芻議基于用戶聚類的協(xié)同過濾推薦算法

引言：在電子商務推薦系統(tǒng)中，協(xié)同過濾推薦算法在個性化的推薦系統(tǒng)中得到廣泛應用，隨著其應用的深入，協(xié)同過濾推薦算法也存在著一些問題，如“冷啟動”問題、“數(shù)據(jù)稀疏性”問題等，于是人們開始對協(xié)同過濾推薦算法不斷的加以改進。本文就基于用戶聚類的協(xié)同過濾推薦算法進行了淺顯的探討。

隨著網絡技術的發(fā)展，電子商務推薦系統(tǒng)已經成為很多企業(yè)進行廣告宣傳和商品銷售的重要平臺。在電子商務推薦系統(tǒng)中，協(xié)同過濾推薦算法在個性化的推薦系統(tǒng)中得到廣泛應用。協(xié)同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統(tǒng)中應用的一種技術。協(xié)同過濾推薦能對用戶的興趣進行分析，并在用戶群中找到指定用戶的類似興趣用戶，通過分析相似興趣用戶對某一信息的評價，從而形成系統(tǒng)對該指定用戶對此信息的喜好程度預測。隨著其應用的深入，協(xié)同過濾推薦算法也出現(xiàn)了一些問題，如“冷啟動”問題、“數(shù)據(jù)稀疏性”等，于是基于用戶聚類的協(xié)同過濾推薦算法開始逐漸得到應用[1]。

1.電子商務個性化推薦簡述

隨著我國電子商務的飛速發(fā)展，面對大量的信息資源，消費者不知道該如何選擇。為了徹底解決這一問題，運營商提出了制作個性化推薦系統(tǒng)（Personalized recommendation system）[1]的設想。電子商務個性化推薦系統(tǒng)主要是使用電子商務網站，為用戶提供商品的信息并提出購買意見，幫助客戶選擇商品或者信息。一般的個性化推薦系統(tǒng)主要有三個模塊構成：行為記錄模塊、處理模塊和推薦模塊[2] 。行為記錄模塊用來記錄用戶的各種操作，例如收藏、購買、下載、評分等，然后對這些操作進行有效的匯總和處理。處理模塊是個性化推薦系統(tǒng)的核心，它實現(xiàn)了對用戶操作記錄的分析，并采用不同算法建立起模型來描述用戶的喜好檔案。最后，通過推薦模塊，形成適當?shù)姆治鼋Y果推薦給用戶，其形式包括預測評分、購買建議、文本評價等。推薦方法是推薦系統(tǒng)的中心，直接決定了推薦系統(tǒng)的效果[3]。

2.傳統(tǒng)協(xié)同過濾推薦算法存在的問題

協(xié)同過濾算法是個性化推薦中應用最廣泛的一種方法。這種技術是基于鄰居用戶的興趣愛好來對目標用戶的興趣愛好進行預測。通過統(tǒng)計技術，將與目標用戶有相同興趣的鄰居用戶尋找出來，進而根據(jù)目標用戶的鄰居用戶的偏好形成推薦。該種算法，主要是由數(shù)據(jù)表示、形成鄰居、產生推薦三個階段構成。協(xié)同過濾推薦算法雖然具有一定的優(yōu)勢，但是也有鮮明的缺點，主要表現(xiàn)出“冷啟動”問題和“數(shù)據(jù)稀疏性”問題[4]。首先，“數(shù)據(jù)稀疏性”問題是很多推薦技術面臨的重要問題之一。稀疏性（Sparsity）主要是由于推薦系統(tǒng)中用戶信息有限，用戶評價或所購買的產品的數(shù)量在總數(shù)中所占的比例較小，使得某一項目的偏好矩陣中數(shù)據(jù)較為稀疏，這樣找到相似用戶就很不容易，使得系統(tǒng)的推薦性能表現(xiàn)很差。冷啟動 （cold-start）問題主要表現(xiàn)為新項目問題和新用戶問題。新項目問題就是沒有人評價或購買過的某一項目，其相應推薦也沒有，新用戶問題就是沒有購買或評價過任何產品的新用戶得不到任何推薦。傳統(tǒng)協(xié)同過濾推薦在單一內容項目推薦上具有一定的適用性，但是現(xiàn)實生活中，項目多內容個性推薦情況較多，其準確率較低。

