基于協同過濾混合算法的餐飲推薦系統設計與實現

金強山 馮光

摘? 要： 為了改善單一協同過濾算法在餐飲推薦系統中存在的“數據稀疏”問題，采用基于用戶的協同過濾算法和基于物品的協同過濾算法相融合的方式，兩種算法之間取長補短，設計餐飲推薦系統推薦引擎架構，實現基于協同過濾混合算法的餐飲推薦系統。

關鍵詞： 混合算法; 協同過濾算法; 餐飲推薦系統; 個性化推薦

中圖分類號：TP39? ? ? ? ? 文獻標識碼：A? ? 文章編號：1006-8228（2020）02-74-03

Research on catering recommender system based on hybrid collaborative

filtering algorithm

Jin Qiangshan， Feng Guang

（Department of Information Engineering， Xinjiang Institute of Technology， Aksu， Xijiang 843100， China）

Abstract： In order to improve the data sparsity of the single collaborative filtering algorithm in catering recommender system， the user-based collaborative filtering algorithm is combined with the commodity-based collaborative filtering algorithm， to design the recommendation engine architecture of the catering recommender system， and thereby implement the catering recommender system based on hybrid collaborative filtering algorithm.

Key words： hybrid algorithm; collaborative filtering algorithm; catering recommender system; personalized recommendation

0 引言

隨著“互聯網+”的快速迅猛發展，信息技術與餐飲行業的結合越來越緊密。如何為客戶提供準確的、喜愛的、合口味的個性化餐飲服務成為“互聯網+餐飲”行業領域研究的熱點。

近年來，在餐飲行業中餐飲推薦系統正在大規模普及應用，它不僅可以滿足客戶的個性化餐飲需求，而且還建立了長期穩定的客戶關系，客戶流失率逐漸降低，客戶忠誠度逐步提高。餐飲推薦系統的核心是推薦算法，主要的推薦算法有基于協同過濾的算法、基于內容過濾的算法以及基于關聯規則過濾的算法等[1]。協同過濾算法具有較高的推薦準確率，但是單一協同過濾推薦算法覆蓋范圍不同，各自的優勢無法互補。本文主要討論協同過濾混合算法在餐飲推薦系統中的設計與實現。

1 協同過濾混合算法的設計

1.1 協同過濾算法的分類

1992年Goldberg與Nicols提出了協同過濾算法基本概念，起初是用來過濾用戶的電子郵件[2]。經過這么多年的發展，協同過濾算法已經成為當今重要的推薦算法之一。具體講，協同過濾算法（Collaborative Filtering，簡稱CF）是根據用戶對物品的偏好，計算用戶與用戶、用戶與物品之間的相似度，查找與目標用戶相似度較高的鄰近集，并通過鄰近集用戶對其他物品的潛在評分產生推薦的物品集合[3]。

協同過濾算法又分為基于用戶的協同過濾算法（user-based collaboratIve filtering，簡稱User CF）、基于物品的協同過濾算法（item-based collaborative filtering，簡稱Item CF）[4]。

1.2 對比User CF 與Item CF的優缺點，為融合兩種算法提供依據

基于用戶的協同過濾算法是根據用戶對物品的偏好，尋找與目標用戶興趣相似的近鄰用戶所喜歡的物品，然后推薦給當前用戶。基于物品的協同過濾算法是分析現有的用戶行為，計算目標物品與已購物品的相似度，為用戶提供相似度較高的物品。本文將從以下幾個角度對比User CF和Item CF之間的優缺點，為融合兩種推薦算法提供依據。

⑴ 針對于推薦熱門的物品，基于User CF比Item CF具有更為準確的推薦精度;由于熱門物品都是基于其他多個用戶對該物品的良好評價，即物品被越多的用戶喜歡，那么它被推薦的概率就越高。

⑵ 針對于推薦冷門的物品或最新的物品，基于Item CF比User CF具有更為準確的推薦精度;若用戶之前歷史記錄中使用過的物品，與該冷門物品或最新物品具有很多相似特征，那么基于Item CF算法會最準確的進行推薦。

⑶ 以用戶和物品的數量進行對比。當用戶的數量遠超物品的數量時，且物品的數量及物品間的相似度比較穩定，Item CF比User CF推薦機制的實時性更好;當物品的數量遠超用戶的數量時，且物品的更新速度快，User CF比Item CF在相似穩定性方面具有一定優勢[5]。

⑷ 以推薦的多樣性進行對比。當從單個用戶的角度對比，給定一個用戶，來比較推薦表中物品之間的相似度，User CF比Item CF在推薦多樣性方面要表現的更好;當從系統的多樣性角度對比，推薦系統給所有用戶提供豐富的選擇，Item CF的多樣性要遠遠好于User CF。

⑸ 以推薦算法的性能和個性化進行對比。Sarwar[6]和 Karypis [7]等已經證明Item CF比User CF在性能上有所提升;在用戶數目較多的情況下，Item CF更能夠提供個性化的推薦結果。

由此可見，兩種協同過濾算法都具有較高的準確推薦率，但是它們覆蓋的范圍卻不同。因此，讓兩種協同過濾算法相互融合、優勢互補，成為本餐飲推薦系統的核心和關鍵。

2 基于協同過濾混合算法的餐飲推薦系統設計

2.1 餐飲推薦系統的架構設計

餐飲推薦系統從架構上可分為業務應用層、推薦系統層、核心數據層、算法計算層。系統架構從四個層次完成了用戶數據和菜肴基本數據的收集、提取、分析、過濾、排名、個性化推薦等過程，餐飲系統架構圖如圖1所示。

