段立峰

(陜西工業(yè)職業(yè)技術(shù)學(xué)院 物流管理學(xué)院，咸陽 712000)

0 引言

隨著電子商務(wù)的發(fā)展，人們從網(wǎng)上進(jìn)行購物頻率的越來越高，如何在保證產(chǎn)品質(zhì)量的條件下，盡可能的滿足用戶需要，是電子商務(wù)系統(tǒng)急需要解決的一個問題。而協(xié)同過濾推薦可以對用戶的特征進(jìn)行描述，找到用戶通常喜歡的東西，為相應(yīng)的用戶提供針對性服務(wù)，因此設(shè)計性能優(yōu)異的協(xié)同過濾推薦算法一直是學(xué)者關(guān)注的焦點[1,2]。

針對電子商務(wù)推薦法的問題，多年來，學(xué)者們進(jìn)行了許多廣泛的研究，當(dāng)前已經(jīng)提出了多種有效推薦算法，它們大致可以劃分為3類，分別為內(nèi)容分析的推薦算法、協(xié)同過濾的推薦算法(CF)和混合推薦算法[4]，相對其它類型的推薦算法，其中協(xié)同過濾推薦算法的使用最為廣泛，成為當(dāng)前一個重要的研究方向。在實際應(yīng)用中，推薦算法存在明顯的局限性，如：(1) 數(shù)據(jù)稀疏問題；(2) 冷啟動問題。針對這些問題，一些學(xué)者提出了許多改進(jìn)的協(xié)同過濾推薦算法，一定程度上改善了推薦精精度，但是仍然存在一缺陷，為此取得了更好的推薦精度一直是追求的目標(biāo)。

針對當(dāng)前協(xié)同過濾推薦算法存在推薦精度低、冷啟動等難題，為了改善協(xié)同過濾推薦的效果，設(shè)計了用戶特征和項目屬性相融合的協(xié)同過濾推薦算法，該算法根據(jù)用戶特征和項目屬性對評分相似度進(jìn)行估計，并根據(jù)估計根據(jù)得到協(xié)同推薦的結(jié)果，最后選擇MovieLens數(shù)據(jù)集協(xié)同過濾推薦算法的性能進(jìn)行了分析，以驗證該算法的有效性和優(yōu)越性。

2 傳統(tǒng)協(xié)同過濾推薦算法

當(dāng)前有許多協(xié)同過濾推薦算法，最常用的為基于用戶的協(xié)同過濾推薦算法，其工作原理為：將用戶感興趣的項目推薦相似愛好用戶，項目的評分一般從“最近鄰居集”物項目評分加權(quán)得到，工作步驟為：

(1) 設(shè)有m個用戶，n個項目，首先要構(gòu)建用戶-項目評分之前的矩陣R=(rij)m×n，該矩陣主要反映用戶對項目偏好，其中rij為用戶i對項目j的評分，矩陣一般形式如表1所示。

表1 評分矩陣

(2) 對不同用戶間的相似度進(jìn)行估計，根據(jù)估計結(jié)果對用戶進(jìn)行排序，形成一個“鄰居集”。從鄰居集中選擇k個與目標(biāo)用戶與最相似的用戶，組成“最近鄰居集”。

(3) 根據(jù)“最近鄰居集”對某個目標(biāo)項目進(jìn)行評分，然后進(jìn)行加權(quán)，根據(jù)項目加權(quán)值實現(xiàn)推薦。

(1)

當(dāng)前相似性度計算式有3種：它們分別如下：

(2)

其中，rix和rjx表示用戶i和j對項目x的評分值。

(2) Pearson相關(guān)性：該相似性只慮用戶共同評分的項目集合，設(shè)用戶i和j共同評分的項目集合為Iij(Iij=Ii∩Ij)，則有式(3)。

(3)

(3) 修正的余弦相似性：在標(biāo)準(zhǔn)余弦相似性的基礎(chǔ)上，考慮不同用戶間評分差別，設(shè)用戶i和j共同評分的項目集合為Iij(Iij=Ii∩Ij)，則有式(4)。

(4)

3 本文算法

當(dāng)前協(xié)同過濾推薦算法存在一定的局限性，為改善協(xié)同過濾推薦算法的推薦效果，提出了基于用戶特征和項目屬性相融合的協(xié)同過濾推薦算法，具體如下。

