綜合用戶屬性和相似度的協(xié)同過濾推薦算法

農(nóng)藝， 唐忠

(廣西醫(yī)科大學(xué) 信息與管理學(xué)院， 南寧 530021)

0 引言

隨著Internet的快速發(fā)展，人們可以網(wǎng)絡(luò)技術(shù)獲取自己需要的數(shù)據(jù)，同時每天Internet上的數(shù)據(jù)量呈指數(shù)形式增加，如何用戶要從網(wǎng)上選擇購買一個產(chǎn)品，搜索的時間相當(dāng)長，而且有可能無法找到用戶真正喜歡產(chǎn)品，給用戶帶來很大困擾，在該應(yīng)用背景下，出現(xiàn)電子商務(wù)在線推薦系統(tǒng)[1-3]。在電子商務(wù)在線推薦系統(tǒng)中，協(xié)同過濾推薦算法設(shè)計是最為關(guān)鍵的老板說，因此成為了電子商務(wù)研究領(lǐng)域中的一個重要研究方向[4,5]。

最初，人們設(shè)計了基于用戶的協(xié)同過推薦算法，通過對用戶訪問的歷史記錄進(jìn)行評分矩陣，預(yù)測出用戶可能喜歡的產(chǎn)品，主要應(yīng)用于網(wǎng)上電影的推薦，該算法存在可擴展性不足問題；隨后有學(xué)者提出了基于內(nèi)容的推薦算法，其根據(jù)用戶和項目之間關(guān)系生成相應(yīng)的評分矩陣，然后根據(jù)評分矩陣之間的匹配得到相應(yīng)的推薦結(jié)果，但是其存在數(shù)據(jù)稀疏問題，而且推薦實時性比較差。為了解決數(shù)據(jù)稀疏問題，有學(xué)者提出了協(xié)同過濾推薦算法，相于其它類型的推薦算法，協(xié)同過濾推薦算法的推薦精度高，速度也得到了得升，如出現(xiàn)了用戶評分差異性和相關(guān)性的協(xié)同過濾推薦算法、基于置信度加權(quán)的單類協(xié)同過濾推薦算法、基于改進(jìn)用戶相似性度量和評分預(yù)測的協(xié)同過濾推薦算法[8-10]，在實際應(yīng)用中，這些算法同樣存在各自的缺陷，如：冷啟動問題、推薦誤差大問題等[11]。

為了解決當(dāng)前協(xié)同過濾推薦算法中存在的錯誤大、速度慢等缺陷，以獲得更優(yōu)的協(xié)同過濾推薦效果，設(shè)計了綜合用戶屬性和相似度的協(xié)同過濾推薦算法，并采用具體數(shù)據(jù)進(jìn)行了協(xié)同過濾推薦仿真測試。本文算法加快了減少了協(xié)同過濾推薦時間，協(xié)同過濾推薦速度得到了明顯加快，降低了協(xié)同過濾推薦誤差，推薦精度要遠(yuǎn)高于其它協(xié)同過濾推薦算法，結(jié)果驗證了本文協(xié)同過濾推薦算法優(yōu)越性。

1 傳統(tǒng)協(xié)同過濾推薦算法

當(dāng)前協(xié)同過濾推薦算法很多，每一種算法有自己的長處，同時也存在相應(yīng)的局限性，基于用戶的協(xié)同過濾推薦算法比較經(jīng)典，使用范圍比較廣泛，下面對其進(jìn)行相應(yīng)的描述，了解傳統(tǒng)協(xié)同過濾推薦算法工作過程，其劃分為3個階段：數(shù)據(jù)初始化階段、計算相似度階段、項目評分預(yù)測與推薦階段。

1.1 數(shù)據(jù)初始化階段

數(shù)據(jù)初始化階段主要建立為建立填充用戶-項目評分矩陣，具體形式如式(1)。

(1)

式中，N和M分別為用戶數(shù)和項目數(shù)。

在式(1)中，行表示用戶對項目的評分，列表示某個項目各個用戶的評分。

1.2 計算相似度

相似度用于描述兩個用戶之間的相似度程度，相似度計算是最為關(guān)鍵的持術(shù)，當(dāng)前相似度計算方法相當(dāng)多，它們有各自的適用范圍。最具代表性的為向量余弦法和皮爾遜相關(guān)系數(shù)法，其中基于向量余弦法的用戶u、v間相似度計算如式(2)。

(2)

式中，Iuv表示u、v的共同評分集合。

基于皮爾遜相關(guān)系數(shù)法的用戶u、v間相似度計算如式(3)。

(3)

1.3 項目評分預(yù)測與推薦

得到相似度值后，根據(jù)相似度對用戶進(jìn)行排序，找到最大K個相似度用戶作為目標(biāo)用戶的鄰居，然后根據(jù)K個鄰居預(yù)測目標(biāo)用戶對該項目的評分，具體為式(4)。

(4)

根據(jù)評分最大的若干項目作為目標(biāo)用戶的推薦結(jié)果。

2 本文協(xié)同過濾推薦算法的設(shè)計

傳統(tǒng)協(xié)同過濾推薦算法沒有考慮用戶的差異性，推薦精度低，為了解決傳統(tǒng)協(xié)同過濾推薦算法存在的缺陷，本文提出綜合用戶屬性和相似度的協(xié)同過濾推薦算法。

2.1 用戶評分相似度計算改進(jìn)

采用非線性函數(shù)描述用戶u和v對項目i的評分相似度，具體為式(5)。

(5)

