劉宏 張時(shí)斌 韓亞波 關(guān)業(yè)歡

摘要：針對(duì)傳統(tǒng)的協(xié)同過濾算法沒有考慮到不同用戶之間相似度的差異以及用戶對(duì)項(xiàng)目的評(píng)分時(shí)間等因素的影響，提出了一種基于加權(quán)相似度顯隱式反饋的協(xié)同過濾算法：先獲取用戶的顯式和隱式反饋評(píng)分信息以及用戶-項(xiàng)目的評(píng)分時(shí)間信息。再對(duì)評(píng)分信息進(jìn)行基于時(shí)間的加權(quán)處理，并對(duì)傳統(tǒng)的相似度計(jì)算方法進(jìn)行修改，引入相關(guān)度因子。最終根據(jù)預(yù)測公式獲得用戶的推薦結(jié)果。實(shí)驗(yàn)仿真表明算法在平均絕對(duì)誤差和精確率兩個(gè)指標(biāo)上有了一定的提高，并在一定程度上提高了推薦算法的準(zhǔn)確性。

Abstract： Aiming at the traditional collaborative filtering algorithms that not considering the differences similarity among different users and user's scoring time for the project， a collaborative filtering algorithm based on implicit feedback with weighted similarity is proposed. First， the user's explicit and implicit feedback rating information and user-item rating time information are obtained. Second， the time-based weighting of the score information is performed， and the traditional similarity calculation method is modified to introduce a correlation factor. Finally， according to the prediction formula， the user's recommendation result is obtained. Experimental simulations show that the algorithm has some improvements in the three indicators such as average absolute error and precision， and it improves the accuracy of the proposed algorithm to some extent.

關(guān)鍵詞：協(xié)同過濾算法;相似度;時(shí)間權(quán)值;相關(guān)度因子;顯隱式反饋

Key words： collaborative filtering;similarity;time factor;correlation factor;explicit and implicit ratings

中圖分類號(hào)：TP393 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2019）13-0167-03

0 ?引言

隨著信息技術(shù)的發(fā)展，人們面對(duì)的數(shù)據(jù)量開始以指數(shù)級(jí)的速度進(jìn)行增長，造成信息過載的問題日益明顯[1]。如何在短時(shí)間內(nèi)快速的尋找到用戶需要的信息成為了熱門課題，由此各種推薦技術(shù)孕育而生，其中協(xié)同過濾算法[2]以其出色的性能和良好的適應(yīng)性，成為信息過濾系統(tǒng)中最受歡迎的技術(shù)之一。

不同于傳統(tǒng)的基于內(nèi)容的推薦[3]，協(xié)同過濾算法的特點(diǎn)是首先發(fā)現(xiàn)目標(biāo)用戶的行為偏好，再通過預(yù)測公式計(jì)算出的候選用戶群，最后再與目標(biāo)用戶進(jìn)行匹配，找到最符合的信息進(jìn)行推薦的一種算法[4，5]。傳統(tǒng)的協(xié)同過濾算法存在推薦精度不高、數(shù)據(jù)稀疏、冷啟動(dòng)等問題，為解決這些問題，眾多學(xué)者從各種研究角度出發(fā)，提出了如下解決方案：文獻(xiàn)[6]提出了一種基于標(biāo)簽優(yōu)化的協(xié)同過濾推薦算法，當(dāng)對(duì)目標(biāo)項(xiàng)目評(píng)分的近鄰數(shù)量極小甚至沒有時(shí)，通過增加擴(kuò)展近鄰集，達(dá)到提高相似性和推薦結(jié)果的目的;文獻(xiàn)[7]提出了基于社交信任機(jī)制的協(xié)調(diào)過濾算法，通過對(duì)日志數(shù)據(jù)的學(xué)習(xí)并結(jié)合主動(dòng)和被動(dòng)評(píng)分方式，得到用戶的評(píng)分矩陣。利用用戶的關(guān)注和評(píng)論兩種偏好行為，得到新的相似度模型，最終改進(jìn)協(xié)同過濾算法的性能。

