張小雷 孫剛 彭余輝

摘? 要：隨著互聯(lián)網的遍及以及圖書資源的高速更新?lián)Q代，用戶對圖書的需求變得越來越大，傳統(tǒng)的推薦算法已經無法滿足用戶及時準確尋找所喜歡的圖書的需求。讀者的閱讀習慣會隨時間變化而變化。在協(xié)同過濾圖書推薦算法中融入時間因素，在計算用戶和物品相似度中增加時間衰減函數(shù)可以解決讀者找書難的問題。實驗證明，在協(xié)同過濾圖書推薦算法中融入時間因素，可以提升推薦的精準率。

關鍵字：協(xié)同過濾;圖書推薦;時間因素;精準率

中圖分類號：G250.7? ? ? ? ? 文獻標識碼：A? ? ? ? ? 文章編號：1672-4437（2021）02-0051-04

如今，隨著線上和線下大量圖書的出現(xiàn)，人們越來越難以尋找自己想要的圖書。當讀者想要讀一本書的時候，傳統(tǒng)的做法是去圖書館、書店等線下通過管理員查找或自己尋找，或者是去圖書網站線上搜索，有時候讀者花費了時間還不一定找得到。圖書推薦的出現(xiàn)可以解決讀者這方面的問題，可以為不同的讀者進行專屬推薦，滿足其快速且有針對性的查找需求，增加圖書閱讀率和銷量。

協(xié)同過濾圖書推薦算法通過挖掘讀者或圖書的歷史信息進行推薦，能為讀者提供有效的推薦。隨著時間的推移，讀者的興趣度、圖書的流行度、社會群體的興趣度等都會發(fā)生變化，這個時候如果還按之前進行推薦的話，必然會影響推薦的準確率。在基于協(xié)同過濾的推薦算法中融合時間因素，能夠有效地反映最近讀者或圖書的變化情況，為讀者提供更加實時的推薦，提高推薦效率。

1基于協(xié)同過濾的推薦算法

1.1協(xié)同過濾算法思想

關于協(xié)同過濾，一個經典的例子是：我們想看一本書但不知道看哪一本，這個時候我們通常會咨詢周圍的人，當我們發(fā)現(xiàn)某個人和我們興趣相似的時候，我們通常會接受他的推薦，這就是其核心思想。協(xié)同過濾算法主要包括基于用戶的協(xié)同過濾（UserCF）算法和基于物品的協(xié)同過濾（ItemCF）算法兩種[1]。

1.2協(xié)同過濾算法工作流程

算法流程如圖1所示：

1.3基于協(xié)同過濾的推薦算法研究現(xiàn)狀

1.3.1面臨的問題

面臨的主要問題有：（1）冷啟動問題。由于之前無行為，新用戶或新物品進入，不能很好推薦。（2）稀疏性問題。用戶一般主動給予的評價較少，在用戶評分矩陣中出現(xiàn)很多0值，不能很好地計算相似度，影響推薦精度。（3）擴展性問題。商業(yè)網站用戶和物品數(shù)量龐大，推薦算法計算時間和空間都很龐大，在巨量數(shù)據(jù)面前，很難做到實時推薦。

1.3.2研究現(xiàn)狀

國內外很多學者對傳統(tǒng)協(xié)同過濾算法出現(xiàn)的問題進行了多種改良。對于用戶或物品冷啟動問題，可以引導用戶表達屬性或注冊信息，通過給物品打標簽分析其屬性來解決，也可以直接通過排行榜推薦熱門產品來解決。如付文靜提出的RC-DFM模型，把評論和內容進行加權融合，緩解了數(shù)據(jù)的稀疏性，與此同時推薦的準確度也提高了[2]，但是當數(shù)據(jù)集比較大的時候，這種模型的推薦效率會因為時間的增加而降低。王輝等人針對冷啟動問題進行研究，把項目的屬性和用戶的評分結合起來來預測評分[3]，給用戶進行推薦，但是當新用戶來的時候很難進行推薦。楊武等人將基于內容的推薦算法和基于協(xié)同過濾的推薦算法相融合[4]，提高了推薦的準確率。以上推薦算法可以提高推薦的精確度，但對于需求量寬泛的用戶來說，遠遠無法滿足。在“長尾理論”的支持下，大量的不流行的商品的銷售量幾乎與流行商品的銷售量相同，在袁煦聰?shù)难芯恐?，提出了算法item-CF-IIF，通過懲罰熱門商品并且優(yōu)化排序待推薦的物品，能夠提高推薦的準確度，同時用戶的體驗也較好[5]。

