智能推薦算法研究綜述

張松蘭(蕪湖職業(yè)技術(shù)學(xué)院，安徽蕪湖 241006)

智能推薦算法研究綜述

張松蘭
(蕪湖職業(yè)技術(shù)學(xué)院，安徽蕪湖 241006)

隨著網(wǎng)絡(luò)技術(shù)和信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中的信息資源大量增長，如何在海量的信息資源中找到用戶需要的信息成為一大研究熱點，智能推薦技術(shù)為此問題提供了便捷手段。本文概述了智能推薦系統(tǒng)組成，重點介紹了幾種智能推薦算法及其優(yōu)缺點，最后對該領(lǐng)域的發(fā)展方向進行了展望。

智能推薦；協(xié)同過濾；關(guān)聯(lián)規(guī)則

隨著互聯(lián)網(wǎng)的廣泛應(yīng)用，網(wǎng)絡(luò)化和信息化技術(shù)不斷推進，網(wǎng)絡(luò)中的信息資源呈爆炸性增長[1]，同時計算機、移動終端及多媒體技術(shù)也在不斷更新，人們可以便捷地利用電腦或手機訪問網(wǎng)絡(luò)獲取自己想要的信息資源。豐富的信息資源為人們帶來極大便利的同時，一方面產(chǎn)生了信息的嚴重過載問題[2]，另一方面用戶很難從眾多的網(wǎng)絡(luò)資源中及時準確地獲取所需要的信息。如何幫助用戶快速高效地在浩瀚的網(wǎng)絡(luò)資源中找到有用信息，縮短查詢時間，提高效用性價比，智能推薦技術(shù)為解決此問題開辟了新途徑，為用戶提供自動“信息找人”的便捷通道。

1 智能推薦概念

推薦技術(shù)分為主動式推薦和被動式推薦[3]。被動式推薦的技術(shù)有分類瀏覽和關(guān)鍵詞搜索。分類瀏覽用樹型結(jié)構(gòu)表示商品或信息的分類，如果商品或信息分類不唯一或不易準確歸類，用戶使用這種推薦方式查詢信息花費時間多、推薦效率低。關(guān)鍵詞查詢需要用戶給出待查找的關(guān)鍵詞，在系統(tǒng)范圍內(nèi)尋找與關(guān)鍵詞相匹配的內(nèi)容，如果關(guān)鍵詞選擇不當，推薦出來的商品或信息量會很大，因此這種方法對關(guān)鍵詞的準確度要求較高。被動式推薦自動化程度低，不易發(fā)現(xiàn)不同用戶的內(nèi)在需求；針對性差，要求用戶具備相應(yīng)的技能。主動式推薦，又稱智能推薦技術(shù)，實質(zhì)上是一種信息過濾技術(shù)，從眾多信息中提取出有用的信息，以數(shù)據(jù)挖掘理論為工具，通過收集用戶的行為日志，分析用戶的偏好并向其推薦感興趣的信息，為用戶和信息生產(chǎn)者雙方提供便利。

2 智能推薦系統(tǒng)

2.1 智能推薦系統(tǒng)組成

智能推薦系統(tǒng)一般由三個部分組成[4]，即信息存儲、信息處理和智能推薦。(1)信息存儲：記載用戶登錄網(wǎng)站的相關(guān)信息，如登錄信息、瀏覽內(nèi)容、操作信息等。(2)信息處理：從信息存儲部分得到數(shù)據(jù)內(nèi)容進行數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清洗[5]、數(shù)據(jù)過濾、數(shù)據(jù)選擇、數(shù)據(jù)集成等，并將清洗后的數(shù)據(jù)整理成符合要求的數(shù)據(jù)記錄，根據(jù)研究問題的需要選擇是否導(dǎo)入數(shù)據(jù)庫。(3)智能推薦：把處理后的數(shù)據(jù)按照推薦算法實施推薦過程并將結(jié)果反饋給用戶。在整個系統(tǒng)中智能推薦算法是系統(tǒng)的核心，對推薦的結(jié)果起著至關(guān)重要的作用。

