林帥伽 俞婷 程芳穎

摘要：最近，隨叫隨到的外賣服務在中國非常流行，美團、大眾點評每天的外賣訂單超過3000萬份，美食平均在30分鐘內(nèi)送到食客手中。如何推薦出更符合用戶喜好的餐廳，成為當下商家和用戶較為關(guān)心的話題。針對如何對用戶推薦符合心意的餐廳的問題，文章提出了基于協(xié)同過濾的美食店鋪推薦算法，同時分析了基于用戶的推薦算法、基于餐廳的推薦算法、基于[ SVD]的協(xié)調(diào)過濾算法以及流行度推薦算法這四種推薦算法，解決了推薦餐廳與用戶喜好適配度問題。實驗表明，文章提出的基于協(xié)同過濾的美食店鋪推薦算法，在準確率（Precision）和召回率（Recall）以及[ F1]這三種指標上優(yōu)于其他對比算法。

關(guān)鍵詞：協(xié)同過濾；推薦系統(tǒng)；混合算法；美食店鋪；美食推薦

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）30-0051-03

開放科學（資源服務）標識碼（OSID）：

1 引言

如今，隨叫隨到的外賣服務非常流行。食客可以瀏覽在線餐廳市場，選擇餐廳并預訂他們喜歡的食物或飲料。但是面對網(wǎng)絡數(shù)據(jù)的爆炸增長，使得用戶難以在海量的數(shù)據(jù)中快速地找到適合自己的美食，具有一定的盲目性。通過對現(xiàn)有美食App的調(diào)查發(fā)現(xiàn)，美食數(shù)據(jù)排行過于籠統(tǒng)，不能有效地解決用戶的個人喜好等問題。針對以上問題，現(xiàn)階段的市場提供個性化推薦服務、提高檢索效率、優(yōu)化用戶體驗成了廣大食客的訴求。面對這一訴求，根據(jù)數(shù)據(jù)集的用戶和餐廳特征，提出基于協(xié)同過濾[1-3]的美食店鋪推薦系統(tǒng)算法，該算法結(jié)合了基于用戶的推薦算法、基于餐廳的推薦算法、基于[ SVD]的協(xié)同過濾算法以及流行度推薦算法，并使用準確率和召回率以及[ F1]這三種指標與其他算法進行了比較。

2 基于協(xié)同過濾的混合推薦算法

本文構(gòu)建了融合多因素的美食推薦方法，該方法統(tǒng)一對用戶、餐廳簽到記錄、餐廳流行度進行建模，通過餐廳簽到記錄捕獲用戶潛在的偏好，并且結(jié)合流行度模型進行餐廳推薦。本文最后在真實世界的數(shù)據(jù)集上進行了實驗，證明本文提出的方法相比現(xiàn)有的其他方法能夠更加準確地向用戶推薦餐廳。

2.1 基于流行度的協(xié)同過濾算法

所謂“從眾”，是指在群體的影響下，放棄自己的觀點，與他人保持一致的社會心理行為。例如，在網(wǎng)上購物時，用戶會習慣性地查看商品的銷售量。當銷售量越大時，用戶更傾向于購買并給予高分。餐廳的受歡迎程度極大地影響著用戶的決定。換言之，用戶更有可能訪問熱門餐廳。

本文提出基于流行度的推薦算法，該基礎(chǔ)算法是根據(jù)用戶對餐廳點擊的熱度將當下最熱門的內(nèi)容推薦給用戶[4-5]，由此對求解基于流行度的推薦算法的算法思路基本如下：

1）用戶-餐廳歷史調(diào)用記錄

通過對歷史數(shù)據(jù)集進行分析，得到了用戶集合和餐廳集合，記用戶集合為[U]，[U={u1，u2，u3，…un}]。記餐廳集合為[R]，[R=r1，r2，r3，…rm]。記用戶餐廳調(diào)用記錄矩陣[Yn×m]，若用戶[ui]訪問過餐廳[rj]，那么[yi，j=1]，[yi，j∈Yn×m]。

2）計算餐廳之間的相似度

利用余弦算法計算餐廳之間的相似度，公式如下：

sim（[rx，ry）=N（rx）∩N（ry）N（rx）N（ry）]? ? ? ? ? ? ? ? （1）

其中，[N（rx）] 表示喜歡餐廳[rx]的用戶數(shù)，[N（ry）] 表示喜歡餐廳[ry]的用戶數(shù)，[N（rx）∩N（ry）]表示同時喜歡餐廳[rx]，[ry]的用戶數(shù)。

