一個(gè)返回記錄行的偏移量，第二個(gè)參數(shù)指定返回記錄行的最大數(shù)目。在使用limit時(shí)，要先判斷查詢到的數(shù)據(jù)集的數(shù)目有多少，防止查詢的時(shí)候出錯(cuò)。

舉個(gè)例子，通過(guò)tbl_look表和tbl_user_likes表來(lái)查找id為131的用戶點(diǎn)贊的look風(fēng)格的前三個(gè)的mysql語(yǔ)句：

SELECT tul.id，tul.uid，tul.lookid，tl.style，COUNT（tl.style） AS sc FROM tbl_user_likes tul ，tbl_looks tl WHERE tul.uid=131 and tl.id=tul.lookid GROUP BY tl.style ORDER BY sc DESC LIMIT 3

3.3 畫(huà)出涉及關(guān)鍵點(diǎn)的表格

為了更形象的觀察用戶的自己的風(fēng)格以及自己和其他人的風(fēng)格，我們將查詢的數(shù)據(jù)用表格的形式展示出來(lái)。這樣就可以一目了然的通過(guò)觀察表格得出合理的結(jié)論。

3.4 整理分析，推薦內(nèi)容

分析表1，因?yàn)橛脩舭l(fā)表、點(diǎn)贊和收藏的數(shù)量差別可能比較大，所以我們就按照表格中展示的三項(xiàng)以及它們的權(quán)值來(lái)計(jì)算每個(gè)用戶表側(cè)重的風(fēng)格。

每個(gè)用戶的風(fēng)格評(píng)分計(jì)算如下：

[fur=i=03wiri]

[fur]表示u用戶r風(fēng)格的評(píng)分，其中[wi]表示每個(gè)i指標(biāo)的權(quán)值，會(huì)在第四章詳細(xì)介紹權(quán)值算法；[ri]表示u用戶r風(fēng)格是否存在i指標(biāo)的參數(shù)，存在為1，不存在為0。

經(jīng)過(guò)計(jì)算，我們得出甲用戶和丁用戶都比較側(cè)重ABC折三種風(fēng)格，并且甲和丁也互相關(guān)注了，那么我們完全就可以認(rèn)為甲和丁用戶風(fēng)格類似，可以看成是相似用戶。按照基于用戶的協(xié)同過(guò)濾算法來(lái)考慮的話，我們可以把E風(fēng)格的服飾推薦給丁用戶，而把G風(fēng)格的服飾推薦給甲用戶。

我們還可以得出，BC風(fēng)格總是在一起，EF風(fēng)格總是在一起，我們就可以這樣認(rèn)為，喜歡B風(fēng)格服飾的人通常也會(huì)喜歡C風(fēng)格的服飾，喜歡E風(fēng)格服飾的人通常也會(huì)喜歡F風(fēng)格服飾的人，反過(guò)來(lái)也一樣。按照基于內(nèi)容的系統(tǒng)過(guò)濾算法考慮的話，我們就可以把B風(fēng)格的服飾推薦給乙用戶。

3.5 通過(guò)圖片推薦給用戶商品

整個(gè)系統(tǒng)的模式是這樣的，通過(guò)用戶的各項(xiàng)特征找到一個(gè)關(guān)鍵點(diǎn)，再由該關(guān)鍵點(diǎn)給用戶推薦look，最后由推薦的look來(lái)決定用戶可能喜歡的商品（服裝）。如圖1所示：

4 指標(biāo)的權(quán)重計(jì)算

各項(xiàng)指標(biāo)的權(quán)重根據(jù)定量統(tǒng)計(jì)法算法計(jì)算得出。

定量統(tǒng)計(jì)計(jì)算權(quán)重的步驟如下：

1） 按照沒(méi)有關(guān)聯(lián)、有點(diǎn)關(guān)聯(lián)、關(guān)聯(lián)和非常關(guān)聯(lián)四個(gè)等級(jí)繪制出統(tǒng)計(jì)表格。

2） 以67%（2/3）位界限，若選擇“關(guān)聯(lián)”和“非常關(guān)聯(lián)”的比例合計(jì)小于67%，就刪除該指標(biāo)，不予考慮。

