個性化推薦系統研究

摘 要：信息技術和互聯網的迅猛發展把我們帶進了信息過載的時代。海量信息的同時呈現，一方面增大了用戶發現自己感興趣信息的難度，另一方面也使得大量信息無法被一般用戶獲取。個性化推薦系統是目前解決信息過載問題最有效的工具。本文簡單介紹了推薦系統的概念和組成要素，重點介紹了幾種重要的推薦技術和個性化推薦系統的應用領域。

關鍵詞：個性化推薦；推薦技術；關聯規則；協同過濾

隨著信息技術和互聯網的迅速發展，人們逐漸從信息匱乏時代進入了信息過載時代。這個時代，對于信息生產者而言，如何讓自己生產的信息脫穎而出，收到廣大用戶的關注是一件很困難的事情。對于用戶而言，信息量的增大加重了找到感興趣信息的負擔，從而降低了信息的使用效率。推薦系統正是在這一環境中誕生的，它是根據用戶的信息需求、興趣等，將用戶感興趣的信息、產品等推薦給用戶的個性化信息推薦系統。

1 推薦系統概念、組成要素

目前被廣泛接受的推薦系統的概念和定義是Resnick和Varian在1997年給出的：“它是利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程”。個性化推薦系統主要由三個要素組成，分別是：候選對象、用戶、推薦算法。推薦系統把用戶模型中興趣需求信息和推薦對象模型中的特征信息匹配，同時使用相應的推薦算法進行計算篩選，找到用戶可能感興趣的推薦對象，然后推薦給用戶。

2 推薦技術

推薦算法是整個推薦系統中核心的部分，在很大程度上決定了推薦系統的質量。目前主要的推薦技術基本包括以下幾種：基于關聯規則的推薦技術，基于內容的推薦技術，協同過濾推薦技術和混合推薦技術。

2.1 基于關聯規則的推薦技術

關聯規則是數據中所蘊含的一類重要規律，對關聯規則進行挖掘是數據挖掘中的一項根本任務，關聯規則挖掘就是從數據項目中找出所有的并發關系，這種關系也稱為關聯。關聯規則挖掘的經典應用就是購物籃數據分析，目的是找出顧客在商場（或普通店鋪）所選購商品之間的關聯。

關聯規則可以這樣表述。設I={i1，i2，…，in}為所有項的集合，事務T表示事務集合。數據庫D為事務數據庫。關聯規則形如X→Y的蘊含式，其中X、Y均為項目集，并且X、Y沒有交集。關聯規則的強度可以用支持度和置信度表示。支持度為同時包含X、Y 項集的事務在數據庫D中的百分比。置信度為包含X的事務同時也包含Y在數據庫D中的百分比。目前已有大量文獻提出關聯規則挖掘算法，在眾多算法中，最著名的是Apriori 算法。

Apriori算法是由Agrawal等人在1994年提出來的，是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。該算法分兩步進行：第一步，生成所有繁瑣項目集，繁瑣項目集是支持度高于最小支持度的項目集；第二步，從繁瑣項目集中生成所有可信的關聯規則，可信關聯規則是置信度大于最小置信度的規則。

基于關聯規則的推薦技術其優點是：簡單直接，領域通用性強，規則的挖掘可以離線進行，可以保證推薦算法的實時性要求。其缺點是：存在著嚴重的\"冷啟動\"問題，新加入的項目由于缺少相關的用戶數據，難以被系統中的規則發現，從而得不到推薦，并且隨著系統項目數量的不斷增加，規則也會呈出相應的增長趨勢，使得規則的管理成本相應升高，降低了系統的運行效率。

2.2 基于內容的推薦技術

基于內容的推薦算法重要的是建立項目特征屬性庫，系統通過用戶已關注項目的特征屬性值，來掌握目標用戶興趣點，依據用戶興趣點與待推薦項目屬性值的匹配程度進行推薦。用戶興趣點的產生依賴于系統所采用的機器學習算法，如基于向量的表示、文本挖掘、判別樹、神經網絡等技術。基于內容的推薦結果直觀易理解，不需要過多的領域知識，但是需要有足夠數據構造分類器，一些例如稀疏問題、新用戶問題和復雜屬性等問題不易處理。

2.3 協同過濾推薦技術

基于協同過濾推薦技術是當前主流的，應用最為廣泛的一種推薦技術。該推薦技術可以分為兩種，一種是基于用戶的協同過濾推薦技術；另一種是基于項目的協同過濾推薦技術，這兩種協同過濾推薦技術的不同之處在于兩者針對的對象不同。基于用戶的協同過濾推薦技術是給用戶推薦和他有共同興趣的用戶喜歡的物品；基于項目的協同過濾推薦技術是給用戶推薦和他之前喜歡的物品相似的物品。

