文曉棠，吳少?gòu)?qiáng)

（廣東財(cái)經(jīng)大學(xué)華商學(xué)院，廣州510000）

0 引言

當(dāng)今，數(shù)據(jù)量成指數(shù)級(jí)別增長(zhǎng)，并且速度還在不斷攀升。面對(duì)如此龐大的數(shù)據(jù)海洋，如何從海量數(shù)據(jù)中獲取最想要的信息，這是一件很消耗時(shí)間和精力的事情。如今的搜索引擎很強(qiáng)大，根據(jù)輸入的關(guān)鍵字在全球海量數(shù)據(jù)中尋找到匹配度高的內(nèi)容，這在一定程度上解放了人類，但這一行為需要人們主動(dòng)的發(fā)起，并且未考慮到每個(gè)人單獨(dú)具備的特點(diǎn)。為了進(jìn)一步解決這一問題，學(xué)者們提出了各具特點(diǎn)的推薦算法，根據(jù)每個(gè)人產(chǎn)生的行為記錄推斷其獨(dú)特的興趣并向其推送個(gè)性化信息。當(dāng)下，推薦系統(tǒng)在部分領(lǐng)域比較常見，如電商平臺(tái)、多媒體傳播平臺(tái)等。但在知識(shí)共享平臺(tái)，推薦用戶感興趣的內(nèi)容這一塊還有待提升，因此在個(gè)性化知識(shí)推薦方面很有必要尋找解決方案。

推薦算法[1]分為以下幾種：基于內(nèi)容、協(xié)同過濾和混合推薦等算法。Goldberg等人[2]第一次引入?yún)f(xié)同過濾思想。Resnick等人[3]提出基于評(píng)分的協(xié)同過濾推薦算法，通過收集用戶評(píng)分以獲取其偏好，基于聚類算法分析用戶相似性，完成推薦。Huang[4]運(yùn)用Deep Structured Semantic Models（DSSM）模型構(gòu)建一個(gè)基于位置感知的個(gè)性化新聞推薦模型。

上述推薦算法中，協(xié)同過濾算法是當(dāng)前應(yīng)用最為廣泛的算法，該算法有一類為矩陣因式分解，通過FunkSVD算法或者其他改進(jìn)算法等對(duì)矩陣進(jìn)行分解，得到兩個(gè)矩陣因子，從而用來預(yù)測(cè)用戶對(duì)于未知項(xiàng)目的評(píng)分，但其評(píng)分是全局評(píng)分優(yōu)化，不能單獨(dú)對(duì)用戶興趣點(diǎn)排序，從而不能從大量數(shù)據(jù)中選取興趣點(diǎn)較高的少量推薦項(xiàng)。

為了解決上述問題，本文將貝葉斯個(gè)性化排序和基于內(nèi)容推薦結(jié)合，提出一種混合的推薦算法。主要貢獻(xiàn)概括如下：

（1）基于矩陣分解的貝葉斯個(gè)性化排序算法，對(duì)三元組訓(xùn)練集進(jìn)行訓(xùn)練，達(dá)到收斂，再通過計(jì)算用戶個(gè)人感興趣關(guān)鍵字與文章關(guān)鍵字匹對(duì)程度，來預(yù)測(cè)用戶對(duì)該文章的感興趣程度，兩種算法充分發(fā)揮各自長(zhǎng)處，形成混合的個(gè)性化知識(shí)推薦算法，以此來提高整體的推薦效果。

（2）在技術(shù)博文論壇，使用Kaggle上的公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，取得顯著推薦效果。

（3）基于混合的個(gè)性化知識(shí)推薦算法，設(shè)計(jì)個(gè)性化知識(shí)推薦模型，可使算法用于實(shí)踐，具有較高實(shí)用價(jià)值。

1 相關(guān)算法

1. 1 貝葉斯個(gè)性化排序算法（BPR）

該算法是一種排序推薦算法，按照用戶對(duì)物品的感興趣程度進(jìn)行排序，再選擇優(yōu)先級(jí)最高的物品推薦給用戶。

在該算法中，訓(xùn)練數(shù)據(jù)集為數(shù)據(jù)對(duì)即＜u，i，j>，表示的是用戶u對(duì)于物品i比物品j更感興趣。且該算法基于貝葉斯個(gè)性化排序，因此用戶之間的喜好行為是相互獨(dú)立的，用戶對(duì)不同物品的偏好也相互獨(dú)立。同時(shí)，BPR也基于矩陣分解模型，對(duì)于用戶集與物品集形成的預(yù)測(cè)排序矩陣，通過優(yōu)化分解得到矩陣

