基于用戶頻繁訪問(wèn)路徑的個(gè)性化服務(wù)推薦研究

張龍飛

摘 要：該文在國(guó)內(nèi)外推薦算法研究基礎(chǔ)上，基于用戶的訪問(wèn)web記錄與服務(wù)使用記錄，采用OB-Mine算法提取用戶頻繁訪問(wèn)路徑，利用改進(jìn)的PrefixSpan算法篩選具有相似偏好的用戶簇，利用改進(jìn)的CF算法進(jìn)行個(gè)性化服務(wù)推薦，有效克服了數(shù)據(jù)高維性和稀疏性，最后實(shí)例驗(yàn)證了該推薦算法性能優(yōu)于傳統(tǒng)的CF算法。

關(guān)鍵詞：相似度計(jì)算 服務(wù)推薦 個(gè)性化推薦

中圖分類號(hào)：TP3；D630 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2016）03（c）-0159-02

現(xiàn)有服務(wù)推薦技術(shù)并不成熟，面對(duì)海量重復(fù)的Web服務(wù)，用戶難以識(shí)別并且尋找到所需的服務(wù)，因此提高服務(wù)推薦質(zhì)量已成為Web服務(wù)體系的迫切需求。服務(wù)推薦的研究焦點(diǎn)是新推薦算法的探索和新推薦模型的發(fā)現(xiàn)。Dell'Amico和Capra[1]定義了以社會(huì)導(dǎo)向和品味相似為特征的用戶可信性標(biāo)準(zhǔn)，提出了一種新的信息過(guò)濾方法。Vallet等[2]利用社區(qū)隱性用戶信息，提出了一種基于圖的交互式視頻檢索系統(tǒng)，有效增強(qiáng)了視頻檢索能力。

該文以web日志中的用戶瀏覽行為與服務(wù)使用記錄為依據(jù)，利用OB-Mine算法[3]提取用戶頻繁訪問(wèn)路徑；然后，利用改進(jìn)的PrefixSpan算法[4]篩選具有相似用戶偏好的用戶簇；最后，使用改進(jìn)的CF算法，對(duì)目標(biāo)用戶做出推薦。該文以“××中小企業(yè)網(wǎng)”的相關(guān)數(shù)據(jù)，實(shí)證表明該推薦算法優(yōu)于傳統(tǒng)的CF算法。

1 服務(wù)推薦算法分析

1.1 提取用戶頻繁訪問(wèn)路徑

利用OB-Mine算法對(duì)預(yù)處理數(shù)據(jù)集挖掘代表用戶興偏好的用戶頻繁訪問(wèn)路徑。

1.2 篩選相似偏好的用戶簇

利用改進(jìn)的PrefixSpan算法[5]尋找用戶偏好，篩選出具有相似偏好的用戶簇。

1.3 服務(wù)推薦

1.3.1 建立用戶-服務(wù)類評(píng)分矩陣

設(shè)用戶評(píng)分Rij，按照瀏覽或者使用某種服務(wù)的次數(shù)計(jì)算用戶評(píng)分。

1.3.2 尋找最近相似鄰居集

相似性的計(jì)算方法主要有余弦相似度、Pearson相似度和修正的余弦相似度。

1.3.3 生成推薦結(jié)果

計(jì)算目標(biāo)用戶對(duì)未評(píng)分服務(wù)項(xiàng)的預(yù)測(cè)評(píng)分，并且設(shè)定閾值r，推薦用戶r值以上的服務(wù)類。

