一種基于用戶動態社交網絡的協同過濾推薦方法

彭玉

摘要：電子商務推薦系統的發展與數據稀疏性，冷啟動，可擴展性和隱私保護的研究密切相關，盡管許多研究人員提出了不同的改進推薦算法來解決這些問題，但仍有很大的提升空間。在復雜的社交網絡中，我們可以充分利用用戶的動態信息偏好，社會關系和歷史記錄信息來改善推薦系統的性能。基于此，本文提出了一種基于用戶動態社交網絡信息的新型推薦算法，解決了傳統協同過濾算法中的冷啟動問題，同時，由于考慮了用戶偏好隨時間的動態變化因素，改進的推薦方法準確度大大提高。

關鍵詞：協同過濾；動態社交網絡；相似度；興趣模式

中圖分類號：TP39 文獻標識碼：A 文章編號：1009-3044（2019）04-0250-03

Abstract： The development of e-commerce recommendation systems is closely related to the research on data sparsity， cold start， scalability and privacy protection. Although many researchers have proposed different improved recommendation algorithms to solve these problems， there is still much room for improvement. In complex social networks， we can make full use of users' dynamic information hobbies， social relations and historical records to improve the performance of the recommendation system. This paper proposes a new recommendation algorithm based on user dynamic social network information， which solves the problem of cold start in the traditional coordinated filtering algorithm. At the same time， since the dynamic change factor of attenuation of user preference information over time is also added to the recommendation algorithm， the recommendation accuracy of the recommendation system is greatly improved.

Key words：Collaborative filtering； Dynamic social network； Similarity；Interest mode

1 引言

Facebook，Twitter和新浪微博等社交網站已成為互聯網用戶不可或缺的在線社交平臺。同時，社交網絡也是用戶共享信息和獲取信息的重要途徑。然而，社交網絡信息數量的爆炸性增長加劇了信息過載問題，用戶將大大增加獲取有用信息的成本。推薦系統作為一種有效緩解信息過載問題的技術，已大量引入電子商務社交平臺，可為用戶提供高質量的個性化推薦服務[1]。

協同過濾推薦算法基于用戶或項目之間的偏好相似度來預測推薦結果。傳統協同過濾算法的缺陷是它沒有反映用戶的偏好的動態變化特征[2，3]，它也沒有把用戶的情境因素考慮進去。因此，傳統的協同過濾算法存在一定的缺陷，導致推薦精度下降。在本文中，我們提出了一種基于用戶動態社交網絡信息的改進推薦算法，通過考慮復雜社交網絡中用戶響應的動態信息和時間因素來反映用戶的動態偏好功能。由于考慮了用戶偏好信息隨時間的動態衰減變化，大大提高了推薦系統的推薦精度。

2 傳統協同過濾算法

目前，在移動電商平臺智能推薦系統中采用最廣泛的是協同過濾推薦技術，根據鄰居用戶的喜愛項目向目標用戶作推薦，在協同過濾推薦中提取用戶偏好數據和用戶間相似度計算成為推薦算法的關鍵技術。協同過濾推薦算法的主要步驟分為：（1）建立用戶數據模型；（2）用戶偏好相似測度的計算；（3）近鄰用戶的選擇；（4）產生預測，最終選擇預測分數最高的[n]個項目作為推薦項目反饋給目標用戶。

3 基于用戶動態社交網絡的協同過濾推薦方法

3.1 社交網絡用戶的動態興趣模型

傳統的協同過濾推薦算法沒有考慮到社交用戶的上下文情境和用戶的動態興趣模式，所以在改進的推薦方法中我們假定用戶的興趣隨時間變化是一個單調遞減函數，可以劃分用戶的對不同時間段的更多細節的動態興趣并構造相應的時間權重函數，所以本文定義時間權重函數傳統的協同過濾推薦算法沒有考慮到社交用戶的上下文情境和用戶的動態興趣模式，所以在改進的推薦方法中我們假定用戶的興趣隨時間變化是一個單調遞減函數，可以劃分用戶的對不同時間段的更多細節的動態興趣并構造相應的時間權重函數，所以本文定義時間權重函數[f（t）]來代表用戶的動態興趣隨時間的變化因子，然后結合該函數因子來改良協同過濾算法的相似性度量。

