推薦算法概述

張世東

摘 要 當前推薦系統已經有著廣泛的應用，文章簡要概述了推薦系統常用的協同過濾的推薦算法、基于內容的推薦算法及聚類推薦算法，舉例說明了3種常用算法評估指標，結合實際體驗介紹了推薦算法在現實中的應用情況，最后對推薦算法的未來應用進行了展望。

關鍵詞 推薦算法；協同過濾；聚類；評估指標

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2019）229-0197-02

伴隨著互聯網的進步與發展，越來越多的網絡公司希望自己的產品和內容得到有效推廣，而用戶在享用互聯網便利的同時，也希望自己能獲得產品及內容的完美推薦，進而減少瀏覽與查找時間，在這種情況下，精確的推薦算法便顯得尤其重要。推薦算法可根據已有數據，按相關原則對數據進行處理，最終將所推薦的數據反饋至用戶。

一個精確的推薦算法可大大減少用戶查找目標時間，提高工作效率。喬布斯曾說過，只有在產品面世后，人們才知道他們想要什么。薦算法的功能亦是如此，可能用戶一開始并不知道自己需要的內容，而一個好的推薦算法可以向用戶提供最佳選擇。本文將對協同過濾算法，基于內容的推薦算法和聚類算法進行敘述，并給出常用的評估指標，舉例說明推薦算法的廣泛應用。

1 常用推薦算法介紹

目前，推薦算法已經得到了業界的廣泛研究，已產生十幾種主流的推薦算法。本文將對3種常用的推薦算法進行簡要介紹。

1.1 協同過濾的推薦算法

協同過濾是目前應用最廣泛的算法之一，根據其考察問題的出發點，可分為基于用戶、基于物品和基于模型的協同過濾推薦算法。三種算法各有所長，在某些情況下也會根據實際應用情況將三種形式進行融合，形成混合算法。

基于用戶的協同過濾算法主要思想是：通過用戶間的相似性，建立用戶相似度矩陣，通過對相似度矩陣的分析和刻畫，找到相似度比較高的相似用戶，最后將相似用戶的有效信息推薦給目標用戶。也就是說，用戶通過該算法找到相似用戶后，將相似用戶所偏好的物品推薦給所需用戶。

基于物品的協同過濾算法主要思想是：通過物品間的相似性，建立物品相似度矩陣，通過對相似度矩陣的分析和刻畫，找到相似度比較高的相似物品，最后將相似物品直接推薦給目標用戶。該算法優點是精準性較高，缺點是推薦物品可能重復率高。

上述兩種算法所涉及的相似度計算通常采用兩種方法：一種是計算相似度矩陣的列向量或行向量間的歐式距離；另一種是計算向量間夾角的余弦值大小。

基于模型的協同過濾算法是根據已有的用戶和物品之間的評價信息，建立人與物之間的評價矩陣，選取部分矩陣數據代入一個初始的數據模型，根據輸出情況對該模型進行反復調整，最終建立誤差較小的數據訓練模型，最后將目標用戶信息輸入后，得到相應最優信息的物品推薦給目標用戶。

協同過濾算法能夠多角度多方面的利用用戶和物品的信息，推薦結果不僅豐富，而且可靠性強。但也存在一定局限性：一方面，協同過濾算法無法避免冷啟動問題；另一方面，協同過濾算法需要大量的數據做支撐才可發揮其作用，一旦數據較少、矩陣稀疏時，相似關聯度刻畫不夠準確，最終導致精準度大大降低[ 1 ]。

1.2 針對內容的推薦算法

針對內容的推薦算法主要思想是：通過挖掘物品和用戶的潛在信息（如歷史信息），創建對應的文檔，該文檔的存貯方式基本上是由關鍵字組成，根據關鍵字的重復次數且排除無效文字后，進行權重設置，最后計算物品對應文檔與用戶對應文檔之間的余弦相似度。為消除同義詞和多義詞造成的歧義，可以將通過關鍵字建立文檔的方法進一步改進為模糊化的潛在語義分析，即利用映射法將文檔和關鍵詞映射到數值矩陣中，利用數學方法分析文檔與文檔之間、詞與詞之間及詞與文檔之間的相似度，進而向用戶推薦。

由于協同過濾推薦算法是根據已有的物品評價體系建立推薦系統，所以無法適用于向用戶推薦新物品的場景中，而針對內容的推薦算法能夠在新物品推薦中表現良好，解決了協同過濾算法中存在的冷啟動問題[2]。

1.3 聚類推薦算法

聚類算法是數據挖掘的一種經典方法，其主要思想為：將已有的物品信息和用戶需求的物品信息存貯為數據，然后對數據進行聚類處理，獲得數據的類別，最后通過查找用戶需求物品所在類別，將該類別中的有關物品推薦給？用戶。

