紀(jì)文璐，王海龍，蘇貴斌，柳 林

1.內(nèi)蒙古師范大學(xué) 計算機科學(xué)技術(shù)學(xué)院，呼和浩特010020

2.內(nèi)蒙古師范大學(xué) 教務(wù)處，呼和浩特010020

1 引言

伴隨互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)以及移動技術(shù)的迅猛發(fā)展，其產(chǎn)生的數(shù)據(jù)已呈現(xiàn)爆炸式增長[1]。由于數(shù)據(jù)規(guī)模龐大、繁瑣，重疊信息過多等問題，導(dǎo)致用戶對數(shù)據(jù)利用率不高，無法準(zhǔn)確提取有價值的數(shù)據(jù)。因此，從繁雜的數(shù)據(jù)海洋中捕獲有效數(shù)據(jù)，為用戶提供高質(zhì)量信息，成為推薦系統(tǒng)領(lǐng)域的研究目標(biāo)[2]。例如大型電子商務(wù)平臺亞馬遜的個性化產(chǎn)品推薦、潘多拉播放器的音樂推薦、Facebook社交網(wǎng)絡(luò)的好友推薦以及YouTube網(wǎng)站的視頻推薦等著名的推薦系統(tǒng)以及其他各類個性化領(lǐng)域[3]，它們從各自擅長的角度提供不同領(lǐng)域的內(nèi)容推薦，運營商在獲得可觀的利潤的同時也為廣大用戶提供便利。開心的時候適合聽什么樣的歌曲，剛有寶寶的父母喜歡什么商品的可能性更大等一系列問題的解決，都使得被推薦用戶得到更好的體驗[4]。由此可見，推薦系統(tǒng)已經(jīng)成為現(xiàn)代化社會一種極其有效解決用戶需求的方式[5]。推薦系統(tǒng)的本質(zhì)是從一堆毫無條理的原始數(shù)據(jù)中，通過提取用戶數(shù)據(jù)的特征屬性、興趣愛好，和對用戶的偏好挖掘來進行相似的信息推送，從而完成構(gòu)建。推薦系統(tǒng)是以推薦算法為核心，融合各類模型以及通過建立用戶與項目之間的數(shù)學(xué)二元組關(guān)系，并利用存在的相似性來判斷并分析數(shù)據(jù)，進而挖掘每個用戶潛在的感興趣物品。不僅可以讓用戶在繁雜的內(nèi)容中發(fā)現(xiàn)所中意的信息，也會將興趣度高的信息展現(xiàn)給用戶，同時應(yīng)用各式推薦方法[6-8]，達到優(yōu)質(zhì)推薦的目的。

推薦系統(tǒng)的概念最早在1992 年的郵件過濾系統(tǒng)[9]中被提出，目的是為了解決郵件過載問題。文中首次使用了協(xié)同過濾的概念，之后被廣泛引用，它通過用戶使用的歷史記錄以及各物品之間的相似程度，進而深入挖掘用戶潛在的感興趣物品[10]。推薦系統(tǒng)的主要構(gòu)成內(nèi)容包括用戶、物品和推薦算法，其中推薦算法的高效性、魯棒性都決定著推薦系統(tǒng)性能的優(yōu)劣[11]。傳統(tǒng)的推薦算法一般可以分為三大類，即基于內(nèi)容的推薦算法[12]、協(xié)同過濾推薦算法[13]以及混合推薦算法[14]。

由于傳統(tǒng)推薦算法中未能考慮到物品與物品之間的深層關(guān)系，IBM 公司于1993 年首次提出了關(guān)聯(lián)規(guī)則模型后，Manchanda等人[15]緊接著于1999年在實際的商業(yè)交易數(shù)據(jù)應(yīng)用中指出，消費者在多選項場景下，一個共同主線上所供選擇的項目之間可能以某種特殊的關(guān)系進行關(guān)聯(lián)，即用戶會在不同情況下做出不同選擇。例如在購物時，一個類別選擇的結(jié)果會影響到另一個類別，因為這兩者之間可能使用關(guān)系互補（如面粉和酵母），也可能因為購買周期相似（如啤酒和尿布），或者更多無法被容易發(fā)現(xiàn)的深層規(guī)則。因此在實際應(yīng)用中，研究人員將關(guān)聯(lián)規(guī)則技術(shù)運用到推薦算法中來提高推薦性能，從而彌補傳統(tǒng)推薦算法的不足[16]。

通過歸納總結(jié)一些學(xué)者在推薦算法中使用關(guān)聯(lián)規(guī)則技術(shù)的研究結(jié)果，分別從不同角度來分析和解決傳統(tǒng)推薦算法在推薦過程中存在的各類問題。例如緩解基于內(nèi)容推薦中的冷啟動問題，消除協(xié)同過濾推薦中的數(shù)據(jù)稀疏問題以及擴展當(dāng)下熱門的社交網(wǎng)絡(luò)推薦中用戶友好匹配的問題，進而從介紹、分析、實驗的角度將關(guān)聯(lián)規(guī)則技術(shù)引入到各類模型中去解決問題，并在研究過程中指出其優(yōu)缺點、研究結(jié)果以及未來的研究熱點方向。

2 傳統(tǒng)推薦算法概述

自協(xié)同過濾（Collaborative Filtering，CF）算法被提出之后，推薦系統(tǒng)就成為一類新興的、有較高實用價值和關(guān)注度的學(xué)科被廣大學(xué)者進行深入研究。推薦系統(tǒng)的核心就是推薦算法，傳統(tǒng)的推薦算法主要由三類組成，協(xié)同過濾算法、基于內(nèi)容的推薦算法以及混合推薦算法。