2.2 智能推薦算法

智能推薦算法主要有基于關(guān)聯(lián)規(guī)則的推薦、協(xié)同過濾推薦、基于內(nèi)容的推薦、基于效用的推薦等算法[6]。

2.2.1 基于關(guān)聯(lián)規(guī)則的推薦

關(guān)聯(lián)推薦法，在數(shù)據(jù)分析的基礎(chǔ)上為尋找數(shù)據(jù)集間的相關(guān)性，首先找出事件中頻繁發(fā)生的項目之間的關(guān)聯(lián)性，形成X→Y形式的關(guān)聯(lián)規(guī)則，得到用戶感興趣的事件，然后進行智能推薦，關(guān)聯(lián)推薦法屬于無監(jiān)督的學(xué)習(xí)方法。

如果某一規(guī)則同時滿足最小支持度(事件X和事件Y同時發(fā)生的概率稱為支持度)和最小置信度(在發(fā)生事件X的基礎(chǔ)上發(fā)生事件Y的概率稱為置信度)，則稱此規(guī)則為強規(guī)則。

關(guān)聯(lián)規(guī)則推薦過程：首先設(shè)定最小支持度和最小置信度，然后從數(shù)據(jù)集中找到不低于最小支持度的頻繁項集，再利用前一步中得到的高頻項集來產(chǎn)生滿足最小置信度的強規(guī)則，最后根據(jù)強規(guī)則實施推薦[7]。關(guān)聯(lián)規(guī)則挖掘的相關(guān)算法有以下3種。

2.2.1.1 Apriori算法

Apriori算法是挖掘關(guān)聯(lián)規(guī)則頻繁項集的典型算法，其核心思想是基于兩個階段頻繁集的遞推。首先基于先驗知識設(shè)定最小支持度和最小置信度，通過掃描事件集找出所有的頻繁1項集，在此基礎(chǔ)上找出頻繁2項集，如此迭代找出滿足最小支持度的所有頻繁集，由頻繁集產(chǎn)生強關(guān)聯(lián)規(guī)則，然后使用前面找到的頻繁集產(chǎn)生滿足最小置信度的強規(guī)則，從而推薦出用戶感興趣的事件。在數(shù)據(jù)集比較大時使用遞推方法掃描數(shù)據(jù)集會比較耗時，效率比較低，另外在實時多變的知識推薦中可能難以產(chǎn)生規(guī)則，這是Apriori算法的兩大缺點。

2.2.1.2 基于劃分的算法

為避免Apriori算法掃描大數(shù)據(jù)集的低效問題，Savasere等設(shè)計了基于劃分的算法。該算法先把整個數(shù)據(jù)集分為相互無交集的多個小塊，每次僅掃描其中的一個塊生成頻繁集，再組合前面所產(chǎn)生的頻繁集，最后計算這些項集的支持度。該算法是一種并行算法，一個處理器掃描一個子塊產(chǎn)生頻繁集，處理器之間相互通信來產(chǎn)生全局的頻繁項集。此算法中處理器間的通信及處理器生成頻繁項集制約算法的效率。

2.2.1.3 FP-樹頻集算法

在頻繁項集產(chǎn)生過程中，J.Han等采用分而治之的策略，提出了FP-樹頻集算法。基本思想為：在第一次掃描數(shù)據(jù)集之后，將數(shù)據(jù)集中的頻繁集壓縮到一棵頻繁模式樹(FP-tree)上，再按決策樹的思想將FP-tree分解成一些條件子樹，每個子樹與一個長度為1的頻繁集相關(guān)，最后對這些條件樹進行挖掘。此算法對長度不同的規(guī)則適應(yīng)性比較強，同時，效率也較Apriori算法高。

