王明誠++王菁++韓燕波

摘要：針對一般小型系統(tǒng)，要完成個性化推薦，為了降低系統(tǒng)的復(fù)雜度，完全可以避免采用那些復(fù)雜的方法如基于人口統(tǒng)計學(xué)的推薦、基于內(nèi)容的推薦、協(xié)同過濾推薦等推薦策略。這些推薦策略中都會用到復(fù)雜的算法，對于一個初學(xué)者來說，想搞懂任何一種算法都不會太容易。針對所做的ICON項目來說，提出了一個簡單的推薦策略，就是針對某個關(guān)鍵點來來查找相似用戶或相似內(nèi)容，來簡單實現(xiàn)“協(xié)同過濾算法”。

關(guān)鍵詞：個性化推薦；icon；協(xié)同過濾算法；權(quán)值；關(guān)鍵點；

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2017）03-0250-03

1 概述

隨著信息時代的不斷發(fā)展，網(wǎng)絡(luò)給人們的生活帶來了翻天覆地的變化，人們可以足不出戶就能夠在網(wǎng)絡(luò)上購買到自己想要的任何商品。網(wǎng)絡(luò)的便利，使得人們的購物方式得到了改變，同時也滋生了很多購物平臺的產(chǎn)生。無論大型還是小型的電子商務(wù)平臺，都會存在著一些弊端，信息過載問題，就是商品的種類太過于豐富多樣性，以至于用戶不能很快地查找到自己喜歡的商品。所以平臺開發(fā)商們就會想盡辦法來避免這種情況，個性化推薦應(yīng)運而生，個性化推薦就是在正確的時間把正確的商品推薦給正確的用戶，來拉攏用戶，防止用戶的流失，從而提升自己平臺的競爭力。

1.1課題背景及研究的目的

當今時代是信息的時代，每天人們都會被不同的海量數(shù)據(jù)所圍繞，如何從這些繁雜的數(shù)據(jù)中找到自己想要的數(shù)據(jù)，是我們每個人都迫切需要的。我們都希望每個平臺系統(tǒng)都能給我們展示出契合我么自己的數(shù)據(jù)，這樣我們就不需要花費太多的精力在尋找數(shù)據(jù)上。

基于和老師同學(xué)們一起做的這個ICON項目（一個類似圖片交際購物系統(tǒng)），因為用戶的不斷增加，所上傳的圖片也越來越多，為了滿足用戶查找數(shù)據(jù)的方便，就打算給系統(tǒng)添加一個個性化推薦策略。由于自己對推薦這一塊比較陌生，閱讀了多篇關(guān)于推薦系統(tǒng)的論文及報告，大多都會涉及諸多復(fù)雜的算法，就想到針對我們這個系統(tǒng)來設(shè)計一個較為簡單的個性化推薦。

1.2 本文主要研究的內(nèi)容和組織架構(gòu)

1.2.1 本文主要工作

本文主要探討了一下個人設(shè)計的簡單個性化推薦策略及相關(guān)工作。介紹了該推薦策略的研究背景和目的，然后又詳細地介紹了該策略算法。最后就該研究成果在ICON項目中的應(yīng)用效果進行了展示，說明了我們算法的可行性。

1.2.2 本文的組織架構(gòu)

第一章是緒論部分，介紹了個性化推薦系統(tǒng)的背景，以及研究目的。簡單個性化推薦策略的由來。

第二章是算法簡述部分，大概地介紹了一下算法。

第三章是算法詳解部分，在本章節(jié)中詳細介紹了算法的構(gòu)成。

第四章是指標的權(quán)重計算部分，介紹了算法中一個比較重要的權(quán)重計算方法，并計算出了算法中各個特性的權(quán)重值。

第五章是結(jié)果分析部分，對推薦前后用戶滯留系統(tǒng)的時間和點擊look的數(shù)量進行觀察比較，得出分析結(jié)果。

2 算法簡述

1） 找出平臺關(guān)鍵點；

2） 統(tǒng)計關(guān)鍵點數(shù)據(jù)；

3） 畫出涉及關(guān)鍵點的表格；

4） 整理分析，推薦圖片；

5） 通過圖片推薦給用戶商品。

3 算法詳解

3.1 找出平臺關(guān)鍵點

用戶發(fā)表一個look（即圖片），都會給這個look選擇一個性別、季節(jié)、品牌、風(fēng)格等，其中風(fēng)格包含有正裝、暗黑、韓國風(fēng)、運動、嘻哈等多達20多種的不同風(fēng)格，其中肯定會有一種是你發(fā)表的look風(fēng)格。性別和風(fēng)格是主要的，從這兩個特性中我們就能看出你平時穿衣打扮，因為發(fā)表的每一張look都是對自己平時的一個真實寫照。用戶發(fā)表的每一張look都是對應(yīng)自己所購買的衣服，從而我們就可以從look中對應(yīng)到相應(yīng)的商品中。

