基于用戶偏好和項(xiàng)目偏差的創(chuàng)新型科研項(xiàng)目推薦技術(shù)研究

贠濤

(中國科學(xué)技術(shù)交流中心，北京 100045)

0 引言

各種網(wǎng)絡(luò)平臺的創(chuàng)新型項(xiàng)目推薦功能能夠使用戶快速獲取有價(jià)值的信息，因此對此類技術(shù)開展研究十分必要。協(xié)同過濾算法在創(chuàng)新型項(xiàng)目推薦技術(shù)中的應(yīng)用非常普遍，但由于沒有充分考慮用戶的個(gè)性化需求以及推薦項(xiàng)目間類似元素存在相互干擾的問題，該算法的準(zhǔn)確性受到了嚴(yán)重的限制。本文提出了一種基于用戶偏好和項(xiàng)目偏差的協(xié)同過濾算法(IUCF算法)用于創(chuàng)新型項(xiàng)目推薦，首先進(jìn)行用戶和項(xiàng)目的聚類再分別計(jì)算評分，最后基于二者融合后的預(yù)測評分結(jié)果實(shí)現(xiàn)項(xiàng)目推薦。

1 概論

1.1 用戶評分協(xié)同過濾算法

該算法的計(jì)算流程為：基于用戶—項(xiàng)目評分矩陣獲取不同用戶的相似度；利用相似度進(jìn)行相鄰用戶匹配；通過相鄰用戶進(jìn)行預(yù)測評分。選取皮爾森相關(guān)系數(shù)進(jìn)行用戶的相似度計(jì)算[1]，如式(1)。

(1)

1.2 LDA主題模型

LDA(latent Dirichlet allocation，潛在Dirichlet分布)模型通過Dirichlet概率分布對文本文件的潛在概率進(jìn)行設(shè)定，再通過抽樣算法分別對文本—主題以及主題—詞組的潛在分布進(jìn)行預(yù)估。基于Gibbs采樣的抽樣算法[2]為式(2)。

(2)

1.3 算法分析

在對創(chuàng)新型項(xiàng)目進(jìn)行評分預(yù)測時(shí)，項(xiàng)目間類型較為相近的元素會互相產(chǎn)生干擾進(jìn)而造成項(xiàng)目偏差，同理，用戶通常是在整個(gè)用戶集中選擇近鄰，沒有考慮用戶本質(zhì)的差異，因而無法明確表達(dá)用戶對于項(xiàng)目的個(gè)性化需求，此外，用戶的偏好對用戶給出的項(xiàng)目評分存在實(shí)際的影響，所以必須以充分挖掘用戶偏好和項(xiàng)目偏差為基礎(chǔ)對創(chuàng)新型項(xiàng)目進(jìn)行評分。

IUCF(item deviation and user preference combin filtering，項(xiàng)目偏差與用戶偏好組合過濾)算法充分體現(xiàn)了用戶和項(xiàng)目的本質(zhì)差異，依據(jù)用戶本質(zhì)和項(xiàng)目類別實(shí)現(xiàn)聚類，能夠獲得準(zhǔn)確的項(xiàng)目偏差分析結(jié)果。項(xiàng)目中某類型出現(xiàn)次數(shù)的占比與用戶評分矩陣相結(jié)合，能夠使出現(xiàn)次數(shù)較多的類型獲得對應(yīng)的高分，從而明確用戶的偏好。

2 算法設(shè)計(jì)

IUCF算法的模型如圖1所示。

圖1 IUCF算法模型

該算法包含兩個(gè)部分，一是分別基于用戶簇和項(xiàng)目簇完成不同類型項(xiàng)目的用戶偏好評分和項(xiàng)目偏差評分，二是利用項(xiàng)目簇中目標(biāo)用戶對項(xiàng)目的評分均值，通過線性加權(quán)處理得到最終的預(yù)測評分。

2.1 聚類處理

(1)項(xiàng)目簇創(chuàng)建

(3)

通過該矩陣的一個(gè)行可獲得項(xiàng)目主題簇CNn，通過一個(gè)列可獲得主題項(xiàng)目簇CTt[4]，即式(4)。

(4)

式中，CNn為包含項(xiàng)目n的主題的集合；CTt為主題是t的項(xiàng)目的集合；i、j分別為主題號和項(xiàng)目號。

項(xiàng)目n的找尋過程為：首先確定項(xiàng)目所在集合CNn，接下來確定對應(yīng)每個(gè)主題的CTt，通過對CTt的并集處理獲取包含項(xiàng)目n的項(xiàng)目簇Cn，其表達(dá)式為式(5)。

(5)

(2)用戶簇創(chuàng)建

用戶的職業(yè)、性別、年齡都可以作為用戶的屬性元素。設(shè)Q為用戶的集合，Q={Q1，…，Qi}，Qi為第i個(gè)用戶，每個(gè)用戶的屬性集合為Qi={q1，…，qk}，qk為i用戶所具有的第k個(gè)屬性。

