個性化商品推薦系統的混合推薦算法研究

王暉　張慧

摘要：推薦算法是推薦系統的核心內容，推薦算法的評價標準包含預分類準確性和測準確性。傳統的推薦算法有兩個明顯缺陷，使用詞頻作為搜索文本的特征向量與無法克服高頻詞匯干擾。通過TF/IDF特征詞加權改進算法提升分類準確性。提出混合模型LDTF，從信息增益的角度計算每個詞性對詞義的貢獻增益，來判斷一個特定詞再此詞性下能夠代表的詞義權重，用動態的計算不同詞性的詞性比，解決傳統TF/IDF算法在文本識別的缺陷，使用CW-TF/IDF優化算法提升特征詞的分類效果綜合提升推薦準確度。為了解決內容推薦稀疏矩陣問題引入WSBCF協作推薦算法，提升推薦系統的用戶體驗，實驗結果表明能在不同評分矩陣稀疏度下，統計能顯著且明顯提高。

關鍵詞：商品推薦?? 特征詞加權?? 推薦算法?? 稀疏矩陣?? 詞義權重

中圖分類號：TP391.3???? 中圖分類號：A

Research on the Hybrid Recommendation Algorithm for the Personalized Product Recommendation System

WANG Hui? ?ZHANG Hui

（Taizhou Mechanical and Electrical Higher Vocational School，Taizhou，Jiangsu Province，225300 China）

Abstract：A recommendation algorithm is the core content of a recommendation system， and the evaluation criteria for the recommendation algorithm include pre-classification accuracy and measurement accuracy. The traditional recommendation algorithm has two obvious drawbacks： using word frequency as the feature vector for search texts and being unable to overcome the interference of high-frequency words. This article improves classification accuracy through the improved TF/IDF feature word weighting algorithm. This article proposes a hybrid model LDTF， which calculates the contribution gain of each part of speech to the meaning of a word from the perspective of information gain to determine the semantic weight that a specific word can represent under this part of speech， solves the shortcomings of the traditional TF/IDF algorithm in text recognition by dynamically calculating the part of speech ratio of different parts of speech， and improves the classification effect of feature words by using the CW-TF/IDF optimization algorithm to comprehensively improve recommendation accuracy. In order to solve the sparse matrix problem of content recommendation， this paper introduces the WSBCF collaborative recommendation algorithm to improve the user experience of the recommendation system， and the experimental results show that the statistics can be significantly and obviously improved under different scoring matrix sparsity.

Key Words： Product recommendation; Weighted feature words; Recommendation algorithm; Sparse matrix; Semantic weight

傳統商品推薦完全是人工分發，工作效率低，不能對投訴者快速回應，還會引起類似產品的問題堆積。但是現有的推薦算法大多基于內容，只利用詞匯頻率來表示文本的特征，對某些常用詞匯的表征能力不足，本文構建一種混合推薦模型LDTF克服上述缺陷。

1 混合模型LDTF

在推薦模型中，LDA模型充分考慮到了商品文本所蘊含的語義信息，因此能夠更加精準地為其尋找到最合適的話題，而TF/IDF則傾向于挖掘更能夠代表該商品文本的詞匯。在推薦系統中，用戶通過對文本進行分析后可以發現潛在的需求信息。當人們填寫商品內容時，通常是為了反映他們所面臨的問題，以便更好地推薦他們的產品，所以可以將兩者的優勢相結合，提高商品推薦的準確率^[1]。通過將LDA技術與TF/IDF技術相互融合，可以更準確地描述文本的特征，并提取出文本中的關鍵信息。本文構建了一種融合兩者的LDTF模型，模型由4層構成，具體敘述如下。

1.1單詞層

1.2主題層

1.3文本-主題層

1.4文本-特征詞層

2.2 CW-TF/IDF優化算法

傳統文本分類器使用TF/IDF度量對各個詞語進行權重分配，但該加權方法沒有充分利用分類任務所隱含的信息對文檔進行表達，雖然有學者將POS（粒子群優化算法）與TF/IDF算法融合形成形成pos-TF/IDF算法，該法沒有使用分類任務的隱藏信息，實際應用效果并不理想。ID/IG算法（貪婪迭代算法）是一種新型智能優化算法，主要由鄰域搜索、擾動算子和接受準則3個基本部分組成，該算法參數少、易實現和效率高^[5]。

基于此提出了一種新的特征詞加權方法CW-TF/IDF，通過計算某個詞的詞性在該詞義的貢獻增益來確定該詞的信息增益。由于不同的話語在不同的情況下表達含義不同，所以采用一種動態的方法來計算詞性比率 ^[6]。

信息增益指的是某一情形下，某個隨機變數不確定?？傊?em>X（明天下雨）為隨機變量，可計算X熵，Y（明天多云）為隨機變量，多云天氣下，如果也知道下雨的信息熵（聯合概率分布）作為條件熵，二者的差值為信息增益，如公式（7）：

3基于加權相似度的協作過濾算法

目前，因未對用戶群的相關知識進行有效挖掘，使得推薦結果與用戶模型之間存在較強的耦合度，難以挖掘出用戶隱含的信息需求，難以實現具備某種關聯度的推薦結果。在市場營銷方面，如果有新的使用者或是使用者資訊不全，則不能完成使用者模型化，進而會對接下來的評分預測工作造成影響。針對該問題，本采用帶權重的協同過濾方法（WSBCF）提高推薦服務質量的同時，解決稀疏問題。

