楊倩 梁艷 王艷娥 司海峰 張拓

摘要：隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)信息也呈指數(shù)級(jí)增長(zhǎng)，用戶面臨著信息過載（information overload）的難題。如何能夠從海量信息中幫助用戶找到有價(jià)值的信息，這使得個(gè)性化推薦系統(tǒng)具有越來越重要的作用。本文首先簡(jiǎn)要概述了用戶偏好，然后分析了用戶偏好的建模過程及方法，最后對(duì)基于用戶偏好的個(gè)性化推薦算法進(jìn)行了重點(diǎn)分類闡述，并分析了不同推薦算法的優(yōu)勢(shì)與不足，對(duì)推薦系統(tǒng)更好地挖掘用戶的興趣偏好，提升個(gè)性化用戶服務(wù)起到促進(jìn)作用。

關(guān)鍵詞：推薦系統(tǒng);用戶偏好;用戶偏好建模;個(gè)性化推薦算法

中圖分類號(hào)：TP391.3 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）13-0279-02

1引言

如今，我國的域名規(guī)模已超過千萬，網(wǎng)頁數(shù)量數(shù)以億計(jì)，互聯(lián)網(wǎng)應(yīng)用在生活中的方方面面，如QQ，微信方面的通信服務(wù);直播、短視頻等娛樂服務(wù);滴滴、共享單車等外出服務(wù);各種手機(jī)支付的金融服務(wù)等。那么對(duì)于用戶來說，如何在能夠快速地找到自己所需要的信息，這是一個(gè)非常重要的問題，也是近年來學(xué)術(shù)界的研究熱點(diǎn)。以往解決信息過載有兩種方法：第一種是分類目錄展示，第二種是搜索引擎。但是操作非常耗時(shí)，且效果不理想。而個(gè)性化推薦系統(tǒng)是一種解決信息過載的有效方法。它將傳統(tǒng)的“人找信息”變?yōu)椤靶畔⒄胰恕?，?duì)人實(shí)現(xiàn)了“按需服務(wù)”。通過對(duì)用戶的行為數(shù)據(jù)進(jìn)行分析和整理，進(jìn)而能對(duì)用戶的偏好進(jìn)行定位，最終滿足對(duì)用戶的需求。對(duì)于提取用戶偏好是來說，方法是不一樣的，有的是根據(jù)統(tǒng)計(jì)學(xué)理論相關(guān)知識(shí)，有的根據(jù)關(guān)聯(lián)規(guī)則的挖掘知識(shí)，有的是根據(jù)聚類相關(guān)數(shù)據(jù)挖掘技術(shù)。盡管方法各式各樣，但思想基本是相同的：都是通過收集整理用戶以往的行為數(shù)據(jù)，再對(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作后，進(jìn)而找到用戶的偏好信息，為用戶提供更快速精準(zhǔn)的體驗(yàn)。

2相關(guān)研究

個(gè)性化服務(wù)系統(tǒng)的關(guān)鍵問題是用戶偏好提取技術(shù)，用戶體驗(yàn)質(zhì)量的好壞取決于它。于歡研究了用戶偏好模型和用戶偏好提取技術(shù)，并且對(duì)基于用戶偏好特征的驚喜度評(píng)估準(zhǔn)則和推薦策略問題進(jìn)行了分析。何慧嘲針對(duì)目前推薦算法中的數(shù)據(jù)稀疏性問題，基于商品類別屬性和用戶評(píng)分矩陣，建立了一種混合推薦算法。陳云峰從顯式（用戶的評(píng)論）和隱式（用戶的瀏覽行為）來分析用戶的偏好，進(jìn)而給用戶提供所需信息。姜書浩針對(duì)不同人對(duì)多樣性偏好的不同，提出一種能夠在尋優(yōu)精度和多樣性之間權(quán)衡的個(gè)性化多樣性優(yōu)化方法。胡川根據(jù)傳統(tǒng)的用戶偏好融合方法，提出另一種融合方法，此方法不但包含了用戶偏好融合方法，同時(shí)也包含了推薦融合與模型融合的特點(diǎn)。這些研究成果，對(duì)本文研究基于用戶偏好的個(gè)性化推薦系統(tǒng)具有良好的指導(dǎo)作用。

