孫光浩　劉丹青　李夢云

摘要：在現(xiàn)有文獻統(tǒng)計下個性化推薦算法可以分為如下三類：基于內(nèi)容的推薦（Content-based Recommendation）、基于協(xié)同過濾的推薦（CollaborativeFilteringbasedRecommendation），以及混合型推薦系統(tǒng)（Hybrid Recommendation）。其中，基于協(xié)同過濾的推薦因其對專家知識依賴度低以及可以利用群體智慧等特點，得到了最為深入也最為廣泛的研究，它又可以被分為多個子類別，主要包括基于用戶的協(xié)同過濾（User-based CF），基于物品的協(xié)同過濾（Item-based CF），以及基于模型的協(xié)同過濾（Model-based CF），等。其中基于模型的推薦是一類方法的統(tǒng)稱，它指利用系統(tǒng)已有的數(shù)據(jù)和用戶歷史行為，學習和構(gòu)建一個模型，進而利用該模型進行用戶偏好建模、預測與個性化推薦，根據(jù)具體應(yīng)用場景和可用數(shù)據(jù)的不同，這里的模型可以是常用的奇異值分解等矩陣分解模型，也可以是主題模型、人工神經(jīng)網(wǎng)絡(luò)、概率圖模型、組合優(yōu)化甚至深度學習等機器學習模型。在下面的部分，我們將在如上幾個方面對個性化推薦系統(tǒng)的研究現(xiàn)狀進行具體的介紹。

關(guān)鍵詞：推薦算法；協(xié)同過濾；個性化

1研究背景

隨著互聯(lián)網(wǎng)的迅速發(fā)展，個性化推薦系統(tǒng)已經(jīng)逐漸成為各種網(wǎng)絡(luò)應(yīng)用中不可缺少的核心功能，并以各種各樣的方式影響著人們?nèi)粘Ｉ畹姆椒矫婷妫弘娮由虅?wù)網(wǎng)站中的購物推薦引擎為用戶提供可能感興趣的商品推薦；社交網(wǎng)絡(luò)中的好友推薦為用戶尋找潛在的好友關(guān)注；視頻網(wǎng)站中的視頻推薦為用戶提供最可能點擊的視頻推薦；新聞門戶網(wǎng)站中的內(nèi)容推薦為用戶提供最有信息量的新聞——個性化推薦技術(shù)已經(jīng)是支撐互聯(lián)網(wǎng)智能的基礎(chǔ)技術(shù)之一。

2國內(nèi)外現(xiàn)狀

互聯(lián)網(wǎng)的快速發(fā)展開啟了人類活動線上化的進程，越來越多傳統(tǒng)上只能在線下完成的任務(wù)變得可以方便快捷地在互聯(lián)網(wǎng)上完成。已經(jīng)深入人們?nèi)粘Ｉ钪械碾娮由虅?wù)就是這一進程的典型代表，例如阿里巴巴、京東商城、亞馬遜網(wǎng)絡(luò)商城等電子商務(wù)網(wǎng)站的普及，使得人們不必走出家門即可購買自己所需要的商品，并且可以在更多的備選商品中進行挑選。不僅限于電子商務(wù)應(yīng)用，社交網(wǎng)絡(luò)平臺如新浪微博和Facebook的興起使得人們可以在互聯(lián)網(wǎng)上交友、溝通、獲取實時資訊；在線叫車服務(wù)如滴滴和Uber的發(fā)展使得用戶不再需要線下街頭打車；在線P2P借貸服務(wù)如宜信和Prosper使得用戶線上借貸和理財成為可能；在線房地產(chǎn)業(yè)務(wù)如Zillow和Airbnb的發(fā)展則使傳統(tǒng)的房地產(chǎn)業(yè)務(wù)逐步線上化；在線自由職業(yè)平臺如豬八戒網(wǎng)和亞馬遜MTurk的迅速發(fā)展甚至使得自由職業(yè)者在線工作和任務(wù)分配成為可能。

