丁 沂

（武漢軟件工程職業(yè)學(xué)院 計(jì)算機(jī)學(xué)院，湖北 武漢 430205）

基于社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)研究

丁 沂

（武漢軟件工程職業(yè)學(xué)院 計(jì)算機(jī)學(xué)院，湖北 武漢 430205）

推薦系統(tǒng)是一種幫助人們找到符合自己興趣的物品或產(chǎn)品的工具。隨著互聯(lián)網(wǎng)的發(fā)展，涌現(xiàn)出了Facebook，Twitter等在線社會(huì)網(wǎng)絡(luò)平臺(tái)，從而產(chǎn)生了大量的社會(huì)信息。這些信息能夠用來幫助給用戶進(jìn)行產(chǎn)品推薦，從而產(chǎn)生了個(gè)性化的推薦系統(tǒng)。文章探討了個(gè)性化推薦系統(tǒng)的重要性、影響個(gè)性化推薦系統(tǒng)性能的各種因素以及實(shí)現(xiàn)個(gè)性化推薦系統(tǒng)的常用方法。

推薦系統(tǒng)；冷啟動(dòng)；超特化；矩陣分解

推薦系統(tǒng)有著廣泛的應(yīng)用，例如，研究論文推薦、社會(huì)標(biāo)簽推薦、音樂和電影推薦等等，它能夠利用用戶的輸入以及不同物品之間屬性上的差異，給用戶推薦滿意的物品[1]。調(diào)查表明，電子商務(wù)網(wǎng)站25%以上的銷售額來自推薦系統(tǒng)，50%的用戶會(huì)購買推薦系統(tǒng)給他們推薦的產(chǎn)品，超過90%的用戶普遍認(rèn)為朋友推薦的商品是有用處的。隨著在線社會(huì)網(wǎng)絡(luò)的出現(xiàn)，推薦系統(tǒng)能夠利用在線社會(huì)網(wǎng)絡(luò)產(chǎn)生大量社交信息為用戶提供更好的產(chǎn)品推薦和服務(wù)。冷啟動(dòng)問題是推薦系統(tǒng)中的一個(gè)普遍問題，在算法建模過程中，冷啟動(dòng)問題可以看作是數(shù)據(jù)的缺失，很多推薦算法都不同程度受到冷啟動(dòng)用戶的困擾，從而降低了算法的執(zhí)行效率和推薦的準(zhǔn)確性。

基于在線社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)構(gòu)成要素主要包括個(gè)人的興趣，人與人之間興趣的交互以及人與人之間的相互影響[2]。推薦系統(tǒng)主要關(guān)注購買者與物品之間的關(guān)系，然而社會(huì)推薦不僅關(guān)注購買者與物品之間的關(guān)系，而且關(guān)注購買者與購買者之間的社會(huì)關(guān)系，這樣就能夠利用用戶的興趣和用戶之間的社會(huì)關(guān)系為用戶推薦更加適合的物品。另外，由于社會(huì)網(wǎng)絡(luò)中人們之間興趣是相互交流的，因此在社會(huì)網(wǎng)絡(luò)信息的幫助下，推薦系統(tǒng)的質(zhì)量得到了很大的改善，基于社會(huì)信任的推薦系統(tǒng)大大提高了推薦系統(tǒng)的準(zhǔn)確性，社會(huì)網(wǎng)絡(luò)尤其朋友圈中人與人之間的交互關(guān)系以及社會(huì)環(huán)境在很大程度上幫助推薦系統(tǒng)解決了冷啟動(dòng)以及數(shù)據(jù)稀疏性等問題。

1 研究挑戰(zhàn)

1.1 冷啟動(dòng)問題

冷啟動(dòng)問題發(fā)生在新用戶或新產(chǎn)品剛剛添加到系統(tǒng)時(shí)的時(shí)候。隨著注冊用戶數(shù)量和產(chǎn)品數(shù)量的快速增加，推薦系統(tǒng)中的冷啟動(dòng)問題也隨之產(chǎn)生。冷啟動(dòng)問題主要包括3種類型：新用戶問題，新產(chǎn)品問題以及新系統(tǒng)問題[3]。在這種情況下，推薦系統(tǒng)無法進(jìn)行推薦。對于新用戶，系統(tǒng)中幾乎沒有和該用戶相關(guān)的任何信息；對于新產(chǎn)品，系統(tǒng)中幾乎沒有用戶對它的評(píng)分記錄。因此，傳統(tǒng)的協(xié)同過濾方法對于新用戶和新產(chǎn)品很難進(jìn)行推薦。對于新系統(tǒng)，由于系統(tǒng)中幾乎沒有用戶和物品的相關(guān)信息，推薦系統(tǒng)無法找到相關(guān)的推薦模式。