3用戶偏好概述

用戶偏好也就是相比較而言用戶更喜歡某一個(gè)事物，這是一種心理傾向，和用戶的興趣、思維等有很大的關(guān)系。近年來對(duì)用戶偏好的研究已經(jīng)滲入到經(jīng)濟(jì)學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域。如當(dāng)當(dāng)網(wǎng)等網(wǎng)絡(luò)平臺(tái)通過收集用戶的瀏覽和購買記錄，進(jìn)而給用戶推薦圖書;美團(tuán)推薦服務(wù)基于用戶評(píng)分記錄，向用戶推薦所需的商品。這些都是根據(jù)收集和分析用戶的偏好信息，給用戶推薦所需商品，既提高了用戶的購買效率，也為公司帶來更大的利益。而用戶偏好并非是一成不變的，它伴隨著時(shí)間而發(fā)展變化，類似于拋物線的變化關(guān)系，可將用戶偏好分為兩類，一類是長(zhǎng)期偏好，另一類是短期偏好。而短期偏好在一定的條件下會(huì)發(fā)展為長(zhǎng)期偏好。如當(dāng)用戶由于某種原因?qū)σ患挛锂a(chǎn)生了偏好，這種由于一定刺激產(chǎn)生的偏好為短期偏好，此時(shí)其處于活躍狀態(tài)，用戶會(huì)連續(xù)收集與此事物相關(guān)的信息，因此短期偏好會(huì)慢慢地發(fā)展為長(zhǎng)期偏好。

4偏好建模方法

用戶偏好建模是通過對(duì)收集到用戶行為信息進(jìn)行分析，構(gòu)建出數(shù)據(jù)偏好模型的過程，目的是為了了解用戶的需求。它是一種利用數(shù)據(jù)來表達(dá)用戶不同偏好的模型，并且此模型會(huì)根據(jù)用戶偏好的變化而更新。建模過程分為兩個(gè)階段：第一階段：獲取用戶信息。用戶有大量的數(shù)據(jù)，包括顯式數(shù)據(jù)和隱式數(shù)據(jù)。顯式數(shù)據(jù)一般指用戶在系統(tǒng)中注冊(cè)或者提交的數(shù)據(jù)信息;隱式數(shù)據(jù)不是用戶主動(dòng)提交的信息，比如瀏覽痕跡、購買記錄等。第二階段：建立用戶偏好模型：根據(jù)收集到的用戶信息，分析并研究其偏好，并且將數(shù)據(jù)用適當(dāng)?shù)慕Y(jié)構(gòu)模型來表示，并且根據(jù)用戶的數(shù)據(jù)變化而更新模型。

建模方法可分為兩種：定性分析和定量分析。所謂定性分析是指通過構(gòu)建候選集的排序關(guān)系來構(gòu)建用戶偏好模型;而定量分析是指用賦予各個(gè)候選項(xiàng)一個(gè)確定的數(shù)值來構(gòu)建用戶的偏好模型。用戶偏好是一種用戶的個(gè)人感受，讓計(jì)算機(jī)能夠感知并了解用戶的情感，從而做出相應(yīng)的操作，進(jìn)而使用戶獲得自己所需要的東西，提升個(gè)性化服務(wù)水平。

5用戶偏好的個(gè)性化推薦分析

個(gè)性化服務(wù)系統(tǒng)的代表就是推薦系統(tǒng)，它根據(jù)收集到的用戶行為數(shù)據(jù)，分析用戶的偏好，生成能夠供其選擇的信息排列。這種過濾系統(tǒng)與傳統(tǒng)的檢索系統(tǒng)的區(qū)別是：其所有的結(jié)果都是根據(jù)用戶偏好而產(chǎn)生的，同時(shí)根據(jù)反饋結(jié)果快速更新。由于不同的推薦策略，所以對(duì)應(yīng)不同的推薦算法，大致可分為三類：

（1）根據(jù)內(nèi)容進(jìn)行推薦的算法

根據(jù)內(nèi)容推薦也稱為基于內(nèi)容的過濾系統(tǒng)（Content-BasedFiltering，CBF）。其思想是：對(duì)某個(gè)個(gè)人而言，對(duì)以前感興趣的事物會(huì)表現(xiàn)出更大的興趣偏向。它主要是衡量備選內(nèi)容與個(gè)人偏好的相近程度，進(jìn)而預(yù)測(cè)用戶對(duì)備選內(nèi)容偏好的程度，二者采用一致的方式，可以是向量空間、貝葉斯模型或者神經(jīng)網(wǎng)絡(luò)模型。根據(jù)內(nèi)容進(jìn)行推薦的模型，方法簡(jiǎn)易，并且結(jié)果的解釋性較強(qiáng)，但是由于用戶偏好模型和項(xiàng)目模型的表征具有局限性，因此產(chǎn)生某種效果后不會(huì)有提升的空間，所以用戶新的偏好就很難被收集到，也很難產(chǎn)生新的推薦信息。