2.1基于內(nèi)容的推薦

首先收集和標注特征信息并對用戶和物品構(gòu)建內(nèi)容畫像（Profile），例如電影的類型、導演、主演，用戶的年齡、性別、內(nèi)容偏好，等等。在此基礎(chǔ)上，基于內(nèi)容的推薦通過用戶畫像和物品畫像的特征匹配算法進行個性化的推薦。在理論與方法方面，Debnath等研究了特征權(quán)重的選取方法及其對推薦效果的影響；Martinez等將語言學模型運用到基于內(nèi)容的推薦當中，從而允許用戶以自然語言描述自身的興趣愛好并獲得個性化的推薦；Blanco和Gemmis等將語義網(wǎng)與基于內(nèi)容的推薦相結(jié)合，利用語義網(wǎng)所蘊含的精確的特征關(guān)系為用戶提供推薦；Noia等進一步將最新的開放連接數(shù)據(jù)（LinkedOpellData）項目語義網(wǎng)應(yīng)用于個性化推薦；Zenebe等將模糊集理論應(yīng)用于用戶和物品特征集合的匹配過程從而為用戶提供基于內(nèi)容的推薦；Cramer等則在基于內(nèi)容的推薦背景下研究了系統(tǒng)透明度對用戶信任和接受度的影響。在實際應(yīng)用方面，Mooney等研究并推出了基于內(nèi)容的圖書推薦系統(tǒng)；Cano推出了基于內(nèi)容的音樂推薦系統(tǒng)；Basu等研究了社交關(guān)系信息在推薦系統(tǒng)中的應(yīng)用，Cantador等則進一步將基于內(nèi)容的推薦應(yīng)用于社會化標簽系統(tǒng)（Social Tagging System），從而為用戶推薦最可能感興趣的對象進行標簽標注；Chen等研究了基于內(nèi)容的電子商務(wù)系統(tǒng)；Phelan和Kompan等則研究了基于內(nèi)容的新聞推薦系統(tǒng)。

2.2基于協(xié)同過濾的推薦

基于協(xié)同過濾的推薦是推薦系統(tǒng)中廣泛使用的推薦技術(shù)，與基于內(nèi)容的方法不同，協(xié)同過濾的核心思想在于借助其他用戶的歷史行為（群體智慧）來為當前用戶給出推薦，而不僅僅是考慮當前用戶自身的特征偏好?；趨f(xié)同過濾進行推薦的思想一般認為最早出現(xiàn)在GroupLens的新聞推薦系統(tǒng)中，該工作也就是后來人們所說的基于用戶的協(xié)同過濾方法，除此之外，該工作也第一次提出了用戶物品評分矩陣的補全預測問題，并且這一問題在Herlocker中得到了進一步的形式化，并在Breese中得到了實驗驗證，影響了推薦系統(tǒng)今后十幾年的發(fā)展方向；Sugiyama等將基于用戶的協(xié)同過濾用于個性化搜索任務(wù)中并取得了不錯的效果。

Sarwar等研究了協(xié)同過濾技術(shù)在電子商務(wù)網(wǎng)站中的應(yīng)用，并發(fā)現(xiàn)由于在基于用戶的協(xié)同過濾中需要計算用戶之間的兩兩相似度，使得在電子商務(wù)等用戶數(shù)龐大的網(wǎng)站中計算量成為了一大瓶頸。為了解決該問題，Sarwar等進一步提出了基于物品的協(xié)同過濾，利用物品的相似度來進行協(xié)同過濾式推薦，該方法在亞馬遜的個性化推薦系統(tǒng)中得到了重要的應(yīng)用，并且至今仍然是許多電子商務(wù)網(wǎng)站推薦系統(tǒng)的基礎(chǔ)之一；由于基于用戶和基于物品的協(xié)同過濾都涉及到用戶和物品相似度的計算，兩者一般可以統(tǒng)稱為基于近鄰的推薦方法（Neighbourbased Recommendation）；Herlocker等對通過選擇不同的相似度計算函數(shù)，對基于用戶的協(xié)同過濾方法的實際效果進行了分析和驗證；Karypis則在Top-N推薦列表任務(wù)中對基于物品的協(xié)同過濾進行了實驗驗證和效果評價；Huang等對比了不同的協(xié)同過濾算法在電子商務(wù)網(wǎng)站應(yīng)用場景下的效果和效率；Basu和Kautz等最早討論了社交網(wǎng)絡(luò)與協(xié)同過濾的結(jié)合，從而使得社交推薦成為可能；Massa和O'Donovan等研究了用戶之間的信任關(guān)系在協(xié)同過濾相似用戶選擇過程中的應(yīng)用，提出了信任敏感的（Trust-aware）協(xié)同過濾算法和研究方向，并開發(fā)了信任敏感的推薦系統(tǒng)實際應(yīng)用模型Moleskiing。endprint