2 實(shí)證分析

以“××中小企業(yè)網(wǎng)”為研究對(duì)象，根據(jù)該網(wǎng)站web日志文件，計(jì)算推薦結(jié)果。

2.1 提取用戶頻繁訪問(wèn)路徑

2.1.1 數(shù)據(jù)預(yù)處理

對(duì)web日志中的用戶訪問(wèn)行為數(shù)據(jù)進(jìn)行預(yù)處理，獲取用戶訪問(wèn)路徑。

2.1.2 提取用戶頻繁訪問(wèn)路徑

利用OB-Mine算法對(duì)用戶的多條訪問(wèn)路徑進(jìn)行聚類，生成每個(gè)用戶的頻繁訪問(wèn)路徑。

2.2 篩選具有相似用戶偏好的用戶簇

利用改進(jìn)PrefixSpan算法篩選具有相同或者相似用戶偏好的用戶簇，如表1所示。

2.3 用戶個(gè)性化推薦

2.3.1 建立用戶-服務(wù)評(píng)分矩陣

通過(guò)訪問(wèn)頻次與使用服務(wù)頻次計(jì)算用戶對(duì)服務(wù)的評(píng)分。

2.3.2 確定最近相似鄰居集

設(shè)定鄰居集容量為N，選取與目標(biāo)用戶相似度最高的N個(gè)用戶形成最近相似鄰居集。

2.3.3 生成推薦結(jié)果

計(jì)算目標(biāo)用戶對(duì)未評(píng)價(jià)服務(wù)預(yù)計(jì)評(píng)分值，設(shè)定好閾值m，對(duì)目標(biāo)用戶推薦評(píng)分高于閾值的服務(wù)項(xiàng)目。對(duì)目標(biāo)用戶的推薦結(jié)果如表2。

3 實(shí)證結(jié)果分析

3.1 評(píng)價(jià)標(biāo)準(zhǔn)

MAE的值越小，表明算法的評(píng)分預(yù)測(cè)越準(zhǔn)確，推薦質(zhì)量越高。

3.2 實(shí)證結(jié)果分析

實(shí)驗(yàn)中設(shè)步長(zhǎng)間隔為5，鄰居集容量大小分別取5，10，15，20，25，30，35，40，使用該文改進(jìn)的CF算法與傳統(tǒng)的CF算法作對(duì)比，其服務(wù)推薦質(zhì)量比較如圖1所示。

從圖中可以看到：（1）在鄰居集容量大小發(fā)生變化時(shí)，該算法下MAE值均小于傳統(tǒng)的CF算法，說(shuō)明該推薦算法具有較好的推薦質(zhì)量；（2）與傳統(tǒng)的CF算法相比，改進(jìn)的CF算法下MAE值隨著鄰居集容量的增加迅速減小并趨于穩(wěn)定，說(shuō)明改進(jìn)的CF算法性能優(yōu)于傳統(tǒng)的CF算法，計(jì)算效率更高，有效緩解了由冷啟動(dòng)引起的數(shù)據(jù)高維性和數(shù)據(jù)稀疏性等問(wèn)題；（3）兩種算法下，MAE值隨著鄰居集容量增加而減小，當(dāng)鄰居集容量增大到一定數(shù)值時(shí)，MAE值趨于穩(wěn)定時(shí)，但是CF算法下的趨于穩(wěn)定的MAE值要小于傳統(tǒng)的CF算法，說(shuō)明改進(jìn)的CF算法計(jì)算精度優(yōu)于傳統(tǒng)的CF算法。

4 結(jié)語(yǔ)

該文通過(guò)提取用戶頻繁訪問(wèn)路徑，篩選相似偏好的用戶簇和個(gè)性化服務(wù)推薦，克服了單一推薦算法的不足，克服了數(shù)據(jù)高維性和稀疏性，提高了計(jì)算效率與計(jì)算精度。

參考文獻(xiàn)

[1] Dell'Amico M，Capra L.Dependable filtering：Philosophy and realizations [J].ACM Transactions on Information Systems（TOIS），2010，29（1）：364-371.

[2] Vallet D， Hopfgartner F， Jose J M， et al. Effects of usage-based feedback on video retrieval： a simulation-based study [J].ACM Transactions on Information Systems （TOIS），2011，29（2）：219-230.

[3] 曹忠升，唐曙光，楊良聰.Web-Logs中連續(xù)頻繁訪問(wèn)路徑的快速挖掘算法[J].計(jì)算機(jī)應(yīng)用，2006（1）：216-219.

[4] 姬浩博，王俊紅.一種改進(jìn)的PrefixSpan算法及其在Web用戶行為模式挖掘中的應(yīng)用[J].計(jì)算機(jī)科學(xué)，2016（1）：25-29.

[5] 業(yè)寧，李威，梁作鵬，等.一種Web用戶行為聚類算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2004，25（7）：1364-1367.

[6] 王海艷，楊文彬，王隨昌，等.基于可信聯(lián)盟的服務(wù)推薦方法[J].計(jì)算機(jī)學(xué)報(bào)，2014（2）：301-311.