吳佳煒

摘要：協(xié)同過濾推薦算法從龐大的數(shù)據(jù)資源中為用戶推薦其感興趣的內(nèi)容，在推薦系統(tǒng)中該算法得到廣泛應(yīng)用。但是隨著用戶數(shù)目和項目資源的不斷增加，傳統(tǒng)的協(xié)同過濾算法暴露出數(shù)據(jù)稀疏和冷啟動等問題，大大降低了用戶相似度和項目相似度計算的準(zhǔn)確度。本篇文章介紹了協(xié)同過濾算法的基本概念，指出該算法的局限性以及在此基礎(chǔ)上研究人員所做的一系列優(yōu)化改進(jìn)。

關(guān)鍵詞：協(xié)同過濾；推薦系統(tǒng)；用戶相似性；項目相似性

一、引言

現(xiàn)今互聯(lián)網(wǎng)的快速發(fā)展，大數(shù)據(jù)時代應(yīng)運而生，數(shù)據(jù)資源的增長速度以幾何數(shù)量級呈現(xiàn)，個性化推薦技術(shù)[1]的出現(xiàn)解決了龐大的用戶群體對數(shù)據(jù)的需求問題，更是廣泛應(yīng)用于數(shù)字圖書館[2]、電子商務(wù)[3]、新聞網(wǎng)站[4]等系統(tǒng)中。協(xié)同過濾（collaborative filtering）[5]在推薦系統(tǒng)中最為常用，它的根本思想是根據(jù)相似的用戶群體或者項目群體來向目標(biāo)用戶推薦其可能感興趣的項目資源。

基于用戶的協(xié)同過濾推薦算法[6]和基于項目的協(xié)同過濾推薦算法[7，8]是構(gòu)成傳統(tǒng)的協(xié)同過濾算法的兩大主體。在基于用戶的協(xié)同過濾推薦算法中，算法依據(jù)目標(biāo)用戶的類似用戶對項目的評分來預(yù)測目標(biāo)用戶對該項目是否感興趣，然而鑒于部分用戶與之相關(guān)聯(lián)的信息量有限，所以對相關(guān)項目的評分并不完全，導(dǎo)致用戶-項目評分矩陣稀疏度高而不能完全體現(xiàn)其相對關(guān)系，從而加大了相似用戶群的選擇程度，降低了推薦系統(tǒng)的效率。若通過基于項目的協(xié)同過濾推薦算法，依靠未評分目標(biāo)項目的相似項目的評分來預(yù)測目標(biāo)用戶對未評分項目的評分，但是當(dāng)用戶對項目的評分較少時，易導(dǎo)致忽略項目自身屬性的問題，降低了推薦效率。

二、協(xié)同過濾推薦算法

（一）核心內(nèi)容

1、計算相似度

為了計算用戶或項目之間的相似度，協(xié)同過濾推薦算法主要利用皮爾遜相關(guān)度系數(shù)[9]（Pearson Correlation Coefficient，PCC）來實現(xiàn)，其中PCC的取值范圍是[-1，1]。在基于用戶的協(xié)同過濾算法中，PCC可以用來計算用戶之間的相似度，公式如下：

（二）局限性及解決方案

傳統(tǒng)的協(xié)同過濾推薦算法只偏重于用戶相似度或者項目相似度的計算?；谟脩舻膮f(xié)同過濾算法由于用戶接觸信息量有限，用戶-項目評分矩陣嚴(yán)重稀疏從而導(dǎo)致數(shù)據(jù)的冷啟動?；陧椖康膮f(xié)同過濾算法因為用戶對項目的評分過少或者不夠全面，從而在推薦過程中容易忽略項目的自身屬性。

