協同過濾推薦算法專利綜述

張 博 周瑞瑞 魚 冰

（國家知識產權局專利局專利審查協作河南中心，河南 鄭州 45000050000）

隨著電子商務的飛速發展，網上交易為企業、個人商家帶來了無限商機，促進了經濟發展。隨著網上商家和產品的不斷增加，為了幫助網購用戶進行商品的選擇，網購用戶在瀏覽購物網站時，網站常常會向用戶提供產品推薦，以提升用戶的購物體驗。

為了使得推薦的產品能夠被用戶采納，常常使用推薦算法以使得產品推薦更加合理、有效[1]。所謂推薦算法是利用用戶的行為通過相關的數學算法，推測出用戶可能喜歡的東西，推薦算法主要分為6種：基于內容的推薦、基于協同過濾的推薦、基于關聯規則推薦、基于效用推薦、基于知識推薦、組合推薦。其中，協同過濾是推薦算法中最經典最常用的[2]。合理的推薦算法所產生的產品推薦對于用戶的消費行為將產生重要的影響，對于商家的利益、名氣也至關重要。

1 協調過濾推薦算法相關概念介紹

協同過濾算法主要是通過對未評分項進行評分預測來實現的[3]，不同的協同過濾之間也有很大的不同。

基于用戶的協同過濾推薦算法，1992年提出并用于郵件過濾系統，1994年被GroupLens用于新聞過濾，一直到2000年，該算法都是推薦系統領域最著名的算法。當一個用戶A需要個性化推薦時，可以先找到和他興趣相似的用戶群體G，然后把G喜歡的、并且A沒有聽說過的物品推薦給A，這就是基于用戶協調過濾算法，其主要包括2個步驟：①找到與目標用戶興趣相似的用戶集合。②找到這個集合中用戶喜歡的、并且目標用戶沒有聽說過的物品推薦給目標用戶。

基于用戶的協同過濾算法無法滿足及時推薦的要求，基于項目的協同過濾解決了這個問題。基于項目的協同過濾推薦和基于內容的推薦其實都是基于物品相似度預測推薦，只是相似度計算的方法不一樣，前者是從用戶歷史的偏好推斷，而后者是基于物品本身的屬性特征信息。

2 協同過濾推薦算法專利技術的進展

北京航空航天大學于2011年3月9日提交的公開號為CN102135989A的專利申請提及一種基于正規化矩陣因式分解的增量協同過濾推薦方法，其根據新增的用戶反饋信息進行正確的增量實時更新，能夠對新增的用戶反饋數據做出實時反饋；于2011年3月11日提交的公開號為CN102129462A的專利申請提及一種通過聚合對協同過濾推薦系統進行優化的方法，其通過構造同類聚合模型的方式來提高協同過濾推薦算法的推薦精度；于2011年3月11日提交的公開號為CN102129463A的專利申請提及一種融合項目相關性的基于PMF的協同過濾推薦系統、于2012年11月20日提交的公開號CN103092911A的專利申請提及一種融合社會標簽相似度基于K近鄰的協調過濾推薦系統，均通過將社會標簽數據信息和用戶-項目評分數據信息進行融合，達到提高推薦精度的目的。

清華大學于2011年11月25日提交的公開號為CN102495864A的專利申請提及一種基于評分的協同過濾推薦方法，其利用用戶歷史評分數據的統計特征計算各個用戶之間的相似程度，通過與當前用戶相似程度較高的其他用戶來計算當前用戶未評價過的項目，解決了難以找到用戶間共同評分項而導致無法計算相似性或相似性不準確的問題；于2013年6月5日提交的公開號為CN103309967A的專利申請涉及基于相似性傳遞的系統過濾方法，其遍歷所有用戶的歷史行為數據，獲得描述所有用戶對物品過往喜好的關系向量，應用關系向量設定閾值，計算各個用戶間的相似性，利用相似性傳遞計算原則計算矩陣中相似性值為零的目標用戶與其他用戶間相似性，根據與目標用戶相似程度最高的其他用戶對目標用戶未選擇物品的喜好程度得到當前用戶對未選擇物品的喜好程度的估計值，對每個用戶的預測結果進行篩選，產生對每個用戶的推薦物品；于2014年4月14日提交的公開號為CN103942298A的專利申請涉及基于線性回歸的推薦方法，其利用用戶和物品的歷史評分數據建立線性回歸模型，克服協同過濾算法實時性差、無法直接增量更新的局限性；于2015年9月14日提交的公開號為CN105205128A的專利申請涉及基于評分特征的時序推薦方法，其通過對每個時間域中的訓練數據進行擴充，解決時序推薦中的稀疏性問題。

