融合時間因素的協同過濾圖書推薦算法

張小雷 孫剛 彭余輝

摘? 要：隨著互聯網的遍及以及圖書資源的高速更新換代，用戶對圖書的需求變得越來越大，傳統的推薦算法已經無法滿足用戶及時準確尋找所喜歡的圖書的需求。讀者的閱讀習慣會隨時間變化而變化。在協同過濾圖書推薦算法中融入時間因素，在計算用戶和物品相似度中增加時間衰減函數可以解決讀者找書難的問題。實驗證明，在協同過濾圖書推薦算法中融入時間因素，可以提升推薦的精準率。

關鍵字：協同過濾;圖書推薦;時間因素;精準率

中圖分類號：G250.7? ? ? ? ? 文獻標識碼：A? ? ? ? ? 文章編號：1672-4437（2021）02-0051-04

如今，隨著線上和線下大量圖書的出現，人們越來越難以尋找自己想要的圖書。當讀者想要讀一本書的時候，傳統的做法是去圖書館、書店等線下通過管理員查找或自己尋找，或者是去圖書網站線上搜索，有時候讀者花費了時間還不一定找得到。圖書推薦的出現可以解決讀者這方面的問題，可以為不同的讀者進行專屬推薦，滿足其快速且有針對性的查找需求，增加圖書閱讀率和銷量。

協同過濾圖書推薦算法通過挖掘讀者或圖書的歷史信息進行推薦，能為讀者提供有效的推薦。隨著時間的推移，讀者的興趣度、圖書的流行度、社會群體的興趣度等都會發生變化，這個時候如果還按之前進行推薦的話，必然會影響推薦的準確率。在基于協同過濾的推薦算法中融合時間因素，能夠有效地反映最近讀者或圖書的變化情況，為讀者提供更加實時的推薦，提高推薦效率。

1基于協同過濾的推薦算法

1.1協同過濾算法思想

關于協同過濾，一個經典的例子是：我們想看一本書但不知道看哪一本，這個時候我們通常會咨詢周圍的人，當我們發現某個人和我們興趣相似的時候，我們通常會接受他的推薦，這就是其核心思想。協同過濾算法主要包括基于用戶的協同過濾（UserCF）算法和基于物品的協同過濾（ItemCF）算法兩種[1]。

1.2協同過濾算法工作流程

算法流程如圖1所示：

1.3基于協同過濾的推薦算法研究現狀

1.3.1面臨的問題

面臨的主要問題有：（1）冷啟動問題。由于之前無行為，新用戶或新物品進入，不能很好推薦。（2）稀疏性問題。用戶一般主動給予的評價較少，在用戶評分矩陣中出現很多0值，不能很好地計算相似度，影響推薦精度。（3）擴展性問題。商業網站用戶和物品數量龐大，推薦算法計算時間和空間都很龐大，在巨量數據面前，很難做到實時推薦。

1.3.2研究現狀

國內外很多學者對傳統協同過濾算法出現的問題進行了多種改良。對于用戶或物品冷啟動問題，可以引導用戶表達屬性或注冊信息，通過給物品打標簽分析其屬性來解決，也可以直接通過排行榜推薦熱門產品來解決。如付文靜提出的RC-DFM模型，把評論和內容進行加權融合，緩解了數據的稀疏性，與此同時推薦的準確度也提高了[2]，但是當數據集比較大的時候，這種模型的推薦效率會因為時間的增加而降低。王輝等人針對冷啟動問題進行研究，把項目的屬性和用戶的評分結合起來來預測評分[3]，給用戶進行推薦，但是當新用戶來的時候很難進行推薦。楊武等人將基于內容的推薦算法和基于協同過濾的推薦算法相融合[4]，提高了推薦的準確率。以上推薦算法可以提高推薦的精確度，但對于需求量寬泛的用戶來說，遠遠無法滿足。在“長尾理論”的支持下，大量的不流行的商品的銷售量幾乎與流行商品的銷售量相同，在袁煦聰的研究中，提出了算法item-CF-IIF，通過懲罰熱門商品并且優化排序待推薦的物品，能夠提高推薦的準確度，同時用戶的體驗也較好[5]。

2融合時間因素的協同過濾圖書推薦算法

2.1推薦算法中的時間效應

日常生活中隨處可見時間效應，時間效應對推薦的影響比較大[6]。在圖書推薦領域，讀者的閱讀習慣隨著時間推移會發生變化，主要有以下三個方面：一是個人興趣度隨時間變化而變化。比如讀者在小時候喜歡讀兒童讀物，長大之后則對兒童讀物不感興趣。二是圖書的流行度會隨時間變化而變化。有的圖書剛開始出版的時候很熱門，讀者也很多，但隨著熱度的下降就會變得不再很流行。三是社會群體興趣度隨時間變化而變化。比如隨著推薦技術的發展，讀者更容易找到自己想要的圖書，從而整體上讀者對圖書的評分呈上升趨勢。

在圖書推薦算法中融合時間因素更能反映讀者的近期偏好，為讀者提供更有針對性的推薦。

2.2融合時間因素的協同過濾圖書推薦算法流程

算法流程如圖2所示：

2.3增加時間衰減函數的相似度計算方法

在協同過濾算法中融合時間因素包括在基于用戶的協同過濾（UserCF）算法中融合時間因素構造的協同過濾（TF-UserCF）算法和基于物品的協同過濾（ItemCF）算法中融合時間因素構造的協同過濾（TF- ItemCF）算法[7]兩種。這兩種算法在相似度計算中增加衰減函數的計算方法分別如下。