2.1 協(xié)同過濾推薦算法

協(xié)同過濾推薦算法的核心思想就是充分利用與目標(biāo)用戶興趣偏好相同的用戶群體喜好來進行高精度推薦。其中協(xié)同過濾推薦算法主要有兩種形式，分別是基于用戶[17]的推薦和基于項目[18]的推薦，推薦方式如圖1、圖2 所示，兩者當(dāng)中基于用戶的推薦出現(xiàn)較早，但二者的推薦原理基本相同?；谟脩敉扑]的基本原理就是通過提取所有用戶在使用過程中產(chǎn)生的歷史數(shù)據(jù)特征值，去發(fā)現(xiàn)他們對某一種或多種項目的偏好程度，然后經(jīng)由算法對數(shù)據(jù)進行相似度處理，最后根據(jù)鄰居用戶數(shù)據(jù)組的歷史偏好信息向目標(biāo)用戶進行高效且精確的推薦[19]?；陧椖康耐扑]則是將基于用戶推薦中用戶之間的相似度計算變成了項目之間的相似度計算，據(jù)此來獲得相應(yīng)的預(yù)測結(jié)果，并將排名結(jié)果較好的項目信息反饋給用戶，從而獲取高質(zhì)量推薦。由于協(xié)同過濾主要是根據(jù)用戶的歷史行為數(shù)據(jù)發(fā)掘偏好，因此它在推薦過程中產(chǎn)生的優(yōu)缺點也非常明顯，詳見表1。為解決數(shù)據(jù)稀疏等問題[20]，廣大學(xué)者通過研究用戶矩陣對其進行改進[21]，以緩解由于數(shù)據(jù)稀疏導(dǎo)致的推薦效果不佳等問題。

圖1 基于用戶相似的推薦

圖2 基于項目相似的推薦

2.2 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦是一種極其經(jīng)典且重要的推薦方法，應(yīng)用較為廣泛[22]，其原理就是通過對比目標(biāo)用戶的中意項目元數(shù)據(jù)，根據(jù)內(nèi)容相似程度為目標(biāo)用戶產(chǎn)生新的推薦。例如常見購物網(wǎng)站的“猜你喜歡”功能，便是使用基于內(nèi)容的推薦算法來為大家推薦感興趣的商品。在電子商務(wù)模式下，推薦系統(tǒng)會根據(jù)目標(biāo)用戶的興趣喜好來對商品的特征進行提取，構(gòu)建一個用戶興趣特征向量，之后根據(jù)提取的特征值對商品進行比對，從而為目標(biāo)用戶推薦優(yōu)質(zhì)商品。雖然基于內(nèi)容的推薦原理簡單，但與協(xié)同過濾相比，新項目“冷啟動”[23]和“數(shù)據(jù)稀疏”[24]問題的緩解是其重要優(yōu)勢。另外一個優(yōu)勢就是用戶間的獨立性。因為每個用戶的興趣描述模型僅僅基于該用戶本身的經(jīng)歷，所以用戶之間不會相互影響[25]，但同時也存在新用戶的冷啟動以及無法處理其他類型數(shù)據(jù)等問題，詳見表1。

表1 傳統(tǒng)推薦算法分析比較表

2.3 混合推薦算法

混合推薦是通過組合多種推薦技術(shù)來解決各單體算法模型的不足。文獻[26]提出一種基于特征變換和概率矩陣分解的混合社交網(wǎng)絡(luò)推薦算法，該方法針對數(shù)據(jù)稀疏和冷啟動問題，以概率矩陣因式分解方法作為框架，將社交網(wǎng)絡(luò)中用戶的信任特征作為推薦的有效依據(jù)，其中各類特征值在推薦系統(tǒng)中所占權(quán)重還需研究改善。根據(jù)用戶需求和興趣特征，文獻[27]提出一種基于學(xué)習(xí)風(fēng)格和個性化的混合推薦策略，通過獲取學(xué)習(xí)者不同的學(xué)習(xí)興趣和風(fēng)格，對不同的學(xué)習(xí)風(fēng)格進行聚類處理，使用關(guān)聯(lián)規(guī)則算法挖掘?qū)W習(xí)者的頻繁序列，對學(xué)習(xí)者的興趣進行分析，最后通過評級來完成個性化推薦。該方法做出了個性化的推薦引導(dǎo)，但對于如何準(zhǔn)確獲取學(xué)習(xí)者的特殊學(xué)習(xí)情況與需求，仍需更加深入地發(fā)現(xiàn)和獲取。文獻[28]針對新用戶冷啟動問題較為嚴(yán)重的情況，提出一種綜合評分和對稀疏邊緣降噪以及矩陣模型分解相結(jié)合的混合推薦算法，以用來提高推薦精度并對冷啟動問題做出相應(yīng)改善，但是冷啟動問題依然存在，如何使用改善的混合方法模型去優(yōu)化推薦效果將會是下一個研究任務(wù)。文獻[29]總結(jié)了6 類混合推薦算法，分別是加權(quán)混合、交叉調(diào)和、特征混合、瀑布型混合、特征擴充以及元模型混合推薦算法，但仍有更為針對性和特定條件下的混合算法等待研究者的發(fā)現(xiàn)。

3 關(guān)聯(lián)規(guī)則與數(shù)據(jù)挖掘

3.1 關(guān)聯(lián)規(guī)則

所謂關(guān)聯(lián)，即反映一個事件與其他事件存在一定程度上的依賴或者關(guān)聯(lián)，并可以根據(jù)相關(guān)規(guī)則進行預(yù)測。關(guān)聯(lián)規(guī)則[30]是一種使用較為廣泛的模式識別方法，例如購物分析、網(wǎng)絡(luò)分析等，其中購物分析典型的應(yīng)用場景就是在商場中找出共同購買的集合。關(guān)聯(lián)規(guī)則用于表述數(shù)據(jù)內(nèi)隱含的關(guān)聯(lián)性，一般用三個指標(biāo)來衡量關(guān)聯(lián)規(guī)則，分別是置信度、支持度和提升度。支持度表示規(guī)則中兩者同時出現(xiàn)的概率，且無先后順序之分；置信度表示A 出現(xiàn)，同時B 出現(xiàn)的概率；提升度描述了關(guān)聯(lián)規(guī)則中A 與B 的相關(guān)性。其定義分別如下所示：

定義1 設(shè)I={i1,i2,…,im}為所有項目的集合，設(shè)A是一個由項目構(gòu)成的集合，稱為項集，事務(wù)T 是一個項目子集，每個事務(wù)對應(yīng)項目上的一個子集，即T ?I 。關(guān)聯(lián)規(guī)則就是形如X ?Y 的邏輯蘊含關(guān)系，其中X ?I,Y ?I 且X ∩Y=?。