以上的研究在一定程度上改善了協(xié)同過濾算法的數(shù)據(jù)稀疏和冷啟動(dòng)問題，但是數(shù)據(jù)的稀疏性與冷啟動(dòng)問題還是沒有完全的解決，有待進(jìn)一步的提高。針對(duì)上述的問題，提出一種基于加權(quán)相似度顯隱式反饋的協(xié)同過濾算法（Collaborative Filtering Algorithm Based on Explicit Feedback and Implicit Feedback of Weighted Similarity簡稱：CF-EIWS），在開放大學(xué)學(xué)習(xí)分析數(shù)據(jù)集Open University Learning Analytics Dataset（OULAD）上對(duì)所提算法進(jìn)行驗(yàn)證，結(jié)果表明，該算法在平均絕對(duì)誤差、精確率以及F值等指標(biāo)上有較大的提高。

1 ?傳統(tǒng)協(xié)同過濾算法存在的不足

傳統(tǒng)協(xié)同過濾算法作為經(jīng)典的算法之一，被廣泛應(yīng)用于電影推薦、社交網(wǎng)絡(luò)以及商品推薦等領(lǐng)域[8]，在應(yīng)用中存在以下不足：

①傳統(tǒng)的協(xié)同過濾算法未考慮兩個(gè)用戶之間相似度的差異，認(rèn)為兩個(gè)用戶之間的相似度相同，即sim（a，b）=sim（b，a）。如表1列寫了兩個(gè)用戶對(duì)5個(gè)項(xiàng)目的評(píng)分（評(píng)分值為1-5分），其中*表示用戶對(duì)該項(xiàng)目沒有評(píng)分。在表中可以發(fā)現(xiàn)用戶a對(duì)用戶b沒有推薦能力，而用戶b可以給用戶a推薦項(xiàng)目2和項(xiàng)目5。因此可以發(fā)現(xiàn)兩個(gè)用戶相似度之間是有差異的。

②傳統(tǒng)的協(xié)同過濾算法存在數(shù)據(jù)稀疏的情況。由于數(shù)據(jù)龐大，而不同用戶之間相關(guān)的信息較少，導(dǎo)致產(chǎn)生數(shù)據(jù)稀疏的情況。

③傳統(tǒng)的協(xié)同過濾算法未考慮時(shí)間對(duì)項(xiàng)目評(píng)分的影響。同種情況下，對(duì)項(xiàng)目的最新評(píng)價(jià)信息的參考價(jià)值肯定比舊的評(píng)價(jià)信息參考價(jià)值大。

基于以上分析，傳統(tǒng)的協(xié)同過濾算法在推薦系統(tǒng)中的應(yīng)用存在著一定的不足，需對(duì)其進(jìn)一步優(yōu)化，以提高推薦的質(zhì)量。

2 ?加權(quán)相似度顯隱式反饋的協(xié)同過濾算法

在個(gè)性化推薦系統(tǒng)中，顯示評(píng)分是通過用戶主動(dòng)回答一些問題的方式采集用戶的行為偏好，這容易產(chǎn)生用戶對(duì)某個(gè)項(xiàng)目的偏見，或者用戶的偏好信息只針對(duì)當(dāng)前情況等問題。而隱式評(píng)分采用挖掘用戶歷史數(shù)據(jù)的方式來獲取用戶的偏好信息，該方法容易出現(xiàn)當(dāng)使用挖掘方法不恰當(dāng)時(shí)，得到的偏好信息不準(zhǔn)確的問題。故CF-EIWS算法采用融合顯式評(píng)分和隱式評(píng)分兩種模型的方法，并采用項(xiàng)目評(píng)分時(shí)間為權(quán)值，進(jìn)行加權(quán)相似度修正優(yōu)化。

2.1 建立用戶-項(xiàng)目評(píng)分矩陣

顯式評(píng)分是通過用戶主動(dòng)配合得到，用explicitu，i表示用戶u在項(xiàng)目i下的顯示評(píng)分分?jǐn)?shù)，如式（1）所示：

式中n表示測試集中所有用戶的個(gè)數(shù)，R（u）表示用戶u基于預(yù)測式（8）生成的推薦項(xiàng)目集合，T（u）表示測試集合中用戶u具有評(píng)分的項(xiàng)目集合，U表示測試集合中所有用戶集合。

3.2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性，通過在不同的最近鄰個(gè)數(shù)的情況下，選擇BISP算法[10] 和CF-IRST算法[11]與CF-EIWS算法分別對(duì)平均絕對(duì)誤差（MAE）值、精確度（Precision）兩個(gè)指標(biāo)進(jìn)行比較。

