摘要：隨著互聯(lián)網(wǎng)電商產(chǎn)業(yè)的發(fā)展，汽車產(chǎn)品推薦系統(tǒng)已經(jīng)成為汽車廠商重要的銷售與推廣工具之一。而推薦系統(tǒng)中的流行度偏差問題，影響了汽車推薦系統(tǒng)對用戶興趣的挖掘，從而影響推薦質(zhì)量。據(jù)此，利用因果干預(yù)方法來處理汽車產(chǎn)品推薦系統(tǒng)中的流行度偏差問題，將產(chǎn)品流行度作為混淆因子進(jìn)行干預(yù)處理，從而解決流行度偏差，提高推薦的準(zhǔn)確性，為汽車推薦系統(tǒng)未來的發(fā)展提供新思路。

關(guān)鍵詞：汽車；推薦系統(tǒng)；因果干預(yù)

中圖分類號：U462.1 收稿日期：2024-07-15

DOI：10.19999/j.cnki.1004-0226.2024.10.022

1 前言

隨著互聯(lián)網(wǎng)的迅速發(fā)展，汽車制造商和配套產(chǎn)品公司認(rèn)識到傳統(tǒng)的服務(wù)已經(jīng)不能滿足用戶的需求，需要挖掘用戶的特點，提供更加個性化的推薦方式和內(nèi)容，這些工作需要推薦系統(tǒng)來完成[1]。推薦系統(tǒng)在各行各業(yè)中都發(fā)揮著重要的作用，無論是短視頻或者電商都在研究如何提高推薦系統(tǒng)的推薦質(zhì)量，而汽車行業(yè)的推薦系統(tǒng)也發(fā)揮著重要作用。推薦系統(tǒng)經(jīng)常面對流行度偏差問題，從數(shù)據(jù)角度看，流行度偏差導(dǎo)致汽車商品的交互展現(xiàn)出長尾分布的特點；從方法的角度看，這種偏差會造成系統(tǒng)推薦更熱門的項目商品，而這些熱門汽車產(chǎn)品不一定符合用戶的興趣，從而降低了推薦系統(tǒng)的準(zhǔn)確性和用戶的滿意度。

本文研究如何解決推薦系統(tǒng)中的流行度偏差問題，解決思路是用因果干預(yù)方法去解決流行度偏差，挖掘到更準(zhǔn)確的用戶興趣，并在新模型下進(jìn)行個性化推薦，最終達(dá)到提高推薦系統(tǒng)準(zhǔn)確性的目的。

2 個性化推薦系統(tǒng)

推薦系統(tǒng)是一種引用算法和數(shù)據(jù)分析的技術(shù)，致力于向用戶提供個性化的建議和推薦內(nèi)容[2]。推薦系統(tǒng)根據(jù)算法的不同而有不同的實現(xiàn)原理，每種推薦系統(tǒng)采用不同的工作原理來滿足用戶需求。目前主要的算法和系統(tǒng)有協(xié)同過濾、基于內(nèi)容的推薦、混合推薦，以及基于流行度的推薦系統(tǒng)。協(xié)同過濾算法通過用戶行為和偏好之間的關(guān)系來生成推薦，而基于內(nèi)容的推薦則側(cè)重于物品的特征和用戶的偏好[3]?；旌贤扑]則運用了多種算法的優(yōu)越性，旨在進(jìn)行更合理的個性化推薦。

這些算法在不同領(lǐng)域都具有各自的優(yōu)點和缺點，在選擇時需要根據(jù)具體情況和場景進(jìn)行綜合考慮。了解如何評估推薦系統(tǒng)的性能也非常重要，評估常用指標(biāo)有精確度、召回率、F1分?jǐn)?shù)等，這些指標(biāo)可以幫助評估推薦系統(tǒng)的性能。使用A/B測試等技術(shù)來實驗和比較不同推薦算法也是評估推薦系統(tǒng)的重要手段，但是需要在真實推薦系統(tǒng)中做實驗，效果雖然更接近真實，但會影響用戶的體驗，所以本文利用因果干預(yù)方法來實現(xiàn)該實驗，在歷史數(shù)據(jù)上即可完成對流行度偏差的處理。