定義2 支持度（Support），是指規(guī)則中A 與B 同時出現(xiàn)的概率，如果兩者同時出現(xiàn)的概率小，則關(guān)系不大，若同時出現(xiàn)的概率非常頻繁，則說明A、B 是相關(guān)的，即：

定義3 置信度（Confidence），展示當(dāng)A 出現(xiàn)時B 也會出現(xiàn)的概率，若置信度為100%，則AB 可以捆綁推出，否則將不考慮將AB 置為關(guān)系親密，即：

定義4 提升度（Lift），表示包含A 同時包含B 的比例，與包含B 的比例的比值。提升度大于1 且越高，正相關(guān)性越高，提升度小于1且越低則相反，即：

通常使用這三個指標(biāo)來對一個關(guān)聯(lián)規(guī)則進行衡量，根據(jù)三個“度”篩選出滿足使用條件的關(guān)聯(lián)規(guī)則。特別的，滿足最小支持度和最小置信度的規(guī)則被稱為強關(guān)聯(lián)規(guī)則，此條件下如果提升度大于1則是有效的強關(guān)聯(lián)規(guī)則，提升度小于1則是無效的強關(guān)聯(lián)規(guī)則，提升度等于1則表示兩者相互獨立無關(guān)系。

3.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘指從大量數(shù)據(jù)中經(jīng)算法來搜索潛藏信息的過程[31]，它是用來獲取關(guān)聯(lián)規(guī)則屬性篩選數(shù)據(jù)的一種重要方法，優(yōu)質(zhì)關(guān)聯(lián)屬性的獲取也為基于關(guān)聯(lián)規(guī)則推薦算法提供較好的基礎(chǔ)支撐。數(shù)據(jù)挖掘?qū)儆谝环N決策支持過程，主要基于人工智能、機器學(xué)習(xí)以及模式識別等，還可以與用戶或知識庫進行交互。挖掘?qū)ο笠膊痪窒抻谀愁愋偷臄?shù)據(jù)源，可以是關(guān)系數(shù)據(jù)庫，也可以是數(shù)據(jù)倉庫、文本、多媒體數(shù)據(jù)等包含半結(jié)構(gòu)化數(shù)據(jù)甚至異構(gòu)性數(shù)據(jù)的數(shù)據(jù)源。

3.3 數(shù)據(jù)挖掘和關(guān)聯(lián)規(guī)則技術(shù)

對數(shù)據(jù)挖掘[32]而言，其目的就是從源數(shù)據(jù)庫中挖掘出滿足最小支持度和最小可信度的關(guān)聯(lián)規(guī)則。最著名的算法是1993年Agrawal等人提出的Apriori算法[33]，其算法思想是：首先找出頻繁性至少和預(yù)測最小支持度相同的所有頻集，然后由其產(chǎn)生強關(guān)聯(lián)規(guī)則，最小支持度和最小可信度是為發(fā)現(xiàn)有意義的關(guān)聯(lián)規(guī)則而預(yù)先設(shè)定的兩個閾值。文獻[34]對上述算法進行優(yōu)化研究。文獻[35]針對挖掘效率的不足，提出一種基于時間戳和垂直格式的關(guān)聯(lián)規(guī)則挖掘算法，用于解決效率較低的問題。

關(guān)聯(lián)規(guī)則反映了事物之間的相互依賴性和關(guān)聯(lián)性，關(guān)聯(lián)規(guī)則技術(shù)則是將數(shù)據(jù)資料中產(chǎn)生的高關(guān)聯(lián)性項目組進行收集處理，然后構(gòu)建起一定的規(guī)則。它本質(zhì)上是根據(jù)大量的數(shù)據(jù)來發(fā)現(xiàn)項與項之間存在的有趣而密切的相關(guān)關(guān)系，根據(jù)定義又可歸納為大于或等于最小支持度閾值和最小置信度閾值的規(guī)則，被稱作為強關(guān)聯(lián)規(guī)則，而關(guān)聯(lián)規(guī)則技術(shù)的最終目標(biāo)就是為了尋找強關(guān)聯(lián)規(guī)則并應(yīng)用它。具體步驟為：根據(jù)歷史記錄準(zhǔn)備數(shù)據(jù)，計算項與項之間支持度、置信度以及提升度的主要指數(shù)，隨之產(chǎn)生可信的有效關(guān)聯(lián)推薦。

在運用關(guān)聯(lián)規(guī)則技術(shù)對數(shù)據(jù)進行處理的過程中，所處理的變量可分為布爾型和數(shù)值型。其中布爾型基本都是離散化和種類化的數(shù)據(jù)，而這些恰恰可以反映出變量之間的關(guān)聯(lián)規(guī)則。例如在沃爾瑪購物時，首先使用關(guān)聯(lián)規(guī)則挖掘技術(shù)對交易資料庫中的數(shù)據(jù)進行挖掘，并且設(shè)定Support 和Confidence 兩個最小閾值，符合需求的關(guān)聯(lián)規(guī)則應(yīng)同時滿足這兩個條件。例如經(jīng)過挖掘獲取了關(guān)聯(lián)規(guī)則「啤酒，尿布」，滿足兩個閾值后，便可以獲得「啤酒，尿布」的關(guān)聯(lián)規(guī)則，且該關(guān)聯(lián)規(guī)則行為將會被記錄，由此商品的推薦行為則根據(jù)相應(yīng)的關(guān)聯(lián)規(guī)則進行。另外關(guān)聯(lián)規(guī)則技術(shù)對數(shù)據(jù)的處理分類除變量類別外，還有數(shù)據(jù)的抽象層數(shù)以及維數(shù)。

4 基于關(guān)聯(lián)規(guī)則的推薦算法

傳統(tǒng)推薦算法一般情況下并不會考慮兩者間被推薦前存在何種深層關(guān)系，推薦質(zhì)量的提升因此會受到一定影響，而基于關(guān)聯(lián)規(guī)則的推薦算法則可以發(fā)現(xiàn)被推薦物品兩者間的深層關(guān)系[36]，將數(shù)據(jù)進行歸類處理，并可以處理復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)等，準(zhǔn)確率也會隨著數(shù)據(jù)積累不斷提高[37]。本文將會圍繞關(guān)聯(lián)規(guī)則推薦算法在國內(nèi)外的研究現(xiàn)狀以及進展，將數(shù)據(jù)的規(guī)則處理問題以變量類別、抽象層次、數(shù)據(jù)維度三個角度分析并應(yīng)用關(guān)聯(lián)規(guī)則技術(shù)，從傳統(tǒng)推薦算法和社交網(wǎng)絡(luò)推薦[38]中尋找存在問題的解決辦法，并對研究方法進行總結(jié)。

