李濤

摘 要： 針對(duì)相似度特征點(diǎn)推薦方法對(duì)用戶個(gè)性化需求匹配度不高的問題，提出基于個(gè)性化特征的協(xié)同過濾推薦算法。以社會(huì)網(wǎng)絡(luò)為結(jié)構(gòu)模型構(gòu)建用戶信息的評(píng)分模型和項(xiàng)目屬性模型，采用信任度條件概率分析方法構(gòu)建可靠性推薦模型，進(jìn)行個(gè)性化特征分析和提取，實(shí)現(xiàn)個(gè)性化特征需求與項(xiàng)目興趣點(diǎn)的合理匹配，實(shí)現(xiàn)協(xié)同過濾推薦，最后通過仿真實(shí)驗(yàn)進(jìn)行測試分析。結(jié)果表明，采用該方法進(jìn)行社會(huì)網(wǎng)絡(luò)項(xiàng)目協(xié)同過濾推薦的用戶評(píng)分高，平均絕對(duì)誤差和均方根誤差小，提升了推薦質(zhì)量。

關(guān)鍵詞： 個(gè)性化特征； 協(xié)同過濾推薦； 評(píng)分模型； 項(xiàng)目屬性

中圖分類號(hào)： TN911?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）05?0078?04

Abstract： Since the recommendation method of the similarity feature point has low matching degree for the user′s persona?lized demand， a collaborative filtering recommendation algorithm based on personalized feature is put forward. The scoring model and project attribute model of the user information were constructed by taking the social network as the structure model. The trust degree conditional probability analysis method is adopted to construct the reliability recommendation mode. And then the personalized features are analyzed and extracted to match the personalized feature demand and project interest point reasonably， so as to implement the collaborative filtering recommendation. The test analysis was conducted with simulation experiments. The test results show that the method has high user scoring to perform the collaborative filtering recommendation of the social network project， the mean absolute error and root mean square error are small， and the recommendation quality is improved.

Keywords： personalized feature； collaborative filtering recommendation； scoring model； project attribute

0 引 言

社會(huì)網(wǎng)絡(luò)為網(wǎng)絡(luò)用戶提供了個(gè)性化的定制需求，通過社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)，根據(jù)用戶的興趣偏好進(jìn)行項(xiàng)目推薦，構(gòu)建用戶?項(xiàng)目的個(gè)性化推薦模型，在提高用戶網(wǎng)絡(luò)瀏覽的效率和滿意度方面具有重要意義[1]。另一方面，通過制定個(gè)性化協(xié)同過濾推薦模型，將提高網(wǎng)絡(luò)信息的推送度，提高網(wǎng)絡(luò)項(xiàng)目的收益，研究社會(huì)網(wǎng)絡(luò)的用戶協(xié)同過濾推薦模型具有重要意義[2]。

網(wǎng)絡(luò)的協(xié)同過濾推薦是以網(wǎng)絡(luò)用戶信任關(guān)系為基礎(chǔ)的。通過對(duì)網(wǎng)絡(luò)用戶先驗(yàn)信息的瀏覽和評(píng)估，制定個(gè)性化需求，綜合考慮社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)和用戶需求，制定個(gè)性化服務(wù)項(xiàng)目實(shí)現(xiàn)信息推送和網(wǎng)頁推薦，為更高效率的網(wǎng)絡(luò)體驗(yàn)奠定基礎(chǔ)[3]。當(dāng)前，典型的協(xié)同過濾推薦方法主要有基于Twitt系統(tǒng)的推薦模型、TF?IDF關(guān)鍵詞權(quán)重衡量的協(xié)同過濾推薦模型和基于概率模型的協(xié)同過濾推薦模型[4?5]，上述方法通過獲得用戶對(duì)評(píng)價(jià)較好的項(xiàng)目先驗(yàn)關(guān)鍵詞信息，結(jié)合語義特征提取和關(guān)鍵詞檢索方法進(jìn)行過濾推薦。根據(jù)用戶發(fā)布的tweet、好友、粉絲等信息進(jìn)行數(shù)據(jù)篩選和信息控制，建立信息表結(jié)構(gòu)模型，使得用戶獲得較為滿意的推薦效果，但是隨著網(wǎng)絡(luò)信息規(guī)模的增大和用戶信息的多元化發(fā)展，推薦的準(zhǔn)確度低，而相似度特征點(diǎn)推薦方法對(duì)用戶的個(gè)性化需求匹配度低[6?7]。

