摘要：個性化推薦系統(tǒng)分為離線系統(tǒng)和在線系統(tǒng)，二者相互聯(lián)系，相互配合，且它在發(fā)展過程中也存在一些問題。針對以上問題，可以通過用戶主導(dǎo)推薦和項目指導(dǎo)推薦分別進行改進。另外，一個好的個性化推薦系統(tǒng)離不開優(yōu)秀的設(shè)計，主要分為4個管理系統(tǒng)：源數(shù)據(jù)管理、ETL管理、數(shù)據(jù)策略管理和集群管理，重點是數(shù)據(jù)策略管理。該文通過對協(xié)同過濾算法的個性化推薦系統(tǒng)進行分析，希望能夠通過該文簡單地分析探討為后研究者提供借鑒意義。

關(guān)鍵詞：協(xié)同過濾 ?算法 ?個性化推薦系統(tǒng) ?系統(tǒng)設(shè)計

中圖分類號：G71??文獻標(biāo)識碼：A???文章編號：1672-3791（2022）05（b）-0000-00

基金項目：2020年廣西高校中青年教師科研基礎(chǔ)能力提升項目（項目編號：2020KY48012）; 2020年百色市現(xiàn)代教育技術(shù)科研課題（項目編號：SZ202008）。

作者簡介：覃瓊花（1981—），女，本科，講師，研究方向為計算機技術(shù)應(yīng)用、教育信息化。

DOI：10.16661/j.cnki.1672-3791.2112-5042-2431

Research on Personalized Recommendation System Based on Collaborative Filtering Algorithm

QIN Qionghua

（Baise Vocational College，Baise，Guangxi?Zhuang?Autonomous?Region，533000 China）

Abstract： Personalized recommendation system is divided into offline system and online system， which are interrelated and cooperate with each other. It also has some problems in the process of development. To solve the above problems， user-led recommendation and project guidance recommendation can be respectively improved. In addition， a good personalized recommendation system cannot be separated from excellent design， which is mainly divided into four management systems： source data management， ETL management， data policy management and cluster management， with the emphasis on data policy management. This paper analyzes the personalized recommendation system of collaborative filtering algorithm， hoping to provide reference for future researchers through simple analysis and discussion in this paper.

Key Words： Collaborative filtering; The algorithm; Personalized recommendation system; The system design

個性化推薦系統(tǒng)早在1997年，被Resnick和Varian提出，在電子商務(wù)平臺上，它根據(jù)用戶的實際喜好，推薦相應(yīng)的產(chǎn)品信息，給用戶提供建議與指導(dǎo)，類似于承擔(dān)著“虛擬銷售”的作用，極大方便用戶的購買需求^[1]。完整的個性化推薦系統(tǒng)包括多個模塊，即用戶行為記錄、用戶數(shù)據(jù)分析和推薦算法，不同的模塊承擔(dān)不同的處理功能^[2]。用戶行為記錄就是根據(jù)用戶在互聯(lián)網(wǎng)上進行的操作行為，例如：點評、瀏覽、信息停留閱讀時間以及點贊等，判斷用戶對該同類信息的喜好，確定用戶信息推薦范圍。用戶數(shù)據(jù)分析是根據(jù)用戶的行為直接進行分析，確定用戶的真實喜好，有針對性地提出類似的相關(guān)推薦信息。推薦算法則是這一整套流程的運行依據(jù)，確保流程的準(zhǔn)確運行，是系統(tǒng)中最重要的關(guān)鍵技術(shù)。

1 協(xié)同過濾算法的類型

總體來說，協(xié)同過濾算法可以分為，基于模型的協(xié)同過濾算法和基于內(nèi)存的協(xié)同過濾算法兩個大類。

1.1基于模型的協(xié)同過濾算法

基于內(nèi)存的協(xié)同過濾算法是以項目為依托，以用戶的想法為根據(jù)的過濾算法，它先根據(jù)用戶的實際需求篩選與其想法類似的協(xié)同鄰居用戶，再根據(jù)協(xié)同鄰居用戶的關(guān)聯(lián)項目為推薦對象和評分對象，對用戶進行推薦，并預(yù)測用戶對這些項目可能的評分值，并能根據(jù)分值進行優(yōu)劣篩選^[3]。值得一提的是，項目的評分會作為本算法的判斷依據(jù)，類比思想也會在此體現(xiàn)，如果協(xié)同鄰居用戶絕大多數(shù)均趨向于以上項目，那么判斷該用戶也會喜歡以上項目，相應(yīng)的評分制度會推給該用戶，默認喜歡相似的項目。