優(yōu)化目標(biāo)則為找到合適的矩陣因子V和W使得Xˉ和X最為相似。其中，V和W，通過最大后驗(yàn)估計(jì)優(yōu)化P(V,W|>u)，其中>u代表的是用戶u對(duì)于物品的偏好關(guān)系。通過貝葉斯公式即可得到：

對(duì)該公式進(jìn)一步分解之后，通過梯度上升法，最終使得V和W都收斂，模型即訓(xùn)練完成。最后使用V和W 矩陣因子求得預(yù)測(cè)值：xˉui=Vu?Wi，并選擇排序值最高的n個(gè)進(jìn)行推薦。

1. 2 基于內(nèi)容推薦算法（CBR）

基于內(nèi)容推薦算法使用的數(shù)據(jù)包括用戶興趣關(guān)鍵字，及文章關(guān)鍵字。為了計(jì)算文章內(nèi)容的關(guān)鍵字，需要對(duì)文章進(jìn)行分詞等文本預(yù)處理，之后可以計(jì)算這些詞語的重要性。

本文基于TF-IDF算法[5]來評(píng)估詞語在文章中的重要性，本研究中將每篇文章文本處理后的詞語看作關(guān)鍵詞的集合，即1篇文章有n關(guān)鍵詞c1，c2，…，cn，其中1篇特定文章中詞頻分別是tf1，tf2，…，tfn。TF計(jì)算公式如下：

ni，j是關(guān)鍵詞在所在文章dj中的出現(xiàn)次數(shù)，分母是所在文章dj中所有詞語出現(xiàn)次數(shù)之和。

若關(guān)鍵詞c在Dc中首篇文章出現(xiàn)，Dc的值越大，詞語c在文章中區(qū)別于其他文章的作用就越小。如“大數(shù)據(jù)”在很多文章中出現(xiàn)，出現(xiàn)頻率非常高，但它在文章中的區(qū)分度貢獻(xiàn)小。因此，可以給文章中的關(guān)鍵詞賦予一定的權(quán)重，如果它很少在文章中出現(xiàn)，通過比較可以容易找到相似文章，在文章中用于區(qū)別其他文章作用就大，其權(quán)重也就越大，反之權(quán)重越小。

本文使用IDF逆向文本頻率指數(shù)計(jì)算文章中關(guān)鍵詞的權(quán)重，計(jì)算公式如下：

|D|表示語料庫(kù)中文章總數(shù)

|{j：t∈dj}|表示包含詞語 ti的文章數(shù)目，若該詞語不在語料庫(kù)中，就會(huì)導(dǎo)致被除數(shù)為0，故一般情況下使用 1+|{j：t∈dj}|

假設(shè)文章數(shù)量D=1000篇，若“大數(shù)據(jù)”在所有文章中均出現(xiàn)，則其 idf=log（1000/1000）=0，若“人工智能”在20篇文章中出現(xiàn)，則其 idf=log（1000/20）=1.69897。

綜上所述，使用上述TF-IDF=tfi*idif的值可以評(píng)價(jià)某個(gè)關(guān)鍵詞在某篇首次出現(xiàn)的文章中的重要程度。計(jì)算某篇首次出現(xiàn)的文章所有組成的tf*idf和sim，可以評(píng)價(jià)文章之間的相似性。計(jì)算相似度公式如下：

依據(jù)上述公式，可以把用戶感興趣的詞語形成關(guān)鍵詞集合，然后在所有文章中計(jì)算這些關(guān)鍵詞的tf*idf的和，從而找出相似度高的文章。

至于用戶的喜好關(guān)鍵詞集合，則由其以往的行為記錄逐漸生成，同樣可以使用TF-IDF算法處理用戶閱讀過的內(nèi)容，從而形成用戶喜好關(guān)鍵詞集合。

2 混合貝葉斯個(gè)性化排序與內(nèi)容的推薦算法

本文提出的混合算法主要基于上述兩種算法，對(duì)技術(shù)博文進(jìn)行個(gè)性化知識(shí)推薦。在該算法中，收集的用戶信息包括用戶對(duì)文章的評(píng)論、是否贊同、訪問次數(shù)和訪問時(shí)長(zhǎng)等。對(duì)于收集到的信息會(huì)進(jìn)行加權(quán)求得用戶對(duì)文章的評(píng)分，形成評(píng)分矩陣S。

考慮相關(guān)性問題以及矩陣稀疏等問題，可使用聚集算法，形成用戶集群。或者通過計(jì)算用戶之間的相似度，直接取前n個(gè)鄰居。相似度的計(jì)算可通過余弦相似度公式。

