李科文 張必武 陳發(fā)燕 唐瑩

基金項目：西北民族大學(xué)2019本科生科研創(chuàng)新項目《基于混合推薦算法的網(wǎng)絡(luò)課程獲取系統(tǒng)》;項目編號：XBMU-BYL19154

摘 要：每當(dāng)我們打開淘寶時，你會發(fā)現(xiàn)，首頁的推薦商品是你前幾天搜索過或者瀏覽過的商品的同類商品。打開今日頭條，每次他都能精準(zhǔn)的為你推送你想看到的新聞。又例如你喜歡看關(guān)于貓的視頻，在抖音、快手中看了很多條關(guān)于貓的視頻，那么你會發(fā)現(xiàn)，你下面的視頻中，關(guān)于貓的視頻占比會非常之大。而這些，都是使用了各種種類的推薦算法，以此做到精準(zhǔn)的個性化推薦。例如，微博的熱搜榜，就是使用了基于熱度的推薦算法。當(dāng)然，不管是對于商品還是新聞（以下簡稱item）的推薦，不止是一種推薦算法在里面發(fā)揮作用。是多種推薦算法的融合、取權(quán)，再推薦組合。

關(guān)鍵詞：推薦算法;熱搜榜

一、基于熱度的推薦算法

熱度推薦算法，是計算該item在全站中的熱度排名并將前幾名推薦給用戶的算法。

對于item的熱度值的計算公式可以是：總熱度=基礎(chǔ)熱度+用戶交互熱度-時間衰減熱度。不同item基礎(chǔ)熱度的取值不應(yīng)該是固定的、相同的。因為不同時期，用戶對不同item的興趣度不同。例如在網(wǎng)絡(luò)課程類APP的推薦中，當(dāng)英語四六級或計算機(jī)二級成績出來后。相關(guān)類課程視頻必定會受到?jīng)]通過的考試的喜愛，對于其的搜索勢必也會增加。因此，基礎(chǔ)熱度的取值應(yīng)當(dāng)不一樣，可以使用熱詞匹配的方法，將不同種類的item的基礎(chǔ)熱度區(qū)分，以達(dá)到更精準(zhǔn)的推薦。用戶交互熱度是指用戶對于某個item的交互行為產(chǎn)生的熱度，可以是點贊（fabulous）、分享（share）、收藏（favor）、評論（comment）等。當(dāng)用戶對一個item產(chǎn)生交互時，我們就可以根據(jù)交互種類分別乘以對應(yīng)的熱度分累加在之前的熱度上。當(dāng)然，不同種類的熱度分是需要根據(jù)交互的重要程度設(shè)定的。例如對于收藏的熱度分是要大于點贊的。并且不同種類的交互行為熱度分也需要根據(jù)用戶規(guī)模適當(dāng)增加或減少，應(yīng)當(dāng)按熱度分和用戶規(guī)模的比例。

有些item具有時效性，當(dāng)一段時間過去后，其重要性就會大大減少。因此需要一個時間衰減熱度，與之前算出來的熱度相減去來使過期item降低排名。而這個時間衰減熱度不應(yīng)該是線性的。參考牛頓冷卻定律，這個衰減公式應(yīng)該是一個指數(shù)函數(shù)：

T（Time）=e

其中T1為當(dāng)前時間，T0為item發(fā)布時間。最終熱度也需要隨時間的發(fā)展而無限趨近為0。因此，最終的總熱度公式修改為：

總熱度=（基礎(chǔ)熱度+用戶交互熱度）/T（Time）

二、基于用戶的協(xié)同過濾推薦算法（ItemCF）

（一）用戶行為數(shù)據(jù)

對于用戶行為數(shù)據(jù)的獲取，最簡單的一種形式應(yīng)當(dāng)是日志。用戶對于單個item的點擊、收藏、好評等稱為顯性反饋行為，對于單個item的瀏覽、頻繁搜索等稱為隱形反饋行為。

（二）算法實現(xiàn)

這個算法是給用戶推薦和他品味差不多的其他用戶喜歡的item，主要包括：

1.找到和目標(biāo)用戶興趣相似的用戶集合。

2.找到這個集合中的用戶喜歡的，且目標(biāo)用戶沒有瀏覽過的item推薦給目標(biāo)用戶。

對用戶行為的相似度計算，我們是通過余弦公式或者jarccard進(jìn)行計算的：設(shè)N（u）為用戶U虛幻的物品集合，N（v）為用戶v喜歡的物品集合。通過jarccard公式，計算u和v的相似度為：

Wuv=

利用余弦公式計算相似度：

Wuv=

下面計算用戶兩兩之間的相似度矩陣

因為利用余弦公式，計算相似度的時間復(fù)雜度為O（N2），耗時巨大。因此需要建立一張item到用戶之間的倒排表來排除沒有任何聯(lián)系的用戶之間的相似度計算，再根據(jù)倒序表計算共同評分過的矩陣。設(shè)用戶A評價過的item有abd，B評價過的有ac，C評價過的有b、c，D評價過的有cde。則有如下表：

其中每個數(shù)值都代表余弦相似度中的分子部分，通過分子除以分母以得到最終的用戶興趣。就是可以通過上圖中的共同評分過的物品的矩陣轉(zhuǎn)換為用戶之間的相似度矩陣，且只用計算非零的部分。比如要計算A與B的用戶相似度時。AB矩陣值為1，即他們共同交集的物品為1。A總共評分過的物品個數(shù)為3，B共同評分過的物品個數(shù)為2，可計算出相似度為

篩選出k個與用戶目標(biāo)最相似的用戶

在計算出用戶之間的相似度后，通過以下公式給用戶推薦和他興趣最相似的K個用戶喜歡的物品。

S（u，K）是和用戶u興趣最相近的K個用戶，N（i）是對物品i有過行為的用戶集合，Wuv是用戶u和v的興趣相似度，rvi為1.例如，對目標(biāo)用戶A進(jìn)行推薦。選取K=3，用戶A對物品c，e沒有過行為，因此可以把這三個物品推薦給A，通過計算得用戶A對c的興趣為p（A，c）=WAB+WAD=0.7416，對e的興趣為p（A，c）=WAC+WAD=0.7416。

三、基于內(nèi)容的推薦算法（CB）

CB算法是最早被應(yīng)用到推薦算法中的，它是根據(jù)用戶過去喜歡的item，為用戶推薦與之類似的item。

它一般分為三個步驟：

1.物品表示：為每個item概括出一些特征（也就是item的content）來表示此item。

2.特征學(xué)習(xí)：利用一個用戶過去喜歡和不喜歡的item的特征數(shù)據(jù)，以此學(xué)習(xí)出此用戶的喜好特征（profile）。

3.生成推薦：通過比較上一步得到的用戶profile與候選的item的特征，為此用戶推薦一組相似度最大的item。

那么如何知道用戶的喜好呢，可以在用戶注冊后就讓用戶選擇感興趣的分類，這也是較為常見的做法。我們也會獲取用戶的歷史瀏覽的數(shù)據(jù)，對于用戶歷史瀏覽較高的分類關(guān)鍵詞提取。對于item的特征獲取，我們可以在入庫時就為這個item添加分類標(biāo)簽。

結(jié)束語：

當(dāng)然，推薦算法不止這幾種，并且，對于以上推薦算法在項目中的使用，也需要反復(fù)的推敲，以達(dá)到精準(zhǔn)的個性化推薦。

作者簡介：李科文（1998-），男，漢族，西北民族大學(xué)，學(xué)士。研究方向：推薦算法。