3.2.1 平均絕對(duì)誤差（MAE）值仿真比較

CF-IRST、BISP以及CF-EIWS三種算法平均絕對(duì)誤差值（MAE）的仿真結(jié)果如圖1所示。由仿真結(jié)果可看出隨著最近鄰的個(gè)數(shù)增加，三種算法MAE值都在逐漸下降，CF-EIWS算法MAE值最小，BISP算法次之，CF-IRST算法最大。當(dāng)最近鄰個(gè)數(shù)在20以上時(shí)，CF-EIWS算法的優(yōu)勢更加明顯，當(dāng)最近鄰個(gè)數(shù)50時(shí)，MAE值平穩(wěn)在0.713。CF-EIWS算法的MAE值比CF-IRST算法降低了6.04%，比BISP算法降低了5.42%。

3.2.2 精確度（Precision）仿真比較

CF-IRST、BISP和CF-EIWS三種算法精確度（Precision）的仿真結(jié)果如圖2所示。由仿真結(jié)果看出隨著最近鄰的個(gè)數(shù)增加，三種算法精確度都隨之呈現(xiàn)提高的趨勢，CF-EIWS算法精確度最高，CF-IRST算法次之，BISP算法最低。當(dāng)最近鄰個(gè)數(shù)在5和25個(gè)時(shí)，CF-EIWS算法的上升趨勢更加明顯，當(dāng)最近鄰個(gè)數(shù)50時(shí)，精確度開始趨于穩(wěn)定，其值為0.1145。CF-EIWS算法的精確度比CF-IRST算法提高了12.60%，比BISP算法提高了14.94%。由此可知， CF-EIWS算法在推薦精確度上相較于CF-IRST算法和BISP算法有明顯的提高。

4 ?結(jié)論

提出了一種基于加權(quán)相似度顯隱式反饋的協(xié)同過濾算法。通過用戶的顯式反饋評(píng)分信息和隱式反饋評(píng)分信息，引入時(shí)間因子作為計(jì)算新的用戶-項(xiàng)目評(píng)分的權(quán)值。引入相似度因子對(duì)傳統(tǒng)的相似度計(jì)算方式進(jìn)行優(yōu)化，最終獲得用戶的推薦結(jié)果。實(shí)驗(yàn)結(jié)果表明，算法能在一定程度上提高推薦結(jié)果的精度。

參考文獻(xiàn)：

[1]Najafabadi MK， Mahrin MNr.A systematic literature review on the state of research and practice of collaborative filtering technique and implicit feedback[J].Artificial Intelligence Review. 2015，45（2）：167-201.

[2]Kant S， Mahara T.Merging user and item based collaborative filtering to alleviate data sparsity[J].International Journal of System Assurance Engineering and Management. 2016，9（1）：173-179.

[3]Kim J， Lee D， Chung K-Y.Item recommendation based on context-aware model for personalized u-healthcare service[J].Multimedia Tools and Applications. 2014，71（2）：855-872.

[4]Ju B， Qian Y-t， Ye M-c.Preference transfer model in collaborative filtering for implicit data[J].Frontiers of Information Technology & Electronic Engineering. 2016，17（6）：489-500.

[5]Zhang J， Lin Y， Lin M， Liu J.An effective collaborative filtering algorithm based on user preference clustering[J].Applied Intelligence. 2016，45（2）：230-240.

[6]王錦坤，姜元春，孫見山，等.考慮用戶活躍度和項(xiàng)目流行度的基于項(xiàng)目最近鄰的協(xié)同過濾算法[J].計(jì)算機(jī)科學(xué)，2016，43（12）：158-162.

[7]謝修娟，陳永，李香菊，等.融入信任的變權(quán)重相似度模型在線學(xué)習(xí)協(xié)同推薦算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2018，39（03）：525-528.

[8]Khler S， Whner T， Peters R.The impact of consumer preferences on the accuracy of collaborative filtering recommender systems[J].Electronic Markets. 2016，26（4）：369-379.

[9]Xiao J， Wang M， Jiang B， Li J.A personalized recommendation system with combinational algorithm for online learning[J].Journal of Ambient Intelligence and Humanized Computing. 2018，9（3）：667-677.

[10]付芬，豆育升，韓鵬，等.基于隱式評(píng)分和相似度傳遞的學(xué)習(xí)資源推薦[J/OL].計(jì)算機(jī)應(yīng)用研究，2017，34（12）：3725-3729.

[11]錢曉捷，張路一.融合評(píng)分結(jié)構(gòu)特征與偏好距離的協(xié)同過濾推薦算法.計(jì)算機(jī)工程[J].2017，34（5）：185-190.