1.2 數(shù)據(jù)稀疏性問題

數(shù)據(jù)稀疏性問題是大多數(shù)推薦系統(tǒng)面臨的一個(gè)重要問題，它極大影響了推薦系統(tǒng)的質(zhì)量。產(chǎn)生數(shù)據(jù)稀疏性問題的主要原因是用戶通常只會(huì)對比較少的物品進(jìn)行評(píng)分，因此能夠獲得的評(píng)分?jǐn)?shù)據(jù)集通常都非常稀疏。協(xié)同過濾技術(shù)通常都會(huì)要求更多的用戶對某個(gè)物品進(jìn)行過評(píng)分。為了解決數(shù)據(jù)稀疏性問題，推薦系統(tǒng)通常會(huì)使用用戶的人口統(tǒng)計(jì)信息，從而計(jì)算用戶之間的相似性[4]。利用人口統(tǒng)計(jì)信息計(jì)算用戶之間的相似性通常會(huì)用到用戶年齡、區(qū)域代碼、性別、戶籍片區(qū)等相關(guān)信息。解決數(shù)據(jù)稀疏問題通常使用關(guān)聯(lián)檢索技術(shù)和相關(guān)的擴(kuò)散激活算法。另外，基于物品的挖掘技術(shù)也經(jīng)常被用來解決數(shù)據(jù)稀疏問題。

1.3 可擴(kuò)展性問題

可擴(kuò)展性是指推薦系統(tǒng)能以一種可靠的方式處理數(shù)據(jù)的快速增長能力?？蓴U(kuò)展性問題的解決方案通常包括數(shù)據(jù)預(yù)處理技術(shù)、聚類技術(shù)和基于用戶的協(xié)同過濾技術(shù)。預(yù)處理技術(shù)清除了噪聲數(shù)據(jù)，并將數(shù)據(jù)轉(zhuǎn)化為推薦算法可以處理的格式；聚類技術(shù)通過計(jì)算用戶或者物品之間的距離把相似的用戶或者物品聚集為一個(gè)群組；基于用戶的協(xié)同過濾使用個(gè)人相關(guān)的人口統(tǒng)計(jì)信息。個(gè)性化的推薦算法通常使用關(guān)聯(lián)檢索來解決推薦系統(tǒng)的可擴(kuò)展性問題。另外，隨著核心推薦技術(shù)的進(jìn)步與成熟，算法可擴(kuò)展性也成為推薦系統(tǒng)的一個(gè)重要問題，它決定如何把核心推薦技術(shù)嵌入到真實(shí)的系統(tǒng)里，如何處理用戶和物品之間的互動(dòng)（評(píng)分、偏好、評(píng)論等）所產(chǎn)生的大量動(dòng)態(tài)數(shù)據(jù)集。有個(gè)方法是在相對較小的數(shù)據(jù)集上進(jìn)行離線測試，但是這個(gè)方法在非常大的數(shù)據(jù)集上可能失效或者完全不適應(yīng)，需要進(jìn)行新方法和大規(guī)模評(píng)估的研究。

1.4 超特化問題

推薦列表中包含的物品如果具有一定程度的多樣性，用戶就更有可能找到合適的物品。為受限種類的產(chǎn)品做完美推薦是沒有任何意義的，除非用戶已經(jīng)明確表達(dá)他的偏好在一個(gè)狹窄的范圍以內(nèi)。在推薦過程的早期階段，用戶想要探索新的多樣性的方向。因此，推薦的多樣性是推薦系統(tǒng)的一個(gè)必備特征。然而，超特化卻阻止了用戶發(fā)現(xiàn)新的物品以及更多可選擇的物品?？梢酝ㄟ^遺傳算法解決超特化問題，從而為用戶提供不同且更加廣泛的可選擇的物品。當(dāng)推薦系統(tǒng)僅給用戶推薦那些評(píng)分高并且和該用戶屬性相似性大的物品時(shí)就會(huì)產(chǎn)生超特化。另外，推薦系統(tǒng)中用戶的隱私、整合用戶的長期和短期偏好、分布式推薦以及推薦序列的最優(yōu)化也是推薦系統(tǒng)中面臨的挑戰(zhàn)。

2 基于社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)

大多數(shù)推薦系統(tǒng)都采用基于用戶或基于物品的協(xié)同過濾算法。這些系統(tǒng)都難免遭受冷啟動(dòng)以及數(shù)據(jù)稀疏等問題的困擾。為了解決這些問題，基于社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)使用人與人之間興趣的相互影響等社會(huì)信息給用戶推薦感興趣的物品。在日常生活中，人們通常傾向于購買朋友推薦的上商品；在電子商務(wù)網(wǎng)站上，如果推薦系統(tǒng)為你推薦某個(gè)商品，并同時(shí)給出的推薦理由是你的某個(gè)朋友購買了這個(gè)商品，那么你也很有可能會(huì)購買這個(gè)商品。因此，個(gè)性化的推薦系統(tǒng)在某些時(shí)候可以幫助人們做出決定。下面，文章將探討基于社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)常用的模型和方法[5]。