（2）協(xié)同過濾推薦算法

協(xié)同過濾推薦算法（Collaborative Filtering，CB）是一種非常通用的方法。它基于“物以類聚，人以群分”的觀點(diǎn)，認(rèn)為：如果興趣一致的用戶都選擇了某個(gè)商品，那么和大家興趣一致的用戶大概也可能會(huì)對(duì)該商品有較強(qiáng)的偏好;如果用戶對(duì)某個(gè)商品產(chǎn)生了一定的興趣，那么他也會(huì)更傾向于選擇和該商品相近的商品。協(xié)同過濾推薦有不同的實(shí)現(xiàn)方式，因此分為：根據(jù)用戶產(chǎn)生、根據(jù)項(xiàng)目產(chǎn)生和基于模型產(chǎn)生。

根據(jù)用戶產(chǎn)生指的是：給定一個(gè)用戶，評(píng)分?jǐn)?shù)據(jù)，評(píng)分項(xiàng)目。有的項(xiàng)目用戶沒有產(chǎn)生評(píng)分，而此時(shí)可以利用和該用戶有相近的其他用戶的評(píng)分結(jié)果來進(jìn)行預(yù)測(cè)。如用戶a和用戶b的相似度用函數(shù)表示為：

根據(jù)項(xiàng)目產(chǎn)生的算法思路和根據(jù)用戶產(chǎn)生的思路是相同的。但隨著時(shí)間的推遲，用戶偏好會(huì)發(fā)生相應(yīng)的變動(dòng)，所以根據(jù)用戶的算法會(huì)產(chǎn)生推薦結(jié)果不精確。而根據(jù)項(xiàng)目的相似性算法則有較高的準(zhǔn)確度，并且較穩(wěn)定。當(dāng)獲得相似性時(shí)，由于每個(gè)用戶的思維不用，評(píng)價(jià)標(biāo)準(zhǔn)也不同，有的傾向于打較高的分?jǐn)?shù)，有的則打的分?jǐn)?shù)較低，所以根據(jù)項(xiàng)目的算法利用余弦相似性來進(jìn)行分析，項(xiàng)目a和項(xiàng)目b的相似性計(jì)算如下：

根據(jù)用戶產(chǎn)生的算法和根據(jù)項(xiàng)目產(chǎn)生的算法，都會(huì)采用選近鄰的方法。通常根據(jù)用戶的算法和根據(jù)項(xiàng)目的算法計(jì)算量都較大，但是評(píng)分只來自其中一小部分，因此又導(dǎo)致了數(shù)據(jù)稀疏問題，使準(zhǔn)確度非常低，效果非常差。再者如果有新的用戶進(jìn)來，但是之前沒有相應(yīng)的評(píng)分，所以無法使用根據(jù)近鄰的方法進(jìn)行處理，這就是所謂的“冷啟動(dòng)”，這個(gè)問題也會(huì)影響推薦結(jié)果。而根據(jù)模型的算法則利用和根據(jù)近鄰的算法不同的思想，根據(jù)內(nèi)存中原來的評(píng)分，采用公式計(jì)算、預(yù)估評(píng)分進(jìn)而得出結(jié)果，這屬于全局推薦。它利用離線計(jì)算收集用戶一項(xiàng)目的評(píng)分結(jié)果，然后用此模型對(duì)候選項(xiàng)目實(shí)施預(yù)測(cè)。但需消耗大量的資源進(jìn)行訓(xùn)練，而且要經(jīng)常對(duì)模型進(jìn)行更新。

（3）混合推薦算法

不同的推薦算法都有其優(yōu)缺點(diǎn)。混合模型則是一種融合了內(nèi)容過濾方法和協(xié)同過濾方法的優(yōu)點(diǎn)，如果有大量數(shù)據(jù)的前提下，混合模型的推薦結(jié)果更好。它的設(shè)計(jì)形式可以分為三種，分別是整體混合、并行混合及流水線混合。其中，整體混合又包含特征組合混合和特征補(bǔ)充混合兩種方法，并行式混合設(shè)計(jì)又包含交叉混合、加權(quán)混合和切換混合，流水線混合設(shè)計(jì)又包含串聯(lián)混合和分級(jí)混合。這些都是不同的混合算法，在不同的情況下，采用不同的方法。

6結(jié)束語

本文首先對(duì)用戶偏好作了簡(jiǎn)要概述，然后分析了用戶偏好的建模過程及方法，最后重點(diǎn)對(duì)基于用戶偏好的個(gè)性化推薦算法進(jìn)行了分類闡述，并分析了不同推薦算法的優(yōu)勢(shì)與不足，幫助推薦系統(tǒng)更好地挖掘用戶的興趣偏好，對(duì)提升個(gè)性化用戶服務(wù)起到促進(jìn)作用。