3） 分別把沒(méi)有關(guān)聯(lián)賦值為1，有點(diǎn)關(guān)聯(lián)賦值為2，關(guān)聯(lián)賦值為3，非常關(guān)聯(lián)賦值為4，選擇出沒(méi)有關(guān)聯(lián)之外以上數(shù)據(jù)都進(jìn)入統(tǒng)計(jì)，那么三種選項(xiàng)的權(quán)重分別為[w′1]=2/（2+3+4）=0.22；[w′2]=3/（2+3+4）=0.33；[w′3]=4/（2+3+4）=0.45。

4）指標(biāo)權(quán)重計(jì)算：

[wi=pii=13pi]

其中[pi]為指標(biāo)i的統(tǒng)計(jì)權(quán)值和：

[pi=j=13w′iaij]

其中，[aij]表示i指標(biāo)除沒(méi)有關(guān)聯(lián)外的其他關(guān)聯(lián)度的統(tǒng)計(jì)數(shù)，[a11]就表示指標(biāo)1有點(diǎn)關(guān)聯(lián)的統(tǒng)計(jì)人數(shù)，[a32]就表示指標(biāo)3關(guān)聯(lián)的統(tǒng)計(jì)人數(shù)。

我們對(duì)使用該系統(tǒng)的用戶進(jìn)行了一次統(tǒng)計(jì)，隨機(jī)抽出統(tǒng)計(jì)過(guò)的100名用戶來(lái)計(jì)算權(quán)值。

首先畫(huà)出統(tǒng)計(jì)的表格如下：

分別代表用戶發(fā)表、點(diǎn)贊和收藏look的風(fēng)格權(quán)值。通過(guò)計(jì)算得到的數(shù)值可明顯看出，用戶發(fā)表和收藏的look風(fēng)格所占比重比較大，點(diǎn)贊風(fēng)格所占比重較小。所以，發(fā)表和收藏風(fēng)格的特性能較大反映出用戶的風(fēng)格類型，而點(diǎn)贊風(fēng)格的特性稍次于發(fā)表和收藏特性。

5 結(jié)果分析

項(xiàng)目中我們引入了cnzz流量統(tǒng)計(jì)、網(wǎng)絡(luò)分析數(shù)據(jù)專家，可以通過(guò)cnzz來(lái)獲取到用戶滯留平臺(tái)的時(shí)間和點(diǎn)擊各個(gè)look的數(shù)量。

為了驗(yàn)證該個(gè)性化推薦策略的可行性，我們隨機(jī)抽取了四名用戶，利用cnzz獲取到在推薦系統(tǒng)應(yīng)用的前后，用戶滯留系統(tǒng)的時(shí)間（從進(jìn)入系統(tǒng)到退出系統(tǒng)的滯留時(shí)間），以及用戶點(diǎn)擊look的數(shù)量，描繪成線形圖如下：

通過(guò)這兩個(gè)柱狀圖，可以明顯的觀察到推薦策略應(yīng)用前后的效果，證明了我們所做的工作的可行性。

參考文獻(xiàn)：

[1] 丁宏飛，黃戰(zhàn).個(gè)性化電子商務(wù)系統(tǒng)中用戶興趣模型的研究[D].廣州：暨南大學(xué)，2008.

[2] 王國(guó)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（9）.

[3] 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（4）.

[4] 米鵬，段建勇，付曉宇.面向社區(qū)用戶的推薦策略研究[D].北京：北方工業(yè)大學(xué)，2016.

[5] 曾春，邢春曉，周立柱.個(gè)性化服務(wù)技術(shù)綜述[J].軟件學(xué)報(bào)，2002（5）.

[6] 于波，陳庚午，王愛(ài)玲，等.一種結(jié)合項(xiàng)目屬性的混合推薦算法[J].計(jì)算機(jī)技術(shù)應(yīng)用，2017（5）.

[7] 王夢(mèng)恬，魏晶晶，廖祥文，等.融合評(píng)論標(biāo)簽的個(gè)性化推薦算法[J].計(jì)算機(jī)科學(xué)與探索，2016（4）.

[8] 張曌，夏國(guó)平，李雪峰.基于案例推理的電子商務(wù)個(gè)性化推薦系統(tǒng)[J].計(jì)算機(jī)工程，2007（5）.