4.1 基于規(guī)則處理的變量類別推薦方法

關(guān)聯(lián)規(guī)則處理數(shù)據(jù)的變量類別有布爾型和數(shù)值型兩種。布爾型關(guān)聯(lián)規(guī)則處理的值都是離散化、種類化的，可以顯示變量之間的某種關(guān)系。而數(shù)值型關(guān)聯(lián)規(guī)則可以和多維關(guān)聯(lián)或多層關(guān)聯(lián)規(guī)則結(jié)合起來，對數(shù)值型字段進行處理，將其進行動態(tài)的分割，或者直接對原始的數(shù)據(jù)進行處理。例如：性別=“男”=>職業(yè)=“教師”，是布爾型關(guān)聯(lián)規(guī)則；性別=“男”=>age（年齡）=33，涉及的年齡是數(shù)值類型，因此是一個數(shù)值型關(guān)聯(lián)規(guī)則。數(shù)值型和布爾型的關(guān)聯(lián)規(guī)則在推薦過程中廣泛存在，例如非結(jié)構(gòu)化數(shù)據(jù)領(lǐng)域應(yīng)用的推薦以及電子商務(wù)推薦等。

推薦依靠的數(shù)據(jù)通常是根據(jù)目標(biāo)用戶的興趣偏好獲得，并通過與預(yù)測物品之間的數(shù)據(jù)分析匹配，從而完成基于內(nèi)容推薦的效果。該方法雖可以直接獲取推薦結(jié)果，但是由于方法簡單，只考慮數(shù)據(jù)信息等問題，會導(dǎo)致推薦結(jié)果的多樣性下降，同時還伴隨著新用戶的冷啟動問題。為解決冷啟動問題，Osadchiy等人[39]建立了一種獨立于個人用戶興趣的集體偏好模型，該模型無需復(fù)雜過程進行評分，而是通過成對的關(guān)聯(lián)規(guī)則標(biāo)準(zhǔn)來進行推薦。實驗表明了基于成對關(guān)聯(lián)規(guī)則的推薦在對抗冷啟動問題上有較好的推薦效果。同時，多媒體等非結(jié)構(gòu)化數(shù)據(jù)的處理在推薦過程中表現(xiàn)不佳，因此嘗試將數(shù)值型關(guān)聯(lián)規(guī)則技術(shù)融入其中，根據(jù)數(shù)據(jù)之間存在的相關(guān)規(guī)則對其進行挖掘，通過相互的關(guān)聯(lián)特征進行更為準(zhǔn)確的和高效的推薦。例如文獻[40]提出了一個智能音樂系統(tǒng)，系統(tǒng)根據(jù)用戶先前的收聽模式風(fēng)格、當(dāng)前播放等數(shù)據(jù)內(nèi)容對用戶可能更喜歡聽的下一曲進行預(yù)測。為了計算更精確的音樂相似性，文中使用關(guān)聯(lián)規(guī)則技術(shù)來挖掘發(fā)現(xiàn)用戶的收聽模式，從而進行預(yù)測。伴隨音樂發(fā)現(xiàn)服務(wù)，利用音樂收聽模式信息和音樂數(shù)據(jù)相似度來對新歌進行推薦，研究結(jié)果充分展示了系統(tǒng)以及推薦效果的可行性。

伴隨著項目數(shù)據(jù)的不斷積累，稀疏性加劇，為使用關(guān)聯(lián)規(guī)則技術(shù)解決協(xié)同過濾的數(shù)據(jù)稀疏等問題，文獻[41]提出一種基于關(guān)聯(lián)規(guī)則的協(xié)同過濾改進算法。針對由于協(xié)同過濾算法過分依賴用戶歷史數(shù)據(jù)集的交易數(shù)據(jù)而導(dǎo)致的數(shù)據(jù)稀疏性問題，該算法首先使用Apriori 算法將規(guī)則進行拆分，得到一對一或者多對一形式的規(guī)則，在形成不同的關(guān)聯(lián)規(guī)則匹配方法后根據(jù)相似度閾值的大小選擇對應(yīng)的算法進行推薦，將高評分項目推送給用戶。實驗證明，基于關(guān)聯(lián)規(guī)則的協(xié)同過濾改進算法在一定程度上緩解了數(shù)據(jù)稀疏性問題，提高了推薦精度，但是推薦作用的提升還需要取決于推薦項目之間的關(guān)聯(lián)性多少。因此發(fā)掘項目之間更多不同層次之間的關(guān)聯(lián)關(guān)系，匹配更多的關(guān)聯(lián)規(guī)則將會從另一個方向來提高推薦準(zhǔn)確性，變量類別推薦方法目前已被運用到音樂推薦、電子商務(wù)等個性化推薦中，并取得了不錯的成效。

基于變量類別的推薦方法，主要推薦機制是根據(jù)用戶對數(shù)據(jù)的使用情況，發(fā)掘用戶與數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則。使用關(guān)聯(lián)規(guī)則算法對使用情況進行預(yù)測，對其獲取的關(guān)聯(lián)規(guī)則進行拆分整合，并形成對應(yīng)的規(guī)則形式，在此基礎(chǔ)上根據(jù)對支持度、置信度的約束獲取推薦效果的改變。這樣的方法雖可以在一定程度上緩解傳統(tǒng)協(xié)同過濾算法中的數(shù)據(jù)稀疏和冷啟動問題，但是只考慮用戶對數(shù)據(jù)的使用則會影響推薦的覆蓋面和準(zhǔn)確度。因此，將變量類別的關(guān)聯(lián)規(guī)則技術(shù)與傳統(tǒng)推薦算法相結(jié)合雖可以緩解經(jīng)典推薦問題，應(yīng)用于一些領(lǐng)域中進行高效推薦，但在研究中仍需要更多考慮相關(guān)用戶及數(shù)據(jù)的潛在關(guān)聯(lián)內(nèi)容和規(guī)則特性，使其可以得到充分發(fā)掘，并據(jù)此進行合理高質(zhì)量的推薦。