為了克服傳統(tǒng)方法的不足，提出基于個(gè)性化特征的協(xié)同過濾推薦算法，并通過仿真實(shí)驗(yàn)進(jìn)行性能測試。

1 網(wǎng)絡(luò)結(jié)構(gòu)推薦規(guī)則

社會(huì)網(wǎng)絡(luò)是一個(gè)由網(wǎng)絡(luò)中所有用戶信任關(guān)系構(gòu)成的網(wǎng)絡(luò)，通過用戶之間的關(guān)系行為抽象到網(wǎng)絡(luò)的信任傳播機(jī)制中，考慮網(wǎng)絡(luò)節(jié)點(diǎn)的信任模型和置信度進(jìn)行項(xiàng)目的屬性分類和主體匹配。根據(jù)多主體協(xié)商機(jī)制進(jìn)行可信節(jié)點(diǎn)定位和網(wǎng)絡(luò)用戶的信任度分析[8]，由此得到基于社會(huì)網(wǎng)絡(luò)的協(xié)同過濾推薦總體結(jié)構(gòu)模型，如圖1所示。

根據(jù)對(duì)協(xié)同過濾推薦模型的總體設(shè)計(jì)，在社會(huì)網(wǎng)絡(luò)中將融合用戶信任與用戶興趣，構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)模型，進(jìn)行用戶信息的特征檢索，將社會(huì)網(wǎng)絡(luò)中用戶的信任度關(guān)系模型用如下無向圖模型的形式表示為：

[G=V，E，C]

其中，[V]表示社會(huì)網(wǎng)絡(luò)協(xié)同過濾的節(jié)點(diǎn)集合，每個(gè)節(jié)點(diǎn)代表網(wǎng)絡(luò)中的用戶個(gè)體；[E]代表邊的集合，表示社交網(wǎng)絡(luò)好友推薦的相關(guān)性關(guān)系，在兩個(gè)個(gè)體之間存在的關(guān)聯(lián)性特征；[C={cuv}]表示邊的權(quán)重值，權(quán)重越大，信任度越高，推薦的準(zhǔn)確度就越好。

假設(shè)社會(huì)網(wǎng)絡(luò)圖中的邊是有向的，網(wǎng)絡(luò)圖為有向圖。在協(xié)同過濾推薦系統(tǒng)中，設(shè)[{u1，u2，…，uN}]代表包含的元素節(jié)點(diǎn)用戶集合；[{v1，v2，…，vM}]代表不可信節(jié)點(diǎn)集合；[R=[Ru，v]N×M]表示用戶對(duì)項(xiàng)目的評(píng)分矩陣，其中[Ru，v]表示關(guān)聯(lián)規(guī)則約束下用戶[u]對(duì)項(xiàng)目[v]的屬性興趣度評(píng)價(jià)。[Ru，v]可以為任意實(shí)數(shù)，在社交網(wǎng)絡(luò)中，數(shù)據(jù)稀疏性決定用戶的評(píng)分，合理反應(yīng)推薦模型的質(zhì)量。因此，采用評(píng)分機(jī)制進(jìn)行推薦模型的質(zhì)量評(píng)價(jià)，不失一般性。本文將目標(biāo)用戶的評(píng)分區(qū)間設(shè)定為[0，1]。利用用戶?項(xiàng)評(píng)分方法，得到每一個(gè)用戶[u]對(duì)項(xiàng)目的語義特征表達(dá)為[Nu，]用[cuv]表示網(wǎng)絡(luò)分布單元[u]對(duì)節(jié)點(diǎn)[v]的關(guān)聯(lián)匹配度，其取值范圍在[0，1]之間，0表示完成不匹配，1表示完成匹配。

根據(jù)上述設(shè)定的社會(huì)網(wǎng)絡(luò)信任度模型和推薦規(guī)則，得到協(xié)同過濾推薦中用戶信任度評(píng)價(jià)的特征概率函數(shù)密度表達(dá)式為：

利用特征向量檢索技術(shù)在互信任的特征空間中進(jìn)行用戶的先驗(yàn)特征信息檢索[9]，在檢索區(qū)域中用戶興趣愛好的關(guān)鍵信息檢索向量模型為：