2.3.1 TF-UserCF算法相似度計算方法

UserCF算法先找“相似用戶”再找“相似用戶所喜歡的物品”，相似度計算采用余弦相似度計算方法[8]，公式為：

和表示用戶和用戶產生過行為的物品集合。

在冷門物品上有交互更能表示用戶相似，所以在公式中加入對熱門物品的懲罰項[8]，用戶相似度公式修改為：

表示產生過行為的所有用戶個數。

越是最近的行為越能表示用戶當前興趣，所以在計算用戶相似度時加入時間衰減函數，公式如下：

公式中為時間衰減函數，形式為：

式中，為時間衰減因子，表示用戶與物品產生交互的時間，表示用戶與物品產生交互的時間。

影響大的是當前評分，加上時間衰減函數，最終用戶對物品的偏好程度如下：

其中表達式為：

式中，表示當前時間，表示用戶與物品產生交互的時間。

2.3.2 TF-ItemCF算法相似度計算方法

ItemCF算法的主要思想是：先找到“相似物品”，再把相似物品推薦給用戶。相似度計算公式為：

式中和表示與物品和物品產生過行為的用戶集合。

行為較多用戶貢獻較少，降低其權重，改進為：

）表示用戶 的評分物品集合。

在式中增加時間衰減因子函數，改進為：

式中為時間衰減函數。

加上函數，最終公式為：

式中，的表達式為：

式中，表示當前時間。

3實驗結果與分析

3.1 實驗數據分析

實驗使用python語言編程對算法進行實現，使用Book-Crossing數據集，它包含了278858個用戶對271379本圖書的1149780個評分數據[9]。通過python代碼查看用戶評分統計可以看出評分范圍是0-10分。其中評分前三的人數統計中評分為0分的用戶最多，達716109人，其次是評分為8分的人數，達103736人，第三位評分為10分的人數，達78610人。評分統計中評分為1分的人數最少，只有1770人。

3.2 實驗評價標準

本次實驗中將80%的實驗數據作為訓練數據，20%作為測試數據。通過精準率（Precision）對實驗結果進行評價，Precision表示在預測用戶是否喜歡時，正確預測用戶喜歡的商品的比例，計算公式如下：

3.3實驗結果分析

3.3.1不同K值下的UserCF算法和ItemCF算法的Precision比較

結果如圖3所示。從圖3可以看出，隨著K值的不斷增加，UserCF算法的Precision先不斷增加后趨于平穩，ItemCF算法的Precision先不斷增加再下降。總體而言，隨著K值的增加，UserCF算法的Precision高于ItemCF算法的Precision。

3.3.2不同K值下的UserCF算法和TF-UserCF算法的Precision比較

結果如圖4所示。從圖4可以看出，基于用戶的協同過濾算法中融入時間因素構造的TF-UserCF算法和UserCF算法比較，在不同K值下，TF-UserCF算法的Precision要高于UserCF算法的Precision，但優勢不明顯。所以在基于用戶的協同過濾算法中融入時間因素構造的算法的精準率有所提高，但效果不明顯。

3.3.3 不同K值下的ItemCF算法和TF-ItemCF算法的Precision比較

結果如圖5所示。從圖5可以看出，基于物品的協同過濾算法中融入時間因素構造的TF-ItemCF算法和ItemCF算法相比較，在不同K值下，TF-ItemCF算法的Precision明顯優于ItemCF算法。所以在基于物品的協同過濾算法中融入時間因素構造的算法精確率明顯提高。

以上通過在協同過濾算法中融入時間因素來進行圖書推薦，依此來解決隨著時間的推移讀者的興趣遷移問題。通過實驗證明在協同過濾算法中融入時間因素可以提升圖書推薦的精準率，提高圖書推薦的質量。但在緩解數據稀疏性方面沒有提高，在后續算法中要加以改良，以不斷提高圖書推薦質量。

參考文獻：

[1]趙偉，林楠，韓英，等.一種改進的K-means聚類的協同過濾算法[J]. 安徽大學學報（自然科學版），2016（02）：32-36.

[2]付文靜.基于評論和內容深度融合的跨域推薦問題研究[D].濟南：山東大學，2019.

[3]王輝，姜丹，徐海鷗.基于用戶評分和項目屬性的稀疏矩陣預測研究[J].電腦知識與技術，2019（02）：273-275.

[4]楊武，唐瑞，盧玲.基于內容的推薦與協同過濾融合的新聞推薦方法[J].計算機應用，2016，36（02）：414-418.

[5]袁煦聰.基于長尾理論的物品協同過濾推薦算法研究[D].淮南：安徽理工大學，2019.

[6]孫艷.基于協同過濾的圖書推薦算法研究[D].鎮江：江蘇大學，2015.

[7]趙向宇.TopN協同過濾推薦技術研究[D].北京：北京理工大學，2014.

[8]劉恒友.基于時間效應的推薦算法研究[D].哈爾濱：哈爾濱工業大學，2013.

[9]李默，梁永全.基于標簽和關聯規則挖掘的圖書組合推薦系統模型研究[J].計算機應用研究，2014（08）：156-159.