基于多級圖的推薦系統框架研究

董 暢 關 勝 畢建軍

大連東軟信息學院，遼寧 大連 116000

基于多級圖的推薦系統框架研究

董 暢 關 勝 畢建軍

大連東軟信息學院，遼寧 大連 116000

通過研究基于多級圖的多級模糊聚類算法，運用模糊聚類的結果構建多級圖個體集，以傳統搜索引擎的推薦系統為基礎，融合、優化多種推薦算法，建立一個更加智慧、高效并且具備自主學習能力的推薦系統的框架。將復雜網絡圖的描述理論和基于模糊聚類的多級圖劃分理論相結合，來解決問題的匹配和有價值信息的存儲、整理、分析上的相關問題。通過與知識庫中已有答案進行匹配，為用戶提供準確答案，并將所有應答記錄作為知識進行管理。通過不斷更新知識庫，使該推薦系統具備自主學習和自適應能力，使推薦體系更為完整和精確。

推薦系統；多級圖；模糊聚類

引言

隨著信息技術和互聯網技術的高速發展，簡單的信息分類已經不能夠滿足人們從諸多信息中準確、快速找到有用信息的愿景。人們于是提出“信息找人”的思想，搜索平臺由此誕生。傳統的搜索引擎技術沒有考慮到用戶的特征，將所有的用戶等同處理，對不同用戶的搜索信息返回同樣的資源序列，且反饋信息量十分巨大，不能從根本上幫助用戶從諸多信息中找到自己需要的信息。為解決信息超載問題，推薦系統應運而生。

推薦系統利用用戶的一些行為和興趣特征，通過一些數學算法，推測出用戶可能喜歡的東西或從互聯網海量的信息中挖掘用戶可能感興趣的資源，從而為用戶做出推薦。從本質上來講，推薦系統是自動聯系用戶和信息的一種工具，它能夠在信息過載的環境中幫助用戶發現令他們感興趣的信息，也能將信息推送給感興趣的用戶。然而，現有的推薦方法都存在一定問題與局限性。為改善這種現狀，本研究希望建立一個更加智慧、簡明和高效的推薦系統。因此，本文融合多種推薦算法，在基于多級模糊聚類的推薦系統的框架研究上首創地加入了多級圖的思想，使推薦體系更為完整和精確[1]。

1 研究方法

一般來說，一個推薦體系的優劣，即其準確度與高效性等性能指標與該推薦系統所使用的算法和基礎數據量之間的聯系十分緊密。一個科學、靈活的算法或算法組合可以對數據進行有效整合，將整個系統化繁為簡，使系統變得更加高效和智能。智能推薦就是建立在海量數據挖掘基礎上的一種高級智能平臺，大量且有效的基礎數據可以保證推薦體系的合理性與科學性，確保算法的精確程度[2]。推薦系統依托龐大數據量擴大信息覆蓋面積，來減少系統的知識盲點。同時，推薦體系可以通過自主學習不斷提高自身的精確度，保證推薦系統的工作效果。

1.1 多級圖在推薦系統框架研究中的應用

多級圖劃分算法可以將推薦系統劃分為多個層級，使其體系更加層次分明。在每個層級中再分別進行調整和逐層優化以獲得更優的結果。傳統的圖劃分算法針對的是靜態的圖，因此，傳統的圖劃分算法并不能適用于復雜的動態網絡。為突破傳統圖劃分算法的局限性，本研究將基于數據庫的推薦算法和多級圖劃分算法相結合，提出一種通用的推薦系統框架，并按照用戶層、數據層和應用層三個層級介紹了該框架的主要模塊。三個層級之間互相聯系且結構獨立，可以根據算法靈活調整。同時，針對每一層級中的圖進行圖的初始劃分，以減少數據的復雜性，構建圖的多級層次。對原始數據進行聚類成圖處理，即根據選定的閾值把數據逐層進行迭代的過程，并選取閾值附近的點進行調整和優化[3]。

1.2 模糊聚類在推薦系統框架研究中的應用

用模糊數學的方法確定樣本之間的模糊關系定量，從而客觀且準確地進行聚類。聚類就是將數據集分成多個類或簇，使各個類之間的數據差別盡可能大，類內之間的數據差別盡可能小，即為“最小化類間相似性，最大化類內相似性”原則。根據層次聚類使用的是自底向上的原則還是自上向下的原則，我們可以把層次聚類分為凝聚的層次聚類和分裂的層次聚類。借鑒于凝聚型層次聚類，本文所提的算法一開始把每一個對象都看成一個單獨的類，然后迭代中進行類的合并，把簇間距離小于距離閾值的類進行合并，直到滿足評估函數局部最小的條件為止，這種方法能夠快速地并對發現高度聚集的數據區域，并對高密度區域進一步進行分析與合并，通過評估函數的評估實現對傳統的模糊聚類算法的改進[4]。

研究步驟如下：

（1）計算樣本或變量間的相似系數，建立模糊相似矩陣。

（2）利用模糊運算對相似矩陣進行一系列的合成改造，生成模糊等價矩陣。

（3）最后根據不同的截取水平λ對模糊等價矩陣進行截取分類。

1.3 基于多級圖的推薦系統框架研究

本研究將復雜網絡圖的描述理論和基于模糊聚類的多級圖劃分理論相結合，提出了自下向上的多級劃分算法框架，并利用自下向上的策略降低儲存開銷，合理縮并以減小多級圖劃分問題的規模，則可以構建一個較為高效和智慧的推薦系統[5]。

