楊誼，張斌，和法偉

（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院信息技術(shù)系，廣州510515）

0 引言

信息大數(shù)據(jù)時代，用戶獲取信息越來越方便。與此同時，海量數(shù)據(jù)也導(dǎo)致了信息過度和選擇困難。為了幫助用戶快速獲取需要的信息，推薦系統(tǒng)通過分析網(wǎng)絡(luò)或數(shù)據(jù)庫中的各類信息，根據(jù)用戶歷史行為所反映出的偏好，提供符合其要求的信息，這一服務(wù)得到了廣泛的關(guān)注與研究[1-2]影響推薦系統(tǒng)質(zhì)量的重要因素是推薦算法。目前常用的推薦算法有基于內(nèi)容、基于知識、協(xié)同過濾和混合推薦等。其中協(xié)同過濾推薦算法（Collaborative Filtering Recommendation Algorithm，

CFRA）應(yīng)用十分廣泛[3-5]。

1 協(xié)同過濾算法概述

協(xié)同過濾算法是基于用戶行為分析的推薦算法。多個用戶通過不斷地操作（瀏覽、搜索、標(biāo)記、下載）數(shù)據(jù)源中的信息，形成具有個人風(fēng)格的推薦列表，根據(jù)這個推薦列表中信息的頻度，可以在未來過濾掉用戶不感興趣或相關(guān)度較小的信息，而把用戶較為感興趣的需要的信息優(yōu)先篩選出來，從而獲得與自己的需求有較高匹配度的信息。協(xié)同過濾推薦算法可以分為兩大類，一種基于用戶進行設(shè)計，另一種基于信息進行設(shè)計?？傮w思路是通過用戶對信息的瀏覽、搜索、標(biāo)記、下載所隱含的行為模式來為提供高度相關(guān)的信息服務(wù)[3]。

1.1 基于用戶的協(xié)同過濾算法（User Collaborative Filter，UCF）

這一類算法主要利用用戶的行為屬性進行資源篩選，做法是根據(jù)目標(biāo)用戶關(guān)于資源操作的歷史記錄，計算該用戶和其他用戶在行為上的相似度，從而確定與該用戶偏好最接近的K 個“鄰居”，根據(jù)鄰居對其他資源的偏好情況，預(yù)測目標(biāo)用戶對其未知的資源的偏好程度，把偏好程度靠前的若干個資源推薦給目標(biāo)用戶[4]。

算法實現(xiàn)包括三個步驟。

（1）尋找與目標(biāo)用戶偏好相似的用戶，形成候選用戶集合。

根據(jù)前述算法思路，利用用戶之間行為的相似程度選擇候選用戶。假定用戶u 和用戶v，令N（u）表示u 喜愛的信息集合，令N（v）表示v 喜愛的信息集合，計算用戶u 和v 的興趣相似度：

但是，如果兩個用戶對熱門信息標(biāo)記為喜愛，可能不足以說明他們興趣的相似度，而兩個用戶對冷門信息有相似的行為，則可以較大概率推斷說明他們在這類信息方面有共同的偏好?？赏ㄟ^削弱熱門信息對用戶相似度的影響：

或者根據(jù)用戶對信息的評價行為（離散數(shù)值量化），通過計算余弦相似度反映用戶u 和v 的興趣相似度：

其中，ru,i表示用戶u 對信息i 的喜愛程度評分，Ui，j表示對信息i和j均進行過評分的用戶集合。

（2）取Suv或sim(i,j)最大的前K 個用戶生成用戶集合MU。

（3）找到集合MU 中的用戶喜歡的，且目標(biāo)用戶未接觸或標(biāo)記過的信息推薦給目標(biāo)用戶。通過MU 中所有用戶對信息I 的喜愛（與否或程度頻分）計算目標(biāo)用戶t 對信息i 的喜愛程度：