4.2 基于規(guī)則處理的抽象層次推薦方法

關(guān)聯(lián)規(guī)則中數(shù)據(jù)的抽象層次分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則，但是在單層關(guān)聯(lián)規(guī)則中所有變量未考慮它們的層次不盡相同，具體表現(xiàn)在協(xié)同過濾推薦中最重要的用戶與物品相似度關(guān)系。例如：聯(lián)想筆記本=>華為筆記本，是一個細節(jié)數(shù)據(jù)上的單層關(guān)聯(lián)規(guī)則；但計算機=>華為筆記本，是一個高層次和細節(jié)層次之間的多層關(guān)聯(lián)規(guī)則。

文獻[42]提出一種基于多層關(guān)聯(lián)規(guī)則的推薦算法，主要目的是為了解決當(dāng)下傳統(tǒng)推薦算法存在的數(shù)據(jù)稀疏性問題和可擴展性問題。該算法通過挖掘多層關(guān)聯(lián)規(guī)則條件下用戶對商品的興趣偏好，對用戶建立預(yù)測模型。文章通過建立一套基于關(guān)聯(lián)規(guī)則的電商推薦系統(tǒng)，將系統(tǒng)的規(guī)則挖掘分為兩個核心部分：一部分以多層關(guān)聯(lián)規(guī)則模型為基礎(chǔ)獲取可靠規(guī)則并寫入規(guī)則庫；另一部分則是通過用戶的使用操作來實時產(chǎn)生推薦結(jié)果，并將結(jié)果以特定的形式反饋系統(tǒng)。實驗證明，對比協(xié)同過濾推薦而言，多層關(guān)聯(lián)規(guī)則推薦有效地緩解了協(xié)同過濾中數(shù)據(jù)稀疏和可擴展性的問題。

劉君強等人在文獻[43]中將關(guān)聯(lián)規(guī)則中的一種分類標(biāo)準(zhǔn)以單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則進行劃分。其中單層關(guān)聯(lián)規(guī)則挖掘算法為經(jīng)典Apriori 算法，但在多層關(guān)聯(lián)規(guī)則中卻并不能較優(yōu)地使用，因此產(chǎn)生了針對于多層關(guān)聯(lián)規(guī)則的挖掘算法，但該方法無法對關(guān)聯(lián)規(guī)則進行跨層挖掘。文章由此定義了一種跨層擴展頻繁項目圖Clefig，并據(jù)此提出相應(yīng)算法用來高效地挖掘單層、多層特別是跨層之間的關(guān)聯(lián)規(guī)則。實驗結(jié)果表明，該方法在多層、跨層以及支持率閾值較小的單層挖掘中有較大的算法優(yōu)勢，并且可以進一步推廣到數(shù)值型的跨層關(guān)聯(lián)規(guī)則挖掘中。

協(xié)同過濾推薦一般是依靠用戶評分和存在的大量歷史數(shù)據(jù)集，由此便會存在數(shù)據(jù)稀疏和冷啟動問題?；谠擃悊栴}，研究學(xué)者將關(guān)聯(lián)規(guī)則技術(shù)引入?yún)f(xié)同過濾推薦中，在協(xié)同過濾計算相似度的過程中加入了多層關(guān)聯(lián)規(guī)則推薦技術(shù)，使得數(shù)據(jù)稀疏和冷啟動問題得到一定程度上的緩解，并且增強推薦的拓展性。對于興趣相似度問題，文獻[44]就電影推薦提出了一種針對產(chǎn)品特征進行Vague值提取與表示的方法，由于通常需要根據(jù)產(chǎn)品特征屬性的相似度對產(chǎn)品提前分類，因此又引入了產(chǎn)品分類樹的概念，經(jīng)過將產(chǎn)品分類樹、關(guān)聯(lián)規(guī)則、特征提取與相似度分析結(jié)合，得出了多樣化的推薦效果。實驗結(jié)果表明，該方法與傳統(tǒng)推薦方法相比，無論在推薦精度還是推薦多樣性上都更為有效。通過研究發(fā)現(xiàn)[45]，在基于內(nèi)容的推薦中使用抽象層次的關(guān)聯(lián)規(guī)則技術(shù)可以發(fā)掘物品之間存在的隱含關(guān)系，從而挑選大量高質(zhì)量的規(guī)則，并快速匹配用戶瀏覽記錄和關(guān)聯(lián)規(guī)則數(shù)據(jù)庫，提高關(guān)聯(lián)規(guī)則的推薦效率，以此來更好地為海量在線用戶形成實時推薦。

基于抽象層次的推薦機制主要是通過發(fā)現(xiàn)被推薦內(nèi)容之間更為隱含的不同層次知識，并且根據(jù)發(fā)掘的用戶與物品的深層次偏好，通過相似度的計算來獲取更為優(yōu)質(zhì)的推薦內(nèi)容。但通常情況下，單一層次的規(guī)則結(jié)構(gòu)往往伴隨著準(zhǔn)確度不足等問題，因此更多的研究指向多層次的規(guī)則發(fā)現(xiàn)，并由此獲取更為多樣的關(guān)聯(lián)規(guī)則，挖掘出隱藏于表層之下的豐富知識，為用戶實現(xiàn)高質(zhì)量的信息推薦需求。綜上分析可知，基于抽象層次的關(guān)聯(lián)規(guī)則推薦，也可以有效地緩解由于數(shù)據(jù)稀疏、用戶相似度帶來的一系列問題，而且還能夠提高算法的可擴展性和多樣性，對預(yù)測未評分待推薦的高質(zhì)量物品提供了一個全新的高效的展示平臺。相比于變量類別的方法，抽象層次的推薦方式將使得隱含知識和推薦內(nèi)容更為豐富。但是單一層次的規(guī)則化推薦對于推薦的準(zhǔn)確性仍力不從心，而多層規(guī)則的使用算法則需要繼續(xù)從數(shù)據(jù)挖掘精度和算法運算速度等方面進行改進，以此來獲取更高質(zhì)量的規(guī)則內(nèi)容和推薦效果，為實際的使用帶來更多的研究空間。

