文/王曉佳

1 機(jī)器學(xué)習(xí)的個(gè)性化推薦算法的發(fā)展現(xiàn)狀及意義

隨著互聯(lián)網(wǎng)的發(fā)展，一直存在著信息過載現(xiàn)象，在這個(gè)過程中有很多值得稱贊的解決方案。從原來的分類信息網(wǎng)站,由網(wǎng)址之家表示,雅虎等為代表的搜索引擎百度和谷歌,個(gè)性化推薦系統(tǒng)的今天,它為用戶提供了合適的選擇商品,音樂,電影等,滿足用戶的需求是一個(gè)許多商業(yè)項(xiàng)目成功的關(guān)鍵因素。隨著移動(dòng)終端和智能可穿戴設(shè)備的普及，數(shù)據(jù)的獲取變得越來越便宜，商家有條件獲取大量的用戶相關(guān)數(shù)據(jù)。據(jù)統(tǒng)計(jì)，淘寶每天產(chǎn)生數(shù)千萬筆交易，產(chǎn)生的數(shù)據(jù)近20TB。隨著谷歌Map Reduce算法的發(fā)布，大規(guī)模集群計(jì)算即云計(jì)算的性能變得越來越強(qiáng)大，為大數(shù)據(jù)分析提供了可能性。它們都成為了當(dāng)前推薦系統(tǒng)的基石。目前，越來越多的電子商務(wù)企業(yè)開始關(guān)注推薦系統(tǒng)，研究用戶的行為。本研究的目的是為了滿足用戶的需求，通?；谟脩舢嬒窦夹g(shù)，描繪不同年齡、性別和職業(yè)的人。滿足不同層次的需求。亞馬遜主導(dǎo)的產(chǎn)品推薦，QQ音樂推薦，淘寶個(gè)性化商品推薦，豆瓣等網(wǎng)站的視頻電影推薦，微博主導(dǎo)的社交關(guān)系推薦，都應(yīng)用了多種類型的推薦系統(tǒng)。推薦系統(tǒng)通常通過發(fā)現(xiàn)特定的潛在用戶、增加商品被點(diǎn)擊的概率、延長(zhǎng)用戶停留時(shí)間、增加網(wǎng)站訪問量等方式使企業(yè)受益。發(fā)現(xiàn)用戶對(duì)商品感興趣，進(jìn)而提高滿意度，增加關(guān)聯(lián)銷售等。根據(jù)Venture Beat的調(diào)查，推薦系統(tǒng)促進(jìn)了許多公司的銷售，比如亞馬遜在推薦系統(tǒng)的支持下銷售額增長(zhǎng)了35%。對(duì)于用戶來說，推薦系統(tǒng)的出現(xiàn)可以減少很多時(shí)間。在推薦系統(tǒng)上線之前，用戶一般需要查看11.7個(gè)條目才能找到自己滿意的產(chǎn)品，在推薦系統(tǒng)的幫助下，只需要查看6.6個(gè)條目，用戶的工作量減少了50%。根據(jù)Choice Stream的一項(xiàng)調(diào)查，45%的普通消費(fèi)者愿意通過推薦系統(tǒng)訪問電子商務(wù)，而在高端消費(fèi)者中，這一比例可以達(dá)到69%。因此，推薦系統(tǒng)對(duì)于用戶來說，可以更方便、省時(shí)地找到自己喜歡的商品。

2 常用的推薦算法

在在線推薦系統(tǒng)中，廣泛使用的推薦算法包括基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法以及基于圖形的推薦算法、基于融合的推薦算法等。在商業(yè)實(shí)踐中，由于每種算法都有自己的優(yōu)點(diǎn)和缺點(diǎn)，所以通常是多種算法進(jìn)行交叉使用。

2.1 基于內(nèi)容推薦

基于內(nèi)容的推薦（Content-based Recomm endation）通過比較用戶的愛好和項(xiàng)目屬性之間的差異性來推薦。該技術(shù)涉及機(jī)器學(xué)習(xí)技術(shù)、自然語言的處理技術(shù)、概率與統(tǒng)計(jì)技術(shù)、分布式計(jì)算等?；趦?nèi)容的推薦首先建立用戶興趣特征的模型，用戶興趣特征可以通過系統(tǒng)的顯式反饋或隱式反饋獲得，通常包括用戶的在線瀏覽、點(diǎn)擊商品、評(píng)價(jià)、購買等。信息通過一定的技術(shù)手段將用戶的興趣愛好和屬性特征進(jìn)行轉(zhuǎn)化。項(xiàng)目由相關(guān)屬性以及與用戶交互的信息定義。推薦系統(tǒng)通過用戶特征與屬性特征的匹配過程進(jìn)行推薦。常用的算法有邏輯回歸算法、決策樹算法等。

2.2 基于協(xié)同過濾的推薦系統(tǒng)算法

當(dāng)前，市場(chǎng)上廣泛使用并且由許多學(xué)者研究的推薦系統(tǒng)算法是協(xié)同過濾算法，該算法目前是最常見最常用的算法。這個(gè)算法正發(fā)揮著促進(jìn)電子商務(wù)發(fā)展的作用。這個(gè)主要被分成兩種技術(shù)。