拋開性別這個普遍的共性來分析，我們可以根據(jù)用戶平時發(fā)表的look的風(fēng)格來觀察該用戶的穿衣習(xí)慣，從而得到用戶可能喜歡的商品類型，繼而向用戶推薦他們想要看到或者想要購買的衣服。

在icon的系統(tǒng)中，用戶看見自己喜歡的look時，可以對其進行點贊或者收藏。用戶也可以關(guān)注其他的用戶，成為他的粉絲，隨時關(guān)注他（她）發(fā)表的look，你們之間也可以相互交流探討穿衣打扮的技巧。

在認真觀察項目后，可以看出用戶發(fā)表look的風(fēng)格就是所謂的關(guān)鍵點。

3.2 統(tǒng)計關(guān)鍵點數(shù)據(jù)

用戶發(fā)表的look，關(guān)注的look，點贊的look，以及收藏的look我們都統(tǒng)一存到了數(shù)據(jù)庫中。平臺是用mybatis連接的數(shù)據(jù)庫，所以，數(shù)據(jù)我們可以寫sql語句直接獲取到，而不用去分析歷史數(shù)據(jù)或者網(wǎng)絡(luò)爬蟲去解析用戶瀏覽行為等。

這個算法，我要求只需要能獲取到用戶偏重的前三個就行，所以常用到的mysql中的limit關(guān)鍵字，limit接受一個或兩個數(shù)字參數(shù)，參數(shù)必須是一個整數(shù)常量，如果給定兩個參數(shù)，第一個參數(shù)指定第一個返回記錄行的偏移量，第二個參數(shù)指定返回記錄行的最大數(shù)目。在使用limit時，要先判斷查詢到的數(shù)據(jù)集的數(shù)目有多少，防止查詢的時候出錯。

舉個例子，通過tbl_look表和tbl_user_likes表來查找id為131的用戶點贊的look風(fēng)格的前三個的mysql語句：

SELECT tul.id，tul.uid，tul.lookid，tl.style，COUNT（tl.style） AS sc FROM tbl_user_likes tul ，tbl_looks tl WHERE tul.uid=131 and tl.id=tul.lookid GROUP BY tl.style ORDER BY sc DESC LIMIT 3

3.3 畫出涉及關(guān)鍵點的表格

為了更形象的觀察用戶的自己的風(fēng)格以及自己和其他人的風(fēng)格，我們將查詢的數(shù)據(jù)用表格的形式展示出來。這樣就可以一目了然的通過觀察表格得出合理的結(jié)論。

3.4 整理分析，推薦內(nèi)容

分析表1，因為用戶發(fā)表、點贊和收藏的數(shù)量差別可能比較大，所以我們就按照表格中展示的三項以及它們的權(quán)值來計算每個用戶表側(cè)重的風(fēng)格。

每個用戶的風(fēng)格評分計算如下：

[fur=i=03wiri]

[fur]表示u用戶r風(fēng)格的評分，其中[wi]表示每個i指標的權(quán)值，會在第四章詳細介紹權(quán)值算法；[ri]表示u用戶r風(fēng)格是否存在i指標的參數(shù)，存在為1，不存在為0。

經(jīng)過計算，我們得出甲用戶和丁用戶都比較側(cè)重ABC折三種風(fēng)格，并且甲和丁也互相關(guān)注了，那么我們完全就可以認為甲和丁用戶風(fēng)格類似，可以看成是相似用戶。按照基于用戶的協(xié)同過濾算法來考慮的話，我們可以把E風(fēng)格的服飾推薦給丁用戶，而把G風(fēng)格的服飾推薦給甲用戶。

我們還可以得出，BC風(fēng)格總是在一起，EF風(fēng)格總是在一起，我們就可以這樣認為，喜歡B風(fēng)格服飾的人通常也會喜歡C風(fēng)格的服飾，喜歡E風(fēng)格服飾的人通常也會喜歡F風(fēng)格服飾的人，反過來也一樣。按照基于內(nèi)容的系統(tǒng)過濾算法考慮的話，我們就可以把B風(fēng)格的服飾推薦給乙用戶。

