王希 胡玉嬌

摘要：協(xié)同過(guò)濾推薦算法通過(guò)對(duì)用戶歷史行為數(shù)據(jù)的挖掘發(fā)現(xiàn)用戶的偏好，基于不同的偏好對(duì)用戶進(jìn)行群組劃分并推薦品味相似的商品。協(xié)同過(guò)濾推薦算法原理在大學(xué)生閱讀中的作用就是通過(guò)該算法對(duì)大學(xué)生閱讀的歷史數(shù)據(jù)進(jìn)行篩選與分析，了解大學(xué)生的需求與興趣，從而將大學(xué)生感興趣的閱讀信息主動(dòng)推薦給大學(xué)生。我們可以在協(xié)同過(guò)濾推薦算法的指導(dǎo)下，通過(guò)提高大學(xué)生媒介素養(yǎng)、引導(dǎo)大學(xué)生主動(dòng)破除信息“繭房”、平衡廣泛涉獵與深度閱讀、控制好紙質(zhì)閱讀與互聯(lián)網(wǎng)閱讀的比例等措施，提高大學(xué)生互聯(lián)網(wǎng)閱讀的質(zhì)量。

關(guān)鍵詞：協(xié)同過(guò)濾推薦算法;大學(xué)生互聯(lián)網(wǎng)閱讀;媒介素養(yǎng)

大數(shù)據(jù)信息高速發(fā)展的背景下，大學(xué)生逐漸成為網(wǎng)絡(luò)閱讀的重要受眾。但是在海量的互聯(lián)網(wǎng)閱讀信息中，大學(xué)生如何快速找到自己感興趣的內(nèi)容，成為當(dāng)前需要解決的一大問(wèn)題。協(xié)同過(guò)濾推薦算法可以通過(guò)對(duì)用戶歷史行為數(shù)據(jù)的挖掘發(fā)現(xiàn)用戶的偏好，基于不同的偏好對(duì)用戶進(jìn)行群組劃分并推薦品味相似的商品。協(xié)同過(guò)濾推薦算法原理對(duì)大學(xué)生閱讀的歷史數(shù)據(jù)進(jìn)行篩選與分析，了解大學(xué)生的需求與興趣，從而將大學(xué)生感興趣的閱讀信息主動(dòng)推薦給大學(xué)生，使大學(xué)生快速找到自己感興趣的內(nèi)容，從而提高閱讀的數(shù)量與質(zhì)量。

一、大學(xué)生互聯(lián)網(wǎng)閱讀信息推薦系統(tǒng)現(xiàn)狀

由于網(wǎng)絡(luò)信息較為繁雜，在海量的閱讀信息面前，大學(xué)生群體經(jīng)常會(huì)面臨一些問(wèn)題，如在閱讀的時(shí)候并不能準(zhǔn)確地找到自己感興趣的內(nèi)容等。在沒(méi)有明確的閱讀目標(biāo)時(shí)，搜索引擎也難以對(duì)大學(xué)生的閱讀信息進(jìn)行有效地篩選。

為了使用戶在互聯(lián)網(wǎng)的海量信息中更有效率地找到自己感興趣的信息，推薦系統(tǒng)便應(yīng)運(yùn)而生。推薦系統(tǒng)是一種自動(dòng)聯(lián)系用戶和項(xiàng)目的工具。與搜索引擎不同的是，推薦系統(tǒng)是通過(guò)研究用戶的興趣來(lái)實(shí)現(xiàn)個(gè)性化計(jì)算的。推薦系統(tǒng)可以從海量信息中發(fā)現(xiàn)用戶的興趣點(diǎn)，幫助用戶發(fā)現(xiàn)潛在需求。

主流推薦算法主要有基于關(guān)聯(lián)規(guī)則的推薦算法、基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法以及混合推薦算法。關(guān)于大學(xué)生閱讀的推薦算法主要是協(xié)同過(guò)濾算法。本研究以大學(xué)生閱讀中的信息推薦為例，介紹協(xié)同過(guò)濾推薦算法原理，及其對(duì)大學(xué)生互聯(lián)網(wǎng)閱讀的指導(dǎo)。

二、協(xié)同過(guò)濾推薦算法中的兩種推薦算法

協(xié)同過(guò)濾推薦算法主要包括基于用戶的協(xié)同過(guò)濾算法和基于物品的協(xié)同過(guò)濾算法兩種推薦算法。

（一）基于用戶的協(xié)同過(guò)濾算法

基于用戶的協(xié)同過(guò)濾算法是推薦系統(tǒng)中歷史最久遠(yuǎn)的算法，是推薦系統(tǒng)誕生的里程碑。在大學(xué)生互聯(lián)網(wǎng)閱讀中，基于用戶的協(xié)同過(guò)濾算法可以由兩個(gè)步驟來(lái)說(shuō)明：一是找到和該目標(biāo)大學(xué)生閱讀信息興趣相似的大學(xué)生集合;二是找到這個(gè)相似集合中大多數(shù)大學(xué)生都喜歡，且目標(biāo)大學(xué)生沒(méi)有閱讀過(guò)的信息內(nèi)容。