2.3.1 基于用戶的協同過濾推薦技術

基于用戶的協同過濾技術是推薦系統中最古老的算法。該算法在1992年被提出，并應用于郵件過濾系統，1994年被GroupLens應用于新聞過濾。該算法主要包括兩個步驟：第一步，找到和目標用戶興趣相似的用戶集合；第二步，找到這個集合中用戶喜歡的，且目標用戶還沒有聽說過的物品，將該物品推薦給目標用戶。

2.3.2 基于項目的協同過濾推薦技術

基于項目的協同過濾技術是基于這樣一個假設：用戶更傾向于選擇與用戶喜歡的項目相近的項目。該推薦過程分為兩個步驟，第一，計算物品之間的相似度；第二，根據物品的相似度和用戶的歷史行為為用戶生成推薦列表。

2.4 混合推薦技術

目前，推薦技術已經發展出了很多種，但每種推薦技術都在不同程度上存在各自的缺點，每種推薦技術在針對特定的用戶或者項目時才能發揮出自己的優勢。因此人們提出了混合推薦來互補推薦技術各自的不足，已達到一個理想的推薦效果。在大部分的混合推薦技術研究當中，是將基于內容的推薦技術和基于協同過濾技術相結合。相對于使用單一途徑算法的推薦技術，基于混合推薦技術往往表現出更高的推薦精度和更好的推薦質量。

3 推薦系統的應用

自推薦系統誕生近20年的時間里，推薦系統的應用領域迅速擴展。從電子商務、音樂視頻網站，到作為互聯網經濟支柱的在線廣告和新穎的在線應用推薦，到處都有推薦系統的身影。下面簡單介紹個性化推薦系統的應用以及該領域較成功的網站。

3.1 電子商務

電子商務網站是個性化推薦系統的一大應用領域。著名的電子商務網站亞馬遜是個性化推薦系統的積極應用者和推廣者，被讀寫網稱為“推薦系統之王”。亞馬遜的推薦系統深入到了各類產品中，其中最主要的應用有個性化商品推薦列表和相關商品的推薦列表。

3.2 電影和視頻網站

在電影和視頻網站中，個性化推薦系統能夠幫助用戶在大量視頻信息中找到令他們滿意的視頻。該領域較成功的一家公司就是Netflix。Netflix在2006年開始舉辦著名的Netflix Prize推薦系統比賽。該比賽對推薦系統的發展起到了重要的推動作用。

3.3 個性化音樂網絡電臺

個性化推薦的成功應用需要具備兩個條件。第一是存在信息過載的問題，第二是用戶大部分時候沒有明確的需求。在這兩個條件下，個性化網絡電臺無疑是最合適的個性化推薦產品。目前國際上著名的有Pandora和Last.fm，國內的代表則是豆瓣電臺。

3.4 個性化閱讀

閱讀文章是很多互聯網用戶每天都會做的事情。目前互聯網上的個性化閱讀工具很多，國際知名的有Google Reader，國內有鮮果網等。同時，隨著移動設備的流行，移動設備上針對個性化閱讀的應用也很多，其中具有代表性的有Zite和Flipboard。

[參考文獻]

[1]Resnick P.Varian HR Recommender systems[外文期刊].1997（03）.

[2]許海玲.互聯網推薦系統比較研究[J].軟件學報，2009.20（2）：350.362.

[3]王國霞，劉賀平.個性化推薦系統綜述[J].計算機工程與應用，2012，48（7）.

[4]劉興濤，石冰，解英文.挖掘關聯規則中Apriori算法的一種改進[J]. 山東大學學報，2008，43（11）：67-71.

[5]胡斌.基于高階潛在語義分析的音樂推薦系統的研究，碩士論文.北京工業大學計算機學院，2009.

[6]Schafer JB，Konstan J，Riedl J.Recommender systems in e-commerce[M].On Electronic Commerce，1999.P367-461.

[7]Deshpande M，Karypis G.Item-based top-N recommendation algorithms[J].ACM TransInformation Systems，22（1）：143-177，2004.

[8]李濤.推薦系統中若干關鍵問題研究[D].南京航空航天大學，2008.

[9]Wu L，Yu P.S，Ballman A.Speed Tracer：A Web usage mining and analysis tool [J].IBMSystems Journal，1998，37（1）：89-105.