用戶信任和項目偏好融合的協同過濾算法研究

摘 ?要 ?電子商務的快速發展為企業帶來了新的契機，同時由于網站物品種類的增多，基數變得龐大，尋求需求物品信息變得麻煩且費時。電子商務中對用戶商品的推薦就是利用資源信息進行整合過后向用戶推薦的過程。協同過濾算法的優越性使它成為目前最成功的方法。Memory-based協同過濾算法有User-based以及Item-based兩種協同過濾算法。在實際的電子商務中，用戶對商品的使用或者評分評價總量不超過所有總量的百分之一，其影響了“用戶-項目評分數據集”的缺失，影響了推薦精度，對此本文針對用戶信任以及項目偏好的融合進行了協同過濾算法的研究。

關鍵詞 ?協同過濾 ?信息融合 ?推薦系統 ?模糊聚類

引言：

Memory-based協同過濾算法最核心的要點就是用戶對某一商品的評價。系統通過數據的整合統計對用戶進行分組，在研究中稱之為鄰居，他們的偏好和目標用戶偏好之間具有較高的一致性。這種評價數據由于商品的總占比很低而造成了稀疏性，因此引起了用戶組合定位的不精準。Item-based系統過濾算法的缺陷是因為只能通過用戶已購買商品進行推薦，用戶的興趣無法提前挖掘，進行“跨類型”推薦[1]。

一、協同過濾相關工作

不管是User-based還是Item-based，兩者都是利用了用戶對商品評價的數據來對目標用戶實現目標推薦。其中User-based算法在進行運算時并沒有充分進行興趣與購買商品關系的調整。Item-based算法則沒有充分做好鄰居的興趣項目與目標用戶之間關系的調整[2]。

本文針對用戶信任和項目偏好相融合的協同過濾算法的研究整合了User-based以及Item-based的基本算法理論。結合了模糊聚類算法，利用相關算法實現相近項目以及用戶之間的類聚[3]。

這種評價的數據算法在電子商務中體現為通過以往用戶群對某一種商品進行評價來使目標用戶對該商品關注點進行預測的過濾過程。通過矩陣R（m，n）來體現該數據，用戶以及項目在該矩陣中分別用行列表示;也可以利用行向量R來表示“用戶-項目”評分數據R=[u1，u2，……，um]T，UK=[RK1，RK2，……，RKn]T，k=1，2，……，m或者列向量R=[t1，t2，……，tn]，tl=[R1l，R2l，……，Rml]，l=1，2，……，n。其中表示某用戶UK對某項目tl的評分。

User-based算法，就是依據最接近的鄰居對商品的評價數據進行目標客戶的商品推薦過程。這種算法最中心的要點就是尋找一個精準的鄰居集（鄰集的選擇可以使用K近鄰法和閾值的設立，后者要注意在進行閾值設立的過程中應嚴格控制好數值的高低，太高或者太低會造成項目的缺少和無篩選意義）。相似鄰居查找準確度以及效率定位了User-based算法的有效性。鄰居相似度度量計算中的相關性計量sim（x，y）表示為

其中Rxs和Rys分別代表用戶x和用戶y對項目s的評分;Rx和Ry表示用戶x、y對項目的平均評分;Sxy表示用戶x、y的交集。

沒有進行評分評價的項目預測表達式如下：

其中x、p、lu分別表示項目、用戶、相似用戶數。

“Item-based協同過濾算法”與“User-based協同過濾算法”的要點具有一定的相似性，其中只是對“歷史評分數據集”的相識度計算進行了“用戶相似度”的替換。

項目進行相似度計算過后相似項目集選取的公式如下

評分Pus中u、s、lt、sim（s，d）表示預測用戶，未平項目，相識項目數，項目相似度。

協同過濾的算法過程如圖2-3

協同過濾的過程中，矩陣m×n目的是進行相似用戶的尋找，如果對某一種商品越有興趣，在矩陣中體現為評價分數越高，在進行推薦前要進行預測以及最終的推薦。如果用戶沒有進行商品集合，但是在相同商品的學者用戶中對物品集合有著較高的評價，就會按照預測評分對目標用戶進行相應推薦。

二、用戶信任和項目偏好相融合的協同過濾算法

要充分實現用戶信任以及項目偏好之間互相通過的協同過濾算法的最基本思想就是用戶進行商品評價數據以及商品屬性的充分利用來實現目標用戶的商品推薦。項目協同過濾法的評分數據極為稀疏，相似用戶的集合難以準確定位[4]。

研究過程主要分為三步：第一步，模糊聚類，對象是用戶對商品的評價數集;第二步，進行沒有評價項目的初始預測，并且將預測的數據填充于評分數據集中;第三步，通過計算所擁有的數據，算出相似用戶集，完成所有項目的評分以及預測評分。

