面向個性推薦系統(tǒng)的協(xié)同過濾推薦算法研究

黃杰　張鑫燁　張錦濤

摘要：在信息過載的時代，推薦系統(tǒng)應(yīng)運(yùn)而生。協(xié)同過濾推薦系統(tǒng)算法是應(yīng)用最成熟最廣泛的推薦技術(shù)。本文模擬電影推薦這一場景，應(yīng)用了協(xié)同過濾推薦系統(tǒng)下不同推薦算法，并將推薦質(zhì)量進(jìn)行對比得出一個相對客觀的實驗結(jié)論。

關(guān)鍵詞：推薦系統(tǒng);協(xié)同過濾;個性化推薦

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）05-0136-01

0 引言

隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，信息過載給用戶和生產(chǎn)者都帶來不小的挑戰(zhàn)。而推薦系統(tǒng)的產(chǎn)生正是為了應(yīng)對用戶需求不明確以及長尾信息等問題。推薦系統(tǒng)通過分析用戶的歷史行為給用戶的興趣建模，從而為用戶推薦滿足其興趣和需求的信息。如今，協(xié)同過濾推薦系統(tǒng)應(yīng)用到各類電商平臺，如亞馬遜、京東商城等等。在電影推薦領(lǐng)域，Netflix公司是最為成功的公司之一，其應(yīng)用協(xié)同過濾推薦算法中基于物品的推薦算法。本文針對3種基于模型的協(xié)同過濾推薦算法，將其應(yīng)用在模擬的電影評分環(huán)境中，并對其進(jìn)行分析。其中包括：Slope One、SVD、SVD++。

1 協(xié)同過濾推薦算法

協(xié)同過濾的基本思想是，如果用戶在過去有著某種偏好，那么在未來也會有相似的偏好?；诖耍绻麅蓚€用戶的偏好有大量重疊，那么可以在他們之間進(jìn)行項目的相互推薦。由于選擇感興趣的項目來自從大量集合中過濾出來的結(jié)果，而且用戶是在隱式地與其他人相互協(xié)作，因此這種技術(shù)稱為協(xié)同過濾。

目前，協(xié)同過濾推薦算法大致分類兩類：基于記憶的協(xié)同過濾算法和基于模型的協(xié)同過濾算法。其中基于記憶的協(xié)同過濾推薦算法又分為基于用戶的最近鄰?fù)扑]和基于物品的最近鄰?fù)扑]。

1.1 基于用戶的最近鄰?fù)扑]

通過對目標(biāo)用戶的歷史行為數(shù)據(jù)發(fā)現(xiàn)用戶對商品的喜好。然后，找出與目標(biāo)用戶過去有相似偏好的其他用戶，即尋找目標(biāo)用戶的最近鄰。針對目標(biāo)用戶沒有見過的項目i，利用其近鄰對i的評分計算預(yù)測值。若結(jié)果是積極的，則向目標(biāo)用戶進(jìn)行推薦。

1.2 基于物品的最近鄰?fù)扑]

通過不同用戶對不同物品的評分或其他行為（如加入心愿單，分享給他人，評價等）來量化物品間的關(guān)系，從而找到物品的最近鄰。若目標(biāo)用戶對物品i的態(tài)度為積極的，并且物品j是物品i的鄰居，那么，將物品j推薦給目標(biāo)用戶。在實踐中會將用戶對物品的態(tài)度量化，從而進(jìn)行更加精準(zhǔn)的推薦。

1.3 基于模型的推薦算法

基于模型的推薦方法首先會離線處理原始數(shù)據(jù)，如利用某些降維技術(shù)。運(yùn)行時，只需要預(yù)計算或“學(xué)習(xí)過”的模型就能預(yù)測。

2 電影推薦系統(tǒng)的推薦算法

在Netflix競賽中，參賽隊伍使用基于模型的推薦算法能有效提高推薦系統(tǒng)的預(yù)測準(zhǔn)確率?；诖耍榻B三種常見的基于模型的推薦算法，并應(yīng)用于實驗。實驗數(shù)據(jù)是Netflix公司比賽的三萬余條用戶對電影的評分。本文按照8：2的比例劃分訓(xùn)練集和測試集。以RMSE（均方根誤差）作為評價指標(biāo)。其中，RMSE值越小，則預(yù)測質(zhì)量越佳。

2.1 Slope One算法

算法思想：基于一種簡單的線性回歸模型進(jìn)行預(yù)測。

算法原理：將用戶的評分之間的關(guān)系看作簡單的線性關(guān)系：Y=X+b。

（1）根據(jù)評分矩陣計算兩兩項目之間的偏差;

（2）根據(jù)偏差數(shù)據(jù)為用戶未評分商品做出推薦列表。

2.2 SVD算法

算法思想：基于奇異值分解模型進(jìn)行預(yù)測。

算法原理：將龐大且稀疏的用戶評分矩陣?yán)肧VD算法映射到低維空間，然后計算低維空間中未評分項目與其他項目間的相似度，計算預(yù)測評分，然后將預(yù)測評分從高到低進(jìn)行排序，返回前N個項目對用戶進(jìn)行推薦。即通過壓縮矩陣，提取重要特征后進(jìn)行計算并推薦。比如，電影特征直觀而言可有驚悚片，喜劇片這種明顯的劃分。

2.3 SVD++算法

算法思想：SVD++算法是SVD算法的一種改進(jìn)，同樣是基于奇異矩陣分解模型的一種算法。

算法原理：SVD++算法在SVD算法的基礎(chǔ)上引入隱式反饋，使用用戶的歷史瀏覽數(shù)據(jù)、用戶歷史評分?jǐn)?shù)據(jù)、等作為新的參數(shù)。計算用戶對未知項目的評分后，通過均方根誤差量化評分質(zhì)量，加入正則化參數(shù)的意義在于防止過擬合。

3 算法應(yīng)用結(jié)果

Slope One預(yù)測結(jié)果：RMSE： 0.835657411324? SVD預(yù)測結(jié)果：RMSE： 0.813470466441

SVD++預(yù)測結(jié)果：RMSE： 0.816237015507

4 結(jié)語

由于不同環(huán)境下運(yùn)行結(jié)果具有差異性，分別在多臺機(jī)器上進(jìn)行了測試。初步得出結(jié)論：SVD++算法推薦效果相對更加精確。Slope One算法運(yùn)行速度快，其理論上相對簡單，沒有實現(xiàn)個性化的推薦;SVD和SVD++是一種相對基礎(chǔ)的算法，在此基礎(chǔ)上不斷進(jìn)行改進(jìn)，如timeSVD++算法是一種考慮了時間感知的算法。在推薦系統(tǒng)方面，將各個方面的知識融會貫通，推薦系統(tǒng)會更加人性化、智能化。

參考文獻(xiàn)

[1] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機(jī)工程與應(yīng)用，2012，48（7）：66-76.

[2] 吳揚(yáng)，林世平.基于正負(fù)反饋矩陣的SVD推薦模型[J].計算機(jī)系統(tǒng)應(yīng)用，2015，24（6）：14-18.