3）計算推薦餐廳推薦列表

本方法采用引入流行度來進行餐廳推薦。記某一餐廳為[ra]，通過對數(shù)據(jù)集歷史記錄進行分析，得到餐廳[ra]的歷史訪問人數(shù)為num（[ra]）， 餐廳[ra]的流行度為[pnum（ra）]，平均流行度為[pnum（ra）avg]，對流行度進行歸一化，得到公式如下：

[weightra=pnum（ra）avgpnum（ra）]? ? ? ? ? ? ? ? ? ? ? （2）

[weightra]表示餐廳[ra]的流行度權(quán)重因子。

利用流行度來改進公式（1），得到如下公式：

sim（[rx，ry）=weightra*N（rx）∩N（ry）N（rx）N（ry）]? ? ? ? ? ? （3）

若用戶[ui]訪問過餐廳[rx]，那么依據(jù)公式（3）可得到其余餐廳與[rx]的相似程度，利用相似程度完成推薦，得到餐廳推薦列表。

2.2 基于SVD的協(xié)同過濾算法

通過對基于SVD的協(xié)同過濾算法[6]的研究，對矩陣Y進行[SVD]分解，得到如下公式：

[Y=PQT]? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中[P]為用戶特征矩陣，[Q]為餐廳特征矩陣。其中，[P∈Yf×n]的每一行表示用戶，每一列表示一個特征，它們的值表示用戶與某一特征的相關(guān)性，值越大，表明特征越明顯。[Q∈Yf×m]的每一行表示餐廳，每一列表示餐廳與特征的關(guān)聯(lián)。

經(jīng)過SVD分解，得到每一個用戶對于每一個餐廳的偏好程序，公式如下：

[sui，ry=puiqryT]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

本文使用梯度下降算法來進行訓練，公式如下：

[minp，q（ui，ry）∈Y（yi，j-puiqryT）2+λ（||pui||2+||qry||2）]? ? （6）

其中，[λ]為超參數(shù)，[λ（||pui||2+||qry||2）]表示計算方差，衡量模型的穩(wěn)定性。方差大的模型會過擬合[6]。

2.3 總體偏好程度

為了提高推薦的準確性，使用線性框架來結(jié)合用戶偏好和流行度影響。本文使用用戶對于餐廳的總體偏好程度[7]來計算餐廳推薦列表，目的就是根據(jù)線性框架來學習用戶對不同餐廳的偏好，從而給出用戶感興趣的餐廳分布[8]。為了提高推薦算法的準確程度，將基于[SVD]與流行度算法相結(jié)合，并引入流行度權(quán)重因子[α]，得到最終結(jié)果，公式如下：

[finals=1-α×sui，ry+α×sim（rx，ry）]? ? ? （7）

通過對權(quán)重因子的測試，獲得本推薦算法的最終結(jié)果，從而產(chǎn)生餐廳推薦列表。

3 實驗及評估結(jié)果

3.1 實驗數(shù)據(jù)集

本文數(shù)據(jù)來自于和鯨社區(qū)美食數(shù)據(jù)集①，共4萬家餐廳，54萬用戶，440萬條評論數(shù)據(jù)。首先對數(shù)據(jù)集進行數(shù)據(jù)預處理，刪除低于100條的數(shù)據(jù)記錄數(shù)，通過整理最終參與實驗一共4417家餐廳，3291用戶，76208條數(shù)據(jù)。由于用戶評價較為主觀性，采用歸一化處理評價數(shù)據(jù)。

3.2 評估指標

本文使用精確率、召回率和F1指標來衡量算法性能。

精確率。表示符合用戶喜愛的推薦物品數(shù)在用戶總推薦物品數(shù)的比例，定義如下：

[p=n（B）s（B）]

其中[n（B）]為符合用戶B喜愛的推薦餐廳， [m（B）]為用戶B總喜愛的推薦餐廳，[s（B）]為用戶B總推薦餐廳[8]。

召回率。表示符合用戶喜愛的推薦物品數(shù)與用戶總喜愛的推薦物品數(shù)的比例[9]，定義如下：

[r=n（B）m（B）]

[F1]指標。代表精確率和召回率的一個綜合考量，兩者一起使用才能評價推薦系統(tǒng)的好壞，定義如下：

[F1= 2prp+r]

