基于用戶的協(xié)同過濾推薦技術(shù)

[摘要] 隨著因特網(wǎng)普遍使用和電子商務(wù)迅猛發(fā)展，推薦系統(tǒng)已成為重要研究領(lǐng)域，人們對推薦技術(shù)作了廣泛的研究。個性化的推薦系統(tǒng)以個性化方式向用戶推薦商品，幫助用戶找到他們所需要的商品，并便捷地完成購買過程。介紹了電子商務(wù)系統(tǒng)中的協(xié)同過濾推薦技術(shù)，詳細(xì)分析了基于用戶的協(xié)同過濾推薦算法，同時指出了它的優(yōu)點和缺點。

[關(guān)鍵詞] 電子商務(wù) 協(xié)同過濾 推薦系統(tǒng) 推薦技術(shù)

當(dāng)前，電子商務(wù)系統(tǒng)迅猛發(fā)展，隨之而來地出現(xiàn)了電子商務(wù)系統(tǒng)中的信息“超載”現(xiàn)象。海量的物品信息無疑增加了用戶購買所需物品的難度，使得用戶很難迅速準(zhǔn)確地找到自己真正中意的商品。為此，許多電子商務(wù)網(wǎng)站引入了推薦系統(tǒng)，以提高用戶的點擊率，變網(wǎng)站的瀏覽者為購買者，提高用戶購買成功率和交叉銷售能力，進(jìn)而提升網(wǎng)站的美譽(yù)度和用戶對網(wǎng)站的忠誠度。所謂電子商務(wù)推薦系統(tǒng)是在了解和學(xué)習(xí)用戶的需求與喜好的基礎(chǔ)上為用戶提供商品信息和建議，模擬商家向用戶推薦其可能感興趣的商品，幫助用戶完成購買過程。提供個性化服務(wù)已經(jīng)成為進(jìn)一步提高網(wǎng)絡(luò)內(nèi)容服務(wù)質(zhì)量急需解決的重要課題之一，也是未來網(wǎng)絡(luò)內(nèi)容服務(wù)的一個發(fā)展方向。目前，幾乎所有著名電子商務(wù)網(wǎng)站，諸如亞馬遜、CDNOW、eBay、淘寶網(wǎng)等都采用了各式各樣不同個性化水平的推薦系統(tǒng)。推薦系統(tǒng)中最核心和關(guān)鍵的是所采用的推薦技術(shù)，它決定了推薦系統(tǒng)性能的好壞。因此，加強(qiáng)對電子商務(wù)系統(tǒng)個性化推薦技術(shù)研究具有非常重要的實際意義。現(xiàn)在，主要的推薦技術(shù)有：基于內(nèi)容推薦、協(xié)同過濾推薦、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦、基于知識推薦和組合推薦。其中，協(xié)同過濾推薦是應(yīng)用最早和最為成功的技術(shù)之一，而基于用戶的協(xié)同過濾推薦又是最容易理解的一種技術(shù)。

一、協(xié)同過濾推薦

協(xié)同過濾推薦技術(shù)在個性化推薦系統(tǒng)中應(yīng)用最廣，主要的可分為基于用戶和基于項目的協(xié)同過濾算法。它一般采用最近鄰技術(shù)，利用用戶的歷史喜好信息計算用戶之間的距離，然后利用目標(biāo)用戶的“最近鄰居”對商品評價的加權(quán)評價值來預(yù)測目標(biāo)用戶對特定商品的喜好程度，系統(tǒng)從而根據(jù)這一喜好程度來對目標(biāo)用戶進(jìn)行推薦。協(xié)同過濾最大優(yōu)點是對推薦對象沒有特殊的要求，能處理如音樂、電影等這樣非結(jié)構(gòu)化的復(fù)雜對象。

協(xié)同過濾是基于這樣的假設(shè)：為一用戶找到他真正感興趣的內(nèi)容的好方法是首先找到與此用戶有相似興趣的其他用戶，然后將他們感興趣的內(nèi)容推薦給此用戶。基于協(xié)同過濾的推薦系統(tǒng)可以說是從用戶的角度來進(jìn)行相應(yīng)推薦的，而且是自動的，即用戶獲得的推薦是系統(tǒng)從購買模式或瀏覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調(diào)查表格等。

協(xié)同過濾推薦的一般步驟是：

交易數(shù)據(jù)庫→測量用戶間相似性→尋找相似用戶→計算商品的購買可能性→根據(jù)購買可能性推薦商品。

二、基于用戶的協(xié)同過濾推薦

1.算法

基于用戶的協(xié)同過濾是到目前為止實際應(yīng)用中最為成功的個性化推薦技術(shù)，算法的基本思想是將具有相同愛好的用戶感興趣的項目推薦給目標(biāo)用戶。假如目標(biāo)用戶對項目的評價與他的“最近鄰居”相似，而目標(biāo)用戶對某個項目的評價可以從他的“最近鄰居”的評價中綜合得到。

基于用戶的協(xié)同過濾推薦算法主要包括三個過程：

(1)表示:建立一個用戶-項目評價矩陣描述用戶對項目的評價。用戶的判斷和偏好明確地表示為一個m*n的用戶-項目評價矩陣R，這里m是用戶數(shù)，n是項目數(shù)，R=(rij)，元素rij表示用戶i對項目j的評價。在電子商務(wù)推薦系統(tǒng)中，元素rij既可表示用戶是否購買商品(例如0或者1)，也可表示用戶對商品的偏好程度(例如評分從1到10)。