（一）未評分項目的初始預測

把評分數據接近的項目進行一個簇的聚集叫做聚類分析，在一個簇中利用協同過濾法進行沒有評分項目的用戶預測評分，通過該手段可以降低評分數據稀疏性和計算維度[5]。

第一步，把“模糊c-均值算法”運用到用戶對商品評價數據的矩陣R中，并進行劃分，R1，R2，R3，……，Rc，其中R1∪R2∪R3……∪Rg=R，Ri∩Rj=φ。

第二步，進行ua和Ruata所屬類的查找，如果Ruata∈Ri，，則Ri中的項目可以作為沒有評分項目的鄰居。

第三步，在類似Ri中利用相關相似性作為度量函數的計算，未評分項目ta與鄰居項目tb相似度關系為：

第四步，進行ua對ta的評分P的預測以及評價數據矩陣的填充，P的表達式為：

（二）未評分項目的評分預測

進行預測填充的用戶對商品評價數據矩陣通過模糊c-均值聚類法進行興趣相近的用戶分配，利用簇中的相關用戶進行商品的預測評價[6]。具體計算步驟如下：

第一步，使用模糊c-均值算法與用戶對商品評價數據矩陣A中，將其分為g類：A1，A2，A3，A4，……，Ag，其中A1∪A2∪A3……∪Ag=A，Ai∩Aj=φ。

第二步進行Ua鄰居的確定，Ua∈Ai則Ai中的用戶即為Ua的鄰居。

第三步，計算Ua的與Ua的一致程度，查找Ai中目標用戶與其他用戶在初始評分數矩陣中項目并集S，其中沒有進行評分的項目通過（一）中步驟進行填充，在S中利用相關相似性度量的方法進行相似度計算。

第四步，在Ai中，將沒有進行評價的項目實現預測評分。

三、實驗以及結果分析

利用Minnesota GroupLens Research的MovieLens數據集進行了一個實驗，在MovieLens數據集中對200個用戶的800部電影評分數據進行截取，然后進行訓練集和測試集的劃分，其比例為0.8，并在所測試的對象中選擇五個評價作為透明。

采用MEA（Mean Absolute Error）來進行上述幾種算法的科學性和準確性測量，最終得到的MAE值的大小表明了對應算法效果的優劣與推薦商品精準性的高低。測試集中項目評分和用戶的MAE表示為

該式子中Pxs、Rxs、L分別代表用戶x對項目s的評分值預測、x對s的實際評分、測試集合基數。

實驗將基于“用戶的協同過濾算法”、“用戶聚類的協同過濾算法”進行協同參照，計算出每個絕對值偏差MAE，通過MAE比較來進行推薦算法的質量比較。最終的實驗結果為：“用戶的協同過濾算法”、“用戶聚類的協同過濾算法”MAE分別為0.7824、0.8205，而融合了用戶以及項目信息的協同過濾法MAE為0.7621。該實驗結果表明在三種方法中本文所探究的計算方法所算出的MAE最小，同時也驗證了該種算法所進行推薦商品的質量最高。

四、結束語

我們通過研究發現，基于用戶的協同算法的計算的復雜度是遠高于基于條目的復雜度，所以在不同的使用場景我們需要根據產品和用戶需求，以及使用環境來選擇合適的算法。

基于用戶信任和項目偏好相融合的協同過濾算法擁有自己強大的優勢，首先我們可以看出利用用戶相似度矩陣給出的推薦一般在多樣性上都是會有比較好的結果，但是用戶的收藏不一定相似，其實這樣反而給用戶的收藏補充了新的內容，這樣可能也會存在一些沒有用的噪聲，但是他也能給用戶帶來不一樣的驚喜。 基于用戶信任和項目偏好相融合的協同過濾算法也有自己明顯的缺點，當我們把他運用到大規模的系統中的時候，系統的計算量會明顯劇增，非常大，對硬件要求比較高。同事用戶沒有新的內容收藏，這個時候就不會有先的內容推薦。如果用戶相似度比較小，這時為用戶計算相似用戶難度就比較大，這也是基于用戶信任和項目偏好相融合的協同過濾算法的缺點。

在基于用戶信任和項目偏好相融合的協同過濾算法中，充分進行了用戶對商品評價數據相關信息的利用，極大程度地降低了數據的稀疏性，提高了項目預算結構的精準性。同時引入了模糊聚類的算法思想，減小了維度以及計算量，提高了預算速率。該方法在用戶信任、相似性以及屬性多個方面進行了傳統算法的改進，相關的實驗結果也給予了肯定，但是評分時間的納入、云散復雜度的減小依然需要進一步探討和研究。

參考文獻：

[1]王艷. 融合信任關系的協同過濾算法改進研究[D]. 北京交通大學， 2017.

[2]楊秀梅， 孫詠， 王丹妮，等. 融合用戶信任模型的協同過濾推薦算法[J]. 計算機系統應用， 2016， 25（7）：165-170.

[3]何明， 孫望， 肖潤，等. 一種融合聚類與用戶興趣偏好的協同過濾推薦算法[J]. 計算機科學， 2017， 44（b11）：391-396.

[4]鄭潔， 錢育蓉， 楊興耀，等. 基于信任和項目偏好的協調過濾算法[J]. 計算機應用， 2016， 36（10）：2784-2788.

[5]朱愛云， 任曉軍. 基于社會信任和隱式項目的協同過濾推薦算法的研究[J]. 現代計算機（專業版）， 2018（5）.

[6]王明佳， 韓景倜. 基于用戶對項目屬性偏好的協同過濾算法[J]. 計算機工程與應用， 2017， 53（6）：106-110.

作者簡介：楊俊芳，對外經濟貿易大學高級研修班。