引入一個非線性函數(shù)表示用戶評分相似度，使評估結(jié)果更加客戶，則用戶評分相似度為式(5)。

(5)

每個用戶均有自己的偏好度，此此引入平均評分表示用戶對某個目標(biāo)的偏好，項目偏好度的相似度為式(6)。

(6)

當(dāng)兩個用戶對一個項目的評分相同時，為了區(qū)別兩個用戶，引入用戶評分相似度的置信度，其為式(7)。

(7)

其中，Ii表示用戶i評價的項目集合。

綜上所述，相似度最終計算公式為式(8)。

(8)

當(dāng)前算法只考慮已有用戶相關(guān)信息，沒有充分利用新用戶信息，易出現(xiàn)冷啟動問題，為此引入sigmoid函數(shù)對用戶屬性和用戶評分推薦結(jié)果進(jìn)行融合，設(shè)用戶i的特征向量為Attri=(ai1,ai2,…,ain)，如果戶i和j的第m個屬性相同，simAttr(i,j,m)=1，不然simAttr(i,j,m)=0，那么用戶i和j屬性的相似度為式(9)。

simAttr(i,j)=∑m∈Attrwm·simAttr(i,j,m)

(9)

其中，wi是第i個屬性的權(quán)值。

用戶特征與項目屬性融合結(jié)果為式(10)。

sim(i,j)=α·simAttr(i,j)+β·simscore(i,j)

(10)

式中，α和β分別表示權(quán)值。

基于用戶特征和項目屬性相融合的協(xié)同過濾推薦的工作步驟為

(1) 收集項目屬性信息，估計項目屬性的值，產(chǎn)生一個項目屬性矩陣。

(2) 收集用戶對項目的評分信息，估計所有用戶評分的值，產(chǎn)生一個用戶評分矩陣。

(3) 對項目的屬性矩陣和用戶評分矩陣進(jìn)行融合，建立用戶一項目的評分相似度矩陣；

(3) 根據(jù)相似度矩陣選近鄰，并計算未評分項目x的值，根據(jù)結(jié)果實現(xiàn)推薦方案，計算公式具體為式(11)。

(11)

其中，NK是與用戶最相似的K個鄰居；rki是用戶k對x的評分。

4 實驗結(jié)果與分析

為了測試本文提出的協(xié)同過濾推薦算法的性能，在Intel 4核 3.0GHz，4GB RAM，200GB硬盤，Win7 的OS實驗平臺上進(jìn)行了仿真實驗，選擇VC ++ 6.0編程實現(xiàn)協(xié)同推薦算法的程序，選擇協(xié)同過濾推薦測試的標(biāo)準(zhǔn)數(shù)據(jù)——MovieLens作為研究目標(biāo)，同時在相同實驗條件下，采用文獻(xiàn)[12]的協(xié)同過濾推薦算法作為對比算法，分析本文算法的優(yōu)越性。協(xié)同過濾推薦的結(jié)果選擇平均絕對誤差(MAE)和均方根誤差(RMSE)進(jìn)行，MAE計算公式為式(12)、(13)。

(12)

(13)

式中，n表示測試樣本數(shù)量。

RMSE的計算公式為式(14)、(15)。

(14)

(15)

兩種協(xié)同過濾推薦算法的測試實驗結(jié)果,如圖1所示。

(a) MAE的值

(b) RMSE

它們均進(jìn)行5次實驗。對圖1的推薦結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，相對于文獻(xiàn)[12]的算法，MAE和RMSE的值均有所下降，本文算法提高了協(xié)同推薦的精度，這是因為本文算法同時考慮了用戶特征和項目屬性，建立了理想的協(xié)同過濾推薦模型，改善了協(xié)同過濾推薦結(jié)果，能夠滿足用戶的實際應(yīng)用要求。

由于當(dāng)前協(xié)同過濾推薦算法均存在冷啟動的缺陷，為了需要分析本文算法解決冷啟動問題的能力，去掉一個評分信息，對冷啟動場景進(jìn)行仿真模擬，然后統(tǒng)計兩種協(xié)同過濾推薦算法的MAE值，結(jié)果如圖2所示。