3.基于用戶聚類的協(xié)同過濾推薦算法

3.1用戶聚類

用戶聚類就是試圖找到具有共同喜好的用戶組，將用戶聚集成不同的簇，同一簇內的用戶具有較高的相似性，而不同簇中的用戶則具有較低的相似性。通過對用戶的聚類，可以發(fā)現(xiàn)群體用戶的興趣所在，以提高處理海量增長的數(shù)據(jù)集的效率。

根據(jù)用戶的特征相似性，采用螞蟻自組織聚類的思想對用戶進行類聚。先從n個數(shù)據(jù)對象中設定聚類數(shù)目k和k個聚類的初始聚類中心，計算出用戶與聚類中心的特征相似性[5]，逐個將需聚類的用戶樣本按最小距離準則分配給K個聚類中心中的某一個聚類中心。計算各個聚類中心的新的向量值，求各聚類簇中所包含用戶的均值向量。并以均值向量作為新的聚類中心。不斷重復這一過程直到標準測度函數(shù)開始收斂為止，最后生成聚類簇。由于該算法能有效辨識用戶之間的特征相似性，因此聚類結果較為合理。

3.2查找鄰居用戶

鄰居用戶的查找是在各個聚類簇中進行的，因此，首先，根據(jù)用戶的基本特征數(shù)據(jù)，綜合計算相似性，之后以聚類用戶的基本特征數(shù)據(jù)和聚類用戶對項目的評分數(shù)據(jù)，計算出目標用戶與其余所有用戶兩兩之間的綜合相似性。其次，鄰居用戶的選取采用k均值算法來進行，通過用戶之間綜合相似性排序，選擇相似性值最大的k個用戶作為目標用戶的鄰居用戶。

3.3預測目標用戶項目評分并得出推薦

在得到鄰居用戶之后，可以根據(jù)鄰居用戶對項目的評分來預測目標用戶對項目的評分。在對目標用戶的預測評分過程中，其計算方法與傳統(tǒng)協(xié)同過濾算法具有一定的相似性，但基于用戶聚類的協(xié)同過濾推薦算法中的目標用戶的預測評分計算公式有所變化，主要用綜合相似度將用戶對項目偏好的相似性進行替換。基于用戶聚類的協(xié)同過濾推薦算法，由于考慮了用戶對項目的偏好以及用戶之間的特征性，而對于新注冊的用戶，可以通過注冊信息對其進行聚類，同時在聚類簇中計算其他用戶特征的相似性，從而得到推薦，使傳統(tǒng)協(xié)同過濾推薦算法中的“冷啟動”問題得到解決。此外，通過用戶聚類，在用戶所屬聚類簇中查找鄰居用戶，降低了鄰居用戶查找計算量，同時具有相似特征的用戶評分對于目標用戶具有更大的重要性，使協(xié)同過濾推薦更加準確，解決了傳統(tǒng)協(xié)同過濾推薦中的數(shù)據(jù)稀疏性問題。

4.結語

個性化推薦系統(tǒng)經過20多年的改進取得了長足的發(fā)展。隨著應用領域的不斷拓展，將其他領域技術與推薦技術相結合逐漸成為一個研究熱點，并且應用前景十分廣闊。不管從研究方面，還是在應用方面，相對于發(fā)達國家而言，我國的電子商務推薦系統(tǒng)都存在較大差距。本文簡要論述了基于用戶聚類的協(xié)同過濾推薦算法，其中尚有很多函待進一步研究的問題，限于篇幅就不一一贅述。相信在未來個性化推薦研究中，我國的個性化推薦必將取得更大的發(fā)展。

參考文獻

[1]余力，劉魯.電子商務個性化推薦研究[J].計算機集成制造系統(tǒng)，2012，10（10）：1306-1312.

[2]劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展.2009，19（l）：1-15.

[3]王宏超，陳未如，劉 俊.基于客戶聚類的商品推薦方法的研究[J].計算機技術與發(fā)展，2011，18（7）：212-214.

[4]程 巖，肖小云，吳潔倩.基于聚類分析的電子商務推薦系統(tǒng)[J].計算機工程與應用，2012（24）：175-177.

[5]張 娜，何健民.基于項目與客戶聚類的協(xié)同過濾推薦方法[J].合肥工業(yè)大學學報：自然科學版，2011，30（9）：1159-1162.

（作者單位：1.河北大學數(shù)學與計算機學院；2.石油物探學校）