為了進一步解決相似度計算量大的問題，Lemire等提出了著名的SlopeOne系列算法將協(xié)同過濾的回歸函數(shù)簡化，在大大降低計算時間和存儲需求的同時，取得與原始基于近鄰算法相當甚至更好的效果；O'Connor等提出利用物品聚類來降低相似度計算的復雜度；Gong等嘗試和比較了分別對用戶和物品進行聚類的效果；而George等則采用互聚類（Co-Clustering）的方法對用戶和物品同時進行聚類，并在此基礎(chǔ)上尋找近鄰；Ma等基于相似度閾值過濾提出了一種尋找近鄰并計算預測打分的加速算法；Zhou和Zhao等則研究和實現(xiàn)了基于Hadoop的并行化相似度計算和協(xié)同過濾方法。

隨著2007年Netflix矩陣預測大獎賽的興起，推薦系統(tǒng)的研究進入了一個新的高潮。由于在矩陣分解在預測效果上的明顯優(yōu)勢，大量的矩陣分解算法得到深入的研究和擴展，這既包括對主成分分析（Principle Component Analysis）算法、奇異值矩陣分解（Singular Value Decomposition）算法和非負矩陣分解（Non-negative Matrix Factorization）算法等已有矩陣分解算法的應(yīng)用和擴展，也包括一些新算法的提出和研究，例如最大間隔矩陣分解（Maximum Margin Matrix Factorization）算法和概率矩陣分解（Probabilistic Matrix Factorization）算法，等等。

