協(xié)同過濾技術(shù)在圖書推薦系統(tǒng)中的應用研究

劉曉敏

摘 要 信息爆炸式增長，使得用戶很難快速精準地找到感興趣的信息。為了解決這類問題，提出個性化推薦技術(shù)，其中協(xié)同過濾作為最早的推薦算法，廣泛應用于各個領(lǐng)域。協(xié)同過濾技術(shù)與圖書推薦相結(jié)合，改變了傳統(tǒng)被動搜索的模式，主動向用戶提供推薦。針對傳統(tǒng)的協(xié)同過濾算法進行實例研究。

關(guān)鍵詞 協(xié)同過濾技術(shù)；圖書推薦系統(tǒng)；個性化推薦技術(shù)

中圖分類號：G642.0 文獻標識碼：B

文章編號：1671-489X（2018）08-0061-02

Application of Collaborative Filtering Technology in Book Recommendation System//LIU Xiaomin

Abstract With the information explosion growth， it is difficult for users to quickly and accurately find the information of interest， in order to solve such problems， people put forward personalized recommendation technology， which collaborative filtering as the earliest recommendation algorithm is widely used in various fields. Collaborative filtering technology and book recommendation combined to change the traditional passive search model， take the initiative to provide recommendations to users. In this paper， the collaborative filtering algorithm is studied.

Key words collaborative filtering technology； book recommendation system； personalized recommendation technology

1 前言

隨著Internet的迅猛發(fā)展，互聯(lián)網(wǎng)數(shù)據(jù)呈現(xiàn)出指數(shù)增長的態(tài)勢，傳統(tǒng)的搜索引擎已經(jīng)不能更好滿足用戶的個性需求。數(shù)據(jù)標準導致利用率降低，這也就是所謂的信息超載。個性化推薦成為當前解決信息超載問題[1]的關(guān)鍵技術(shù)。目前，電子商務逐漸成為新的消費趨勢，用戶在購買物品時更希望系統(tǒng)能夠主動提供有價值的推薦參考，如購買圖書時，網(wǎng)頁會自動推薦用戶感興趣的書目，實現(xiàn)精準營銷。協(xié)同過濾算法[2]是最早提出的個性化推薦技術(shù)，也是目前應用范圍最廣的算法。本文詳細論述協(xié)同過濾算法在圖書推薦系統(tǒng)中的應用原理，結(jié)合實例進行論證，為個性化圖書推薦系統(tǒng)的深入研究提供有價值的參考。

2 文獻綜述

個性化推薦在20世紀90年代提出，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，逐漸成為當今的研究熱點，并廣泛應用于電子商務領(lǐng)域，如亞馬遜、天貓等官方商城。個性化推薦成為顧客轉(zhuǎn)化率提高的關(guān)鍵。據(jù)數(shù)據(jù)統(tǒng)計，亞馬遜35%的銷售額來自推薦系統(tǒng)；今日頭條憑借個性化板塊，在眾多新聞客戶端脫穎而出；網(wǎng)易云音樂的個性音樂榜深受年輕人喜愛……個性化技術(shù)日益成為商業(yè)領(lǐng)域研究引用的熱門技術(shù)。

協(xié)同過濾算法[3]就是利用用戶群體過去的購買行為以及評分記錄預測用戶興趣，根據(jù)預測評分生成Top-N推薦列表。傳統(tǒng)協(xié)同過濾根據(jù)用戶—項目評分矩陣，對未評分用戶生成預測評分值，值越高，說明用戶對該物品感興趣程度越高。協(xié)同過濾算法[1]又可以分為兩大類，分別是基于記憶和基于模型的算法，其中基于記憶的算法又包括基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。

3 協(xié)同過濾推薦系統(tǒng)實現(xiàn)

獲取用戶信息 用戶數(shù)據(jù)包括注冊數(shù)據(jù)、購買數(shù)據(jù)以及評分數(shù)據(jù)。評分數(shù)據(jù)包括顯式評分和隱式評分。直接物品的評分是顯式評分，分值從1～5，代表用戶喜好程度，形成用戶—物品評分表。隱式評分是通過分析用戶的行為記錄來收集評分。如果用戶訪問了一件商品的詳細信息并且停留時間比較長，那么認為用戶對該物品有正向意圖。協(xié)同過濾算法將用戶數(shù)據(jù)以用戶—物品評分矩陣表示，其中IDi表示第i個用戶，Resj表示第j件商品，Rij表示用戶i對物品j的評分。具體內(nèi)容如表1所示。