1.2 基于信息的協(xié)同過濾算法（Item Collaborative Filter，ICF）

和UCF 不同，ICF 更關(guān)注信息本身的相關(guān)性，利用所有用戶對信息的偏好情況，發(fā)現(xiàn)不同信息之間的相似度，再根據(jù)其他用戶的歷史偏好信息，將類似的信息推薦給目標(biāo)用戶[5]。

基于信息的協(xié)同過濾算法包括兩個步驟。

（1）計算信息之間的相似度。

使用下面的公式可以直接定義信息i 和j 的相似度：

其中，N(i)是喜歡信息i 的用戶數(shù)，N(j)是喜歡信息j 的用戶數(shù)。兩個信息產(chǎn)生相似度是因為它們共同被很多用戶喜歡，兩個信息相似度越高，說明這兩個信息共同被很多人喜歡。

同樣，為了避免熱門信息對信息相似度的干擾，使用改進的公式削弱權(quán)重：

（2）計算目標(biāo)用戶t 對信息i 的興趣：

該公式的含義是，某個信息如果和一個用戶標(biāo)記過感興趣的信息越相似，則它越有可能在用戶的推薦列表中獲得比較高的排名。

從以上過程可以看到，CRAF 不需要信息的顯式特征表示，并且不受信息類型的約束。但是它也存在一些局限性[6-7]：對于新類型的用戶或新信息缺乏經(jīng)驗信息而無法生成準確的推薦；當(dāng)評分數(shù)據(jù)比較稀疏時，由于數(shù)據(jù)不夠充分，不能準確提取數(shù)據(jù)之間的相關(guān)關(guān)系；只利用了用戶對資源的行為，而沒有考慮到對用戶的興趣進行分類，可以更好地實現(xiàn)有針對性的信息的發(fā)現(xiàn)。

2 引入標(biāo)簽的協(xié)同過濾推薦技術(shù)

2.1 標(biāo)簽

目前的研究熱點指向了標(biāo)簽（Tags）技術(shù)[8]。標(biāo)簽相當(dāng)于屬性提取，可以反映用戶或信息的類別、關(guān)鍵詞等屬性。通過標(biāo)簽可以體現(xiàn)信息的主要特征，還能夠進一步發(fā)掘用戶-資源以及用戶-用戶之間的相關(guān)性，提高推薦系統(tǒng)的準確性和交互性。文獻[8]提出了信息特征組合思路，利用用戶的興趣點組合信息特征來提高預(yù)測率。文獻[9]根據(jù)用戶對標(biāo)簽的使用情況，設(shè)計形成用戶偏好模型，利用標(biāo)簽計算資源間的相似性。文獻[10]分析了用戶、資源和標(biāo)簽三者之間的潛在語義關(guān)系，將其引入推薦算法。上述做法都是對標(biāo)簽進行了完全匹配的確定性算法，未考慮標(biāo)簽的概率關(guān)系，即非0 非1、介于0 和1 之間的關(guān)聯(lián)關(guān)系，而后者更普遍地存在于實際的信息系統(tǒng)中。為了體現(xiàn)信息和標(biāo)簽之間的關(guān)系，文獻[12]提出了一種標(biāo)簽等級機制，基于用戶-標(biāo)簽-信息等級進行標(biāo)注的權(quán)重設(shè)置，調(diào)節(jié)信息間及標(biāo)簽間的相鄰關(guān)系，但沒有考慮等級劃分的客觀性。文獻[11]綜合考慮了信息標(biāo)簽的參數(shù)法，通過計算標(biāo)簽的語義相關(guān)度和對信息相似度的影響，提高推薦的針對性。文獻[12]設(shè)計了標(biāo)簽屬性提取的模型，試圖從標(biāo)簽屬性關(guān)系中獲取用戶的偏好。

