基于社會網絡的個性化推薦系統研究

丁 沂

（武漢軟件工程職業學院 計算機學院，湖北 武漢 430205）

基于社會網絡的個性化推薦系統研究

丁 沂

（武漢軟件工程職業學院 計算機學院，湖北 武漢 430205）

推薦系統是一種幫助人們找到符合自己興趣的物品或產品的工具。隨著互聯網的發展，涌現出了Facebook，Twitter等在線社會網絡平臺，從而產生了大量的社會信息。這些信息能夠用來幫助給用戶進行產品推薦，從而產生了個性化的推薦系統。文章探討了個性化推薦系統的重要性、影響個性化推薦系統性能的各種因素以及實現個性化推薦系統的常用方法。

推薦系統；冷啟動；超特化；矩陣分解

推薦系統有著廣泛的應用，例如，研究論文推薦、社會標簽推薦、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]。調查表明，電子商務網站25%以上的銷售額來自推薦系統，50%的用戶會購買推薦系統給他們推薦的產品，超過90%的用戶普遍認為朋友推薦的商品是有用處的。隨著在線社會網絡的出現，推薦系統能夠利用在線社會網絡產生大量社交信息為用戶提供更好的產品推薦和服務。冷啟動問題是推薦系統中的一個普遍問題，在算法建模過程中，冷啟動問題可以看作是數據的缺失，很多推薦算法都不同程度受到冷啟動用戶的困擾，從而降低了算法的執行效率和推薦的準確性。

基于在線社會網絡的個性化推薦系統構成要素主要包括個人的興趣，人與人之間興趣的交互以及人與人之間的相互影響[2]。推薦系統主要關注購買者與物品之間的關系，然而社會推薦不僅關注購買者與物品之間的關系，而且關注購買者與購買者之間的社會關系，這樣就能夠利用用戶的興趣和用戶之間的社會關系為用戶推薦更加適合的物品。另外，由于社會網絡中人們之間興趣是相互交流的，因此在社會網絡信息的幫助下，推薦系統的質量得到了很大的改善，基于社會信任的推薦系統大大提高了推薦系統的準確性，社會網絡尤其朋友圈中人與人之間的交互關系以及社會環境在很大程度上幫助推薦系統解決了冷啟動以及數據稀疏性等問題。

1 研究挑戰

1.1 冷啟動問題

冷啟動問題發生在新用戶或新產品剛剛添加到系統時的時候。隨著注冊用戶數量和產品數量的快速增加，推薦系統中的冷啟動問題也隨之產生。冷啟動問題主要包括3種類型：新用戶問題，新產品問題以及新系統問題[3]。在這種情況下，推薦系統無法進行推薦。對于新用戶，系統中幾乎沒有和該用戶相關的任何信息；對于新產品，系統中幾乎沒有用戶對它的評分記錄。因此，傳統的協同過濾方法對于新用戶和新產品很難進行推薦。對于新系統，由于系統中幾乎沒有用戶和物品的相關信息，推薦系統無法找到相關的推薦模式。

1.2 數據稀疏性問題

數據稀疏性問題是大多數推薦系統面臨的一個重要問題，它極大影響了推薦系統的質量。產生數據稀疏性問題的主要原因是用戶通常只會對比較少的物品進行評分，因此能夠獲得的評分數據集通常都非常稀疏。協同過濾技術通常都會要求更多的用戶對某個物品進行過評分。為了解決數據稀疏性問題，推薦系統通常會使用用戶的人口統計信息，從而計算用戶之間的相似性[4]。利用人口統計信息計算用戶之間的相似性通常會用到用戶年齡、區域代碼、性別、戶籍片區等相關信息。解決數據稀疏問題通常使用關聯檢索技術和相關的擴散激活算法。另外，基于物品的挖掘技術也經常被用來解決數據稀疏問題。