聚類推薦算法通常采用的是K-均值聚類算法或者是模糊K-均值聚類算法，其主要過程如下：首先隨機賦予K個中心位置，然后讓所有數據尋找距離最近中心點，對節點進行一次歸類分配，接下來對歸類分配后的節點重新確定K個中心點，依次按照如上過程進行多次歸類分配，直到中心點不再發生變化為止。所有數據通過該方式被聚類到K個類別中。對于由多組數據組成的數據組，可以采用模糊K-均值聚類算法及衍生改進的Chanel？K-均值聚類算法等[3]。

2 推薦算法的評估指標

推薦算法給出的推薦內容是否準確，需要采用合適的方法進行評估。目前常用的評估指標有3種：準確率、召回率、平準準確率。為更好理解每種評估的運算機理，特舉例說明，例如目標用戶所感興趣的商品列表為{A，B，C，D，E，F}，而推薦算法所推薦商品列表為{A，D，L，H，F}。

2.1 準確率

準確率是為考核推薦算法的準確性而設定的，其公式為：

Precision=推薦內容的正確數目/推薦內容的總數目。

示例中推薦商品的總數目為5，正確數目為3，于是本推薦算法提供給目標用戶的準確率為3/5=60%。

2.2 召回率（查全率）

召回率是為考核推薦算法的全面性而設定的，其公式為：

Recall=推薦內容的正確數目/目標用戶的內容總數示例中目標用戶的商品總數為6，推薦商品的正確數目為3，于是本推薦算法提供給目標用戶的召回率為3/6=50%。

2.3 MAP（平均準確率）

平均準確率是在考核推薦算法的準確率基礎上又加入了對推薦順序的核查，其公式為：

PK=正確商品中第K個商品的位置/該商品在推薦商品列表的位置。

MAP=所有PK值之和/推薦內容的總數目

示例中正確商品為{A，D，F}，商品A在推薦商品位置為1知P1=1/1=1，商品D在推薦商品位置為2知？P2=2/2=1，商品F在推薦商品位置為5知P3=3/5=0.6，于是本推薦算法提供給目標用戶的平均準確率為（1+1+0.6）/6=43%。

根據實際情況，評估的側重點也會有所不同，也有一些其他綜合評價指標，如將準確率與召回率求和取倒數的F值方法，以及NDCG等其他評估的方法[4]。

3 推薦算法的應用及現狀

隨著互聯網的普及使用及電商的迅速發展，推薦算法在日常生活、學習工作中有著越來越廣泛的應用。例如：網上購物已成為大眾的消費習慣，常常借助于淘寶、京東、亞馬遜等購物網站。當輸入關鍵詞進行查找時，系統會自動根據關鍵詞和已有購物記錄進行商品推薦，并按價格、銷量、信用和綜合等進行分類排序，確保短時間內讓用戶選出所需用品，不再耗時耗力游走于各大？商場。

另一方面，電子圖書已逐漸取代了以前的紙質書，通過微信讀書，網易讀書等讀書軟件便可以閱讀海量圖書。當輸入作家姓名時，系統會展現其所有論著，還會根據閱讀人數、讀后評分進行推薦；同時會根據您和其他讀者所讀書目的相似度，將相似讀者喜愛書籍推薦給您，這不僅節省查書時間，而且還擴大閱讀視野，找到更多自己所喜愛的圖書和書友，仿佛有了私人圖書館？一樣[5]。

4 結論

文章對常用推薦算法進行了簡要概述，從主要內容、評估指標和應用現狀3個方面進行展開。推薦算法現在已經深入到我們的日常生活中，給生產生活帶來了極大便利，在未來有著更廣闊的需求空間和應用前景。因此，推薦算法還應不斷進行發展改進，建立更精準的評估指標體系，讓推薦系統的便利真正惠及每一用戶。

參考文獻

[1]王興國.基于協同過濾的推薦算法研究[J].無線互聯科技，2016（3）：114-115.

[2]黃震華，張佳雯，田春岐，等.基于排序學習的推薦算法研究綜述[J].軟件學報，2016，27（3）：691-713.

[3]吳成鋼，楊光，張翔，等.推薦系統的應用及其安全性研究[J].信息網絡安全，2011（8）：69-71.

[4]楊博，趙鵬飛.推薦算法綜述[J].山西大學學報（自然科學版），2011，34（3）：337-350.

[5]歐輝思，曹健.面向跨領域的推薦系統研究現狀與趨勢[J].小型微型計算機系統，2016，37（7）：1411-1416.