構(gòu)建語義概念樹，分析在社會(huì)網(wǎng)絡(luò)中目標(biāo)用戶對(duì)象和項(xiàng)目屬性集合之間的二元關(guān)系[10]。構(gòu)建二元特征樹[K=（O，A，R）]描述協(xié)同過濾推薦的信息分布列表，其中O是用戶對(duì)象的集合；A是社會(huì)網(wǎng)絡(luò)中待推薦項(xiàng)目屬性的集合；R是O和A之間的一個(gè)二元關(guān)系，將協(xié)同過濾推薦預(yù)測評(píng)分的空間維數(shù)設(shè)定為[m，]通過評(píng)價(jià)用戶興趣的個(gè)性化特征，得到用戶[u]行為與喜好的關(guān)聯(lián)度為：

通過對(duì)行為與喜好的關(guān)聯(lián)度分析，將用戶的評(píng)分映射到[0，1]區(qū)間，構(gòu)建推薦模型的用戶評(píng)分預(yù)測模型。

2 可靠性推薦模型構(gòu)建

采用信任度條件概率分析方法進(jìn)行可靠性推薦模型構(gòu)建。任意兩個(gè)項(xiàng)目[X，Y]推薦給社會(huì)網(wǎng)絡(luò)用戶的信任度條件概率公式如下：

式中：[P（X），][P（Y）]分別是項(xiàng)目[X，Y]受到網(wǎng)絡(luò)推薦的綜合權(quán)重；[P（X?Y）]是聯(lián)合條件概率密度函數(shù)，表示項(xiàng)目[X，Y]所得到的準(zhǔn)確評(píng)分在[0，1]區(qū)間的分布權(quán)重。

修正每個(gè)向量[vi，]所有項(xiàng)目預(yù)測評(píng)分過程用[vi]表示，即[vi=w1，t1，w2，t2，…，wm，tm；]計(jì)算社會(huì)網(wǎng)絡(luò)中每一個(gè)用戶個(gè)性化特征分布的中心向量[C（Y），]則[X，Y]的信任度計(jì)算公式為：

忽略網(wǎng)頁的鏈接結(jié)構(gòu)信息，根據(jù)用戶先驗(yàn)關(guān)鍵詞語義信息的差異化特征[w1，w2]進(jìn)行信息檢索，檢索的有效值為[dis（w1，w2），]表示用戶[u]對(duì)用戶[v]的了解與信任程度。

建立的所有鄰居節(jié)點(diǎn)[v∈Nu，]可靠性推薦模型修正后的權(quán)值為：

[Rik=j∈NuC*i，jRjk] （8）

式中：[Rik]表示用戶[ui]對(duì)項(xiàng)目[vj]的直接信任度；[Rjk]表示用戶[uj]對(duì)項(xiàng)目[vk]的整體結(jié)構(gòu)信息的興趣特征提取值；[C*i，j]是修正加權(quán)向量。則在社會(huì)網(wǎng)絡(luò)中用戶[u]對(duì)語義信息檢索的預(yù)測評(píng)分可表示為：

根據(jù)協(xié)同過濾系統(tǒng)的實(shí)際情況，結(jié)合用戶的行為特征和興趣分布構(gòu)建推薦模型。

3 協(xié)同過濾算法的具體實(shí)現(xiàn)

3.1 個(gè)性化特征分析

基于個(gè)性化特征的協(xié)同過濾推薦算法的工作思想為：采用信任度條件概率分析方法進(jìn)行可靠性推薦模型構(gòu)建，以及個(gè)性化特征分析和提取，然后基于可信度的推薦約束模型，根據(jù)修正后的權(quán)值[C*kv]構(gòu)建協(xié)同過濾推薦模糊分布矩陣[T，]因此對(duì)于推薦項(xiàng)目，信任度矩陣滿足：

由此實(shí)現(xiàn)個(gè)性化特征需求與項(xiàng)目興趣點(diǎn)的合理匹配，實(shí)現(xiàn)協(xié)同過濾推薦。

4 實(shí)驗(yàn)結(jié)果分析

仿真實(shí)驗(yàn)環(huán)境為Myeclipse 8.0，采用Java平臺(tái)進(jìn)行算法設(shè)計(jì)，實(shí)驗(yàn)數(shù)據(jù)來自Slashdot大型社會(huì)網(wǎng)絡(luò)網(wǎng)站，采用網(wǎng)絡(luò)爬蟲抓取方法進(jìn)行數(shù)據(jù)抓取，抓取了社會(huì)網(wǎng)絡(luò)中包括了83 244個(gè)用戶與512 267條的用戶評(píng)論信息，作為網(wǎng)絡(luò)推薦的先驗(yàn)規(guī)則信息集合，其他相關(guān)參數(shù)為：[Q=40，][c1=120，][c2=350，][cr=26，][μ1=μ2=0.131，ρ1=][ρ2=0.41，][δ=0.8]。