2.1 基本的矩陣分解模型

推薦系統(tǒng)的主要任務(wù)是預(yù)測用戶對物品的評(píng)分，同時(shí)使預(yù)測值和真實(shí)值之間的差異最小化，從而對用戶進(jìn)行推薦。因此，基本的矩陣分解模型構(gòu)建目標(biāo)函數(shù)，通過訓(xùn)練觀測數(shù)據(jù)，從而最小化目標(biāo)函數(shù)[6]。矩陣分解的基本方法是將一個(gè)用戶—物品矩陣M分解成兩個(gè)矩陣的乘積。根據(jù)因子將用戶和物品映射到一個(gè)新的向量空間中，因子個(gè)數(shù)可以是任意值，通常都小于用戶和物品的個(gè)數(shù)。在新的向量空間下，通過重新對用戶和物品進(jìn)行匹配，從而為用戶推薦感興趣的物品?；镜木仃嚪纸饽Ｐ褪艿綇V泛歡迎的主要原因是它在可擴(kuò)展性方面優(yōu)越的表現(xiàn)，可以將社會(huì)網(wǎng)絡(luò)信息添加到基礎(chǔ)的矩陣分解模型中從而對模型進(jìn)行擴(kuò)展。

2.2 基于朋友圈的模型

基于朋友圈子的模型在推薦準(zhǔn)確性方面優(yōu)于基本的矩陣分解模型。這個(gè)模型關(guān)注社會(huì)網(wǎng)絡(luò)中人與人之間的相互信任因素，從而推理出信任圈子。用戶與用戶之間的信任值通過一個(gè)矩陣來描述。更進(jìn)一步，整個(gè)社會(huì)網(wǎng)絡(luò)的信任關(guān)系被分解為一些子網(wǎng)，這些子網(wǎng)就是推理出的圈子，每個(gè)圈子和某類物品相關(guān)聯(lián)。通過將人與人之間的信任關(guān)系加入到基本的矩陣分解模型中，基于朋友圈的模型在大規(guī)模真實(shí)數(shù)據(jù)集上的表現(xiàn)非常優(yōu)異[7]。

3 結(jié)語

本文調(diào)查了推薦體統(tǒng)中結(jié)合社會(huì)網(wǎng)絡(luò)和用戶的興趣進(jìn)行推薦的各種方法，介紹了推薦系統(tǒng)面臨的主要研究挑戰(zhàn)。另外還介紹了結(jié)合用戶的興趣和用戶之間的相互影響，通過基本的矩陣分解和社會(huì)矩陣分解技術(shù)來實(shí)現(xiàn)個(gè)性化推薦的方法。

[1]許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009（2）：350-362.

[2]趙亮，胡乃靜，張守志.個(gè)性化推薦算法設(shè)計(jì)[J].計(jì)算機(jī)研究與發(fā)展，2002（8）：986-991.

[3]邢春曉，高鳳榮，戰(zhàn)思南，等.適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2007（2）：296-301.

[4]鄧愛林，左子葉，朱揚(yáng)勇.基于項(xiàng)目聚類的協(xié)同過濾推薦算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2004（9）：1665-1670.

[5]燕存，吉根林.Item-Based并行協(xié)同過濾推薦算法的設(shè)計(jì)與實(shí)現(xiàn)[J].南京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（1）：71-75.

[6]丁少衡，姬東鴻，王路路.基于用戶屬性和評(píng)分的協(xié)同過濾推薦算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015（2）：487-491.

[7]江周峰，楊俊，鄂海紅.結(jié)合社會(huì)化標(biāo)簽的基于內(nèi)容的推薦算法[J].軟件，2015（1）：1-5.

Personalized recommendation system based on social network

Ding Yi
（Computer College of Wuhan Vocational College of Software and Engineering, Wuhan 430205, China）

The recommending system is a way to help people fnd their own interest in the goods or products tools. With the development of the Internet, Facebook, Twitter and other online social the network platform has emerged, which results in a large number of social information. These information can be used to help users to recommend products, which results in the personalized recommendation system. This paper discussed the importance of personalized recommendation system, various factors affecting the performance of the personalized recommendation system and common methods to achieve personalized recommendation system.

recommendation system; cold boot; super specialization; matrix decomposition

武漢市市屬高校產(chǎn)學(xué)研項(xiàng)目；項(xiàng)目編號(hào)：201310。

丁沂（1978－ ），男，湖北武漢，碩士，教師；研究方向：信息檢索，推薦系統(tǒng)。