(2)生成“鄰居”：通過計算所有用戶對之間的相似度形成“鄰居”。計算系統(tǒng)中目標(biāo)用戶與其他所有用戶的相似度，以找出K個最相似用戶集—“最近鄰居”。K-“最近鄰居”依相似度排序。

(3)產(chǎn)生推薦：通過加權(quán)目標(biāo)用戶“鄰居”對目標(biāo)項目的評價產(chǎn)生推薦。根據(jù)“最近鄰居”集，可計算目標(biāo)用戶對項目的預(yù)測評價值，進(jìn)而產(chǎn)生推薦。假定用戶i的“最近鄰居”集為Si，用戶i對項目x的預(yù)測評價值為Pi，x，用戶i和用戶j的相似度為sim(i，j)，用戶i和用戶j的平均評價值分別為和，那么有：

2.相似度計算方法

計算兩個用戶之間相似度的方法主要有三種：余弦相似度、相關(guān)相似度以及修正的余弦相似度，分述如下：

(1)余弦相似度：每個用戶的評分作為n維項目空間中的一個向量。如果某個用戶沒有對一個項目評價，則其默認(rèn)評價值設(shè)為0。兩個用戶i和j之間的相似性通過計算兩個向量和夾角的余弦得到，記為sim(i，j)，計算公式如下：

(2)相關(guān)相似度：在余弦相似度計算中沒有考慮不同用戶之間評價范圍的差別。相關(guān)相似度通過減去用戶對項目平均評價值來克服上述缺陷。兩個用戶i和j之間的相似性通過計算Pearson相關(guān)性得到。假定用戶i和用戶j共同評價的項目集合為，那么相關(guān)相似度計算公式如下：

其中：Ri，x為用戶i對項目j的評價值，和分別為用戶i和用戶j的平均評價值。

(3)修正的余弦相似度：在相關(guān)相似度計算公式中，如果同時考慮用戶i和用戶j的評價項目集合，那么得到修正的余弦相似度計算公式如下：

其中：Ii和Ij分別為用戶i和用戶j的評價項目集合。

3.算法優(yōu)點和缺點

基于用戶的協(xié)同過濾算法很容易理解，與其他眾多實際應(yīng)用中的推薦算法相比顯示出較高的推薦精度，它具有如下一些優(yōu)點：

(1)能夠過濾難以進(jìn)行機(jī)器自動內(nèi)容分析的信息，如藝術(shù)品，音樂等。

(2)共享其他人的經(jīng)驗，避免了內(nèi)容分析的不完全和不精確，并且能夠基于一些復(fù)雜的，難以表述的概念（如信息質(zhì)量、個人品味）進(jìn)行過濾。

(3)有推薦新信息的能力。可以發(fā)現(xiàn)內(nèi)容上完全不相似的信息，用戶對推薦信息的內(nèi)容事先是預(yù)料不到的，可以發(fā)現(xiàn)用戶潛在的但自己尚未發(fā)現(xiàn)的興趣偏好。

(4)能夠有效的使用其他相似用戶的反饋信息，較少用戶的反饋量，加快個性化學(xué)習(xí)的速度。

雖然基于用戶的協(xié)同過濾作為一種典型的推薦技術(shù)有其相當(dāng)?shù)膽?yīng)用，但隨著電子商務(wù)系統(tǒng)規(guī)模的不斷擴(kuò)大，用戶空間和項目空間急劇增長，該算法也存在以下缺點：

①稀疏性：在一個大型電子商務(wù)系統(tǒng)中，用戶涉及的信息量相當(dāng)有限，用戶評價項目數(shù)少于總項目數(shù)的10%，造成評價矩陣數(shù)據(jù)相當(dāng)稀疏，難以找到相似用戶集，導(dǎo)致推薦效果大大降低。

②冷開始：這個問題可看作是極端嚴(yán)重的稀疏性問題。一方面，它很難向新用戶提供個性化推薦服務(wù)；另一方面，在這種情況下，僅有少量評價數(shù)據(jù)不可能產(chǎn)生精確推薦。

③擴(kuò)展性：基于用戶的協(xié)同過濾算法的計算量隨著用戶和項目的增加而急劇增加，其最壞情況下的計算復(fù)雜度為O(mn)。對于一個典型的具有成百上千萬用戶和項目的電子商務(wù)系統(tǒng)，算法將遭遇到嚴(yán)重的擴(kuò)展性問題。

三、結(jié)論

基于用戶的協(xié)同過濾雖是一種較為成功的推薦技術(shù)，但也存在著稀疏性、冷開始、擴(kuò)展性和精確性問題。為了解決這些問題，目前常用聚類分析的方法，它或者將“最近鄰居”搜索對象限制在最相近的聚類中，或者用聚類的質(zhì)心提取推薦結(jié)果，但并不能從根本上解決以上問題，這些都有待進(jìn)一步研究。

參考文獻(xiàn)：

[1]趙亮胡乃靜張守志:個性化推薦算法設(shè)計[J].計算機(jī)研究與發(fā)展，2002，(8)

[2]趙智時兵:改進(jìn)的個性化推薦算法[J].長春大學(xué)學(xué)報，2005，(6)

[3]潘宇林鴻飛楊志豪:基于用戶聚類的電子商務(wù)推薦系統(tǒng)[J].計算機(jī)應(yīng)用與軟件，2008，(4)

[4]宋真真王浩楊靜:協(xié)同過濾技術(shù)在個性化推薦中的運用[J].合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版) ，2008，(7)