最近鄰選擇 尋找目標用戶的鄰居是協(xié)同過濾技術(shù)的核心步驟，緊鄰就是與目標用戶i具有相同或者相似興趣的用戶群。計算目標用戶i和其他用戶j之間相似性的過程：首先篩選得到用戶i和用戶j共同評分的所有資源集合Res =Resi∩Resj，根據(jù)評分向量計算兩個用戶之間的相似性。推薦系統(tǒng)通常使用Pearson相關(guān)系數(shù)[4]和余弦相關(guān)系數(shù)來度量用戶相似性。給定評分矩陣R，用戶a和用戶b的相似度計算用公式（1）來表示。其中，用U={a1，b2，...，zi}代表用戶集合，P={p1，p2，...，pm}代表產(chǎn)品集合，R是評分項Rij的評分矩陣，這里i∈1...n，j∈1...m。

在基于物品的推薦中，余弦相似度由于效果精確，是一種標準的度量體系。這種方法用N維向量之間的夾角來衡量相似度，將物品a和物品b用對應的評分向量a，b表示，其相似度計算如公式（2）所示：

預測評分值 在基于用戶的協(xié)同過濾系統(tǒng)中，利用公式（1）計算用戶之間相似性，通過設定合適的閾值，確定N個最近鄰，通過N個最近鄰來預測用戶A對物品p的評分值，具體計算如公式（3）所示：

4 實例研究

基于用戶的協(xié)同推薦實例研究 當前用戶A和其他用戶對一些書籍的評分如表2所示，基于用戶的協(xié)同過濾推薦的任務，是預測用戶A是否喜歡他還沒有購買過的書籍，如果預測評分很高，那么就把該物品推薦給A。為此，實驗的目的是通過公式（1）尋找和用戶A有類似偏好的用戶，然后利用公式（3）計算預測評分值。

選擇上述提到的Pearson相關(guān)系數(shù)計算公式，在SPSS軟件環(huán)境下進行相關(guān)性計算，計算得出所有用戶之間的相關(guān)系數(shù)矩陣如表3所示。根據(jù)計算可知，用戶A和用戶B、C用戶間的相似度很高，所以考慮將用戶B和C作為A的最近鄰用戶。根據(jù)公式（3）來計算A對《傲慢與偏見》的評分：

4+[0.85*（3-2.4）+0.7*（5-3.8）]/（0.85+0.7）]=4.87

根據(jù)類似的方式，可以計算用戶A對所有未曾見過物品的預測值。選擇其中預測值超過設定閾值的N個物品，進行推薦。

實例研究 同樣針對表2進行研究，采用余弦相似性來計算物品間的相似性。通過物品間的相似度，計算得出用戶A對所有與物品5相似物品的加權(quán)評分總和，預測對《傲慢與偏見》的評分值。利用SPSS軟件計算得出物品間相似矩陣如表4所示。

根據(jù)《傲慢與偏見》書籍和其他書籍的相似度，計算用戶A對于本書的評分值，計算結(jié)果：

[0.805*5+0.027*4]/（0.805+0.027）=4.96

通過兩種方法都可以計算得出用戶A對于《傲慢與偏見》這本書的預測值，而且計算得出的數(shù)值很接近。由于所得評分值很高，可以推斷用戶A喜歡這本書，那么系統(tǒng)可以將本書放入推薦列表，推送給用戶A。

5 結(jié)束語

協(xié)同過濾推薦技術(shù)誕生于電子商務領(lǐng)域，并取得較為成功的應用，比如亞馬遜、當當網(wǎng)，不僅可以提高推薦精準度，增加銷售額，同時為用戶提供更好的服務，增強用戶滿意度。本文對于協(xié)同過濾算法只是進行了初步探索性研究，呈現(xiàn)了后續(xù)需要重點突破的關(guān)鍵問題：1）用戶興趣的動態(tài)變化與跟蹤問題；2）除顯式評分之外，用戶的購買行為如何轉(zhuǎn)化為資源的隱式評分；3）如何有效解決協(xié)同過濾技術(shù)中冷啟動和數(shù)據(jù)稀疏性問題[5]。在后續(xù)研究中，這些問題有待進行深入探索。

參考文獻

[1]Resnick P， Iakovou N， Sushak M， et al. GroupLens： An open architecture for collaborative filtering of netnews[M]//Proc 1994 Computer Supported Cooperative Work Conf. Chapel Hill.1994：175-186.

[2]鄧愛林.電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究[D].上海：復旦大學，2003.

[3]王永固，邱飛岳，趙建龍，等.基于協(xié)同過濾技術(shù)的學習資源個性化推薦研究[J].遠程教育雜志，2011（3）：66-71.

[4]王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應用，2012（7）：66-76.

[5]劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展，2009（1）：1-15.