現(xiàn)有的算法通常只利用了用戶-標(biāo)簽-資源之間的關(guān)系，獨立計算用戶相似性或信息相似性，并未考慮在二者結(jié)合的基礎(chǔ)上標(biāo)簽的相關(guān)性，而基于用戶和信息的標(biāo)簽相關(guān)性能夠排除用戶行為和信息屬性的單因素偏差，通過二者結(jié)合來提高推薦結(jié)果的準確性。因此，本文把信息相似性和用戶相似性結(jié)合起來，提出一種引入標(biāo)簽相關(guān)度加權(quán)（Label Correlation Weighting，LCW）進行個性化推薦的協(xié)同過濾算法。

2.2 互信息

本文借鑒了“使用頻率決定確定權(quán)重”的思想進行信息屬性的相似性度量，通過詞頻和逆向文件頻率來體現(xiàn)某一詞語對主題的預(yù)測能力[3]。但是，熱門權(quán)重不等同于用戶個性化權(quán)重，直接將統(tǒng)計所得的頻率使用于標(biāo)簽，熱門標(biāo)簽對應(yīng)的信息計算得到權(quán)重往往較大，而這并不代表用戶個性化的興趣。因此考慮引入互信息（Mutual Information，MI）思想來反映兩個標(biāo)簽之間的關(guān)系。

信息論采用互信息進行不同變量之間關(guān)聯(lián)度的計算。互信息是一個隨機變量中包含關(guān)于另一個隨機變量的信息的值，值的大小表示兩者的關(guān)聯(lián)程度強弱[8]?；バ畔⒌暮喕嬎阈问綖椋?/p>

式中，I(x,y)表示x 與y 的互信息值，p(x,y)是x與y 共同出現(xiàn)的頻率，p(x)、p(y)分別是x、y 單獨出現(xiàn)的頻率。I(x,y)越大，表明x，y 的關(guān)聯(lián)程度比較強，即x 與y 越相似。

把上述的互信息I(x,y)引入標(biāo)簽-信息相關(guān)度計算，用標(biāo)簽與信息的相關(guān)度來反映標(biāo)簽的概率分布：I(x,y)值越大，表示標(biāo)簽x 被用來標(biāo)記信息y 的可能性越大。反之，I(x,y)值越小，表示標(biāo)簽x 用于標(biāo)記信息y 的可能性越小。

2.3 基于標(biāo)簽相關(guān)度的特征表示

在基于標(biāo)簽相關(guān)度的協(xié)同過濾推薦算法中包含3種類型的對象：用戶（具有使用標(biāo)簽標(biāo)記信息的行為）、被標(biāo)記的信息和被使用標(biāo)簽。用三元組表示為：

其中，U={u1,u2,…,um}為用戶集合，m 為用戶總數(shù)，P={p1,p2,…,pn} 為信息集合，n 為信息總數(shù)；L={l1,l2,…,lq}為標(biāo)簽集合，q 為標(biāo)簽總數(shù)。

2.4 基于標(biāo)簽相關(guān)度的用戶偏好計算

在確定用戶和信息的標(biāo)簽相關(guān)度特征表示之后，引入了標(biāo)簽相關(guān)度來預(yù)測用戶ui對信息pj的偏好，在解決“權(quán)重偏差”問題的同時，提高了推薦結(jié)果的準確性和適應(yīng)性。

根據(jù)數(shù)據(jù)源生成用戶-標(biāo)簽矩陣：

以及標(biāo)簽-信息矩陣：

基于（10）、（11）和用戶對信息的偏好程度構(gòu)建用戶-信息偏好矩陣：

通過以上信息的特征表示計算帶有標(biāo)簽相關(guān)度的不同信息間的相似度：

其中，Li,j表示信息pi和信息pj共同被用戶標(biāo)記的標(biāo)簽集合，和分別表示信息pi和pj被用戶u標(biāo)簽標(biāo)記的平均次數(shù)或評分的均值。如果至少信息pi和pj之一是熱門信息，而它們之間實際的關(guān)聯(lián)度較小，則I(pi,pj)的值較小，使得sim(li,lj)的計算結(jié)果減小，削弱了兩個標(biāo)簽的相關(guān)度，這是合理的；反之，如果信息pi和pj中沒有熱門信息，而它們實際的關(guān)聯(lián)度較大，則I(pi,pj)的值較大，使得sim(li,lj)的計算結(jié)果相對較大，加強了兩個標(biāo)簽的相關(guān)度，這也是合理的。