2.2.2 協(xié)同過濾推薦

協(xié)同過濾推薦算法的基本思想為：通過研究用戶的網(wǎng)絡(luò)行為，尋找有相似行為的用戶或有共同興趣的事件，找到用戶或事件間的關(guān)聯(lián)性，然后根據(jù)相關(guān)性實施推薦[8]。協(xié)同過濾算法主要分為基于用戶的協(xié)同過濾算法、基于項目的協(xié)同過濾算法和基于模型的協(xié)同過濾算法[9]。

2.2.2.1 基于用戶的協(xié)同過濾

基本思想為：利用用戶對商品或事件的評分來計算出不同用戶間的距離，將彼此間距離小的用戶定義為最近鄰來尋找有相似興趣的用戶，然后根據(jù)目標用戶的最近鄰來預(yù)測目標用戶可能感興趣的商品或事件，最終完成推薦過程。基于用戶的協(xié)同過濾技術(shù)的推薦步驟[10]如下。

步驟一：計算不同用戶間的距離或相似度。用戶上網(wǎng)對商品或事件的關(guān)注程度用距離這一參數(shù)來表示，選定的距離閾值會影響推薦系統(tǒng)的準確性，這是此算法的一個關(guān)鍵參量。計算相似度的方法有：首先對各隱性或顯性評分進行量化處理，選擇歐式距離、皮爾遜相關(guān)系數(shù)或余弦相似度作為向量模型的距離；選擇Latent Semantic Analysis(LSA)、Probabilitistic Latent Semantic Analysis(PLSA)、Latent Dirichlet Allocation(LDA)方法作為主題分析方法的距離。

步驟二：形成最近鄰。對目標用戶根據(jù)第一步計算出的距離找出其興趣相近的最近鄰集合。

步驟三：實施目標推薦。根據(jù)目標用戶的最近鄰集合預(yù)測目標用戶對不同商品或事件的評分，取其前N個較高的商品或事件反饋給目標用戶完成推薦過程[2]。

2.2.2.2 基于項目的協(xié)同過濾算法

此算法中，用戶規(guī)模比較大時，相似度計算會呈非線性增加，計算的時間復(fù)雜度也會增加，得到的用戶間相似度穩(wěn)定性較差。Sarwr[11]于2001年改進了相似度的計算方法，提出了基于項目的協(xié)同過濾算法，其區(qū)別在基于項目的協(xié)同過濾算法的相似度計算環(huán)節(jié)中，計算的是項目之間的相似度。

2.2.2.3 基于模型的協(xié)同過濾算法

此算法不需要借助評分數(shù)據(jù)進行相似度計算和評分預(yù)測，而是利用機器學(xué)習(xí)、數(shù)據(jù)挖掘等算法對評分數(shù)據(jù)進行挖掘建立評分預(yù)測模型，再根據(jù)模型完成目標用戶對目標項目的評分預(yù)測。常用的基于模型的推薦算法主要有：(1)基于奇異值分解方法，將用戶—項目評分矩陣中的用戶和項目投影到一個低維空間上，在這個低維空間上計算相似度并進行推薦。(2)聚類算法，按照物以類聚的思想，將相似的用戶(或項目)進行聚類，在同一個類別中預(yù)測目標用戶的評分進行推薦。

UA-DLLME用超聲處理代替了DLLME中傳統(tǒng)的分散劑，實現(xiàn)了更為高效和綠色的萃取過程。實驗操作程序如下：準確移取待測元素標準工作液置于10 mL具塞離心管中，然后加入適量絡(luò)合劑，充分搖蕩后調(diào)節(jié)酸度，加入萃取劑，用純水定容至10 mL，充分搖勻后超聲振蕩5 min，以3 000 r∕min的轉(zhuǎn)速離心5 min。待水相和有機相完全分離后，棄去水相，用注射器小心抽取有機相10 μL注入非水相CVG反應(yīng)器進行測定。

