基于協(xié)同過濾個性化推薦算法的綜述

韓瑞

摘 要：互聯(lián)網(wǎng)的發(fā)展是呈爆炸式的，無論是用戶數(shù)量還是信息數(shù)量。現(xiàn)在的時代是大數(shù)據(jù)時代，這個時代的問題已經(jīng)不是苦于沒有數(shù)據(jù)，沒有信息的時代。而是在這么多的數(shù)據(jù)中找到有用的數(shù)據(jù)，挖掘潛在的信息的時代。個性化推薦，本質(zhì)上來說，是為了解決信息的超載問題。當(dāng)一個用戶搜索一個產(chǎn)品或者一條信息，如何在茫茫信息海中提供給用戶的商品恰是用戶感興趣的，可以幫助用戶減少不必要的時間去篩選用戶不感興趣的東西。本文主要介紹在眾多推薦算法中最常見的協(xié)同過濾的研究現(xiàn)狀，推薦算法，優(yōu)缺點等問題。通過簡單的例子讓大家明白協(xié)同過濾的主要思想。

關(guān)鍵詞：協(xié)同過濾；基于用戶；基于物品；相似程度

一、協(xié)同過濾推薦的研究現(xiàn)狀

首先了解一下推薦系統(tǒng)，比較普遍認(rèn)可的定義是Resnick和Varian在1997年[1]提出的：“它是利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程?！倍鴧f(xié)同過濾是推薦系統(tǒng)中最常見也是最廣泛應(yīng)用的推薦方法。Grundy書籍推薦系統(tǒng)[2]是公認(rèn)的第一個對協(xié)同過濾應(yīng)用的系統(tǒng)。還有Tapes-try郵件處理系統(tǒng)[3]，Ringo[4]等。Sarwar等[5]提出的利用夾角余弦來計算產(chǎn)品的相似程度。Chen和Cheng[5]通過觀察不同產(chǎn)品在用戶的列表次序來計算用戶與用戶的相似程度.而Yang和Gu[7]利用建立用戶的興趣點來計算用戶與用戶間的相似程度。

二、協(xié)同過濾推薦的主要思想

協(xié)同過濾推薦的思路可以說是來源于生活。通過在生活中購買產(chǎn)品你會發(fā)現(xiàn)一些有趣的現(xiàn)象。比如說，人們總是更傾向于相信來自熟人的推薦，在你的朋友圈內(nèi)，很多朋友都在使用同一種產(chǎn)品，那么你就也會很大程度有意的選擇此產(chǎn)品。另外就是，在你對某種產(chǎn)品感興趣時，當(dāng)你發(fā)現(xiàn)有和你感興趣的這種產(chǎn)品類似的產(chǎn)品，與此同時，其他購買者對這種產(chǎn)品的體驗良好，那么你也很可能會購買這種商品。協(xié)同過濾的主要思想可以分成兩個部分：一是通過分析用戶以往的購買或者選擇信息，來計算用戶之間的相似程度，通過相似程度高的用戶可以說是近鄰對一個產(chǎn)品或信息的偏好來預(yù)測目標(biāo)用戶的對此產(chǎn)品或信息的偏好程度。二是通過分析對用戶以往對某類產(chǎn)品的評價情況來預(yù)測該用戶對此類中新產(chǎn)品的偏好程度，及計算以往評價過的產(chǎn)品與要推薦產(chǎn)品間的相似度。

協(xié)同過濾推薦主要有兩種，一個是基于User的，另一個是基于iterm的。

1、基于用戶的方法主要是尋找與目標(biāo)用戶相似的用戶，認(rèn)為有相似偏好的用戶可能對某個產(chǎn)品或信息有相似的評價。通過利用相似近鄰的偏好程度來進(jìn)行對目標(biāo)用戶的評價的預(yù)測。比如說有三部電影《饑餓游戲》《千與千尋》《分手大師》。A下載了《饑餓游戲》，播完了《千與千尋》，沒播完《分手大師》。B多次觀看《饑餓游戲》，播完《千與千尋》，沒看《分手大師》。C下載了《分手大師》，沒看《饑餓游戲》，沒播完《千與千尋》。那么可以看出來A與B很相似，那么再出現(xiàn)一個電影《變形金剛》，A是多次觀看，那么應(yīng)該把變形金剛推薦給B而不是C。關(guān)于這個用戶之間相似程度的計算，可以通過對電影的評分機制進(jìn)行量化，然后利用夾角余弦來計算用戶之間的相似程度。設(shè)用戶i和用戶j在n維對象的空間上的評分向量為i，j，那么計算cos（i，j）的公式為：