表1 標(biāo)簽“java”的高相關(guān)度標(biāo)簽和相關(guān)度

例如，認為與某個標(biāo)簽相關(guān)度大于0.05 的為高度相關(guān)標(biāo)簽，下面列出了計算所得到的標(biāo)簽“java”的高相關(guān)度標(biāo)簽和相關(guān)度（數(shù)據(jù)來源為本文實驗部分的數(shù)據(jù)子集）。

2.5 基于標(biāo)簽特征的用戶行為預(yù)測

本文算法選擇與目標(biāo)用戶t 行為最相似的K 個用戶的標(biāo)記行為，作為最近鄰集合，來計算預(yù)測目標(biāo)用戶的偏好行為。設(shè)信息集合p：｛p1,p2,…,ps｝為用戶t 已標(biāo)記的信息，則對該用戶未標(biāo)記的信息pi，預(yù)測用戶對它的偏好為：

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)來源

采用中國專業(yè)IT 社區(qū)CSDN 作為數(shù)據(jù)源，CSDN是專業(yè)的中文IT 技術(shù)社區(qū)，提供了包括CSDN.NET、移動端開發(fā)者專屬App、CSDN 資訊GitChat、AI 科技大本營、區(qū)塊鏈大本營、CSDN 云計算等多個類別的IT 資源，并具有較為成熟的標(biāo)簽系統(tǒng)。整理形成實驗數(shù)據(jù)集如表2 所示。

表2 實驗數(shù)據(jù)集說明

實驗發(fā)現(xiàn)，采用5 折、10 折和20 折交叉驗證的結(jié)果很接近。分析原因是由于數(shù)據(jù)集內(nèi)容集中于IT 領(lǐng)域，內(nèi)容和標(biāo)簽的發(fā)散性比一般的新聞網(wǎng)站小很多，使得算法的穩(wěn)定性比較好，采用5 折驗證就可以達到需要的精度。下面列出采取5 折交叉驗證的實驗結(jié)果，數(shù)據(jù)按數(shù)量4:1 分為訓(xùn)練集和測試集兩個部分。

3.2 比較方法和評估標(biāo)準

將本文的標(biāo)簽相關(guān)度加權(quán)方法LCW 與文獻[11]的標(biāo)簽相似度算法LS 和文獻[12]的標(biāo)簽加權(quán)算法LW，基于以上數(shù)據(jù)集處理，對結(jié)果作比較。

設(shè)置如下變量輔助評估：

TP=推薦的信息符合用戶喜好的數(shù)目

FP=推薦的信息不符合用戶喜好的數(shù)目

FN=未被推薦的信息不符合用戶喜好的數(shù)目

FN=未被推薦的信息符合用戶喜好的數(shù)目

本文采用通用的推薦質(zhì)量評價指標(biāo)：準確率Precision、召回率Recall和新穎度Novelty。

Precision是所推薦的符合用戶偏好的信息數(shù)占推薦信息的總數(shù)的比，表示推薦算法的查準率。

Recall指推薦算法給出的用戶喜歡的信息數(shù)與用戶喜歡的所有信息數(shù)的比，表示推薦算法的查全率。

Novelty指的是推薦信息的熱門程度，通常認為不熱門的信息更能讓用戶感受到新意。

其中recn為推薦集，popu(i)為該集合中信息i 的熱度。Novelty越小表示推薦結(jié)果的新穎度越好。

三個指標(biāo)中，Precision是用戶可以直接體驗到的，因此作為個性化算法的主要評判指標(biāo)，而Recall和Novelty作為算法性能衡量指標(biāo)，輔助評定推薦算法的效率和適用性。