2.2 用戶屬性相似度

設(shè)用戶u的用戶屬性為Attri=(ai1,ai2,…,ain)，n為屬性的個數(shù)，若用戶u和v的第m個屬性相同，則是有SIMAttr(u,v,m)=1，否則SIMAttr(u,v,m)=0，用戶u和v的相似度為式(6)。

(6)

其中，wi是第i個屬性的權(quán)值。

2.3 用戶屬性和與用戶評分相似度的整合

用戶屬性和用戶評分相似度整合為式(7)。

SIM(u,v)=α·SIMAttr(u,v)+β·SIM(u,v)

(7)

式中，α，β表示權(quán)重。

2.4 綜合用戶屬性和相似度的協(xié)同過濾推薦步驟

Step1：對項目信息進(jìn)行收集，并建立項目矩陣。

Step2：對評分信息進(jìn)行收集，同時建立評分矩陣。

Step3：根據(jù)Step1和Step2的項目矩陣和評分矩陣建立用戶—項目評分矩陣。

Step4：用戶-項目評分矩陣計算用戶屬性和與用戶評分相似度，根據(jù)相似度和K個近鄰得到最優(yōu)推薦方案。

3 協(xié)同過濾推薦算法的性能分析

3.1 實驗環(huán)境

為了分析綜合用戶屬性和相似度的協(xié)同過濾推薦算法的有效性，采用Java語言編程實現(xiàn)協(xié)同過濾推薦算法，仿真實驗環(huán)境如表1所示。

表1 協(xié)同過濾推薦仿真實驗參數(shù)

3.2 實驗數(shù)據(jù)以及協(xié)同過濾推薦算法

為了使綜合用戶屬性和相似度的協(xié)同過濾推薦算法的仿真結(jié)果具有說服力，選擇標(biāo)準(zhǔn)數(shù)據(jù)集Movielens作為測試對象，隨機從中選擇500個樣本作為訓(xùn)練樣本，200個樣本作為測試樣本，共進(jìn)行5次仿真實驗，每一次選擇的訓(xùn)練樣本和測試樣本是不是一樣的，但是數(shù)量相同的。標(biāo)準(zhǔn)數(shù)據(jù)集Movielens具體描述如表2所示。

表2 標(biāo)準(zhǔn)數(shù)據(jù)集Movielens的具體描述

為了驗證合用戶屬性和相似度的協(xié)同過濾推薦算法的優(yōu)越性，在相同實驗環(huán)境下，采用相同的數(shù)據(jù)集，選擇文獻(xiàn)[10]的協(xié)同過濾推薦算法和文獻(xiàn)[11]的協(xié)同過濾推薦算法進(jìn)行對比實驗。采用協(xié)同過濾推薦精度和協(xié)同過濾推薦時間對實驗結(jié)果進(jìn)行分析。

3.3 協(xié)同過濾推薦效果比較

統(tǒng)計綜合用戶屬性和相似度的協(xié)同過濾推薦算法和文獻(xiàn)[10]、文獻(xiàn)[11]的協(xié)同過濾推薦算法實驗結(jié)果，每一種算法均進(jìn)行5次仿真實驗，它們的推薦精度如圖1所示。

(a) 協(xié)同過濾推薦精度

(b) 協(xié)同過濾推薦誤差

對圖1的實驗進(jìn)行對比和分析，可以知道：

(1) 文獻(xiàn)[10]、文獻(xiàn)[11]的協(xié)同過濾推薦精度無低于90%，使得協(xié)同過濾推薦誤差超過了10%，無法滿足電子商務(wù)商品智能推薦的實際應(yīng)用要求，因此實際價值相對較低。

(2) 綜合用戶屬性和相似度的協(xié)同過濾推薦精度要高于95%，大幅度減少了協(xié)同過濾推薦誤差，可以更好找到用戶真正需要的商品，驗證了本文提出的綜合用戶屬性和相似度的協(xié)同過濾推薦算法的優(yōu)越性。

3.4 協(xié)同過濾推薦效率比較

統(tǒng)計綜合用戶屬性和相似度的協(xié)同過濾推薦算法和文獻(xiàn)[10]、文獻(xiàn)[11]的協(xié)同過濾推薦時間，同樣均進(jìn)行5次仿真實驗，它們的推薦時間如圖2所示。

圖2 協(xié)同過濾推薦時間比較

對圖2的協(xié)同過濾推薦時間可以知道，文獻(xiàn)[10]的協(xié)同過濾推薦時間最長，而綜合用戶屬性和相似度的協(xié)同過濾推薦時間最短，加快了協(xié)同過濾推薦速度，大幅度有效改善了協(xié)同過濾推薦效率。

5 總結(jié)

針對當(dāng)前協(xié)同過濾推薦算法工作過程存在的局限性，以提高協(xié)同過濾推薦精度，提出綜合用戶屬性和相似度的協(xié)同過濾推薦算法。首先綜合考慮用戶個性化特征建立用戶屬性評價矩陣，然后根據(jù)評價矩陣計算了用戶之間的相似度，根據(jù)相似度實現(xiàn)商品推薦，最后采用Java編程實現(xiàn)協(xié)同過濾推薦仿真測試，本文算法的協(xié)同過濾推薦精度，可以幫助用戶找到自己滿意的商品，克服當(dāng)前協(xié)同過濾推薦算法的弊端，協(xié)同過濾推薦時間短，可以用于在線推薦領(lǐng)域，具有廣泛的應(yīng)用前景。