基于用戶頻繁訪問路徑的個性化服務推薦研究

張龍飛

摘 要：該文在國內外推薦算法研究基礎上，基于用戶的訪問web記錄與服務使用記錄，采用OB-Mine算法提取用戶頻繁訪問路徑，利用改進的PrefixSpan算法篩選具有相似偏好的用戶簇，利用改進的CF算法進行個性化服務推薦，有效克服了數據高維性和稀疏性，最后實例驗證了該推薦算法性能優于傳統的CF算法。

關鍵詞：相似度計算 服務推薦 個性化推薦

中圖分類號：TP3；D630 文獻標識碼：A 文章編號：1672-3791（2016）03（c）-0159-02

現有服務推薦技術并不成熟，面對海量重復的Web服務，用戶難以識別并且尋找到所需的服務，因此提高服務推薦質量已成為Web服務體系的迫切需求。服務推薦的研究焦點是新推薦算法的探索和新推薦模型的發現。Dell'Amico和Capra[1]定義了以社會導向和品味相似為特征的用戶可信性標準，提出了一種新的信息過濾方法。Vallet等[2]利用社區隱性用戶信息，提出了一種基于圖的交互式視頻檢索系統，有效增強了視頻檢索能力。

該文以web日志中的用戶瀏覽行為與服務使用記錄為依據，利用OB-Mine算法[3]提取用戶頻繁訪問路徑；然后，利用改進的PrefixSpan算法[4]篩選具有相似用戶偏好的用戶簇；最后，使用改進的CF算法，對目標用戶做出推薦。該文以“××中小企業網”的相關數據，實證表明該推薦算法優于傳統的CF算法。

1 服務推薦算法分析

1.1 提取用戶頻繁訪問路徑

利用OB-Mine算法對預處理數據集挖掘代表用戶興偏好的用戶頻繁訪問路徑。

1.2 篩選相似偏好的用戶簇

利用改進的PrefixSpan算法[5]尋找用戶偏好，篩選出具有相似偏好的用戶簇。

1.3 服務推薦

1.3.1 建立用戶-服務類評分矩陣

設用戶評分Rij，按照瀏覽或者使用某種服務的次數計算用戶評分。

1.3.2 尋找最近相似鄰居集

相似性的計算方法主要有余弦相似度、Pearson相似度和修正的余弦相似度。

1.3.3 生成推薦結果

計算目標用戶對未評分服務項的預測評分，并且設定閾值r，推薦用戶r值以上的服務類。

2 實證分析

以“××中小企業網”為研究對象，根據該網站web日志文件，計算推薦結果。

2.1 提取用戶頻繁訪問路徑

2.1.1 數據預處理

對web日志中的用戶訪問行為數據進行預處理，獲取用戶訪問路徑。

2.1.2 提取用戶頻繁訪問路徑

利用OB-Mine算法對用戶的多條訪問路徑進行聚類，生成每個用戶的頻繁訪問路徑。

2.2 篩選具有相似用戶偏好的用戶簇

利用改進PrefixSpan算法篩選具有相同或者相似用戶偏好的用戶簇，如表1所示。

2.3 用戶個性化推薦

2.3.1 建立用戶-服務評分矩陣

通過訪問頻次與使用服務頻次計算用戶對服務的評分。

2.3.2 確定最近相似鄰居集

設定鄰居集容量為N，選取與目標用戶相似度最高的N個用戶形成最近相似鄰居集。

2.3.3 生成推薦結果

計算目標用戶對未評價服務預計評分值，設定好閾值m，對目標用戶推薦評分高于閾值的服務項目。對目標用戶的推薦結果如表2。

3 實證結果分析

3.1 評價標準

MAE的值越小，表明算法的評分預測越準確，推薦質量越高。

3.2 實證結果分析

實驗中設步長間隔為5，鄰居集容量大小分別取5，10，15，20，25，30，35，40，使用該文改進的CF算法與傳統的CF算法作對比，其服務推薦質量比較如圖1所示。

從圖中可以看到：（1）在鄰居集容量大小發生變化時，該算法下MAE值均小于傳統的CF算法，說明該推薦算法具有較好的推薦質量；（2）與傳統的CF算法相比，改進的CF算法下MAE值隨著鄰居集容量的增加迅速減小并趨于穩定，說明改進的CF算法性能優于傳統的CF算法，計算效率更高，有效緩解了由冷啟動引起的數據高維性和數據稀疏性等問題；（3）兩種算法下，MAE值隨著鄰居集容量增加而減小，當鄰居集容量增大到一定數值時，MAE值趨于穩定時，但是CF算法下的趨于穩定的MAE值要小于傳統的CF算法，說明改進的CF算法計算精度優于傳統的CF算法。

4 結語

該文通過提取用戶頻繁訪問路徑，篩選相似偏好的用戶簇和個性化服務推薦，克服了單一推薦算法的不足，克服了數據高維性和稀疏性，提高了計算效率與計算精度。

參考文獻

[1] Dell'Amico M，Capra L.Dependable filtering：Philosophy and realizations [J].ACM Transactions on Information Systems（TOIS），2010，29（1）：364-371.

[2] Vallet D， Hopfgartner F， Jose J M， et al. Effects of usage-based feedback on video retrieval： a simulation-based study [J].ACM Transactions on Information Systems （TOIS），2011，29（2）：219-230.

[3] 曹忠升，唐曙光，楊良聰.Web-Logs中連續頻繁訪問路徑的快速挖掘算法[J].計算機應用，2006（1）：216-219.

[4] 姬浩博，王俊紅.一種改進的PrefixSpan算法及其在Web用戶行為模式挖掘中的應用[J].計算機科學，2016（1）：25-29.

[5] 業寧，李威，梁作鵬，等.一種Web用戶行為聚類算法[J].小型微型計算機系統，2004，25（7）：1364-1367.

[6] 王海艷，楊文彬，王隨昌，等.基于可信聯盟的服務推薦方法[J].計算機學報，2014（2）：301-311.