（1）基于用戶的聯(lián)合過濾。

（2）基于項(xiàng)目的協(xié)同濾波。

主要程序是，首先基于用戶的歷史記錄和用戶的興趣愛好以及其他數(shù)據(jù)反饋，計(jì)算各客戶端之間相似性，然后對(duì)相似度的目標(biāo)客戶端進(jìn)行排序，然后介紹他們。

3 機(jī)器學(xué)習(xí)的個(gè)性化推薦算法

具有多種正則化技術(shù)的邏輯回歸算法可用于稀疏矩陣，訓(xùn)練和預(yù)測(cè)速度快，模型復(fù)雜度低的特點(diǎn)。其次，介紹了一種性能較好的積分算法——梯度迭代決策樹算法。然后是因式分解機(jī)，它是隱式語義模型中的代表性算法。最后，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一部分，具有自動(dòng)提取數(shù)據(jù)特征的功能，近年來備受關(guān)注。

3.1 邏輯回歸算法

在統(tǒng)計(jì)學(xué)中，有種算法叫做回歸算法。實(shí)現(xiàn)起來比較容易理解，復(fù)雜性也相對(duì)較低。而且，還可以用于大規(guī)模的機(jī)器學(xué)習(xí)。也就是說，由于他的優(yōu)點(diǎn)很多，所以可以長(zhǎng)期使用，但他的缺點(diǎn)是非線。因?yàn)樗且粋€(gè)現(xiàn)象模型。

3.2 梯度迭代決策樹算法

在上個(gè)世紀(jì)90年代，提出了一種新的融合性算法，叫做梯度迭代決策樹算法。這是一種基于學(xué)習(xí)機(jī)器的框架，它可以提高任意算法的準(zhǔn)度和精確度，他是受到近似模型的啟發(fā)，而被研究出來的。它的優(yōu)點(diǎn)也十分的多，它作為一種性能比較優(yōu)良的分類器，很多人將它和增強(qiáng)框架相結(jié)合使用。在實(shí)驗(yàn)中也確實(shí)，實(shí)現(xiàn)了較為優(yōu)異的實(shí)驗(yàn)結(jié)果。

3.3 因子分解機(jī)算法

現(xiàn)在有一種更通用的算法叫做因數(shù)分解機(jī)。這個(gè)算法在2010年被提案了，利用分解模型的特征進(jìn)行變換。另外，通過因素之間的相互作用表示。也就是說，可以很好地模擬變量之間的相互作用。即使數(shù)據(jù)不足和數(shù)據(jù)不足，也能得到良好的訓(xùn)練效果。在任務(wù)的實(shí)際執(zhí)行中較好的完成。

3.4 卷積神經(jīng)網(wǎng)絡(luò)算法

在20世紀(jì)60年代Hubel和Wiesel提出了卷積神經(jīng)網(wǎng)絡(luò)。Hubel和Wiesel對(duì)貓大腦皮層的局部敏感神經(jīng)元進(jìn)行了模擬。福島提出的新認(rèn)知是基于神經(jīng)元之間的局部連接和層次結(jié)構(gòu)，首次對(duì)圖像網(wǎng)絡(luò)進(jìn)行轉(zhuǎn)換。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以大大降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性，提高神經(jīng)網(wǎng)絡(luò)的泛化能力。CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，目前廣泛應(yīng)用于語音、圖像等領(lǐng)域。

5 結(jié)束語

互聯(lián)網(wǎng)技術(shù)不斷發(fā)展，數(shù)據(jù)采集和計(jì)算變得越來越便宜，目前來看，大數(shù)據(jù)時(shí)代已經(jīng)到來。國內(nèi)外電子商務(wù)公司和研究機(jī)構(gòu)越來越擅長(zhǎng)于利用數(shù)據(jù)為用戶提供個(gè)性化的體驗(yàn)推薦，特別是近年來，人們利用先進(jìn)的機(jī)器學(xué)習(xí)算法對(duì)這一領(lǐng)域的問題進(jìn)行了深入的學(xué)習(xí)和研究。從梯度迭代決策樹到深度學(xué)習(xí)，從協(xié)同過濾到邏輯回歸，這些算法都出現(xiàn)在各個(gè)問題領(lǐng)域的推薦系統(tǒng)中。這些推薦系統(tǒng)的商業(yè)應(yīng)用不僅極大地改善了用戶體驗(yàn)，還增加了企業(yè)的收益。

在推薦系統(tǒng)中還存在許多問題，另外技術(shù)需要進(jìn)一步的改進(jìn)。雖然本文對(duì)推薦系統(tǒng)做了一定的研究，但仍有很多地方需要改進(jìn):我們應(yīng)該考慮多種特征處理和數(shù)據(jù)清理，比如使用聚類算法對(duì)用戶進(jìn)行聚類，然后統(tǒng)計(jì)每個(gè)類別的特征，或者使用協(xié)同過濾算法處理非交互式樣本。在搭配推薦系統(tǒng)中，使用卷積神經(jīng)網(wǎng)絡(luò)的方法還是比較簡(jiǎn)單的，所以我們可以針對(duì)這種情況設(shè)計(jì)一個(gè)特殊的神經(jīng)網(wǎng)絡(luò)，我相信它會(huì)進(jìn)一步提高效果。