1.2基于內(nèi)存的協(xié)同過濾算法

基于模型的協(xié)同過濾算法與基于內(nèi)存的協(xié)同過濾算法有本質(zhì)區(qū)別，前者趨向于在尋找關(guān)聯(lián)協(xié)同鄰居用戶之前，進行模型構(gòu)建（將用戶的瀏覽、點擊、購買與資訊閱讀信息建立用戶喜好綜合模型），將模型與協(xié)同鄰居用戶的進行比對，預(yù)測用戶的喜好，通過將項目集合分成多個模塊，根據(jù)用戶的模型將協(xié)同鄰居用戶的模塊單元進行分類，篩選與用戶模型最匹配的模塊集合，將內(nèi)容推薦給用戶。這種技術(shù)有較多的分支，均體現(xiàn)關(guān)聯(lián)性和對比分析的思想。E342F02E-7A77-4FB2-92FE-371A5EE03885

2 個性化推薦系統(tǒng)分析（協(xié)同過濾）

2.1 個性化推薦系統(tǒng)（協(xié)同過濾）的分類

協(xié)同過濾算法可以說是個性化推薦系統(tǒng)的最主要的算法，在系統(tǒng)的發(fā)展過程中起到舉足輕重的地位。1992年，Tapesry系統(tǒng)處理技術(shù)是以個性化推薦系統(tǒng)為依托的技術(shù)^[4]。1994年，GroupLens系統(tǒng)劃時代地出現(xiàn)了，將個性化推薦系統(tǒng)引入了新航道。目前為止，協(xié)同過濾算法仍然是個性化推薦系統(tǒng)的主流算法，負責(zé)將協(xié)同鄰居用戶的推薦信息及時傳遞給系統(tǒng)，接受下一步指令。

協(xié)同過濾算法的核心思想是在短時間內(nèi)有效搜尋用戶喜好相關(guān)的鄰居用戶，根據(jù)鄰居用戶對項目的喜好進行篩選與排序，將結(jié)果推薦給初始用戶。在算法進行過程中，需要按照項目相似度尋找相關(guān)聯(lián)的協(xié)同鄰居用戶，采用數(shù)學(xué)方法按相似度的高低進行排序。

個性化推薦系統(tǒng)可以分為離線系統(tǒng)和在線系統(tǒng)，二者相互聯(lián)系，相互配合。在線系統(tǒng)中，老用戶和新用戶也有不同的分析路徑，老用戶會受到系統(tǒng)的重點分析，先通過用戶行為數(shù)據(jù)庫進行搜尋比對，再對其行為特征進行提取，找到相似的行為特征的用戶，根據(jù)協(xié)同過濾算法，將鄰居用戶的有效信息進行篩選，類比、過濾和排名，最終呈現(xiàn)排名后的結(jié)果^[5]。新用戶由于無法摸清初始喜好，只能通過協(xié)同過濾算法進行粗略篩選，提取出精度較低的類似對比結(jié)果，和老用戶一樣進行過濾和排名后，確定最終的篩選結(jié)果。離線系統(tǒng)是幫助在線系統(tǒng)運行的重要手段，通過實施用戶行為模型分析、用戶和項目聚類分析、相似度表和用戶反饋模型，以使在線系統(tǒng)及時選擇分析結(jié)果。