浙江大學于2010年5月28日提交的公開號為CN101853470A的專利申請涉及基于社會化標簽的協同過濾方法，其基于社會化標簽的協同過濾方法有機結合社會化標簽對于物品描述的語義信息，并使用lasso logistic regression模型去對物品進行標簽的擴展，解決社會化標簽的稀疏性與噪音問題；于2011年7月12日提交的公開號為CN102231166A的專利申請涉及基于社會上下文的協同推薦方法，其考慮不同用戶之間存在的差異，對矩陣分解中社會上下文約束權重進行調整；于2012年7月16日提交的公開號為CN102789499A的專利申請涉及基于物品間情景化隱式關系的協同過濾方法，充分利用情景信息挖掘物品之間的隱式關聯信息，利用物品之間的隱式關系生成推薦；于2013年6月6日提交的公開號為CN103279552A的專利申請涉及一種基于用戶興趣分組的協同過濾推薦方法，其將用戶和物品映射到共同的低維空間，利用聚類方法把降維之后的用戶和物品劃分到不同的興趣分組，在每一個分組基礎上利用協同過濾的推薦方法進行預測；于2013年10月17日提交的公開號為CN103617540A的專利申請涉及一種追蹤用戶興趣變化的電子商務推薦方法，其綜合考慮用戶之間的評分相似度和商品類別信息相似度，采用基于時間加權的協同過濾算法，給用戶推薦最可能感興趣的商品；于2013年12月27日提交的公開號為CN103745100A的專利申請涉及一種基于項目的混合顯性隱性反饋的協同過濾推薦算法，其根據用戶對各個項目的興趣信息建立評分矩陣，計算任意兩個項目之間的Pearson相似度和修正余弦相似度、顯性反饋的相似度、基于隱性反饋的余弦相似度，依據評分矩陣進行推薦；于2014年6月30日提交的公開號為CN104391849A的專利申請涉及融入時間上下文信息的協同過濾推薦方法，其在相似度計算階段和評分預測階段都引入時間衰減函數，為不同用戶對不同類別的物品使用不同的時間衰減因子。

北京奇虎科技有限公司于2012年12月5日提交的公開號為CN103019860A的專利申請涉及基于協同過濾的處理方法和系統，其利用本地的主體-項目權重矩陣的分塊矩陣數據、本地的協同過濾矩陣的分塊矩陣數據和接收到的分量之間的對應關系，將至少一個項目推薦給主體；于2012年12月5日提交的公開號為CN103049489A、CN103049486A的專利申請涉及用于處理協同過濾距離的方法和系統，其將每個參與計算的計算服務器計算得到所有協同過濾子矩陣，可以提高針對海量數據的協同過濾距離矩陣的計算效率。

皇家飛利浦電子股份有限公司于2006年6月14日提交的公開號為CN1788280A的專利申請涉及用于執行基于簡檔的協同過濾方法，其基于其他用戶的觀看偏好或簡檔，根據推薦請求過濾一般用戶人群以獲取亞用戶人群，計算同亞人群中每個用戶相關聯的偏好數據與同受建議者相關聯的偏好和簡檔數據中的一個之間的接近度的度量，以選擇同N個用戶相關聯的偏好數據向受建議者推薦項目，其能夠在可利用足夠的個性化觀看或購買歷史之前，不明顯地推薦項目。

諾基亞公司于2011年4月19日提交了公開號為CN103620593A的專利申請涉及基于特征的協同過濾的方法，其通過推薦引擎生成一個或多個項目到一個或多個特征的映射，為一個或多個用戶確定有關一個或多個特征的偏好信息；于2011年5月27日提交的公開號為CN103703460A的專利申請涉及針對實時推薦的協同過濾方法，其處理用戶與一個或多個內容項目的一個或多個交互和/或有助于用戶與一個或多個內容項目的一個或多個交互的處理，至少部分地引起基于累積的一個或多個處理的交互的一個或多個用戶偏好的確定，基于用戶可以具有的與感興趣的項目或主題的交互生成對用戶的推薦。

TCL集團股份有限公司于2012年4月25日提交了公開號為CN103377242A的專利申請涉及用戶行為分析方法、分析預測方法及電視節目推送系統，其通過二次聚類考慮用戶行為的變遷時序特征，將聚類結果集用于進行用戶之間的協同分析；于2013年9月9日提交的公開號為CN103544212A的專利申請涉及一種內容推薦方法及系統，其根據用戶行為的時間系數以及用戶量化行為數據，評估用戶對關注內容的喜愛程度，根據評分情況進行協同過濾；于2015年7月21日提交的公開號為CN104966219A的專利申請涉及一種基于詞頻加權技術的個性化協調過濾推薦方法，其計算兩兩物品的相似度、每個物品的特征性頻率TF和倒排文檔頻率IDF、每個物品的TF-IDF頻率TI，進而生成推薦列表，即在協同過濾算法中引入TF-IDF算法以有效降低熱門商品對推薦結果的影響。

3 結論

隨著互聯網技術的不斷發展，信息爆炸時代的到來，對數據的分析、推薦逐漸引起人們的關注。本文通過對協同過濾推薦算法相關專利的分析，統計了主要的協同過濾算法，旨在研究該算法的發展進步，以將其更好地應用在具體的產業，如互聯網購物、電視列表推薦中。

[1]李聰.電子商務協同過濾可擴展性研究綜述[J].現代圖書情報技術，2010（11）：37-44.

[2]耿鑫，等.數據挖掘中的推薦算法綜述[J].電腦知識與技術，2012，8（19）：4691-4696.

[3]冷亞軍，等.協同過濾推薦技術綜述[J].模式識別與人工智能，2014，27（8）：720-734.