步驟一的關(guān)鍵就在于計(jì)算大學(xué)生閱讀興趣相似度，給定大學(xué)生u和用戶v，令N（u）表示大學(xué)生u曾經(jīng)有過(guò)正反饋的閱讀信息集合，令N（v）為用戶v曾經(jīng)有過(guò)正反饋的閱讀信息集合。那么，我們可以通過(guò)如下的余弦公式簡(jiǎn)單地計(jì)算大學(xué)生u和用戶v的興趣相似度：

計(jì)算完大學(xué)生u和用戶V的閱讀相似度后，基于用戶的協(xié)同過(guò)濾算法會(huì)給大學(xué)生u推薦和他閱讀信息興趣最相似的幾個(gè)信息，以下公式計(jì)算了大學(xué)生u對(duì)閱讀信息i的感興趣程度：

其中，S（u，K）包含和大學(xué)生u閱讀信息興趣最接近的K個(gè)用戶，是對(duì)閱讀信息i有過(guò)正反饋行為的用戶集合，W_uv是大學(xué)生u和用戶v的閱讀信息興趣相似度，代表用戶v對(duì)閱讀信息i的興趣。如果用戶u對(duì)物品i有過(guò)正反饋行為，即可令r_ui=1。

根據(jù)式2——算出大學(xué)生u對(duì)閱讀信息i的興趣程度，得到閱讀信息推薦列表，根據(jù)閱讀信息集合中u的興趣程度進(jìn)行倒序排序，取前N個(gè)閱讀信息形成推薦列表，還可以設(shè)定興趣度閾值α，取目標(biāo)用戶興趣度不小于α的閱讀信息組成閱讀信息推薦列表R（u）。

（二）基于物品的協(xié)同過(guò)濾算法

基于物品的協(xié)同過(guò)濾算法是推薦算法的基礎(chǔ)，該算法的原理是向大學(xué)生推薦和他們之前閱讀過(guò)的信息相似度很高的信息。比如，該目標(biāo)大學(xué)生閱讀過(guò)探索火星的相關(guān)科普文章，該算法會(huì)推薦NASA的最近研究成果信息。該算法也可以用兩個(gè)步驟來(lái)說(shuō)明：一是計(jì)算各個(gè)閱讀信息間的相似度;二是對(duì)其相似度從高到低進(jìn)行排序，然后挑選一定數(shù)量的相似度較高的閱讀信息進(jìn)行推薦。

這個(gè)公式加大了j項(xiàng)的權(quán)重，從而降低了流行閱讀信息與許多閱讀信息相似的可能性。在得到物品之間的相似度后，基于物品的協(xié)同過(guò)濾算法再使用如下公式來(lái)度量大學(xué)生u對(duì)閱讀信息i的興趣程度P_ui：

其中N（u）是用戶喜歡的閱讀信息的集合，S（j，K）是和閱讀信息j最相似的K個(gè)閱讀信息的集合，W_ji表示的是閱讀信息j和i的相似度，rui表示的是大學(xué)生u對(duì)閱讀信息i的興趣（如果大學(xué)生u對(duì)物品i有過(guò)正反饋行為，即可令r_ui=1）。這個(gè)公式的含義是，用戶對(duì)歷史感興趣的項(xiàng)目越相似，就越有可能在用戶的推薦列表中獲得更高的排名。

根據(jù)式4——算出大學(xué)生u對(duì)閱讀信息i的興趣程度后，得到閱讀信息推薦列表，根據(jù)閱讀信息集合中u的興趣程度進(jìn)行倒序排序，取前N個(gè)閱讀信息形成推薦列表，還可以設(shè)定興趣度閾值α，取目標(biāo)用戶興趣度不小于α的閱讀信息組成閱讀信息推薦列表R（u）。

三、對(duì)大學(xué)生閱讀的指導(dǎo)意見(jiàn)

推薦系統(tǒng)雖然為大學(xué)生提供了便利，實(shí)現(xiàn)了對(duì)大學(xué)生閱讀興趣精準(zhǔn)化、個(gè)性化的推薦，但是由于其相似性與閉塞性使大學(xué)生的信息接受面較為狹窄。研究者姜小凌、馬佳儀曾提出，算法推薦可能引起三大問(wèn)題：一是信息“繭房”導(dǎo)致視野窄化，二是信息同質(zhì)導(dǎo)致閱讀疲勞，二是信息碎片化導(dǎo)致淺閱讀。當(dāng)然，在改進(jìn)推薦算法方面，我們可以做些技術(shù)革新，以提高推薦能力、完善推薦頁(yè)面，不只推薦大學(xué)生感興趣的閱讀信息，也增加時(shí)事熱點(diǎn)與朋友感興趣的閱讀信息，逐漸縮小大學(xué)生感興趣的閱讀信息比例，從推薦系統(tǒng)算法的角度來(lái)盡量避免信息“繭房”的發(fā)生。針對(duì)以上基于推薦算法可能導(dǎo)致的問(wèn)題，筆者認(rèn)為大學(xué)生互聯(lián)網(wǎng)閱讀應(yīng)從以下幾個(gè)方面進(jìn)行應(yīng)對(duì)。