2.2 個性化推薦系統(tǒng)的問題

個性化推薦系統(tǒng)雖然經(jīng)過20余年的發(fā)展，取得一定的成果，但仍然存在一些問題。首先，存在數(shù)據(jù)缺乏的問題^[6]。雖然在互聯(lián)網(wǎng)上用戶面臨海量的關(guān)聯(lián)數(shù)據(jù)，但是當(dāng)個性化推薦系統(tǒng)輔之以協(xié)同過濾算法，會對協(xié)同鄰居用戶數(shù)量進行精挑細選，必然會導(dǎo)致最終選擇的用戶數(shù)相對執(zhí)行算法前較少，忽略了低分的有效數(shù)據(jù)的收集整理，所以在創(chuàng)建樣本矩陣時，出現(xiàn)樣本不足的情況，影響矩陣的建立。其次，樣本豐富度問題。用戶的喜好雖然可以用協(xié)同過濾算法下的個性化推薦系統(tǒng)進行提煉推薦，但是在事物的喜好上，仍然存在用戶之間的微小差距，當(dāng)用戶因為個人原因或其他原因?qū)δ撤N喜好產(chǎn)生厭倦，必然會影響最終的推薦結(jié)果。因此，廣泛地推薦喜好能避免因個人原因?qū)е聠我煌扑]失效的問題，在推薦系統(tǒng)中可以考慮將推薦范圍和類別延伸，多角度、多方位考慮推薦對象。再次，系統(tǒng)的運算能力要滿足數(shù)據(jù)庫內(nèi)的數(shù)據(jù)迭代更新的需要，當(dāng)系統(tǒng)經(jīng)過多次篩選、排名后，必然會使系統(tǒng)的數(shù)據(jù)增加，甚至影響系統(tǒng)的穩(wěn)定運行速度，所以系統(tǒng)自身運算能力要足夠強大，滿足有限時間內(nèi)產(chǎn)生指定數(shù)量的推薦結(jié)果，如果在系統(tǒng)長期運行中無法保證高效運算，用戶會喪失對系統(tǒng)的使用耐心，放棄使用系統(tǒng)。最后，新用戶問題是系統(tǒng)自始至終一直存在的問題，主要原因是新用戶相關(guān)信息缺乏，系統(tǒng)無法預(yù)見新用戶的真實喜好，初次采用協(xié)同過濾算法分析會導(dǎo)致推薦準(zhǔn)確度大大降低。

2.3 個性化推薦系統(tǒng)（協(xié)同過濾）的改進

2.3.1 用戶主導(dǎo)推薦

以用戶為識別依據(jù)，是個性化推薦系統(tǒng)的創(chuàng)新，它直接將初始用戶與對比用戶相匹配，可以根據(jù)對比用戶對項目的喜愛程度預(yù)測初始用戶對同樣項目的喜愛程度。例如：在網(wǎng)購時，甲較乙之前看中了一件商品，系統(tǒng)通過分析，發(fā)現(xiàn)甲和乙對該商品具有類似的喜好，所以默認為乙也喜歡該商品，故將甲喜歡的該商品推薦給乙。用戶主導(dǎo)推薦的評價機制是評分，通過對某一項目進行評分后再比對，把評分較高的相關(guān)用戶喜歡的商品推薦給初始用戶，實際上也體現(xiàn)了加權(quán)逼近的思想。

2.3.2 項目主導(dǎo)推薦

項目主導(dǎo)的核心思想是以項目之間的評分為依據(jù)，將大量用戶喜歡的項目與初始用戶喜歡的項目進行對比后篩選，再通過排序確定最優(yōu)的項目，那么這個最優(yōu)質(zhì)的項目也是初始用戶喜歡的項目^[7]。這種推薦方法與上述用戶主導(dǎo)的推薦方法相比有不同之處，如果我們計劃確定初始用戶對某一項目的評分，需要確定這一項目和其他類似項目之間的相似度，按評分的高低將相似度進行排序，得到排序中較高的項目排序集合，將此集合的加權(quán)平均值作為初始項目的最終評分，以次評分為初始項目的評分，從而確定初始用戶的評分。

3 個性化推薦系統(tǒng)設(shè)計（協(xié)同過濾）

3.1 系統(tǒng)結(jié)構(gòu)模塊設(shè)計

個性化推薦系統(tǒng)模塊可以分為4個管理系統(tǒng)：源數(shù)據(jù)管理、ETL管理、數(shù)據(jù)策略管理和集群管理，以上順序也是管理流程的順序。源數(shù)據(jù)可以分為結(jié)構(gòu)化模塊數(shù)據(jù)和非結(jié)構(gòu)化模塊數(shù)據(jù)，結(jié)構(gòu)化數(shù)據(jù)包括日志、項目和用戶，非結(jié)構(gòu)化數(shù)據(jù)包括文本、網(wǎng)頁和圖表等，分類進行數(shù)據(jù)采集是數(shù)據(jù)處理的第一步。ETL管理是數(shù)據(jù)存儲的管理模式，它是將非結(jié)構(gòu)化的數(shù)據(jù)進行整理，通過分布、數(shù)據(jù)儲存，然后在元數(shù)據(jù)庫中整理分析。個性化推薦系統(tǒng)設(shè)計的關(guān)鍵模塊是數(shù)據(jù)策略管理，它能實現(xiàn)基于協(xié)同過濾算法的數(shù)據(jù)推薦策略分析，通過用戶、項目、評價、偏好等因素，選擇相關(guān)的算法，通過分析后，采用過濾、排序和推薦確定最終推薦結(jié)果。集群管理采用分發(fā)的模式，將集群分發(fā)給相關(guān)門戶，通過門戶提供相應(yīng)的服務(wù)。