3.3 實驗結(jié)果

實驗1K 值對推薦結(jié)果的影響。采用K 最近方法對用戶-信息偏好進行預(yù)測，K 的取值對于推薦結(jié)果具有較大的影響。比較在不同K 值下三個推薦算法（LCW、LS、LW）的三項指標(biāo)情況（Precision，Recall，Novelty）。實驗中，取隨機抽取數(shù)據(jù)源的50%的數(shù)據(jù)作為測試對象，根據(jù)經(jīng)驗將K 的取值范圍設(shè)置為[5，40]，以5 為區(qū)間大小，實驗結(jié)果如圖1 所示。

圖1 本文算法性能與K值的關(guān)系

圖5 的結(jié)果顯示，隨著N 值從5 開始增加，文本LCW 算法的三項指標(biāo)值逐漸增加，到N 取值為15 時各項評價指標(biāo)總體達到峰值。此后，三項指標(biāo)隨著N值的增大而逐漸降低并間有起伏。考慮到計算量，取K 為15，認為此時可以達到LCW 最好的推薦效果。

同樣，對LS 和LW 做K 值實驗，得到的最優(yōu)K 值分別為15 和20。

實驗2 樣本數(shù)目對推薦結(jié)果的影響。實驗將數(shù)據(jù)集中的樣本數(shù)目分別選取為20%，40%，…，100%來計算推薦結(jié)果的主要指標(biāo)Precision。圖2 顯示了實驗2的結(jié)果。

圖2 樣本數(shù)目與準確率的關(guān)系

圖3 三個推薦算法的準確度

圖2 顯示，隨著樣本數(shù)目比例的增大，三個算法的推薦結(jié)果的精確度都呈現(xiàn)提高的趨勢。因此，大樣本量有助于提高個性化推薦算法的正確率和性能。

實驗3 在全樣本參與的情況下，分別運行三種推薦算法，隨機抽取其中10 次實驗結(jié)果進行比較。

圖4 三個推薦算法的查全率

圖5 三個推薦算法推薦的熱門程度

圖3-圖5 的實驗結(jié)果表明，本文提出的LCW 推薦算法在Precision方面較多地優(yōu)于LW 算法，略優(yōu)于LS 算法，在Recall方 面與LW 相似，都高于LS 算法，而在Novelty方面，LW 算法略優(yōu)于其他兩種算法。分析原因，LCW 算法突出了標(biāo)簽的關(guān)聯(lián)度，所以能夠依據(jù)較高準確率的標(biāo)簽提高相關(guān)度標(biāo)簽的命中率，降低無關(guān)標(biāo)簽的干擾，準確率和召回率在精度方面比只依賴相似度的LS 和調(diào)整權(quán)值的LW 更好，也比較穩(wěn)定。但在新穎度方面，由于LCW 強調(diào)標(biāo)簽的相關(guān)性，可能會忽略一些小眾的信息，略低于其他兩種算法?？傮w結(jié)果驗證了本文提出的LCW 算法可以在一定程度上提高推薦質(zhì)量。

4 結(jié)語

基于標(biāo)簽?zāi)軌虮磉_信息的關(guān)鍵屬性，又能夠反映用戶的行為特點，本文根據(jù)對信息的屬性設(shè)置標(biāo)簽，提出了一種基于用戶-信息-標(biāo)簽三元組的推薦算法，提出了標(biāo)簽相關(guān)度的概念，設(shè)計了基于用戶和信息的標(biāo)簽相關(guān)性的計算方法，以反映用戶與信息之間以及用戶與用戶之間的關(guān)系，并排除用戶行為和信息屬性的單因素偏差，通過二者結(jié)合進一步削弱權(quán)重偏差對預(yù)測結(jié)果的影響，提高推薦結(jié)果的準確性。仿真實驗結(jié)果表明，本文提出的推薦算法在總體指標(biāo)上優(yōu)于對照的兩種主要的基于標(biāo)簽的協(xié)同過濾推薦算法，使得推薦結(jié)果在準確率和召回率方面有一定提升。