2.3冷啟動問題

冷啟動問題（Cold-start）是協(xié)同過濾式推薦系統(tǒng)所面臨的重要問題之一。當新用戶剛剛加入系統(tǒng)時，由于其只有很少甚至沒有歷史行為記錄，使得協(xié)同過濾算法難以對其進行偏好建模，例如在基于用戶的協(xié)同過濾當中，冷啟動用戶由于沒有歷史打分記錄，造成無法為其計算相似近鄰用戶。同樣的問題也存在于基于物品的協(xié)同過濾算法中，新加入的物品由于幾乎沒有用戶打分，使得難以被算法推薦出來。Gantner等通過學習屬性特征映射來解決冷啟動問題；Zhang等利用社會化標簽來緩解冷啟動問題；Bobadilla等則研究了神經(jīng)網(wǎng)絡(luò)學習算法在冷啟動問題中的應(yīng)用；Leroy等對冷啟動的關(guān)聯(lián)預測（Link Prediction）問題進行了研究；Ahn等提出了一種啟發(fā)式的相似度計算方法來解決新用戶冷啟動的問題；Zhou等提出了功能矩陣分解模型（Functional Matrix Factorization），利用決策樹和矩陣分解的結(jié)合在冷啟動過程中為用戶選擇合適的物品進行打分，從而盡可能準確地理解用戶的偏好。與冷啟動問題緊密相關(guān)的是協(xié)同過濾的數(shù)據(jù)稀疏性問題，相對于系統(tǒng)中規(guī)模龐大的物品總數(shù)，評價每個用戶有過交互行為的物品只是很少的一部分，數(shù)據(jù)的稀疏性為用戶偏好建模帶來了挑戰(zhàn)。Wilson等通過實例研究了數(shù)據(jù)稀疏性問題在推薦系統(tǒng)中的影響；Huang等嘗試利用關(guān)聯(lián)規(guī)則挖掘來解決數(shù)據(jù)稀疏性問題；Papagelis等利用用戶信任關(guān)系來緩解稀疏性；Feng等研究了神經(jīng)網(wǎng)絡(luò)在稀疏數(shù)據(jù)背景下推薦問題中的應(yīng)用；Zhang等提出了矩陣的塊對角結(jié)構(gòu)，通過矩陣的塊對角變換增加局部密度從而直接緩解稀疏性問題；Zhang等進一步分析了矩陣分解的解空間性質(zhì)，并提出了增廣矩陣分解算法用以解決數(shù)據(jù)稀疏性的問題。由于推薦系統(tǒng)是許多互聯(lián)網(wǎng)應(yīng)用中的重要部分，協(xié)同過濾也因此在各種應(yīng)用場景下得到了豐富的應(yīng)用。除了典型的電子商務(wù)推薦系統(tǒng)之外，Das等利用協(xié)同過濾技術(shù)實現(xiàn)谷歌新聞推薦系統(tǒng)；Ma等利用協(xié)同過濾方法研究了社交網(wǎng)絡(luò)推薦中的一系列重要問題，包括基于社交網(wǎng)絡(luò)信任關(guān)系的推薦、基于社會化正則項的推薦、基于概率化矩陣分解的社交網(wǎng)絡(luò)推薦、基于上下文信息的社會化推薦、以及顯式和隱式信息在社會網(wǎng)絡(luò)推薦中的應(yīng)用，等等；Lekakos、Liu和Jeong等研究了協(xié)同過濾技術(shù)在電影推薦中的應(yīng)用；Celma、Eck、Wang等研究了音樂推薦技術(shù)及系統(tǒng)；Tewari、Cui等研究了在線圖書推薦；Zheng等研究了在線服務(wù)推薦系統(tǒng)；論文引用推薦是協(xié)同過濾推薦應(yīng)用的另一個重要領(lǐng)域，He、Caragea、Zarrinkalam等對此進行了深入的研究。

2.4混合型推薦系統(tǒng)

基于內(nèi)容的推薦其優(yōu)點是沒有冷啟動的問題，但是用戶和物品畫像的構(gòu)建需要大量的時間和人力；而基于協(xié)同過濾的推薦通過利用群體的智慧對用戶和物品進行畫像和建模，但是也存在冷啟動、數(shù)據(jù)稀疏性等不足之處。為了結(jié)合兩者的優(yōu)點而同時規(guī)避兩者的缺點，研究界提出了混合型推薦系統(tǒng)，對基于內(nèi)容和基于協(xié)同過濾兩種方法的結(jié)合成為混合型推薦系統(tǒng)的主流，在實際系統(tǒng)中得到了廣泛的應(yīng)用，現(xiàn)在大多數(shù)實際中的推薦系統(tǒng)都是綜合多種推薦算法而構(gòu)建的混合型推薦系統(tǒng)。根據(jù)算法融合方式不同，混合型推薦策略可以分為加權(quán)融合、場景切換、結(jié)果混合與重排序，、特征組合、算法級聯(lián)、算法元層次融合等。