3.2 基于社交網絡用戶動態偏好信息的相似性計算

4 實驗結果

為了驗證新提出的基于用戶動態復雜社交網絡信息的推薦算法比傳統基于用戶的協同過濾推薦算法具有更好的推薦性能，我們收集了國內主流的社交網站新浪微博的相關信息數據來完成本文的實驗測試。從新浪微博中抓取出包含6040個用戶的大約3682條微博信息以及100000個響應日志信息。由于在新浪微博的場景中，消極的響應信息很難被定義，所以我們認為用戶對于瀏覽了的微博信息不轉發，沒有評論等等通常表示用戶對此信息不感興趣。所以本文將相似度調節因子[θ]設定為1，只考慮社交用戶積極的響應信息。我們認為用戶收集、轉發和評論微博信息的行為為正面響應行為[4]。

對于現有的數據集，數據集是平分的，通過隨機選擇分成10個子集，其中9個被隨機選為訓練集，其余一個被選作測試集。參數[?]為用戶興趣偏好值隨時間的動態衰減率調節因子，其表征動態的用戶興趣，得到最優化的價值參數[?]對最終的推薦結果影響很大。所以在本實驗中我們通過調節參數[?]的取值來比較推薦算法的推薦性能以期得到最佳的參數值。我們使用平均值絕對偏差MAE [5，6]作為評估指標評估推薦算法的性能，MAE越低，推薦精度越高，推薦結果就越準確。參數[?]我們取值從0.8到2.2，每次增加0.1，實驗結果如圖1所示。

從圖1中可以看出，衰減率最好參數[?]的取值為1.7。但是參數[?]的最優值可能是與此值不同，應該根據具體環境因素進行調整你的參數[?]的取值。主要影響推薦算法的性能因素是數據集的特征。

一旦我們確定了參數[?]的取值問題，我們再將本文改進的算法推薦精度和傳統的基于用戶的協同過濾推薦算法在推薦精度方面做對比。基于用戶的協同過濾算法是經典的和最成功的推薦算法之一， 如此比較的基礎上，會有一定的說服力。在下面的實驗中，數據集也是一樣的通過隨機選擇分成10個相等的子集，隨機選取了9個作為訓練集，選擇剩下的一個作為測試集。我們可以通過改變最近鄰居的數量來對比兩種算法在推薦精度方面的表現，最近鄰居的數量取值從6到24，每次增加3 。實驗結果如圖2所示。

從圖2中可以看出，在相同最近鄰居數目下，改進的算法性能優于傳統基于用戶的協同過濾推薦算法，有相對較低的MAE值。同時也發現隨著最近的鄰居數量的增加，推薦算法能得到更好的推薦精度， 即MAE的值呈下降趨勢，但不是無限的下降，它會隨著鄰居數量的繼續增加趨于一種穩定的狀態。

5 結論

本文介紹了社交平臺協同過濾推薦算法的基本原理，協同過濾推薦算法是一種廣泛應用于電商推薦領域較為成熟的算法，并且有較好的推薦效果。然而，協同過濾推薦算法在某些方面有缺陷，例如，傳統的協同過濾算法沒有考慮到用戶興趣特征的時效性，所以會失去一部分的推薦準確性和多樣性。同時，隨著社會社交網絡的興起，社交網絡用戶激增，網站用戶面臨社會信息超載的問題。由于社交用戶包含豐富的上下文信息，所以本文采用社交用戶的動態興趣偏好來改進基于用戶的協同過濾算法來進一步提升推薦效果。最后通過對比實驗驗證新的改進算法提高了推薦精度。但是，社交網絡用戶的動態信息不僅僅是響應信息和時間因素，也有地理信息，社會關系信息，和其他上下文信息，未來我們將探索應用其他上下文信息來不斷優化提出的改良算法。將來的研究工作也會嘗試如何更好地塑造社會用戶動態的工作信息，深入挖掘用戶的行為模式，將其組合成更優的推薦算法，并將推薦算法應用到更廣泛的電商平臺。

參考文獻：

[1] 鄧愛林.電子商務推薦系統關鍵技術研究[D].上海：復旦大學，2003.

[2] B. Sarwar， G. Karypis， J. Konstan et al.， Item-based collaborative filtering recommendation algorithms[C]. in Proceedings of the 10th International World Wide Web Conference， pp. 285–295，New York， NY， USA， 2001.

[3] Herlocker J. Konstan J A， Riedl J. An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms[J].Information Retrieval， 2002， 5（4）： 287-310.

[4] S.H.M. Qing Li， Byeong Man Kim， A probabilistic music recommender considering user opinions and audio features[J].Inf. Process， Manage， 2007：134-152.

[5] L.Wang and J. Zhai Z. Collaborative filtering algorithm based on time weight[J]. Journal of Computer Applications， vol. 27（9），2007： 2302–2303.

[6] K. Kwon， J. Cho and Y. Park.Multidimensional credibility model for neighbor selection in collaborative recommendation[J]. Expert System with Applications， 2009，36（3）：7114-7122.

【通聯編輯：梁書】