4.3 基于規(guī)則處理的數(shù)據(jù)維度推薦方法

現(xiàn)實存在的大部分數(shù)據(jù)，例如商品購置等通常只能涉及到一個維度的數(shù)據(jù)關(guān)聯(lián)，在處理和推薦社交網(wǎng)絡(luò)等不同環(huán)境下多屬性和多維度的數(shù)據(jù)時，關(guān)聯(lián)規(guī)則技術(shù)的優(yōu)勢就會凸顯。例如：性別=“女”=>職業(yè)=“醫(yī)生”=>年齡“28”=>愛好=“旅行”，這條規(guī)則就涉及到多種維度的各類字段信息，是幾個維度上的一條共同關(guān)聯(lián)規(guī)則。

王俊紅等人在文獻[46]中提出了一種基于多維概念格的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法，目的是為了在引用多維數(shù)據(jù)序列對概念內(nèi)涵進行不同維度描述的過程中，同時使用關(guān)聯(lián)規(guī)則提取方法，由此來發(fā)現(xiàn)最大頻繁多維數(shù)據(jù)序列與不同維度屬性數(shù)據(jù)之間的緊密關(guān)系。實驗結(jié)果表明，在同樣的算法作用但不同的數(shù)據(jù)屬性背景下，獲取的規(guī)則也不盡相同，多維概念格所獲得的規(guī)則不單單描述了概念格之間的關(guān)系，也顯示了各不同屬性背景彼此之間的關(guān)系。因此，多維度的關(guān)聯(lián)規(guī)則更容易發(fā)現(xiàn)內(nèi)容豐富的高質(zhì)量信息。同時協(xié)同過濾算法在推薦過程中將用戶-項目評分矩陣作為數(shù)據(jù)的獲取來源，導(dǎo)致推薦時無法準(zhǔn)確發(fā)現(xiàn)用戶與項目屬性之間的關(guān)聯(lián)關(guān)系。黎丹雨等人在文獻[47]中提出了一種運用于推薦算法系統(tǒng)的多層多維數(shù)據(jù)模型，該模型在挖掘數(shù)據(jù)多維序列之后輸出關(guān)聯(lián)規(guī)則，并用得到的關(guān)聯(lián)規(guī)則進行評分矩陣的修改，從而對原有用戶與項目之間的關(guān)聯(lián)關(guān)系進行多維改進。實驗結(jié)果表明，該模型對推薦系統(tǒng)的性能有較大的提升，由此證明用戶與物品屬性之間的多維規(guī)則對推薦系統(tǒng)的影響不容忽視，但該模型在挖掘多維關(guān)聯(lián)規(guī)則時由于“祖先”關(guān)系，會存在一定的冗余規(guī)則，如何更好地發(fā)現(xiàn)冗余規(guī)則仍需要探索研究。

通常社交網(wǎng)絡(luò)中產(chǎn)生的部分用戶數(shù)據(jù)都會是多維度下的一條關(guān)聯(lián)規(guī)則，基于社會網(wǎng)絡(luò)的推薦可以完美地模擬現(xiàn)實，并且通過好友的推薦增加彼此信任度。由于移動設(shè)備以及互聯(lián)網(wǎng)的興起，更多的人希望通過社交平臺來拓展自己的人際關(guān)系，但同樣社會化的推薦也存在一定的缺陷。例如由于不是根據(jù)共同興趣愛好而匹配在一起的好友，他們的興趣愛好也會不盡相同，導(dǎo)致算法的準(zhǔn)確率偏低，也存在數(shù)據(jù)稀疏等問題。于是將多維度的關(guān)聯(lián)規(guī)則技術(shù)融合進社交化推薦當(dāng)中，用來保證推薦品質(zhì)。

部分學(xué)者通過分析社交網(wǎng)絡(luò)中的興趣類別推薦和交換差異數(shù)據(jù)，運用不同手段將關(guān)聯(lián)規(guī)則技術(shù)融合到社交網(wǎng)絡(luò)的推薦過程中，其中最重要的切入點就是興趣相似點的發(fā)掘和使用。文獻[48]提出了一種碎片信息相似度的計算方法，隨著信息方式的快速變化發(fā)展，長文博客減少，傳播信息的主要方式變?yōu)橥ㄟ^碎片化進行。但由于沒有上下文作為參考，使用句子相似度來判斷其是否為一類信息則是最為顯著和有效的辦法。相似度包含了多種維度的數(shù)據(jù)關(guān)聯(lián)屬性，根據(jù)多維數(shù)據(jù)條件下獲取的關(guān)聯(lián)規(guī)則便可以更為全面地匹配好友信息。胡文江等人[49]提出了一種基于關(guān)聯(lián)規(guī)則的社會網(wǎng)絡(luò)改進好友推薦算法，利用關(guān)聯(lián)規(guī)則算法建立用戶關(guān)系矩陣，獲取關(guān)系矩陣下的多維關(guān)聯(lián)規(guī)則后計算并且排列結(jié)果，同時對用戶之間的友好關(guān)系以及用戶標(biāo)簽相似度進行改進，以提高推薦效率，增加推薦權(quán)重。文獻[50]指出，用戶興趣是社交媒體分析的重要組成部分，而興趣則由多個不同維度屬性的數(shù)據(jù)構(gòu)成一個完整的用戶興趣數(shù)據(jù)集，作者通過對其捕捉和理解來發(fā)現(xiàn)社交媒體網(wǎng)站的獨立用戶通常屬于多個不同的興趣社區(qū)，并且他們的興趣隨著時間而不斷變化。因此，建模和預(yù)測動態(tài)用戶興趣，對社交媒體分析研究中的個性化推薦提出了一個巨大的挑戰(zhàn)。通過研究基于時間加權(quán)關(guān)聯(lián)規(guī)則挖掘的時間重疊社區(qū)檢測方法，提出了一種針對該研究問題的新穎解決方案，并使用Movie Lens 和Netflix 數(shù)據(jù)集進行了實驗。實驗結(jié)果表明，該方法在推薦精度和多樣性方面優(yōu)于幾種現(xiàn)有方法。