3.5 通過圖片推薦給用戶商品

整個系統(tǒng)的模式是這樣的，通過用戶的各項特征找到一個關(guān)鍵點，再由該關(guān)鍵點給用戶推薦look，最后由推薦的look來決定用戶可能喜歡的商品（服裝）。如圖1所示：

4 指標的權(quán)重計算

各項指標的權(quán)重根據(jù)定量統(tǒng)計法算法計算得出。

定量統(tǒng)計計算權(quán)重的步驟如下：

1） 按照沒有關(guān)聯(lián)、有點關(guān)聯(lián)、關(guān)聯(lián)和非常關(guān)聯(lián)四個等級繪制出統(tǒng)計表格。

2） 以67%（2/3）位界限，若選擇“關(guān)聯(lián)”和“非常關(guān)聯(lián)”的比例合計小于67%，就刪除該指標，不予考慮。

3） 分別把沒有關(guān)聯(lián)賦值為1，有點關(guān)聯(lián)賦值為2，關(guān)聯(lián)賦值為3，非常關(guān)聯(lián)賦值為4，選擇出沒有關(guān)聯(lián)之外以上數(shù)據(jù)都進入統(tǒng)計，那么三種選項的權(quán)重分別為[w′1]=2/（2+3+4）=0.22；[w′2]=3/（2+3+4）=0.33；[w′3]=4/（2+3+4）=0.45。

4）指標權(quán)重計算：

[wi=pii=13pi]

其中[pi]為指標i的統(tǒng)計權(quán)值和：

[pi=j=13w′iaij]

其中，[aij]表示i指標除沒有關(guān)聯(lián)外的其他關(guān)聯(lián)度的統(tǒng)計數(shù)，[a11]就表示指標1有點關(guān)聯(lián)的統(tǒng)計人數(shù)，[a32]就表示指標3關(guān)聯(lián)的統(tǒng)計人數(shù)。

我們對使用該系統(tǒng)的用戶進行了一次統(tǒng)計，隨機抽出統(tǒng)計過的100名用戶來計算權(quán)值。

首先畫出統(tǒng)計的表格如下：

分別代表用戶發(fā)表、點贊和收藏look的風(fēng)格權(quán)值。通過計算得到的數(shù)值可明顯看出，用戶發(fā)表和收藏的look風(fēng)格所占比重比較大，點贊風(fēng)格所占比重較小。所以，發(fā)表和收藏風(fēng)格的特性能較大反映出用戶的風(fēng)格類型，而點贊風(fēng)格的特性稍次于發(fā)表和收藏特性。

5 結(jié)果分析

項目中我們引入了cnzz流量統(tǒng)計、網(wǎng)絡(luò)分析數(shù)據(jù)專家，可以通過cnzz來獲取到用戶滯留平臺的時間和點擊各個look的數(shù)量。

為了驗證該個性化推薦策略的可行性，我們隨機抽取了四名用戶，利用cnzz獲取到在推薦系統(tǒng)應(yīng)用的前后，用戶滯留系統(tǒng)的時間（從進入系統(tǒng)到退出系統(tǒng)的滯留時間），以及用戶點擊look的數(shù)量，描繪成線形圖如下：

通過這兩個柱狀圖，可以明顯的觀察到推薦策略應(yīng)用前后的效果，證明了我們所做的工作的可行性。

參考文獻：

[1] 丁宏飛，黃戰(zhàn).個性化電子商務(wù)系統(tǒng)中用戶興趣模型的研究[D].廣州：暨南大學(xué)，2008.

[2] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應(yīng)用，2012（9）.

[3] 劉瑋.電子商務(wù)系統(tǒng)中的信息推薦方法研究[J].情報科學(xué)，2006（4）.

[4] 米鵬，段建勇，付曉宇.面向社區(qū)用戶的推薦策略研究[D].北京：北方工業(yè)大學(xué)，2016.

[5] 曾春，邢春曉，周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學(xué)報，2002（5）.

[6] 于波，陳庚午，王愛玲，等.一種結(jié)合項目屬性的混合推薦算法[J].計算機技術(shù)應(yīng)用，2017（5）.

[7] 王夢恬，魏晶晶，廖祥文，等.融合評論標簽的個性化推薦算法[J].計算機科學(xué)與探索，2016（4）.

[8] 張曌，夏國平，李雪峰.基于案例推理的電子商務(wù)個性化推薦系統(tǒng)[J].計算機工程，2007（5）.