2.2 推薦引擎設計

推薦引擎是協同過濾算法在本餐飲系統中實現個性化推薦的核心，本餐飲系統的設計采用基于用戶和基于物品的協同過濾混合算法，推薦引擎中不僅要分析用戶間、物品間的相關性，而且要根據具體情況進行推薦算法的選擇，實現高效、準確的個性化推薦服務，推薦引擎架構圖如圖2所示。

3 關鍵技術的實現

3.1 計算用戶的偏好數據

通過從用戶的行為和偏好中發現規律并基于此給予推薦，是協同過濾算法的重要環節，因此，收集用戶偏好的數據顯得至關重要。用戶可以通過購買、評分、評論、標簽、收藏夾、轉發、點贊等方式，向系統提供自己的偏好信息。根據用戶的不同行為，對各種行為進行分類，然后進行加權處理，如購買的權值賦值要高于收藏夾中的權值，體現用戶的喜歡程度。

3.2 計算相似的用戶

計算相似用戶可以基于相似度門檻的鄰居計算方法，它以當前的點為中心，對一定范圍內的點作為鄰居，但是如何把握此范圍的限度，需要根據鄰居數量進行調整，如果范圍過大、用戶數量龐大，定會造成相似度用戶特征繁雜，使準確的個性化推薦性能降低。

3.3 計算用戶與物品之間的相似度

計算用戶與物品間的相似度采用皮爾遜相關系數，該系數用于確定兩個變量之間的密切程度，取值在[-1，+1]之間，sx， sy分別表示x和y的標準偏差。

[⑴]

3.4 利用Mahout構建推薦系統引擎

Mahout是Apache Software Foundation（ASF）旗下的一個開源項目，實現了機器學習領域經典的算法，為快速實現智能程序提供了便捷[8]。本系統依據前期的架構設計，利用Mahout提供的協同過濾算法構建搜索引擎，提高了開發者開發的效率。

4 餐飲推薦系統核心模塊的實現

4.1 用戶請求推薦模塊

在餐飲推薦系統中，用戶根據自己的喜好對相關的菜肴進行搜索，是推薦系統中用戶最常用的顯性行為之一。根據用戶當前搜索菜肴的特征與用戶以往喜歡菜肴進行比對，將具有相似特征的菜肴進行推薦。若用戶在使用關鍵字搜索后沒有找到最合口味的菜肴，用戶請求推薦模塊可以為其提供菜肴推薦，提高用戶體驗，如餐飲推薦系統中常見的熱門菜肴、銷量hot菜肴等。

4.2 特色菜肴推薦模塊

特色菜肴推薦模塊主要依靠其他用戶對特色菜肴的持久好評和店家對特色菜肴的主動推薦。特色菜肴不依賴于當前用戶的歷史喜好，而是其他用戶對特色菜肴的好評越多，該菜肴被推薦的可能性越大。其次，店家對特色菜肴信心十足，確立幾道菜為本店的特色招牌菜，那么可以在特色菜肴推薦模塊進行權重調參，可以為用戶最大概率的推薦本店的招牌菜。特色菜肴是本推薦系統的重要組成部分，也是用戶參考點餐使用最多的推薦模塊之一。

4.3 最新菜肴推薦模塊

對于最新的菜肴往往具有較少的用戶點餐行為記錄，但是最新菜肴和用戶需要的菜肴之間會具有相似的特征，針對這些具有相似的菜肴進行加權處理，按照權重大小分別進行排序處理，即將用戶最想吃、最匹配、最新的菜肴排在第一位，然后根據權重依次排序。由于受用戶需求的限制，推薦的最新菜肴不易過多，若是推薦過多會造成用戶選擇困難，同時也會增大對菜肴基數的需求。

5 結束語

本餐飲推薦系統在設計的過程中，采用了基于用戶和基于物品的協同過濾混合算法，最大化地發揮了各算法的優勢，使兩種協同過濾算法優勢互補、相互融合，為推薦系統更加精準的服務提供支持。

參考文獻（References）：

[1] 陳果，周志鋒，楊小波，王成，歐陽純萍.基于人臉識別的商品推薦系統的設計與實現[J].計算機時代，2018.11：52-55

[2] GOLDBERG D，NICOLS D.Using collaborative filtering to weaver an information tapestry [J].Communications of the ACM，1992.35（12）：61-70

[3] 劉輝，郭夢夢，潘偉強.個性化推薦系統綜述[J].常州大學學報（自然科學版），2017.29（3）：51-59

[4] 劉青文.基于協同過濾的推薦算法研究[D].中國科學技術大學，2013.

[5] 海平，黃湊英.兩種協同過濾推薦算法的比較研究[J].貴陽學院學報（自然科學版），2015.10（1）：1-4

[6] LINDEN G，SMITH B，YORK J.Recommendation tem-to-item collaborative filtering[J].IEEE Internet Computing，2003.7（1）：76-80

[7] SARWAR B，KARYPIS G，KONSTAN J，et al.Item-basee collaborative filtering recommendation algorithms[C]//International World Wide Web Conferences. Hong-kong： ACM，2001：285-295

[8] 許海玲，吳瀟，李曉東，閻保平.互聯網推薦系統比較研究[J].軟件學報，2009.20（2）：350-362