用戶社交網(wǎng)絡(luò)中產(chǎn)生的推薦對用戶可以快速匹配好友，使得好友圈子更加豐富，雖然在關(guān)聯(lián)規(guī)則技術(shù)的運用下，多維社交化網(wǎng)絡(luò)的推薦日益成熟，但對于用戶使用而言，有關(guān)用戶隱私安全的保護[51]仍然是值得關(guān)注和解決的一個重要內(nèi)容。李學(xué)國等人[52]針對社交網(wǎng)絡(luò)中大量隱私數(shù)據(jù)的保護問題，提出了一個基于有損分解來保護隱私數(shù)據(jù)的策略，通過對數(shù)據(jù)特征重構(gòu)、分散存儲、隨機干擾、設(shè)置密碼保護等方式，將社交網(wǎng)絡(luò)隱私保護的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘工作進行實現(xiàn)。黃海平等人[53]則從圖結(jié)構(gòu)入手，針對現(xiàn)在研究中對于社交網(wǎng)絡(luò)圖數(shù)據(jù)隱私保護采取無權(quán)值的方法做出改進，提出了一種基于非交互的差分隱私保護模型的帶權(quán)值的社交網(wǎng)絡(luò)圖擾動方法。該方法通過添加擾動噪音、根據(jù)權(quán)值將邊劃分等步驟，獲得較好的運行效率和數(shù)據(jù)效用，從而有效保證了用戶數(shù)據(jù)的隱私安全，但該方法更適用于數(shù)據(jù)量較為龐大的社交網(wǎng)絡(luò)數(shù)據(jù)分析，具有一定局限性。

運用處理數(shù)據(jù)維度較多的關(guān)聯(lián)規(guī)則技術(shù)，主要是發(fā)掘更多的屬性特質(zhì)，從而獲取更豐富的高質(zhì)量信息內(nèi)容。其一方面在社交網(wǎng)絡(luò)推薦的使用中能有效解決推薦時所產(chǎn)生的稀疏性問題，提高推薦精度，增加用戶興趣好友的獲取質(zhì)量，同時保證用戶的數(shù)據(jù)使用得到安全保障。另一方面相比于上文其他的兩種推薦方法，多維度數(shù)據(jù)屬性下的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)和使用，會發(fā)現(xiàn)更多用戶與項目屬性、項目與用戶屬性之間的豐富關(guān)聯(lián)關(guān)系和內(nèi)容知識，這將極大地保證推薦效果的品質(zhì)，提升推薦的多樣性，以及拓展更為便捷的推薦服務(wù)。如此，基于關(guān)聯(lián)規(guī)則的推薦方法將會以現(xiàn)有傳統(tǒng)推薦方法為基礎(chǔ)，更好地完善推薦的種類、效果、覆蓋面以及豐富度。

但是數(shù)據(jù)維度推薦方法中同樣存在著一些重要的問題，例如單維度的規(guī)則并不會對更多的新內(nèi)容提供豐富的支持，因此推薦效果也會大打折扣；而多維度的關(guān)聯(lián)規(guī)則也并非最優(yōu)方法，還需從評分矩陣或用戶相似度方面著手改進，亦可將抽象層次和多維度數(shù)據(jù)進行結(jié)合，構(gòu)建多層模型并融入多維數(shù)據(jù)序列，以尋求更為準(zhǔn)確和豐富的用戶推薦使用方法。

本文基于關(guān)聯(lián)規(guī)則中三種不同的推薦方法，通過分析和總結(jié)部分研究學(xué)者對關(guān)聯(lián)規(guī)則技術(shù)的運用，來闡述關(guān)聯(lián)規(guī)則技術(shù)在推薦中可以解決的相關(guān)問題以及仍存在的相關(guān)問題，詳細優(yōu)缺點對比及相關(guān)內(nèi)容見表2。在推薦算法中使用關(guān)聯(lián)規(guī)則技術(shù)，不僅僅可以更深入地發(fā)現(xiàn)被推薦內(nèi)容彼此之間的關(guān)聯(lián)，并且對于傳統(tǒng)推薦算法消除存在的缺陷及其他問題的改進都有一定程度的提升，但存在的部分問題也迫在眉睫，仍需要做出更多的研究和改進，以謀求對推薦結(jié)果準(zhǔn)確性的提升和豐富度的保證。

上述的三種基于關(guān)聯(lián)規(guī)則的推薦方法雖然在推薦過程中各具優(yōu)勢，但是它們的局限性也是有目共睹的。第一，使用變量類別的推薦方法雖可以緩解傳統(tǒng)算法中的經(jīng)典問題并應(yīng)用于非結(jié)構(gòu)化個性推薦中，但其過分地依賴用戶歷史數(shù)據(jù)是一大問題，并且研究中發(fā)現(xiàn)僅使用簡單的關(guān)聯(lián)規(guī)則算法獲取的成對規(guī)則效果單一，并沒有更豐富的屬性和關(guān)聯(lián)，因此推薦效率不高，應(yīng)用范圍有限。第二，使用抽象層次推薦方法較上一類方法性能有所提升，并對算法的可擴展性有所幫助，也可以發(fā)現(xiàn)物品之間的深層次隱含關(guān)系，但對于單層次規(guī)則和部分數(shù)據(jù)屬性而言，它的局限性也較為明顯，例如單層次規(guī)則提取準(zhǔn)確度較低，從而導(dǎo)致推薦的精度下降，也存在由于無法正?？鐚荧@取和處理內(nèi)容導(dǎo)致的推薦效果不佳，因此存在方法的局部使用局限性。第三，在數(shù)據(jù)維度推薦方法中，雖可以更好地執(zhí)行推薦，但單維規(guī)則不能較好地獲取新內(nèi)容中隱含的規(guī)則知識和屬性，同時用戶相似度和不同背景下發(fā)掘的海量屬性也會對推薦結(jié)果造成不小的影響，關(guān)聯(lián)屬性值的過多獲取對于推薦效果而言也并非多多益善，因此如何獲取有效的、關(guān)鍵的、非冗余的多維數(shù)據(jù)規(guī)則屬性將會是改變推薦效果局限性的主要辦法之一。