采用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）分析協(xié)同過濾推薦的質(zhì)量好壞，兩個(gè)質(zhì)量的定義描述為：

[MAE=i，jri，j-ri，jN] （19）

式中：[ri，j]表示目標(biāo)用戶[i]對(duì)感興趣的項(xiàng)目[j]的實(shí)際評(píng)分；[ri，j]表示采用協(xié)同過濾推薦模型進(jìn)行個(gè)性化特征分析后，項(xiàng)目的預(yù)測得分；[N]為網(wǎng)絡(luò)爬蟲的抓取次數(shù)。

RMSE表示協(xié)同過濾推薦的實(shí)際用戶評(píng)分觀測值與真值偏差的平方和：

[RMSE=i，jri，j-ri，j2N] （20）

根據(jù)上述仿真環(huán)境設(shè)定和質(zhì)量評(píng)價(jià)指標(biāo)的提出，進(jìn)行推薦性能分析，其中評(píng)分的用戶數(shù)共分為6組，分別設(shè)定為：1～10人，11～20人，21～40人，41～80人，81～160人，大于160人，得到的評(píng)價(jià)結(jié)果如圖2和圖3所示。分析圖2得知，本文方法的MAE在各個(gè)評(píng)分用戶組中的值最小，說明個(gè)性化特征需求與項(xiàng)目興趣點(diǎn)匹配度最高。

圖3描述了不同方法進(jìn)行協(xié)同過濾推薦的均方根誤差RMSE值對(duì)比結(jié)果，同樣可以得出，采用本文方法的RMSE值最低，說明用戶在本文方法下對(duì)推薦結(jié)果的評(píng)分最高，滿意度最好。

5 結(jié) 語

為了滿足用戶的個(gè)性化需求，提高網(wǎng)絡(luò)服務(wù)質(zhì)量，本文提出基于個(gè)性化特征的協(xié)同過濾推薦算法。仿真實(shí)驗(yàn)的結(jié)果表明，該方法的社會(huì)網(wǎng)絡(luò)項(xiàng)目協(xié)同過濾推薦的用戶評(píng)分高，平均絕對(duì)誤差和均方根誤差小，提升了推薦的質(zhì)量，具有較好的應(yīng)用前景。

參考文獻(xiàn)

[1] 張清豐，王晟，廖丹.基于納什議價(jià)的對(duì)等網(wǎng)絡(luò)資源分配[J].計(jì)算機(jī)應(yīng)用，2015，35（9）： 2424?2429.

[2] 胡欣如.基于數(shù)據(jù)挖掘技術(shù)的客戶關(guān)系管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].微計(jì)算機(jī)信息，2009，25（12）：58?62.

[3] 馮勇，李軍平，徐紅艷，等.基于社會(huì)網(wǎng)絡(luò)分析的協(xié)同推薦方法改進(jìn)[J].計(jì)算機(jī)應(yīng)用，2013，33（3）：841?844.

[4] 李春，朱珍敏，高曉芳.基于鄰居決策的協(xié)同過濾推薦算法[J].計(jì)算機(jī)工程，2010，36（13）：34?36.

[5] 羅辛，歐陽元新，熊璋.通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J].計(jì)算機(jī)學(xué)報(bào)，2010，33（8）：1437?1445.

[6] 陸興華，陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法[J].計(jì)算機(jī)科學(xué)，2015，42（4）：68?71.

[7] 李全忠，黃濟(jì)宇，等.基于MMSE準(zhǔn)則的MIMO多中繼系統(tǒng)線性收發(fā)機(jī)設(shè)計(jì)[J].電子學(xué)報(bào)，2012，40（55）：1323?1327.

[8] 熊忠陽，劉芹，張玉芳.結(jié)合項(xiàng)目分類和云模型的協(xié)同過濾推薦算法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（10）：3660?3664.

[9] LIANG J J， QU B Y， MAO X B， et al. Differential evolution based on fitness Euclidean?distance ratio for multimodal optimization [J]. Neurocomputing， 2014， 137（8）： 252?260.

[10] 周煜，張萬冰，杜發(fā)榮，等.散亂點(diǎn)云數(shù)據(jù)的曲率精簡算法[J].北京理工大學(xué)學(xué)報(bào)，2010，30（7）：785?790.