1.3 可擴展性問題

可擴展性是指推薦系統能以一種可靠的方式處理數據的快速增長能力。可擴展性問題的解決方案通常包括數據預處理技術、聚類技術和基于用戶的協同過濾技術。預處理技術清除了噪聲數據，并將數據轉化為推薦算法可以處理的格式；聚類技術通過計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群組；基于用戶的協同過濾使用個人相關的人口統計信息。個性化的推薦算法通常使用關聯檢索來解決推薦系統的可擴展性問題。另外，隨著核心推薦技術的進步與成熟，算法可擴展性也成為推薦系統的一個重要問題，它決定如何把核心推薦技術嵌入到真實的系統里，如何處理用戶和物品之間的互動（評分、偏好、評論等）所產生的大量動態數據集。有個方法是在相對較小的數據集上進行離線測試，但是這個方法在非常大的數據集上可能失效或者完全不適應，需要進行新方法和大規模評估的研究。

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。為受限種類的產品做完美推薦是沒有任何意義的，除非用戶已經明確表達他的偏好在一個狹窄的范圍以內。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的一個必備特征。然而，超特化卻阻止了用戶發現新的物品以及更多可選擇的物品。可以通過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。當推薦系統僅給用戶推薦那些評分高并且和該用戶屬性相似性大的物品時就會產生超特化。另外，推薦系統中用戶的隱私、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化也是推薦系統中面臨的挑戰。

2 基于社會網絡的個性化推薦系統

大多數推薦系統都采用基于用戶或基于物品的協同過濾算法。這些系統都難免遭受冷啟動以及數據稀疏等問題的困擾。為了解決這些問題，基于社會網絡的個性化推薦系統使用人與人之間興趣的相互影響等社會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；在電子商務網站上，如果推薦系統為你推薦某個商品，并同時給出的推薦理由是你的某個朋友購買了這個商品，那么你也很有可能會購買這個商品。因此，個性化的推薦系統在某些時候可以幫助人們做出決定。下面，文章將探討基于社會網絡的個性化推薦系統常用的模型和方法[5]。

2.1 基本的矩陣分解模型

推薦系統的主要任務是預測用戶對物品的評分，同時使預測值和真實值之間的差異最小化，從而對用戶進行推薦。因此，基本的矩陣分解模型構建目標函數，通過訓練觀測數據，從而最小化目標函數[6]。矩陣分解的基本方法是將一個用戶—物品矩陣M分解成兩個矩陣的乘積。根據因子將用戶和物品映射到一個新的向量空間中，因子個數可以是任意值，通常都小于用戶和物品的個數。在新的向量空間下，通過重新對用戶和物品進行匹配，從而為用戶推薦感興趣的物品。基本的矩陣分解模型受到廣泛歡迎的主要原因是它在可擴展性方面優越的表現，可以將社會網絡信息添加到基礎的矩陣分解模型中從而對模型進行擴展。

2.2 基于朋友圈的模型

基于朋友圈子的模型在推薦準確性方面優于基本的矩陣分解模型。這個模型關注社會網絡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矩陣來描述。更進一步，整個社會網絡的信任關系被分解為一些子網，這些子網就是推理出的圈子，每個圈子和某類物品相關聯。通過將人與人之間的信任關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模真實數據集上的表現非常優異[7]。

3 結語

本文調查了推薦體統中結合社會網絡和用戶的興趣進行推薦的各種方法，介紹了推薦系統面臨的主要研究挑戰。另外還介紹了結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矩陣分解技術來實現個性化推薦的方法。

[1]許海玲，吳瀟，李曉東，等.互聯網推薦系統比較研究[J].軟件學報，2009（2）：350-362.

[2]趙亮，胡乃靜，張守志.個性化推薦算法設計[J].計算機研究與發展，2002（8）：986-991.

[3]邢春曉，高鳳榮，戰思南，等.適應用戶興趣變化的協同過濾推薦算法[J].計算機研究與發展，2007（2）：296-301.

[4]鄧愛林，左子葉，朱揚勇.基于項目聚類的協同過濾推薦算法[J].小型微型計算機系統，2004（9）：1665-1670.

[5]燕存，吉根林.Item-Based并行協同過濾推薦算法的設計與實現[J].南京師范大學學報（自然科學版），2014（1）：71-75.

[6]丁少衡，姬東鴻，王路路.基于用戶屬性和評分的協同過濾推薦算法[J].計算機工程與設計，2015（2）：487-491.

[7]江周峰，楊俊，鄂海紅.結合社會化標簽的基于內容的推薦算法[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

武漢市市屬高校產學研項目；項目編號：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。