本文的汽車產(chǎn)品推薦系統(tǒng)中采用較流行的基于用戶協(xié)同過濾的推薦系統(tǒng)來實現(xiàn)?；谟脩舻膮f(xié)同過濾（User-based Collaborative Filtering）是推薦系統(tǒng)中常用的一種方法，其主要思想是通過分析用戶之間的相似性來進(jìn)行商品、服務(wù)或內(nèi)容的推薦，如圖1所示。

在圖1中，如果兩位車主的愛好相似，左邊的車主喜歡汽車產(chǎn)品A、C、D，而右邊的車主喜歡汽車產(chǎn)品A、C、D和H，那么基于用戶的協(xié)同過濾算法就會將汽車產(chǎn)品H推薦給左邊的車主。

3 流行度偏差對汽車產(chǎn)品推薦系統(tǒng)的影響

流行度偏差是因為汽車產(chǎn)品的流行度不同，影響了系統(tǒng)對用戶興趣的挖掘，從而降低了系統(tǒng)的推薦質(zhì)量。為了理解汽車產(chǎn)品流行度偏差如何影響推薦過程，首先采用因果圖來進(jìn)行定性分析，圖2表示傳統(tǒng)的汽車推薦系統(tǒng)中用戶愛好和汽車產(chǎn)品的匹配模式，依據(jù)此模式預(yù)測交互或購買的頻率。這里的用戶愛好和汽車產(chǎn)品是原因，而預(yù)測用戶是否與新的汽車產(chǎn)品交互或者購買的概率是結(jié)果。

圖2中的產(chǎn)品流行度可以通過如下公式計算：

[mti]=[Dti]∕[j∈IDti] （1）

其中，m為汽車產(chǎn)品i在t時刻的流行度；D為產(chǎn)品i在t時刻與用戶的交互次數(shù)。

計算產(chǎn)品流行度的思想為：某個產(chǎn)品的流行度為該產(chǎn)品在數(shù)據(jù)集上的交互次數(shù)與所有產(chǎn)品在數(shù)據(jù)集上交互次數(shù)和的比值[4]。

下文將分析產(chǎn)品的流行度偏差是如何影響推薦結(jié)果的。在因果圖（圖2）中，產(chǎn)品流行度有兩條路徑分別指向產(chǎn)品和交互概率。第一條路徑即產(chǎn)品流行度到交互概率，意味著受歡迎的汽車產(chǎn)品會直接影響用戶的交互購買概率，因為許多用戶具有從眾心理，因此傾向于跟隨大多數(shù)人消費流行商品。第二條路徑即產(chǎn)品流行度到汽車產(chǎn)品，這條路徑意味著產(chǎn)品流行度會影響該產(chǎn)品是否會出現(xiàn)在用戶的推薦頁面上，因為推薦系統(tǒng)會繼承數(shù)據(jù)偏見，更頻繁地展示給用戶熱度高的汽車產(chǎn)品。

因此這里的產(chǎn)品流行度有兩條路徑影響了系統(tǒng)的預(yù)測，這就放大了流行度對推薦結(jié)果的作用，在因果推理中被稱為混淆因子。作為混淆因子的產(chǎn)品流行度導(dǎo)致一些熱門的產(chǎn)品即使不符合用興趣也可能被推薦給用戶，從而降低了推薦系統(tǒng)的準(zhǔn)確性和用戶滿意度。

4 因果干預(yù)處理流行度偏差

為了消除產(chǎn)品流行度偏差帶來的不良影響，需要干預(yù)汽車產(chǎn)品不受產(chǎn)品流行度的影響，更好地完成與用戶的匹配。根據(jù)因果干預(yù)原理，可以利用do算子來實現(xiàn)這種干預(yù)。為了便于公式推理，用I代表汽車產(chǎn)品，U代表用戶興趣，Z代表汽車產(chǎn)品流行度，C代表預(yù)測的交互或購買概率。