圖2 對冷啟動問題的測試結(jié)果

從圖2可以發(fā)現(xiàn)，本文協(xié)同過濾推薦算法不存在冷啟動問題，較好的克服對比算法存在的局限性，具有更廣泛的應(yīng)用范圍。

不同數(shù)據(jù)稀疏度條件下的MAE值統(tǒng)計結(jié)果如圖3所示。

圖3 不同稀疏度下的算法性能對比

對圖3的MAE值變化曲線進(jìn)行分析可以知道，隨著數(shù)據(jù)稀疏度不斷的增加，MAE值不斷的變大，即協(xié)同過濾推薦誤差不斷增加，那么協(xié)同過濾推薦的精度不斷下降，但是在同樣的數(shù)據(jù)稀疏情況下，本文協(xié)同過濾推薦算法的MAE值要明顯小于文獻(xiàn)[12]算法的MAPE，實驗結(jié)果表明，本文協(xié)同過濾推薦算法具有更好的數(shù)據(jù)稀疏魯棒性。

在電子商務(wù)系統(tǒng)的協(xié)同過濾推薦過程中，工作效率十分關(guān)鍵，為此分析統(tǒng)計它們每次找到最優(yōu)協(xié)同推薦結(jié)果的迭代步數(shù)，結(jié)果如圖4所示。

圖4 算法的工作效率測試

對圖4的迭代步數(shù)進(jìn)行對比，本文算法用更少的迭代步數(shù)找到了最優(yōu)的協(xié)同過濾推薦結(jié)果，加快了協(xié)同過濾推薦速度，協(xié)同過濾推薦的效率更高。

5 總結(jié)

協(xié)同推薦算法一直是電子商務(wù)推薦系統(tǒng)研究中的重點，由于電子商務(wù)的不斷發(fā)展，當(dāng)前協(xié)同推薦算法的局限性越來越明顯，為了改善協(xié)同推薦的結(jié)果，提出了用戶特征和項目屬性的協(xié)同過濾推薦算法，并采用VC++ 6.0實現(xiàn)協(xié)同推薦算法的仿真實驗。結(jié)果表明，該算法解決了當(dāng)前協(xié)同推薦算法存在的冷啟動難題，大幅度提升了協(xié)同推薦的精度，而且協(xié)同推薦效率得到了明顯的改善，具有十分廣泛的應(yīng)用前景。

[1] Perugini S, Marcos. Recommender systems research: A connection-centric survey [J]. Journal of Intelligent Information, 2013, 2(1): 137-143.

[2] 朱巖, 林澤楠. 電子商務(wù)中的個性化推薦方法評述[J]. 中國軟科學(xué), 2009(2):183-192.

[3] Herlocker L, Konstan J, Terveen L, et al. Evaluating collaborative filtering recommender systems [J]. ACM Transactions on Information Systems, 2004, 22(1):50-53.

[4] Kim H N, Ji A T, Ha I, et al. Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation[J]. Electronic Commerce Research and application, 2010(9):73-83.

[5] 馮勇,李軍平,徐紅艷,等. 基于社會網(wǎng)絡(luò)分析的協(xié)同推薦方法改進(jìn)[J].計算機(jī)應(yīng)用, 2013, 33(3):841-844.

[6] 李春,朱珍敏,高曉芳.基于鄰居決策的協(xié)同過濾推薦算法[J].計算機(jī)工程, 2010, 36(13): 34-36.

[7] Kim BM , L iQ , Park C S, et al. A new approach for combining content-based and collaborative filters[J]. Journal of Intelligent Information System, 2006, 27(1): 79-91.

[8] 羅辛,歐陽元新,熊璋. 通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J].計算機(jī)學(xué)報, 2010,33(8):1437-1445.

[9] 陸興華,陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法[J].計算機(jī)科學(xué),2015, 42(4): 68-71.

[10] 焦東俊,孟祥武.Apache Mahout協(xié)同過濾算法評估方法的改進(jìn)[J].濟(jì)南大學(xué)學(xué)報(自然科學(xué)版),2016,30(1):47-50.

[11] Chen Zhimin, Jiang Yi, Zhao Yao. A collaborative filtering recommendation algorithm based on user interest change and trust evaluation [J]. International Journal of Digital Content Technology and its Applications, 2010, 4(9): 106-113.

[12] 韋素去,業(yè)寧,吉根林,等.基于項目類別和興趣度的協(xié)同過濾推薦算法[J].南京大學(xué)學(xué)報(自然科學(xué)版),2013,49(2):142-149.

[13] 趙琴琴,魯凱,王斌. SPCF:一種基于內(nèi)存的傳播式協(xié)同過濾推薦算法[J].計算機(jī)學(xué)報,2013,36(3):671-676.