針對傳統(tǒng)的協(xié)同過濾算法在大數(shù)據(jù)時代背景下暴露出的問題，相關(guān)研究人員對其進(jìn)行了改進(jìn)。針對數(shù)據(jù)稀疏性多帶來的問題，計算的項目相似度準(zhǔn)確度不高，文獻(xiàn)[10]提出了一種結(jié)合類別偏好信息的item-based協(xié)同過濾算法，引出了類別偏好相似，根據(jù)類別偏好相似找出一組與目標(biāo)項目類別偏好相似的候選鄰居集合，再在其中搜尋最近鄰，刪減了與目標(biāo)項目共同評分較少的項目，使得最近鄰搜尋的準(zhǔn)確性得以提高。因為傳統(tǒng)的協(xié)同過濾推薦算法不能及時捕捉用戶興趣變化，文獻(xiàn)[11]提出了一種適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法，該算法提出了分別基于時間和基于資源相似度的數(shù)據(jù)權(quán)重，并將它們結(jié)合在一起，然后引入基于項目的協(xié)同過濾算法的生成推薦中。文獻(xiàn)[12]和文獻(xiàn)[13]都提出了一種基于用戶-項目的混合協(xié)同過濾算法來解決數(shù)據(jù)稀疏和冷啟動的問題，通過改進(jìn)相似度的計算來提高預(yù)測精度，同時在預(yù)測未評分值時，加入平衡參數(shù)對兩種預(yù)測評分進(jìn)行加權(quán)綜合，產(chǎn)生推薦。

三、總結(jié)

綜上所述，協(xié)同過濾推薦算法越來越被優(yōu)化，所以在現(xiàn)今的推薦系統(tǒng)中，協(xié)同過濾推薦算法仍被廣泛使用。但隨著大數(shù)據(jù)時代的到來，傳統(tǒng)的協(xié)同過濾算法也逐漸暴露出冷啟動和數(shù)據(jù)稀疏等一系列問題，導(dǎo)致推薦質(zhì)量大大下降。因此，研究人員對傳統(tǒng)的協(xié)同過濾算法做了大大的改進(jìn)，在計算用戶相似度時引入時間權(quán)重因子來捕捉用戶興趣隨時間變化的特點，在計算項目相似度是又引入了類別偏好因素，使得最近鄰項目更為相似，同時還將基于用戶的和基于項目的協(xié)同過濾算法相結(jié)合，引入平衡因子等等，從而使得預(yù)測精度大大提高。

但是隨著數(shù)據(jù)量幾何級的增長，研究人員也需要不斷改進(jìn)算法來滿足推薦系統(tǒng)的需求，對傳統(tǒng)的協(xié)同過濾算法的研究也會更為深入，挖掘更多影響因素，從而提高推薦質(zhì)量。（作者單位：南京師范大學(xué)）

參考文獻(xiàn)：

[1] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報，2009，20（2）.

[2] Jayawardana C，Hewagamage K P，Hirakawa M.A Personalized Information Environment for Digital Libraries[J].Information Technology & Libraries，2001，20（4）.

[3] Schafer J B，Konstan J，Riedl J.Recommender systems in e-commerce[C].USA：ACM，1999.

[4] Konstan J A，Miller B N，Maltz D.GroupLens：applying collaborative filtering to Usenet news[J].Communications of the Acm，2000，40（3）.

[5] Al-Shamri M Y H.Power coefficient as a similarity measure for memory-based collaborative recommender systems[J].Expert Systems with Applications，2014，41（13）.

[6] Zhao Z D，Shang M S.User-Based Collaborative-Filtering Recommendation Algorithms on Hadoop[C].New York：IEEE Computer Society，2010.

[7] 鄧愛林，朱揚勇，施伯樂.基于項目評分預(yù)測的協(xié)同過濾推薦算法[J].軟件學(xué)報，2003，14（9）.

[8] 羅奇，余英，趙呈領(lǐng)等.自適應(yīng)推薦算法在電子超市個性化服務(wù)系統(tǒng)中的應(yīng)用研究[J].通信學(xué)報，2006，（11）.

[9] 朱銳，王懷民，馮大為.基于偏好推薦的可信服務(wù)選擇[J].軟件學(xué)報，2011，22（5）：852-864.

[10] 冷亞軍，陸青，張俊嶺.結(jié)合類別偏好信息的item-based協(xié)同過濾算法[J].計算機應(yīng)用研究，2016，33（3）：669-672.

[11] 邢春曉，高鳳榮，戰(zhàn)思南，等.適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J].計算機研究與發(fā)展，2007，44（2）：296-301.

[12] 陳彥萍，王賽.基于用戶-項目的混合協(xié)同過濾算法[J].計算機技術(shù)與發(fā)展，2014（12）：88-91.

[13] Xiong W，Li B，Cui X，et al.A Learning Approach to the Prediction of Reliability Ranking for Web Services[C].The，International Conference on Web Services.2015：169-176.