Burke等將基于知識的專家系統(tǒng)與協(xié)同過濾結(jié)合，較早提出了混合型推薦系統(tǒng)的概念；ClayPool等進而將基于內(nèi)容和協(xié)同過濾的推薦相結(jié)合用于新聞推薦的任務(wù)；Wang等基于相似度融合的方法對傳統(tǒng)的用戶協(xié)同過濾和物品協(xié)同過濾進行了結(jié)合；Good等提出結(jié)合個人助理（Personal Agents）的協(xié)同過濾框架；Pennock等將基于近鄰的協(xié)同過濾與基于模型的方法相結(jié)合；Melville等提出了基于內(nèi)容增強（Content-boosted）的協(xié)同過濾方法；Kim和Cho等研究了基于決策樹的混合推薦模型；Popescul和Yoshii等研究了混合型推薦的概率化方法；近年來，Campos等又將貝葉斯概率框架應(yīng)用于混合型推薦系統(tǒng)中；Burke等研究了異構(gòu)網(wǎng)絡(luò)和數(shù)據(jù)環(huán)境下的混合型推薦算法；Choi等研究了用戶隱式反饋與行為模式的結(jié)合；Renckes等考慮了用戶隱私保護在混合型推薦中的體現(xiàn)；Sun等研究了基于排序?qū)W習的混合型推薦；Huang等基于用戶物品關(guān)系圖提出了一種融合內(nèi)容和協(xié)同過濾的混合型推薦方法。

在應(yīng)用方面，斯坦福大學的研究人員首先推出了混合型推薦系統(tǒng)Fab，首次采用了內(nèi)容和協(xié)同過濾結(jié)合的方法；Prasad和Li等研究了電子商務(wù)網(wǎng)站背景下混合型推薦的應(yīng)用；Yu等利用混合型推薦實現(xiàn)了基于手機的上下文相關(guān)多媒體內(nèi)容推薦系統(tǒng)；Yoshii和Donaldson等則對混合型推薦策略在音樂推薦中的應(yīng)用；Lekakos和Salter等基于內(nèi)容和協(xié)同過濾研究了電影推薦；Vaz等基于協(xié)同過濾和作者排序?qū)崿F(xiàn)了一個在線圖書推薦系統(tǒng)；Lucas等對在線旅游產(chǎn)品的推薦進行了研究；Sobecki等利用協(xié)同過濾和菜譜內(nèi)容實現(xiàn)了在線菜譜教程推薦系統(tǒng)；隨著MOOC等在線學習平臺的興起，Chen、Tang、Khrib和Bobadilla等研究了基于混合型推薦策略的在線課程推薦系統(tǒng)。

3存在問題

個性化推薦技術(shù)的主要研究對象豐富多變，概括而言包括兩大部分：其一是廣泛存在于各種互聯(lián)網(wǎng)應(yīng)用中的被推薦物品，包括商品、視頻、音樂、電影、新聞、金融產(chǎn)品、工作任務(wù)等方方面面；其二便是購買、消費和操作這些物品的網(wǎng)絡(luò)用戶。用戶與物品之間交互方式的多樣性、行為記錄的豐富性、興趣偏好的動態(tài)性，為個性化推薦技術(shù)的研究及其解釋帶來了諸多挑戰(zhàn)。如圖所示。

4結(jié)語

為了解決相關(guān)問題，學術(shù)界和產(chǎn)業(yè)界都進行了一定的探索，例如在亞馬遜等電子商務(wù)推薦系統(tǒng)中往往簡單地給出“購買了該產(chǎn)品的用戶也購買了”等簡單的模板式推薦理由；在社交網(wǎng)站下相關(guān)的推薦系統(tǒng)中，則可以看到諸如“你的好友也查看了該內(nèi)容”等基于社交關(guān)系的推薦理由。然而，過度簡化的一成不變的推薦理由難以為用戶提供個性化的解釋，降低了用戶對推薦理由的信任度。然而在實際系統(tǒng)中，用戶提及某一主題時并非一定是在表達正面情感，而在很多情況下恰恰相反是在表達負面情感，因此純粹基于主題的方法往往在描述用戶興趣偏好時有所偏差。本文對個性化推薦算法的關(guān)鍵技術(shù)做了系統(tǒng)介紹，對核心算法進行了綜述，為實現(xiàn)具體領(lǐng)域內(nèi)個性化推薦做鋪墊。endprint