協(xié)同過濾推薦算法適用于復(fù)雜的非結(jié)構(gòu)化信息，但如果系統(tǒng)出現(xiàn)了新用戶，由于沒有該用戶信息無法計算與其他用戶間的相似度，從而不能完成推薦工作。隨著系統(tǒng)規(guī)模擴大，系統(tǒng)復(fù)雜度和開銷也會越大，可擴展性較差，因而存在“冷啟動”、稀疏性等問題。

2.2.3 基于效用的推薦

基于效用的推薦建立在對用戶使用項目的效用情況上，其關(guān)鍵問題是如何為用戶創(chuàng)建一個效用函數(shù)，因而推薦模型很大程度上依賴于效用函數(shù)。此推薦方法的優(yōu)點是能把非產(chǎn)品的屬性考慮到效用計算中，不存在冷啟動和稀疏問題，對用戶的偏好變化敏感。

2.2.4 基于內(nèi)容的推薦

基于內(nèi)容的推薦不需要根據(jù)用戶對項目的評價意見，而是利用機器學(xué)習(xí)方法根據(jù)用戶評價對象的內(nèi)容來學(xué)習(xí)用戶的偏好，計算其與待預(yù)測項目的相似程度，從而實施推薦，推薦過程所用的機器學(xué)習(xí)方法有決策樹、神經(jīng)網(wǎng)絡(luò)等。

基于內(nèi)容推薦方法的優(yōu)點：(1)不需要其他用戶數(shù)據(jù)，不存在冷啟動問題和稀疏問題。(2)可以為有特殊興趣愛好的用戶或新項目進行推薦。(3)對推薦出的項目具有可解釋性。

缺點是要求內(nèi)容能抽象成有意義的特征，且特征內(nèi)容結(jié)構(gòu)性較好。

基于知識的推薦交互性很強，可理解成是一種推理技術(shù)，用一種個性化方法在大量潛在候選項中找到用戶感興趣或有用的物品。它不需要用戶評分數(shù)據(jù)，也就不存在啟動問題。基于知識的方法因所用的功能知識而異，效用知識是項目如何滿足特定用戶的知識。用戶信息可以是任何能支持推理的知識結(jié)構(gòu)、已規(guī)范化的查詢或更詳細的用戶需要表示。其特點是能將用戶需求映射到產(chǎn)品上，并能考慮非產(chǎn)品屬性，但推薦是靜態(tài)的。

3 智能推薦技術(shù)應(yīng)用

網(wǎng)絡(luò)技術(shù)和移動終端技術(shù)快速發(fā)展，互聯(lián)網(wǎng)呈現(xiàn)出資源過剩，智能推薦技術(shù)在網(wǎng)絡(luò)信息中的運用表現(xiàn)在如下幾個方面。

3.1 智慧城市

徐小奇[12]在城市公共交通中利用數(shù)據(jù)挖掘和數(shù)據(jù)庫技術(shù)開發(fā)智能推薦系統(tǒng)，為乘客推薦空駛出租車的地點，為出租車司機快速推薦乘客的位置。蔣鴻玲[13]則利用MapReduce算法跟蹤出租車的GPS位置信息，為出租車司機或乘客推薦最佳停靠點，實現(xiàn)自適應(yīng)實時路況的優(yōu)化推薦。

3.2 廣播電視媒體

陳都、苗方[7]等在廣播電視媒體中根據(jù)用戶歷史行為以及對媒體和應(yīng)用內(nèi)容的效用評估，將用戶信息與內(nèi)容信息進行關(guān)聯(lián)匹配，通過智能推薦引擎技術(shù)預(yù)測用戶可能感興趣的內(nèi)容，輸出個性推薦列表返回給用戶，并保持推薦結(jié)果新穎性和多樣性。

3.3 電子商務(wù)