使用本算法設(shè)計(jì)的個(gè)性化知識(shí)推薦模型如圖1所示。

圖1混合貝葉斯個(gè)性化排序與內(nèi)容的個(gè)性化知識(shí)推薦模型圖

本混合推薦算法的核心過程如下：

S1：獲取最近一段時(shí)間內(nèi)用戶所產(chǎn)生的行為記錄，包括評(píng)論、是否贊同、訪問次數(shù)和訪問時(shí)長(zhǎng)等。

S2：通過評(píng)分函數(shù)計(jì)算用戶對(duì)文章的評(píng)分，并最終形成評(píng)分矩陣，行表示用戶，列表示文章，并通過該矩陣抽取得到＜u，i，j>三元組訓(xùn)練集。

S3：貝葉斯個(gè)性化排行對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，最終達(dá)到收斂，并通過模型對(duì)未交互過的文章進(jìn)行預(yù)測(cè)，得到感興趣的文章排序列表。

S4：使用基于內(nèi)容推薦算法對(duì)推薦結(jié)果進(jìn)行部分糾正，計(jì)算用戶感興趣關(guān)鍵字與推薦文章的關(guān)鍵字的匹配分值，如果相似度高則對(duì)推薦結(jié)果進(jìn)行增強(qiáng)，否則對(duì)其進(jìn)行削弱，得到最后的推薦結(jié)果。

其中，對(duì)于新注冊(cè)用戶，由于沒有過去所產(chǎn)生的行為記錄，無法得知其興趣愛好并對(duì)其推薦，則可使用熱點(diǎn)推薦以及全局基線方法為其進(jìn)行推薦。同時(shí)，應(yīng)用系統(tǒng)同時(shí)會(huì)定期對(duì)用戶關(guān)鍵字進(jìn)行削弱，并更新文章關(guān)鍵字。

3 實(shí)驗(yàn)結(jié)果與分析

3. 1 數(shù)據(jù)集

使用Kaggle公開數(shù)據(jù)集中的數(shù)據(jù)，主要是用戶與文章交互的記錄。統(tǒng)計(jì)包括文章2987篇，用戶1895名。記錄形式如圖2所示。

圖2數(shù)據(jù)集記錄形式

行為記錄的數(shù)量時(shí)間分布圖如圖3，可將某個(gè)日期之前的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，后續(xù)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集。

圖3行為記錄數(shù)量時(shí)間分布圖

其中，行為包括：查看、喜歡、收藏、評(píng)論、訂閱作者。各種類型行為統(tǒng)計(jì)數(shù)如表1。

表1用戶行為-統(tǒng)計(jì)數(shù)量表

3. 2 實(shí)驗(yàn)結(jié)果

首次通過余弦相似度求得鄰居后，分別將鄰居對(duì)某篇文章的評(píng)分乘以相似度值，后求和，得出對(duì)文章的預(yù)測(cè)評(píng)分。但效果不佳。

將數(shù)據(jù)轉(zhuǎn)換為評(píng)分矩陣，并進(jìn)行歸一化處理。將模型通過訓(xùn)練后，部分預(yù)測(cè)排序值與真實(shí)數(shù)據(jù)評(píng)分的對(duì)比如圖4-圖5。

圖4初始推薦predict值

從實(shí)驗(yàn)結(jié)果可以看出，貝葉斯個(gè)性化排序推薦算法推薦效果比較明顯，均方誤差也達(dá)到了較小的程度。但實(shí)驗(yàn)未能完全實(shí)踐上使用基于內(nèi)容推薦算法對(duì)推薦結(jié)果優(yōu)化，理論上若完全實(shí)現(xiàn)混合算法，推薦效果要遠(yuǎn)優(yōu)于實(shí)驗(yàn)結(jié)果，這是筆者需要進(jìn)行的下一步工作。

圖5貝葉斯個(gè)性化排序算法predict值

圖6均方誤差

3. 3 總結(jié)

使用混合推薦算法，在一般規(guī)模的數(shù)據(jù)上，表現(xiàn)出較好的推薦效果。不過還有很多可以改進(jìn)的地方。當(dāng)數(shù)據(jù)規(guī)模達(dá)到一定程度時(shí)，便需要將推薦系統(tǒng)部署在集群計(jì)算平臺(tái)，以此來加快模型的訓(xùn)練等。并且在超大數(shù)據(jù)規(guī)模上，深度學(xué)習(xí)構(gòu)建的模型可能占據(jù)更大的優(yōu)勢(shì)。通過深度學(xué)習(xí)構(gòu)建神經(jīng)網(wǎng)絡(luò)對(duì)技術(shù)博文進(jìn)行推薦還有待研究，并且對(duì)用戶的評(píng)論也可進(jìn)行相應(yīng)的情感分析來輔助推薦。