K-means聚類應(yīng)以用戶基本屬性的預(yù)處理為前提，其過程以通過對具體的屬性進(jìn)行編碼分組實(shí)現(xiàn)。對于性別，以數(shù)字1和2分別代表男性和女性；對于年齡，可通過劃分不同的年齡段進(jìn)行分組，其中，1—80歲人群以20歲為間隔創(chuàng)建編號1—4的四個(gè)組，80歲以上人群全部劃入5號組；對于職業(yè)，首先對所有用戶的職業(yè)進(jìn)行分類，再明確各種職業(yè)所對應(yīng)的用戶數(shù)量，根據(jù)成組元素二八定理的重要性權(quán)重理論，將用戶數(shù)量排名屬于前20%的職業(yè)分別編入1—4號組，剩余職業(yè)全部編入5號組。按照上述方式分組后，用戶屬性集合Qi即可通過數(shù)字編碼表示。

鑒于K-means聚類具有無監(jiān)督學(xué)習(xí)的特征，本文選用簇內(nèi)曲線拐點(diǎn)聚類法基于SSE(sum of squares errors，誤差平方和)確定聚類的實(shí)際數(shù)量。K-means聚類的結(jié)果即為包含用戶a的用戶簇Ua，即式(6)。

Ua={uj|uj∈Q,j∈[1,i]}

(6)

式中，uj為用戶簇所包含的第j個(gè)用戶。

2.2 項(xiàng)目偏差分計(jì)算

分別基于用戶簇和項(xiàng)目簇對用戶和項(xiàng)目進(jìn)行過濾，通過單個(gè)項(xiàng)目得分與所有項(xiàng)目平均得分的差值來量化項(xiàng)目偏離的程度。具體的計(jì)算過程如下。

(7)

(2)在用戶簇中，計(jì)算目標(biāo)用戶與其余用戶的放大相似度，篩選出與目標(biāo)用戶a相關(guān)性最強(qiáng)的k個(gè)用戶作為其最近鄰,為式(8)。

(8)

(3)在用戶簇中，用戶a對項(xiàng)目n的項(xiàng)目偏差I(lǐng)Dan分由加權(quán)平均偏差表示，即式(9)。

(9)

2.3 用戶偏好分計(jì)算

用戶偏好分表達(dá)了用戶對各種項(xiàng)目的主觀偏好，能夠彌補(bǔ)評分項(xiàng)過少的情況下項(xiàng)目偏差分調(diào)節(jié)能力不足的缺陷，具體的計(jì)算過程如下。

(1)通過用戶類型偏好明確用戶類型喜好，用戶偏好分是某一類型在所有類型的總評分中所做出的貢獻(xiàn)占比，即式(10)。

(10)

式中，pai為用戶a對第i個(gè)類型的用戶偏好分；sai為用戶a對第i個(gè)類型的打分次數(shù)；paj為用戶a對項(xiàng)第j個(gè)類型的評分；m、n分別為類型數(shù)量和項(xiàng)目數(shù)量。sai為用戶—類型評分矩陣Sa×m內(nèi)的所有項(xiàng)，Sa×m的獲取方法為式(11)。

(11)

z-score標(biāo)準(zhǔn)化能夠體現(xiàn)單項(xiàng)值與平均值差距的大小，該數(shù)值的正負(fù)說明了用戶對類型的喜好，即喜歡或不喜歡，用戶類型偏好分的z-score標(biāo)準(zhǔn)化處理方式為式(12)。

(12)

(13)

式中，dit為矩陣Dm×t的第m個(gè)類型與第t個(gè)主題相對應(yīng)的概率；Nn為主題簇CNn中主題的總數(shù)量。

2.4 綜合預(yù)測評分

在包含創(chuàng)新型項(xiàng)目的項(xiàng)目簇初始評分均值的基礎(chǔ)上，加入用戶偏好分和項(xiàng)目偏差分即可得到該項(xiàng)目的綜合預(yù)測評分。引入權(quán)重系數(shù)λ調(diào)節(jié)用戶偏好分和項(xiàng)目偏差分，則用戶a對項(xiàng)目n的綜合預(yù)測評分Tan的計(jì)算方式為式(14)。

(14)

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)采用國外某知名高校所建立的Movielens100k數(shù)據(jù)集，其中包含943位用戶對1 682個(gè)創(chuàng)新型項(xiàng)目的預(yù)測評分以及用戶的屬性和項(xiàng)目的類型。從數(shù)據(jù)集中選取80%的數(shù)據(jù)進(jìn)行評分訓(xùn)練，其余部分用以評分測試。

3.1 實(shí)驗(yàn)指標(biāo)

實(shí)驗(yàn)結(jié)果的準(zhǔn)確性通過MAE(平均絕對誤差)進(jìn)行衡量，其計(jì)算方式為式(15)。

(15)