吳振濤[2]針對電子商務(wù)資源的信息過載問題，開發(fā)基于商品評論的智能推薦，使用戶能夠從電子商務(wù)網(wǎng)站中快速、準確、有效地選擇滿足其需要的商品。在電子商務(wù)常用的推薦技術(shù)中，引入社會關(guān)系因素，對協(xié)同過濾方法進行優(yōu)化，提高智能推薦的準確度和可信度，同時提高了信息的使用效率。

3.4 智慧旅游

黃連盛[14]在旅游產(chǎn)業(yè)中運用云計算、互聯(lián)網(wǎng)等來實現(xiàn)對旅游信息的搜集與發(fā)布，運用智能推薦技術(shù)發(fā)揮智慧旅游管理系統(tǒng)的優(yōu)勢作用，方便客戶通過網(wǎng)絡(luò)與移動設(shè)備實現(xiàn)對旅游資源與相應(yīng)服務(wù)信息的有效獲取。

3.5 網(wǎng)絡(luò)課程教學(xué)圖書管理

滕薇、王光明[15]針對學(xué)習(xí)者社群的特征，將學(xué)習(xí)者的學(xué)習(xí)興趣作為主要屬性，利用自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)進行聚類，然后通過關(guān)聯(lián)規(guī)則產(chǎn)生個性化的課程推薦，智能化地為學(xué)習(xí)者進行在線選課提供參考。徐杰[16]在網(wǎng)絡(luò)教學(xué)中根據(jù)需要和學(xué)生興趣搜索、選擇學(xué)習(xí)資源，完成網(wǎng)絡(luò)教學(xué)的智能推薦，實現(xiàn)個性化教學(xué)，探索網(wǎng)絡(luò)教學(xué)模式的改革。

楊建平[17]利用現(xiàn)有的圖書管理銷售系統(tǒng)中用戶對圖書借閱、收藏或者購買的記錄，通過關(guān)聯(lián)規(guī)則的原理，分析圖書之間的關(guān)聯(lián)度。根據(jù)分析結(jié)果向管理者提供圖書之間的關(guān)系，向借閱者推薦相關(guān)圖書，增加借閱量或圖書銷售，使用戶快速發(fā)現(xiàn)相關(guān)的書籍。將智能推薦技術(shù)運用于互聯(lián)網(wǎng)圖書銷售，可為用戶提供更加便捷、有效的圖書獲取手段。

3.6 網(wǎng)絡(luò)廣告

史雯昱、馬輝民[18]等根據(jù)用戶的偏好、興趣和行為，將智能推薦技術(shù)用于網(wǎng)絡(luò)廣告中，針對RSS廣告的個性化推薦，設(shè)計了一種基于RSS的個性化網(wǎng)絡(luò)廣告推薦系統(tǒng)，識別潛在的廣告用戶，將符合用戶需求的廣告?zhèn)鬟f給用戶。

智能推薦技術(shù)在電子商務(wù)、智慧城市、智慧旅游、廣播電視媒體、圖書管理銷售系統(tǒng)及網(wǎng)絡(luò)廣告等方面得到了廣泛的應(yīng)用，有效地為用戶提供了個性化推薦服務(wù)，提高了網(wǎng)絡(luò)信息資源的利用效率。

4 結(jié)語

隨著網(wǎng)絡(luò)技術(shù)和信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中的信息資源呈爆炸性增長，如何在海量的信息資源中找到用戶需要的信息，智能推薦技術(shù)為網(wǎng)絡(luò)用戶提供了便捷手段。本文概述了智能推薦系統(tǒng)組成及智能推薦算法，而如何根據(jù)用戶特征準確、有效地為用戶推薦所需信息仍需要進一步研究。

[1]戎袁杰.基于深度挖掘的個性化智能推薦方法研究[J].信息技術(shù)與信息化,2016(7):108-111.