傳統(tǒng)的推薦系統(tǒng)C的預(yù)測概率為[P（C|U，I）]，其中包括混淆因子Z產(chǎn)生的不良影響，造成了產(chǎn)品流行度二次影響推薦結(jié)果，所以根據(jù)因果推理中的do算子，可以用[P（C|do（U，I））]來代替[P（C|U，I）]來計算交互概率[5]，[P（C|do（U，I））]中do算子的意義就是對C的概率預(yù)測只考慮U和I的匹配，將其混淆因子Z剪枝掉，即保證產(chǎn)品流行度只有一條路徑影響推薦結(jié)果，如圖3所示。

圖3中，移除了產(chǎn)品流行度對汽車產(chǎn)品的影響，同時使用傳統(tǒng)推薦系統(tǒng)中的歷史數(shù)據(jù)來計算[P（C|do（U，I））]。為了便于公式推導(dǎo)，將圖2的因果圖數(shù)據(jù)空間定義為G，而將干預(yù)的因果圖（圖3）的空間為[G']，那么利用do算子在兩個空間上的計算得到：

[P（C|do（U，I））（1）PG' （C|U，I）]

[（2）zPG' C|U，I，zPG'（z|U，I）]

[（3）zPG' C|U，I，zPG'（z）]

[4zP（C|U，I，z）P（z）] （2）

這里，[PG'（·）]為在[G']上的概率函數(shù)，這一步是利用后門準(zhǔn)則，因為I<-Z->C，這里被[do（U，I）]阻斷Z到I的路徑所得。式（2）中的各步驟說明如下：a.步驟（1）是根據(jù)貝葉斯公式所得；b.步驟（2）因為在[G']上，已經(jīng)阻斷了Z到I，所以U和I已經(jīng)和Z獨立；c.步驟（3）中[P]（C|[U]，[I]，z）=[PG'C|U，I，z]是因為阻斷Z到I后，兩個空間中{U，I，C}到C的關(guān)系是一樣的，[P]（Z）=[PG']（Z），因為Z在兩個圖中有相同的前驅(qū)和后繼。

依據(jù)此公式，可以先估計[P]（C|U，[I]，Z），再利用公式估計[zP（C|U，I，z）P（z）]即可得到[P]（C|[do（U，I]）），從而解決了流行度偏差的問題，消除了流行度偏差帶來的不良影響，更好地挖掘出用戶的興趣，提高推薦系統(tǒng)的準(zhǔn)確性。

5 結(jié)語

本文深入分析了汽車產(chǎn)品推薦系統(tǒng)中的產(chǎn)品流行度偏差問題，并用當(dāng)下流行的因果推理來解決該偏差問題，將流行度偏差當(dāng)作混淆因子進(jìn)行處理，更準(zhǔn)確地獲取用戶的興趣，提高推薦系統(tǒng)的準(zhǔn)確性。同時，一定程度上緩解了個性化推薦系統(tǒng)中的長尾分布問題，讓各類產(chǎn)品得到了更公平的展示，有助于優(yōu)化汽車產(chǎn)品推薦系統(tǒng)的生態(tài)，從而提供更完善的智能個性化推薦。本文在因果和推薦算法中的研究，可為汽車推薦系統(tǒng)未來的發(fā)展提供新的思路。

參考文獻(xiàn)：

[1]范磊.基于大數(shù)據(jù)分析的汽車互聯(lián)網(wǎng)產(chǎn)品需求預(yù)測與個性化推薦研究[J].互聯(lián)網(wǎng)周刊，2023（24）：62-64.

[2]王暉，張慧.個性化商品推薦系統(tǒng)的混合推薦算法研究[J].科技資訊，2023，21（22）：248-252.

[3]岳添駿.基于LDA主題模型的協(xié)同過濾推薦算法[J].數(shù)字通信世界，2017（10）：279+282.

[4]Zhang Yang，F(xiàn)eng Fuli，He Xiangnan.Causal Intervention for Leveraging Popularity Bias in Recommendation[C]//SIGIR’21，Virtual Event，Canada，2021.

[5]丁建立，何雨峰，王靜.基于因果干預(yù)的微服務(wù)系統(tǒng)故障根因分析方法[J].計算機(jī)應(yīng)用，2021（5）：1-11.

作者簡介：

張宏，女，1986年生，工程師，研究方向為體系管理和零部件法規(guī)管理。