5 基于關(guān)聯(lián)規(guī)則推薦方法的研究趨勢與展望

經(jīng)過幾十年的發(fā)展，推薦系統(tǒng)憑借其可以高效、獨特地為用戶獲取信息的特性，已成為諸多領(lǐng)域中不可或缺的重要因子，其研究已經(jīng)體現(xiàn)出了重大的社會價值、經(jīng)濟效益以及技術(shù)創(chuàng)新，同時對推薦技術(shù)不斷更新的研究也是現(xiàn)代社會用于有效解決信息科學(xué)的中心問題之一。盡管基于關(guān)聯(lián)規(guī)則的推薦算法在幾個方面已經(jīng)取得較好的研究成果，但其應(yīng)用研究在取得長足發(fā)展的過程中仍然面臨著諸多的挑戰(zhàn)和新的難題，值得深入調(diào)研。

（1）基于關(guān)聯(lián)規(guī)則的推薦雖然可以較好地緩解數(shù)據(jù)稀疏性和冷啟動的問題，但它們?nèi)詫⑹峭扑]算法的難題，雖使用了不同的方法去改進，但問題依然存在。如何通過抽取強規(guī)則來獲取用戶特征，提高推薦性能，挖掘多領(lǐng)域之間的復(fù)雜關(guān)系，并由此給出更好的推薦，將會是未來一個重要的研究方向。

（2）雖然基于關(guān)聯(lián)規(guī)則的推薦解決了許多傳統(tǒng)推薦算法的局限性難題，但是其性能評價標(biāo)準(zhǔn)以及可擴展性問題，包括用戶對算法的敏感度、適應(yīng)度、優(yōu)化規(guī)則以及質(zhì)量效果都應(yīng)該成為研究的重要目標(biāo)和方向。

（3）當(dāng)前數(shù)據(jù)流在推薦算法運行過程中普遍存在算法安全性較差和推薦精確度較低的情況，現(xiàn)對其安全性的主流研究主要通過對用戶使用的行為數(shù)據(jù)進行分析和處理，以此來改善算法存在的問題。例如文獻[54]使用數(shù)據(jù)挖掘、頻繁項集等方式將用戶屬性內(nèi)容與蟻群算法進行融合，將蟻群收斂路徑判斷為安全隱患路徑，并由此去除異常值，再根據(jù)挖掘算法獲取頻繁項集，基于頻繁項集計算用戶相似度，最終獲得最符合用戶使用的安全數(shù)據(jù)流。還有部分研究根據(jù)對用戶數(shù)據(jù)的擬合來對算法的安全性和推薦的準(zhǔn)確性做出相應(yīng)改善，但僅對用戶數(shù)據(jù)的屬性進行分析仍存在著一定的研究局限性。因此保證算法更加安全可靠，從而為用戶提供高效準(zhǔn)確的推薦環(huán)境一直都是極其重要的研究方向。在改進時，可以從算法模型優(yōu)化、用戶的模糊聚類等方面進行考慮，不過分地追求用戶屬性的詳細情況，使其通過更合適的聚類方式進行相似度計算，為用戶獲取更準(zhǔn)確的數(shù)據(jù)流。還可以引入使用頻率較高的差分隱私機制數(shù)據(jù)保護方法，在推薦過程中保證數(shù)據(jù)流具有更高安全性的同時，保證推薦結(jié)果高效和準(zhǔn)確。

表2 關(guān)聯(lián)規(guī)則技術(shù)處理的三種方式在推薦算法中的使用

（4）規(guī)則化數(shù)據(jù)在數(shù)值處理過程中會出現(xiàn)由于數(shù)值的離散化導(dǎo)致關(guān)鍵信息丟失的現(xiàn)象，從而影響關(guān)聯(lián)規(guī)則推薦的準(zhǔn)確性。過往主流研究通常通過平均數(shù)、中位數(shù)、隨機值等相關(guān)值或預(yù)測模型來獲取丟失的關(guān)鍵信息，對于更多的規(guī)則化數(shù)據(jù)，則將其映射到高維空間進行缺失值的處理，它會保留數(shù)據(jù)的原始全部信息，但同時也存在較大的缺陷，譬如計算量較大，并且需要在數(shù)據(jù)樣本規(guī)模較大時效果才顯著。在未來的對于數(shù)據(jù)處理時由于離散化導(dǎo)致關(guān)鍵信息丟失的研究中，可以從幾個方面來尋求改進。例如為丟失數(shù)據(jù)信息引入?yún)^(qū)別于已有數(shù)據(jù)屬性值的特殊值對其進行虛擬標(biāo)記，通過其獨特的表征來發(fā)現(xiàn)數(shù)值的缺失并進行相應(yīng)的補全；或?qū)?shù)據(jù)使用過程中無關(guān)緊要的丟失值選擇性地忽略不處理；或根據(jù)歐式距離計算缺失數(shù)據(jù)值樣本周圍的k 個數(shù)據(jù)，并通過k 個值的加權(quán)平均值來預(yù)測丟失值的具體內(nèi)容信息等方法，都將會在一定程度上保證對關(guān)鍵數(shù)據(jù)信息的獲取和保護，從而提升推薦效果。

6 結(jié)束語

關(guān)聯(lián)規(guī)則及其相關(guān)研究已經(jīng)逐步從互聯(lián)網(wǎng)電子商務(wù)走向復(fù)雜程度更高的非結(jié)構(gòu)化數(shù)據(jù)等處理當(dāng)中，迎來更多新的研究方向。基于關(guān)聯(lián)規(guī)則推薦算法的研究一直以來有著較大的科學(xué)研究價值和社會經(jīng)濟效益，備受應(yīng)用者與研究者的關(guān)注，學(xué)者們紛紛就基于關(guān)聯(lián)規(guī)則的推薦提出不同的見解和研究結(jié)果。本文通過不同的研究角度對基于關(guān)聯(lián)規(guī)則的推薦算法進行了綜述，并總結(jié)和展望了發(fā)展趨勢，以便更好地被研究使用以及進一步提高推薦質(zhì)量，未來也將會有更為深入的研究內(nèi)容等待著探索。