3.1 WSBCF 協作過濾算法

針對數據稀疏性對協同推薦系統中相似性計算的影響，以及權重調整方法缺陷，本節研究自適應多個指標間的重合度關系，并利用重合度關系對傳統相似性計算方法進行改進。同時，對項目間公眾評價在整體評價中所占的比例進行量化，并著重考慮公眾評價的重合度對相似性的影響?？梢詮牡梅种睾系慕嵌葋韰^別相似度計算結果的可信度，得分越高，相似度就越能反映出項目之間的真實關聯性，反之可靠性就會降低。

WSBCF在評價時，使用了經典的加權評價聚合法，通過對評價對象的已有評價以及評價對象的近鄰關系進行評價，得到評價對象與評價對象之間的相似性作為評價權重；用權重相加來達到對目標項目的預期得分。提出了一種基于模糊聚類分析的協同推薦方法。在活躍用戶的評項目集中，選取最接近于目標項目的p個項目，并將其視為目的項目的近鄰。然而，由于不同的用戶具有的被評項目數目不一定相同，如果使用以上的絕對閾值p來選取鄰區，則很有可能會與不同的用戶被評項目的數目不一致，所以，WSBC提出了一種基于相對閾值的鄰區選取方法，以減小由于被評數目的差別所引起的鄰區選取的影響。

在計算時間復雜性上，WSBCF算法相比于傳統的協同推薦算法，僅在推薦過程中增加了符合系數的計算。WSBC算法的得分矩陣設置為R（m*n），計算項目間樣本的重合系數的算法時間復雜度是O（mn），對于相似度計算的時間復雜度是O（mn2），那么，對于整體WSBCF算法而言，整個時間復雜度與傳統協同推薦算法的時間復雜度相近。

4 實驗效果分析

為了驗證算法準確性，本實驗對數據集Gavemcomplaint進行了隨機劃分，構造了5個不同稀疏度的數據集，分別將融合WSBCF的CW-TF/ID算法、IG/ID算法、Pos-TF/IDF算法以及傳統的TF/IDF算法進行數據處理比較。實驗中采用同樣的分詞器ICTCLAS，橫坐標代表稀疏度Ａ值，縱坐標代表結果方差算術平均值，該值越小，說明算法預測越準確，實驗結果如圖1所示

（1）在分類實驗中，使用了3 種不同的基于TF/IDF的分類算法：Pos-TF/IDF、TF/IDF 以及經過改進的算法CW-TF/IDF。經過實驗比較，發現改進后的算法CWTF/IDF 的分類準確度比另外兩種算法的準確度都要高。這驗證了改進算法增加的詞性與詞頻信息增益元素的有效性，使不同詞性具有不同的權重，從而更準確地計算每個詞的權重，提高了分類精度，同時這種改進也使分類效果更加穩定。通過以上實驗，我們證明了改進算法的有效性和實用性，可以應用于文本分類等相關領域。

（2）類別和準確率呈現反比狀態，稀疏度Ａ值越大，說明隨著文檔的增加，干擾項不斷增加，改進后的算法的穩定性還是比Pos-TF/IDF 以及TF/IDF 的穩定性要高。

5 結語

研究個性化商品推薦系統的混合推薦算法，提出了LDTF混合推薦模型，基于TMDF的特征詞加權改進，為進一步優化模型，解決推薦算法對內容依賴度高，推薦的內容和用戶模型耦合度較重，在持續發掘用戶潛在需求上存在缺陷的問題，提出WSBCF算法，使用項目評分因子和相似度標記商品屬性，通過鄰居項目即商品和評分預測，發掘近似商品并進行推薦，同時此算法較好的解決了推薦矩形稀疏性問題。本文提出的推薦模型經過測試，驗證得出在推薦的性能上得到更好的效果。

參考文獻

[1]?? 周舟. 基于深度學習的個性化商品推薦系統的研究與實現[D].南昌：南昌大學，2022.

[2] MEENU M， KURADE ?C， NEELAPU B C， et al. A Concise Review on Food Quality Assessment Using Digital Image Processing[吖21]?[J]. Trends in Food Science & Technology，2021，118：106-124.

[3]?? 柴朝輝. 基于詞嵌入的Bi-LSTM商品推薦系統[D].石家莊：河北科技大學，2021.

[4] VAN DAT N，VAN TOAN P，Thanh T M.Solving Distribution Problems in Content-based Recommendation System with Gaussian Mixture Model[J].Applied Intelligence， 2022，52（2）：1602-1614.

[5] FERREIRA L G，BARBOSA J L V，GLUZ J C，et al.Using Learner Group Profiles for Content Recommendation in Ubiquitous Environments[J].International Journal of Information and Communication Technology Education （IJICTE），2020，16（4）：1-19.

[6] 熊肖肖.基于多算法融合的商品共同推薦系統[D].南京：南京郵電大學，2021.

[7] ZHANG Y，LIU Z，SANG C.Unifying paragraph Embeddings and Neural Collaborative Filtering for Hybrid Recommendation[J].Applied Soft Computing，2021，106：107345.