（一）破除信息“繭房”，開(kāi)拓視野

當(dāng)代大學(xué)生面臨學(xué)習(xí)專業(yè)性過(guò)強(qiáng)的問(wèn)題，在升入大學(xué)選擇自己的專業(yè)后，多數(shù)人只涉獵本專業(yè)相關(guān)領(lǐng)域的信息。網(wǎng)絡(luò)閱讀本是大學(xué)生拓展知識(shí)面的重要途徑之一，是豐富自身文化素養(yǎng)的有益補(bǔ)充，但是若推薦系統(tǒng)僅采用興趣相似度作為計(jì)算標(biāo)準(zhǔn)，那么將會(huì)使大學(xué)生的閱讀囿于某一方面或某一領(lǐng)域，容易造成視野狹窄。大學(xué)生應(yīng)該提高自身文化素養(yǎng)，接受多方面信息，提高自己閱讀多方面信息的能力，不能故步自封。

（二）緩解閱讀疲勞，提升閱讀感受

大量高相似度的信息會(huì)產(chǎn)生同質(zhì)化，而閱讀者面對(duì)大量同質(zhì)化信息的時(shí)候，會(huì)產(chǎn)生閱讀的審美疲勞，進(jìn)而導(dǎo)致閱讀興致降低。閱讀興致降低會(huì)影響閱讀者的閱讀信息總量。所以大學(xué)生在閱讀中要避免產(chǎn)生審美疲勞，避免大量同質(zhì)化信息的重復(fù)性刺激。大學(xué)生應(yīng)該豐富閱讀信息的類型，多角度進(jìn)行閱讀刺激，提高閱讀感受。

（三）平衡廣泛涉獵與深度閱讀

破除信息“繭房”和避免信息同質(zhì)化都需要拓寬信息的入口寬度，擴(kuò)大知識(shí)信息的范圍，這樣有助于拓展閱讀視野和提升閱讀感受。但是，在同等閱讀量的情況下，廣泛涉獵會(huì)稀釋單種類信息的量，伴隨而來(lái)的一個(gè)問(wèn)題就是信息的淺閱讀。淺閱讀往往獲得的是碎片化、表面化的信息，無(wú)法建構(gòu)形成全面的、系統(tǒng)的信息體系。所以大學(xué)生在廣泛涉獵的同時(shí)，也要有目的性、指向性、集中性，要設(shè)定好廣泛閱讀與深度閱讀的比例，使二者達(dá)到平衡，這樣既能增加知識(shí)的寬度，又能拓展知識(shí)的深度。

（四）控制好紙質(zhì)閱讀與互聯(lián)網(wǎng)閱讀比例大學(xué)生應(yīng)拓展多方面信息獲取范圍，

提高紙質(zhì)閱讀比例。近年，紙質(zhì)閱讀受到了網(wǎng)絡(luò)閱讀的嚴(yán)重沖擊，大學(xué)生更喜歡在手機(jī)、電腦上進(jìn)行閱讀。雖然網(wǎng)絡(luò)閱讀為大學(xué)生帶來(lái)了便捷，但也限制了大學(xué)生閱讀的全面性。為了實(shí)現(xiàn)短時(shí)間、大閱讀量的目的，大學(xué)生通常會(huì)選擇自己感興趣的內(nèi)容來(lái)閱讀，從而造成了大學(xué)生視野窄化，也造成了閱讀疲勞。大學(xué)生應(yīng)該加大線下閱讀的量，尤其要提高紙質(zhì)閱讀的質(zhì)與量，多閱讀學(xué)術(shù)性強(qiáng)的專著，接受更多、更全面的信息，以便形成堅(jiān)實(shí)的知識(shí)結(jié)構(gòu)。

（五）提高大學(xué)生媒介素養(yǎng)，普及推薦算法原理

學(xué)?？赏ㄟ^(guò)開(kāi)設(shè)相關(guān)講座，不斷提高大學(xué)生媒介素養(yǎng)。比如，舉辦網(wǎng)絡(luò)閱讀體驗(yàn)活動(dòng)等，在大學(xué)生中普及推薦算法原理知識(shí)，讓其認(rèn)識(shí)到協(xié)同過(guò)濾推薦算法原理對(duì)大學(xué)生互聯(lián)網(wǎng)閱讀造成的弊端，以及由此帶來(lái)的視野窄化、閱讀疲勞、淺閱讀過(guò)多等問(wèn)題。這樣他們就能主動(dòng)跳出局限、廣開(kāi)思路，經(jīng)常變換閱讀角度，降低協(xié)同過(guò)濾推薦算法原理對(duì)大學(xué)生網(wǎng)絡(luò)閱讀的影響度。

參考文獻(xiàn)：

[1]項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012.

[2]姜小凌，馬佳儀.閱讀的“暴力”：對(duì)新聞客戶端算法推薦的再思考[J].中國(guó)出版，2018，（24）.