孫海威++鐘紹波++曹曦文++高云云++李思培++常泉

摘要：?jiǎn)晤悈f(xié)同過濾面臨的主要問題是：僅僅正例數(shù)據(jù)能夠被觀察到，類高度不平衡，大量數(shù)據(jù)點(diǎn)丟失。為解決該問題，基于迭代最小二乘法，采用一種加權(quán)的帶正則化項(xiàng)的單類協(xié)同過濾算法，即wALS算法。通過在真實(shí)的Foursquare、Movie Lens數(shù)據(jù)集上進(jìn)行驗(yàn)證，證明了這種算法性能優(yōu)于其它幾個(gè)經(jīng)典的單類協(xié)同過濾算法。

關(guān)鍵詞：推薦技術(shù)；矩陣分解；wALS算法

DOIDOI：10.11907/rjdk.161572

中圖分類號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）009003603

基金項(xiàng)目基金項(xiàng)目：

作者簡(jiǎn)介作者簡(jiǎn)介：孫海威（1993-），男，江蘇南京人，碩士，江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院碩士研究生，研究方向?yàn)閿?shù)字信號(hào)處理、云計(jì)算；鐘紹波（1993-），男，福建龍巖人，江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院學(xué)生，研究方向?yàn)橥ㄐ殴こ獭?/p>

0引言

電子商務(wù)推薦系統(tǒng)具有良好的發(fā)展和應(yīng)用前景，推薦引擎已經(jīng)在電子商務(wù)（Ecommerce：例如Amazon、當(dāng)當(dāng)網(wǎng)）和一些基于Social的社會(huì)化站點(diǎn)（包括音樂、電影和圖書分享：例如豆瓣、Mtime等）上取得了成功。推薦系統(tǒng)在電子商務(wù)平臺(tái)扮演著銷售人員的角色，向用戶推薦商品，幫助用戶找到所需商品，從而順利完成購買過程。協(xié)同過濾技術(shù)（Collaborative Filtering，簡(jiǎn)稱CF）[1] 是目前推薦系統(tǒng)中應(yīng)用最早和最為成功的技術(shù)之一，它的基本思想是：用戶可以按照興趣分類，具有相似興趣的用戶會(huì)購買相同的商品。盡管協(xié)同過濾技術(shù)在電子商務(wù)推薦系統(tǒng)中的應(yīng)用獲得了較大成功，但是隨著商務(wù)網(wǎng)站結(jié)構(gòu)的復(fù)雜化，商品信息量和用戶量與日俱增，協(xié)同過濾推薦系統(tǒng)面臨一些發(fā)展問題。例如，一些推薦系統(tǒng)往往只記錄了用戶的訪問記錄，如點(diǎn)擊網(wǎng)頁或者廣告次數(shù)，缺乏顯示的評(píng)分信息，這種情況稱作“單類協(xié)同過濾”。

單類協(xié)同過濾問題研究還很少。C.Wang等[2]把概率矩陣分解（PMF）技術(shù)運(yùn)用到單類協(xié)同過濾問題，把觀察到的點(diǎn)擊數(shù)據(jù)作為正例數(shù)據(jù)，其余的混合數(shù)據(jù)均作為負(fù)例數(shù)據(jù)；Paterek等[3]提出運(yùn)用奇異值分解（SVD）技術(shù)來解決該類問題；Rendle S等[4]提出運(yùn)用基于KNN的協(xié)同過濾算法、Pan等[5]提出運(yùn)用加權(quán)的低秩逼近算法來解決該類問題。本文在真實(shí)的數(shù)據(jù)集（Foursquare、Movie Lens）上驗(yàn)證，證明了加權(quán)的低秩逼近算法性能優(yōu)于其它幾個(gè)經(jīng)典的單類協(xié)同過濾算法。

1矩陣分解算法

1.1協(xié)同過濾技術(shù)

協(xié)同過濾推薦算法（Collaborative Filtering，CF）是推薦系統(tǒng)中最為成功的推薦算法之一。經(jīng)過多年演變，協(xié)同過濾推薦算法從盡量考慮用戶的偏好轉(zhuǎn)而成為追求高效率的商業(yè)推薦。在常見的電子商務(wù)網(wǎng)站中，協(xié)同過濾算法是通過參考用戶對(duì)商品的喜歡程度和評(píng)分來實(shí)現(xiàn)推薦的，具體實(shí)現(xiàn)流程：首先，依據(jù)用戶興趣信息的相似度，將用戶分類為不同等級(jí)，有共同興趣愛好的用戶分為同一個(gè)等級(jí)，然后將用戶推薦給同一等級(jí)用戶。其次，依據(jù)用戶對(duì)該商品的評(píng)分，向用戶推薦（用戶的反饋、評(píng)分可以表現(xiàn)出對(duì)商品的重視程度）與其評(píng)分最高的類似商品。協(xié)同過濾算法的核心思想就是在用戶、商品和評(píng)價(jià)三者之間建立聯(lián)系。

1.2基于wALS的單類協(xié)同過濾算法

在單類協(xié)同過濾問題中，我們常將加權(quán)低秩逼近（wLRA）[6-7]方法應(yīng)用于CF問題中，即用“1”表示有記錄的樣本，“0”表示沒有記錄的缺失數(shù)據(jù)。因?yàn)槿笔ы?xiàng)中可能有隱含的正樣本，這樣的處理方式會(huì)有遺漏。因此，可以通過賦予丟失項(xiàng)以低權(quán)重來處理這個(gè)問題。這是從數(shù)據(jù)集中挖掘隱含信息來優(yōu)化單類協(xié)同過濾問題的思想，由此導(dǎo)出基于加權(quán)矩陣分解的單類協(xié)同過濾算法（wALS，即weight ALS） [8-10]。