2融合時間因素的協(xié)同過濾圖書推薦算法

2.1推薦算法中的時間效應

日常生活中隨處可見時間效應，時間效應對推薦的影響比較大[6]。在圖書推薦領域，讀者的閱讀習慣隨著時間推移會發(fā)生變化，主要有以下三個方面：一是個人興趣度隨時間變化而變化。比如讀者在小時候喜歡讀兒童讀物，長大之后則對兒童讀物不感興趣。二是圖書的流行度會隨時間變化而變化。有的圖書剛開始出版的時候很熱門，讀者也很多，但隨著熱度的下降就會變得不再很流行。三是社會群體興趣度隨時間變化而變化。比如隨著推薦技術的發(fā)展，讀者更容易找到自己想要的圖書，從而整體上讀者對圖書的評分呈上升趨勢。

在圖書推薦算法中融合時間因素更能反映讀者的近期偏好，為讀者提供更有針對性的推薦。

2.2融合時間因素的協(xié)同過濾圖書推薦算法流程

算法流程如圖2所示：

2.3增加時間衰減函數(shù)的相似度計算方法

在協(xié)同過濾算法中融合時間因素包括在基于用戶的協(xié)同過濾（UserCF）算法中融合時間因素構造的協(xié)同過濾（TF-UserCF）算法和基于物品的協(xié)同過濾（ItemCF）算法中融合時間因素構造的協(xié)同過濾（TF- ItemCF）算法[7]兩種。這兩種算法在相似度計算中增加衰減函數(shù)的計算方法分別如下。

2.3.1 TF-UserCF算法相似度計算方法

UserCF算法先找“相似用戶”再找“相似用戶所喜歡的物品”，相似度計算采用余弦相似度計算方法[8]，公式為：

和表示用戶和用戶產生過行為的物品集合。

在冷門物品上有交互更能表示用戶相似，所以在公式中加入對熱門物品的懲罰項[8]，用戶相似度公式修改為：

表示產生過行為的所有用戶個數(shù)。

越是最近的行為越能表示用戶當前興趣，所以在計算用戶相似度時加入時間衰減函數(shù)，公式如下：

公式中為時間衰減函數(shù)，形式為：

式中，為時間衰減因子，表示用戶與物品產生交互的時間，表示用戶與物品產生交互的時間。

影響大的是當前評分，加上時間衰減函數(shù)，最終用戶對物品的偏好程度如下：

其中表達式為：

式中，表示當前時間，表示用戶與物品產生交互的時間。

2.3.2 TF-ItemCF算法相似度計算方法

ItemCF算法的主要思想是：先找到“相似物品”，再把相似物品推薦給用戶。相似度計算公式為：

式中和表示與物品和物品產生過行為的用戶集合。

行為較多用戶貢獻較少，降低其權重，改進為：

）表示用戶 的評分物品集合。

在式中增加時間衰減因子函數(shù)，改進為：

式中為時間衰減函數(shù)。

加上函數(shù)，最終公式為：

式中，的表達式為：

式中，表示當前時間。

3實驗結果與分析

3.1 實驗數(shù)據(jù)分析

實驗使用python語言編程對算法進行實現(xiàn)，使用Book-Crossing數(shù)據(jù)集，它包含了278858個用戶對271379本圖書的1149780個評分數(shù)據(jù)[9]。通過python代碼查看用戶評分統(tǒng)計可以看出評分范圍是0-10分。其中評分前三的人數(shù)統(tǒng)計中評分為0分的用戶最多，達716109人，其次是評分為8分的人數(shù)，達103736人，第三位評分為10分的人數(shù)，達78610人。評分統(tǒng)計中評分為1分的人數(shù)最少，只有1770人。