3.2 系統(tǒng)重點模塊舉例介紹

3.2.1 數(shù)據(jù)策略模塊

這個模塊也是上述系統(tǒng)設(shè)計的核心，如上所述，通過用戶、項目、評價、偏好等因素，選擇相關(guān)的算法，通過分析后，采用過濾、排序和推薦確定最終推薦結(jié)果。例如，為用戶推薦某地圖上某區(qū)域排名前10的小吃店，每行首列表示用相關(guān)用戶的名字，后面的10列表示篩選出的小吃店的編號，選擇27號用戶，發(fā)現(xiàn)該用戶為男性，年齡為26歲，平均每日點外賣2.3次，為其篩選出的小吃店編號分別是1280、1602、904、1017、824、1282、1071、1681、358、968，體現(xiàn)了篩選的無序性和排序的精確性。E342F02E-7A77-4FB2-92FE-371A5EE03885

3.2.2 源數(shù)據(jù)管理模塊

源數(shù)據(jù)管理可以分為非結(jié)構(gòu)化數(shù)據(jù)管理和結(jié)構(gòu)化數(shù)據(jù)管理，在個性化推薦系統(tǒng)中，結(jié)構(gòu)化數(shù)據(jù)包括用戶初始數(shù)據(jù)、文本數(shù)據(jù)、記錄數(shù)據(jù)等，非結(jié)構(gòu)化數(shù)據(jù)包括圖片、音頻文件等，不同類型的數(shù)據(jù)采用不同的管理方法。數(shù)據(jù)管理可以采用下面的偽代碼進行分析。

輸入端口：數(shù)據(jù)標(biāo)記。輸出端口：標(biāo)記。

（1）添加結(jié)構(gòu)化數(shù)據(jù);（2）判別數(shù)據(jù)首列，添加用戶數(shù)據(jù)，添加文本數(shù)據(jù);（3）添加非結(jié)構(gòu)化數(shù)據(jù);（4）判別非結(jié)構(gòu)化數(shù)據(jù)首列;（5）插入;（6）循環(huán)操作。

4結(jié)語

該文分開論述協(xié)同過濾算法和個性化推薦系統(tǒng)，并闡述二者之間的關(guān)聯(lián)性，重點介紹了基于協(xié)同推薦算法的個性化推薦系統(tǒng)的結(jié)構(gòu)、分類和優(yōu)缺點，并拓展介紹了系統(tǒng)的改進方法。從上可知，協(xié)同過濾算法分為基于模型的協(xié)同過濾算法和基于內(nèi)存的協(xié)同過濾算法，基于內(nèi)存的過濾算法是以項目為依據(jù)，基于模型的過濾算法以用戶為依據(jù)，與個性化推薦系統(tǒng)的分類有相似之處。

個性化推薦系統(tǒng)是以協(xié)同過濾算法為核心的系統(tǒng)，其核心思想是在短時間內(nèi)有效搜尋用戶喜好相關(guān)的鄰居用戶，根據(jù)鄰居用戶對項目的喜好進行篩選與排序，將結(jié)果推薦給初始用戶。它分為離線系統(tǒng)和在線系統(tǒng)，二者相互聯(lián)系，相互配合。它在發(fā)展過程中也存在一些問題，例如數(shù)據(jù)缺乏、樣本豐富度不足、系統(tǒng)運算能力低和新用戶、新產(chǎn)品干擾等。針對以上問題，可以通過用戶主導(dǎo)推薦和項目指導(dǎo)推薦分別進行改進。一個好的個性化推薦系統(tǒng)離不開優(yōu)秀的設(shè)計，主要分為4個管理系統(tǒng)：源數(shù)據(jù)管理、ETL管理、數(shù)據(jù)策略管理和集群管理，重點是數(shù)據(jù)策略管理。

參考文獻[1] 陳耶拉，耿秀麗.基于改進協(xié)同過濾的個性化產(chǎn)品服務(wù)系統(tǒng)方案推薦[J].計算機集成制造系統(tǒng)，2021，27（1）：240-248.

[2] 楊雪.基于協(xié)同過濾的圖書館書目個性化推薦系統(tǒng)[J].微型電腦應(yīng)用，2021，37（9）：169-171+175.

[3] 陳煉.基于快速矩陣分解的分布式協(xié)同過濾推薦算法研究[D].長沙：湖南大學(xué)，2020.

[4] 王保.基于協(xié)同過濾算法的農(nóng)業(yè)信息推薦系統(tǒng)研究[J].電腦編程技巧與維護，2021（9）：124-125，128.