基于多級圖的推薦系統框架主要分為用戶層、數據層和應用層三個模塊。

用戶層是面對用戶的開放性模塊，用戶通過用戶層模塊輸入查詢的關鍵信息，推薦系統通過此模塊獲取查詢信息并將推薦信息返回給用戶[6]。因此，用戶層是連接用戶和推薦系統的接口。

數據層包含著系統初始化階段管理員添加的所有“問題—答案對”的集合，以及曾經使用過該系統的用戶瀏覽過的“問題—答案對”，同時也保留著每個用戶的基礎信息和瀏覽歷史生成用戶的行為日志。數據層由初始劃分和優化劃分兩個階段組合而成。分別對應問題集和答案集、問題關鍵信息集和答案關鍵信息集兩個層次。初始劃分對原始數據進行問題集和答案集的劃分主要是為了更加快速、準確地定位到用戶需要的信息并將其推薦給用戶[7]。

應用層經過數據統計與數據挖掘，進行面向用戶的疑問特征分析、面向問題的問題分布分析，以及基于時間的問題變化趨勢分析，用來獲取對于客戶有價值的信息。基于多級圖的推薦系統框架如圖1所示。

研究步驟如下：

（1）選取適量的樣本數據，找出其中的相似性或無關性，形成相應的層次。層次類別根據層次的增多相應減少，但具有包含關系。

圖1 基于多級圖的推薦系統框架

（2）用模糊數學的方法確定樣本之間的模糊關系定量，從而客觀且準確地進行聚類。

（3）計算樣本或變量間的相似系數，建立模糊相似矩陣。

（4）確定所要選取的信息，找出其中的關鍵詞，選取其所在的類別對應的矩陣，減少無關樣本的干擾，提取核心，進行篩選。

（5）在此矩陣中進一步選取所要找的關鍵核心，進一步進行篩選。

（6）在所有的樣本中運用此種方法，進行一層一層篩選，找到自己所要的內容。

2 研究結果與討論

基于多級圖的模糊聚類算法是根據模糊聚類算法而得來的，能夠對樣本數據進行更加準確的聚類分析，打破傳統聚類非此即彼的性質，運用層次分析的方法，讓每個層次進行聚類，因此每一層甚至每一類的內容都可能具有相互包含的關系。選取每一類的相似系數，建立模糊相似矩陣，從而提取樣本的核心。分析每一層，進一步提取樣本，減少相應的干擾，直至最終確定所選取的內容[8]。

基于多級圖的模糊聚類算法相較于其他算法的優點在于其多級結構的實用性與高效性。其結構可以更加方便、快捷地存儲信息，降低了系統每次檢索知識庫的時間復雜度?；诙嗉増D的模糊聚類可以運用到生活中應用的各個地方，進行相似的基礎聚類，相應地提取樣本，然后分為對應層次，使結果更加清晰，繼而提高使用價值。

3 結語

為克服傳統推薦算法的局限性，提出了基于多級圖劃分的模糊聚類推薦算法。該算法在對系統中存在的產品使用多級圖劃分算法進行聚類的基礎上應用協同過濾推薦算法對用戶進行推薦。實驗結果證明：該算法可以在對推薦準確率影響較小的同時，有效地提高推薦系統的效率。

[1]商楊.基于MapReduce的可擴展協同過濾算法的研究[D].大連：大連海事大學，2015.

[2]梁潔.基于混合模式的個性化推薦系統的研究與應用[D].武漢：武漢理工大學，2011.

[3]孔維梁.協同過濾推薦系統關鍵問題研究[D].武漢：華中師范大學，2013.

[4]劉劍波.基于協同過濾和行為分析的微博推薦系統[D].南京：南京理工大學，2014.

[5]李祉瑩.基于語義的個性化推薦模型研究[D].北京：北京郵電大學，2015.

[6]李翠平，藍夢微，鄒本友，王紹卿，趙衎衎. 大數據與推薦系統[J]. 大數據，2015（3）：23-35.

[7]鄧鈺亮.基于多元統計的電子商務性能分析算法框架研究[D].上海：復旦大學，2008.

[8]董文遠.基于混合過濾的推薦系統開發研究[D].長春：吉林大學，2011.

Research on Recommender System Framework Based on Multi-Level Graph

Dong Chang Guan Sheng Bi Jianjun
Dalian Neusoft Information Institute, Liaoning Dalian 116000

Through the study of fuzzy clustering algorithm based on multi-level graph, constructing multi-level graph individual set by fuzzy clustering results, the recommendation system of traditional search engine based on the integration and optimization of multiple recommendation algorithm, establish a more efficient and have the wisdom,ability of autonomous learning recommendation system framework. This paper combines the description theory of complex network graph with the multi-level graph partitioning theory based on fuzzy clustering to solve the problem of matching and the storage, collation and analysis of valuable information. By matching the existing answers in the knowledge base, we can provide accurate answers for users, and manage all response records as knowledge. By constantly updating the knowledge base, the recommendation system has the ability of autonomous learning and self-adaptation, so that the recommendation system is more complete and accurate.

recommender system; multi-level graph; fuzzy clustering

TP391.4；TP393.0

A

1009-6434（2017）7-0084-03