3.3 基礎(chǔ)算法對比

將數(shù)據(jù)集分為訓練集和測試集，通過誤差計算，發(fā)現(xiàn)不同參數(shù)對應的誤差值都不同。這些參數(shù)包括鄰居個數(shù)，訓練，測試集的劃分比例。為測試其靈敏性，分別對訓練集、測試集進行數(shù)據(jù)測試。

針對基于用戶的推薦算法，本文對不同推薦個數(shù)以及鄰居個數(shù)進行研究，結(jié)果如圖1所示。圖表中數(shù)據(jù)顯示，鄰居個數(shù)的增加，基于用戶的推薦相似度總體趨勢呈下降狀態(tài)。并通過對數(shù)值反復的模擬計算，前期topk=5的曲線趨勢值要處于相對于中間趨勢，但后期隨著鄰居個數(shù)的增加，取topk=5的效果要優(yōu)于其他。

針對基于餐廳的推薦算法對推薦程度的影響，改變topk和鄰居個數(shù)的值通過控制變量法，測得數(shù)據(jù)如圖2。通過圖2可以看出在鄰居個數(shù)位于50左右，基于餐廳推薦算法的相似度達到一個相對峰值，為相對優(yōu)值。

基于上述兩種推薦算法引入第三種基于SVD的推薦算法對實驗的影響程度，根據(jù)數(shù)據(jù)得出上述圖3，發(fā)現(xiàn)基于SVD 推薦總體數(shù)據(jù)區(qū)間位于0.50%～0.90%，整體相似度相對提高，呈上升趨勢，數(shù)據(jù)波動較小，在鄰居個數(shù)處于80左右得到此算法在同一topk下的相對峰值。

在對流行度進行數(shù)據(jù)分析，數(shù)據(jù)波動于0.4%～0.6%這一區(qū)間內(nèi)，在topk=2時處于該算法的峰值0.58%。

3.4 混合算法對比

如圖5給出了六種混合推薦算法各項指標下的實驗結(jié)果，其中UCF為基于用戶的協(xié)同過濾、RCF為基于餐館的協(xié)同過濾、SVD為基于SVD的協(xié)同過濾、POP為基于流行度的協(xié)同過濾。

通過對基礎(chǔ)算法的改進與融合，對精確率、召回率、F1的實驗結(jié)果分析，相比于其他混合算法只有某一方面的提升，基于POP與SVD的混合推薦算法無論是在美食餐廳推薦的準確程度、全面度都有了明顯的質(zhì)量提高，在topk=5時達到了實驗的峰值，推薦效果好。

4 結(jié)束語

本文提出了基于SVD和基于流行度（POP）的混合推薦算法，該算法結(jié)合了SVD算法和POP算法的優(yōu)點。實驗表明，該算法在精確率、召回率和F1三個指標上要優(yōu)于其他對比算法。未來，我們計劃將神經(jīng)網(wǎng)絡算法引入到美食推薦中。

注釋：

①https：//www.heywhale.com/mw/dataset/5e946de 7e7 ec38002d 02d533/content.

參考文獻：

[1] Bell R M，Koren Y，Volinsky C.The BellKor 2008 solution to the netflix prize[R].2008.

[2] Paterek A.Improving regularized singular value decomposition for collaborative filtering[S.I.].2007.

[3] Lee D D，Seung H S.Learning the parts of objects by non-negative matrix factorization[J].Nature，1999，401（6755）：788-791.

[4] 張春麗.基于Hadoop的協(xié)同過濾算法的研究與實現(xiàn)[D].上海：東華大學，2015.

[5] 熊聰聰，鄧瀅，史艷翠，等.基于協(xié)同過濾的美食推薦算法[J].計算機應用研究，2017，34（7）：1985-1988.

[6] 陳清浩.基于SVD的協(xié)同過濾推薦算法研究[D].成都：西南交通大學，2015.

[7] 王立才，孟祥武，張玉潔.上下文感知推薦系統(tǒng)[J].軟件學報，2012，23（1）：1-20.

[8] 巨星海，周剛.一種基于用戶偏好分析和論壇相似度計算的改進LFM推薦算法[J].信息工程大學學報，2021，22（4）：433-437，449.

[9] 張芳.基于項目流行度與用戶信任度的協(xié)同過濾推薦算法研究[D].青島：山東科技大學，2018.

【通聯(lián)編輯：謝媛媛】