[2]吳振濤.基于社會關(guān)系的智能推薦技術(shù)在電子商務(wù)中的應(yīng)用研究[J].中國商論,2016(15):56-57.

[3]魏衍君,楚志凱.電子商務(wù)智能推薦技術(shù)研究[J].商丘職業(yè)技術(shù)學(xué)院學(xué)報,2011(2):41-44.

[4]許夢妮,劉晶晶.基于智能推薦的網(wǎng)絡(luò)購物系統(tǒng)的設(shè)計研究[J].軟件工程,2016(4):46-48.

[5]張晗,潘正運,張燕玲.旅游服務(wù)智能推薦系統(tǒng)的研究與設(shè)計[J].微計算機信息,2006(3):170-173.

[6]李儉霞,孫建.智能推薦技術(shù)在電子商務(wù)中的運用[J].中國電子商務(wù),2010(10):2-3.

[7]張勇杰,楊鵬飛.基于關(guān)聯(lián)規(guī)則的商品智能推薦算法[J].現(xiàn)代計算機,2016(4):25-27.

[8]陳都,苗方,金立標.廣電智能推薦系統(tǒng)的應(yīng)用研究[J].電視技術(shù),2016(1):102-105.

[9]付加星,孟佳娜,沈杭春,等.基于智能推薦的電子商城購物系統(tǒng)設(shè)計[J].計算機時代,2015(6):39-41.

[10]劉樹棟,孟祥武.一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J].軟件學(xué)報,2014(11):2556-2574.

[11]黃傳飛.基于項目的協(xié)同過濾算法的改進[D].南昌:江西師范大學(xué),2015.

[12]徐小奇.基于海量出租車軌跡數(shù)據(jù)的智能推薦系統(tǒng)研究[J].電子制作,2016(18):27-28.

[13]蔣鴻玲,張楠.基于MapReduce的出租車停泊點智能推薦算法[J].計算機應(yīng)用與軟件,2016(2):254-258.

[14]黃連盛.智慧旅游管理與智能推薦技術(shù)[J].旅游縱覽,2016(4):64.

[15]滕薇,王光明.基于Web的網(wǎng)絡(luò)課程智能推薦機制[J].鞍山科技大學(xué)學(xué)報,2006(3):274-277.

[16]徐杰,丁振凡.基于搜索引擎結(jié)果由教師過濾的個性化教學(xué)推薦[J].電腦知識與技術(shù),2010(6):9692-9694.

[17]楊建平.基于關(guān)聯(lián)規(guī)則的圖書智能推薦系統(tǒng)的算法改進[J].信息通信,2014(10):13.

[18]史雯昱,馬輝民.基于RSS的個性化網(wǎng)絡(luò)廣告推薦系統(tǒng)[J].武漢理工大學(xué)學(xué)報:信息與管理工程版,2009(4):569-572.

Algorithm Survey on Intelligent Recommendation

ZHANG Song-lan

(Wuhu Institute of Technology, Wuhu Anhui 241006, China)

With development of internet and information technology and substantial growth of internet resource. How to find needful information on internet resource is one problem. Intelligent recommendation provides convenient method for this question. The constituent of intelligent recommendation system is introduced. Special stress is laid on several kinds of intelligent recommendation algorithm and their merits and drawbacks. Finally, the development tendency is prospected.

intelligent recommendation; collaborative filtering; association rules

2017-03-16

安徽省教育廳自然科學(xué)重點項目“基于大數(shù)據(jù)挖掘的電力系統(tǒng)穩(wěn)定性研究”(KJ2016A767)；蕪湖職業(yè)技術(shù)學(xué)院重點科研項目“基于網(wǎng)絡(luò)化視頻的智能推薦技術(shù)研究與應(yīng)用”(Wzyzrzd201707)。

張松蘭(1973- )，女，副教授，碩士，從事人工智能、復(fù)雜系統(tǒng)建模與仿真研究。

TP301

A

2095-7602(2017)06-0051-04