3.2 實驗評價標準

本次實驗中將80%的實驗數(shù)據(jù)作為訓練數(shù)據(jù)，20%作為測試數(shù)據(jù)。通過精準率（Precision）對實驗結果進行評價，Precision表示在預測用戶是否喜歡時，正確預測用戶喜歡的商品的比例，計算公式如下：

3.3實驗結果分析

3.3.1不同K值下的UserCF算法和ItemCF算法的Precision比較

結果如圖3所示。從圖3可以看出，隨著K值的不斷增加，UserCF算法的Precision先不斷增加后趨于平穩(wěn)，ItemCF算法的Precision先不斷增加再下降?？傮w而言，隨著K值的增加，UserCF算法的Precision高于ItemCF算法的Precision。

3.3.2不同K值下的UserCF算法和TF-UserCF算法的Precision比較

結果如圖4所示。從圖4可以看出，基于用戶的協(xié)同過濾算法中融入時間因素構造的TF-UserCF算法和UserCF算法比較，在不同K值下，TF-UserCF算法的Precision要高于UserCF算法的Precision，但優(yōu)勢不明顯。所以在基于用戶的協(xié)同過濾算法中融入時間因素構造的算法的精準率有所提高，但效果不明顯。

3.3.3 不同K值下的ItemCF算法和TF-ItemCF算法的Precision比較

結果如圖5所示。從圖5可以看出，基于物品的協(xié)同過濾算法中融入時間因素構造的TF-ItemCF算法和ItemCF算法相比較，在不同K值下，TF-ItemCF算法的Precision明顯優(yōu)于ItemCF算法。所以在基于物品的協(xié)同過濾算法中融入時間因素構造的算法精確率明顯提高。

以上通過在協(xié)同過濾算法中融入時間因素來進行圖書推薦，依此來解決隨著時間的推移讀者的興趣遷移問題。通過實驗證明在協(xié)同過濾算法中融入時間因素可以提升圖書推薦的精準率，提高圖書推薦的質量。但在緩解數(shù)據(jù)稀疏性方面沒有提高，在后續(xù)算法中要加以改良，以不斷提高圖書推薦質量。

參考文獻：

[1]趙偉，林楠，韓英，等.一種改進的K-means聚類的協(xié)同過濾算法[J]. 安徽大學學報（自然科學版），2016（02）：32-36.

[2]付文靜.基于評論和內容深度融合的跨域推薦問題研究[D].濟南：山東大學，2019.

[3]王輝，姜丹，徐海鷗.基于用戶評分和項目屬性的稀疏矩陣預測研究[J].電腦知識與技術，2019（02）：273-275.

[4]楊武，唐瑞，盧玲.基于內容的推薦與協(xié)同過濾融合的新聞推薦方法[J].計算機應用，2016，36（02）：414-418.

[5]袁煦聰.基于長尾理論的物品協(xié)同過濾推薦算法研究[D].淮南：安徽理工大學，2019.

[6]孫艷.基于協(xié)同過濾的圖書推薦算法研究[D].鎮(zhèn)江：江蘇大學，2015.

[7]趙向宇.TopN協(xié)同過濾推薦技術研究[D].北京：北京理工大學，2014.

[8]劉恒友.基于時間效應的推薦算法研究[D].哈爾濱：哈爾濱工業(yè)大學，2013.

[9]李默，梁永全.基于標簽和關聯(lián)規(guī)則挖掘的圖書組合推薦系統(tǒng)模型研究[J].計算機應用研究，2014（08）：156-159.