式中，N為預(yù)測項(xiàng)目的數(shù)量。MAE值越小則項(xiàng)目推薦的準(zhǔn)確性越高。

3.2 參數(shù)確定實(shí)驗(yàn)

(1)K-means聚類數(shù)量

基于肘方法分別代入2—8七個(gè)數(shù)值作為待定聚類數(shù)量，計(jì)算出每個(gè)數(shù)值對應(yīng)的SSE，計(jì)算結(jié)果如圖2所示。

圖2 不同聚類數(shù)量下SSE的計(jì)算結(jié)果

由圖2可見，SSE的值隨聚類數(shù)量的增多而減小，聚類數(shù)量由2增加到3時(shí)，SSE的減幅為約為300，且自此之后的減幅均比第一次調(diào)整小，可見聚類數(shù)量為3時(shí)對應(yīng)的坐標(biāo)點(diǎn)即為簇內(nèi)曲線拐點(diǎn)聚類法的拐點(diǎn)，因此能夠確定最佳聚類數(shù)量為3。

(2)LDA聚類主題數(shù)量

設(shè)定λ=1，由式(14)可知此時(shí)預(yù)測評分僅受項(xiàng)目偏差分的影響，因此可以快速確定最合適的主題數(shù)量。將近鄰數(shù)量設(shè)定為10、30、50，基于Gibbs抽樣方法分別代入12—18七個(gè)數(shù)值作為待定主題數(shù)量，同時(shí)根據(jù)文獻(xiàn)[1]的實(shí)踐設(shè)定a=50/T，β=0.01，計(jì)算結(jié)果如圖3所示。

圖3 不同主題數(shù)量下MAE的計(jì)算結(jié)果

由圖3可見，在設(shè)定的3種近鄰數(shù)量條件下，MAE值均在主題數(shù)量為15時(shí)為最小，因此可以確定最佳LDA聚類主題數(shù)量為15。

(3)權(quán)重系數(shù)λ

將近鄰數(shù)量設(shè)定為10、30、50，反復(fù)對權(quán)重系數(shù)λ的值進(jìn)行調(diào)整，通過IUCF算法所得的MAE值，如圖4所示。

圖4 不同權(quán)重系數(shù)下MAE的計(jì)算結(jié)果

由圖4可見，在設(shè)定的3種近鄰數(shù)量條件下，MAE值均在λ=0.6時(shí)為最小，因此可以確定權(quán)重系數(shù)λ的最佳取值為0.6。

3.3 對比實(shí)驗(yàn)

為了驗(yàn)證本文所提出的IUCF算法在準(zhǔn)確度方面是否具有優(yōu)勢，選取常規(guī)協(xié)同過濾算法UCF[2]、基于項(xiàng)目類型的協(xié)同過濾算法ICF[3]、基于概率矩陣分解和特征轉(zhuǎn)移的推薦算法FTMF[4]以及基于安全網(wǎng)絡(luò)的協(xié)同過濾算法ECFATN[5]共4種算法與本算法進(jìn)行準(zhǔn)確度對比，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 不同算法的MAE值對比結(jié)果

由圖5可見，通過IUCF算法所得的MAE值低于UCF、ICF與FTMF 3種算法，說明IUCF算法相較于其它協(xié)同過濾算法能夠?qū)崿F(xiàn)更準(zhǔn)確的推薦。在不同近鄰數(shù)量的條件下，IUCF算法的MAE值低于ECFATN算法，但近鄰數(shù)量達(dá)到30以上時(shí)，MAE值較FTMF算法高，分析認(rèn)為可能是近鄰數(shù)量過多造成的，而只要近鄰數(shù)量少于30，IUCF算法的MAE值均低于FTMF算法，可見在近鄰數(shù)量不多于30的條件下IUCF算法的準(zhǔn)確度是具有優(yōu)勢的。

4 總結(jié)

為了解決創(chuàng)新型項(xiàng)目推薦技術(shù)原有算法準(zhǔn)確度受限的問題，本文提出了一種基于用戶偏好和項(xiàng)目偏差的IUCF算法，介紹了算法的實(shí)現(xiàn)機(jī)制，闡述了算法的設(shè)計(jì)過程，通過實(shí)驗(yàn)確定了算法關(guān)鍵參數(shù)的最佳取值，并通過與其它算法的對比驗(yàn)證了IUCF算法在創(chuàng)新型項(xiàng)目推薦方面所具備的高準(zhǔn)確度的優(yōu)勢。本文所設(shè)計(jì)的算法有效解決了用戶與項(xiàng)目間類似元素互相干擾所造成的準(zhǔn)確度較低的問題，目前已應(yīng)用于國內(nèi)人口年齡組劃分新方法的研究項(xiàng)目并發(fā)揮了顯著的作用，具有很強(qiáng)的實(shí)用性。