cos（i，j）=i·j|i|*|j|

若兩個用戶的夾角余弦值相近，則可認(rèn)為他們是相似用戶。

關(guān)于相似程度的計算還可以通過皮爾森相關(guān)系數(shù)和修正余弦函數(shù)相似性等很多方法。

2、基于物品的方法主要首先是計算物品與物品之間的相似程度，然后結(jié)合用戶以前的購買評價過的物品或選擇行為，最后對用戶進(jìn)行某種新物品的推薦。比如說A喜歡看《分歧者》，《復(fù)仇者聯(lián)盟》，《超體》。然后有兩部電影《何以笙簫默》和《敢死隊》。可以很明顯的看出可以向A推薦《敢死隊》?；谖锲返南到y(tǒng)過濾在計算物品的相似度時，也是可以通過評分量化，很多時候也是可以加入tag技術(shù)，對物品打標(biāo)簽，做標(biāo)簽矩陣。比如A喜歡的電影中《分歧者》是有動作，愛情，科幻三個標(biāo)簽，每個標(biāo)簽的權(quán)重不一樣可以按0到1之間的分值設(shè)定。然后同理其他電影，最后通過量化計算相似度發(fā)現(xiàn)《敢死隊》更符合推薦。關(guān)于tag矩陣也可以是0-1矩陣。關(guān)于計算相似程度與（1）中提到過的方法類似。

三、協(xié)同過濾推薦的優(yōu)缺點

協(xié)同過濾的優(yōu)點有：

1、可以進(jìn)行過濾復(fù)雜性的，機器難以進(jìn)行提取有效自由文本的信息，如音樂，圖像等藝術(shù)類信息。

2、相對容易給用戶制造驚喜。與基于內(nèi)容的推薦不同，推薦給用戶的物品內(nèi)容可能是用戶不太熟悉的內(nèi)容，很可能發(fā)現(xiàn)用戶潛在的喜好但用戶本身卻沒有意識到的。

3、用戶的不斷增加，協(xié)同過濾推薦系統(tǒng)的性能也會增高。

協(xié)同過濾的缺點：

協(xié)同過濾推薦算法的典型缺點就是稀疏性問題和冷啟動問題。冷啟動問題就是，當(dāng)有新用戶進(jìn)入時，由于沒有歷史行為數(shù)據(jù)而無法對其偏好進(jìn)行判斷，因此對其進(jìn)行推薦。同樣當(dāng)有新物品進(jìn)入系統(tǒng)時，由于沒有用戶對其評價過，它就得不到推薦。

四、總結(jié)

個性化推薦服務(wù)實質(zhì)就是有效率有針對性的解決大量數(shù)據(jù)的問題，推薦算法在一定程度上實現(xiàn)了這個問題，可是現(xiàn)實生活中，并不是一個算法，而是好幾種類型的推薦算法混合運算，最后得出的推薦結(jié)果才能比較令人滿意，也會比單一算法精確很多。關(guān)于推薦系統(tǒng)性能的評價指標(biāo)最典型是精確度和推薦效率這兩個指標(biāo)。其中衡量精確度可以是平均平方誤差，平均絕對誤差和標(biāo)準(zhǔn)平局誤差等。個性化推薦沒必要非得追求完全精確，因為本身推薦的內(nèi)容就無法保證用戶百分之百的感興趣，但是還是要努力不斷追求精確度，這樣才能發(fā)揮其自身解決超載問題，給用戶提供感興趣物品或信息的價值。網(wǎng)易云音樂作為音樂行業(yè)的后起之秀，在個性化推薦方面做的相當(dāng)不錯，很多用戶反應(yīng)網(wǎng)易云音樂的個性化推薦總是給人驚喜，雖然網(wǎng)易沒有在這方面給出過多的介紹，但是不難看出，他們公司非常注重這個方面的功能板塊。因此對這個時代而言，不僅僅是對電子商務(wù)方面，個性化推薦的價值以及意義都是非常重要的。（作者單位：河北大學(xué)）

參考文獻(xiàn)：

[1] Resinick P，Varian H R.Recommender systems[J].Communications of the ACM，1997，40（3）：56-58.

[2] Rich E.User modeling via stereotypes.Cognitive Science，1979，3（4）：329—354.

[3] Goldberg D，Nichols D，Oki BM，et al.Using collaborative filtering to weave an information tapestry.Comm ACM，1992，35（12）：61—70.

[4] Shardanand U，Maes P.Social information filtering：Algorithms for automating`Word of Mouth'.Proc Conf Human Factors in Computing Systems Denver，1995：210—217.

[5] Sarwar B，Karypis G，Konstan J，et al.Item-based collaborative filtering recommendation algorithms.Proc 10th Int' l WWW Conf，Hong Kong，2001：1—5.

[6] Chen YL，Cheng LC.A novel collaborative filtering approach for recommending ranked items.Expert Systems with Applications，2008，34（4）：2396—2405.

[7] Yang MH，Gu ZM.Personalized recommendation based on partial similarity of interests.Advanced Data Mining and Applications Proceedings，2006，4093：509—516.