個性化推薦算法研究綜述

劉子赫

摘 要：隨著大數據技術的發展，推薦算法為人們享受網絡便利提供了很多幫助。隨著推薦算法的不斷進步，個性化推薦算法逐漸受到了用戶的青睞。本文介紹了個性化基本算法的其中三種：基于內容的推薦算法、構建知識網絡、基于社交應用的個性化推薦。同時介紹了個性化推薦算法與其他技術的聯系、運作流程和應用等，從實際出發，以解決實際問題為目的，闡述應用具體形式。此外，本文也闡述了亟待解決的難點和問題。

關鍵詞：推薦算法;個性化;知識網絡

中圖分類號：TP391.3 文獻標識碼：A 文章編號：1671-2064（2020）06-0039-02

0引言

隨著數據體量過載時代的到來，面對信息過載問題，如何在短時間得到具有針對性的數據已經是現代人主要面臨的問題。本文介紹了個性化推薦基本算法和未來主要應用和應用形式、階段優勢和長遠發展優勢，結合生活實際和現有技術提出下一階段發展趨勢和具體應用，也針對數據使用者的角色進行了分析。

1個性化推薦算法介紹

1.1 基于內容的推薦算法

此算法是個性化推薦中最為重要的一種思想，簡單直接，通過分析用戶的歷史行為記錄和相關興趣記錄（如用戶自身填寫的興趣），形成用戶的興趣偏好向量，再對已有的項目進行分類，分析項目的屬性特征，提取出項目屬性向量，通過計算用戶興趣偏好向量與項目自身向量進行相似度計算，得出用戶對于此項目的接受可能性大小或者top-N推薦。

此算法簡單直觀，對于單個屬性比較有效準確，個性化強不受任何干擾。但是缺點也比較明顯，項目、用戶冷處理冷啟動，復雜項目的屬性提取和權重分配，數據過于稀疏無法處理計算[1]。

1.2 構建知識網絡

利用現代大數據的關聯性和人工構建的知識網絡可以進行相關知識的推薦，利用這一方法收集用戶的直接需求和可能出現的相關需求，這也是個性化推薦的重要組成部分和未來的發展趨勢。比如在自學技能的領域，相關的知識點需要利用知識結構，既可以從問題入手，向四周延伸，學習相關的技能點和關鍵要素，還可以從已知點出發，進行更深層次的學習，在推薦的過程中，根據相關聯的內容進行學習，有助于系統掌握整個知識框架。

此算法關聯性強、推薦知識相近、接受程度高，有助于用戶拓展相關興趣。現階段制約其發展的主要問題有：知識網絡的構建、構建結構、優先推薦權重、范圍有一定限制。盡管現階段還有不足，未來一定可以引入AI，智能連接相關知識，不再需要人工特意維護和手動架構，發展前景比較廣大[2]。

1.3 基于社交應用的個性化推薦

就目前來講，手機中必不可缺的是相關的社交和娛樂app，相較于電腦，手機的及時性、快速性和短時性與pc端比較更適合個性化推薦算法應用，而且受眾面更廣有助于豐富個性推薦算法。在這里的社交app不僅僅是微信、QQ等聊天的app，還有支付寶等支付app，一些短視頻網站等，因為這些都是有比較明顯的用戶歷史記錄，所以比較好挖掘用戶行為習慣，用戶特征比較明顯，易于進行個性推薦，提高推薦命中率。用戶的關注人、關注事件、搜索記錄、使用時間、關注類型、共同好友、發布動態、購買相關物品等記錄，全方位綜合分析用戶行為習慣，可以大體猜測用戶的職業興趣等綜合信息，結合知識框架，得到入手點和適合的推薦算法，提高準確率[3]。同樣，結合共同的興趣特點，對于一些行為特征相近的用戶可以計算出相似的推薦內容，節省一定成本。還可以分析用戶所關注的事物的屬性向用戶統一推薦。此算法優缺點比較突出，準確率高，全面、普及率高、維護成本低，但綜合性強，算法不易統一，容易涉及到用戶隱私等法律問題等。

2個性化推薦算法聯系

2.1 與AI的聯系——相輔相成

對于AI來說，一個學習型的算法是非常重要的，就目前而言，個人用AI主要是被動接受并加以學習模仿，貼和日常的用戶的個人習慣，對于主動出擊進行推薦的能力還不夠強，或者說無法滿足需求，無法達到替代一部分人工的作用，所以對于AI，個性化推薦的算法更加有助于他的發展。而對于個性化算法來說，他比AI的收集范圍要廣，利用知識的聯系性，不僅僅應用搜索引擎，在搜索引擎中尋找符合用需要的內容，依據用戶的愛好和行為喜歡等等，個性化推薦各類內容，而引入AI可以更貼和用戶習慣，在合適的時間，以合適的方式推薦給用戶并且讓用戶自行選擇，再通過用戶所選的內容，進行學習，決定下一次的推薦方式并修改個性化推薦算法，達到個性化效果。中短期來說個性化算法無法被AI替代，同時也可以作為AI發展的素材。也可以將AI引入個性化算法，將所計算出的數據結合用戶的選擇得要結論，使AI進行學習，相輔相成，或者在個性化推薦算法的平臺的UI引入AI，作為學習模式，使用戶更容易接受。長期來說，既可以獨立存在，也可以融合，這對于兩者有著很高的要求。

2.2 與大數據的運用

盡管是個性化推薦算法，但是個體離不開整體，大數據的應用對于個性化推薦算法還是很必要的。當用戶的行為習慣大致相同，可以從數據庫中提取類似計算的結果，減少計算時間成本;收集普遍性和增長趨勢規律，掌握需求走向，提供給其他供應商，從而對用戶提高針對性，減少成本[4]。

3 個性化推薦算法流程

本章將以半開源多樣化的數據處理平臺為例，介紹個性化推薦算法的流程。

3.1 概念介紹

通過半開源的數據分析處理平臺，用戶可以自主選擇數據處理方式和種類，即可引用與一般出具處理如簡單函數計算，也可以用于互聯網搜索，用戶可以操作算法，自主選擇算法。而對于用戶來說如何錄入需求就是問題，這就需要一個平臺，可以是網站或者是手機app，在界面中用戶選取數據對象、數據類型、要求、范圍、偏好等要求，經過個性化推薦算法得出相關結論。

3.2 數據類型

個性化算法的最大優勢在于它可以推薦各類數據，不僅僅應用搜索引擎簡單的關鍵字和標簽等簡單搜索方式，運用個性化算法中的知識結構，從各類網站入手，多種渠道多種數據形式，依靠知識網絡加強對于數據聯系性的考察，以知識結構為起點搜索多種數據格式如：視頻、文字、表格、甚至社交平臺可以得到的留言帖子等等，全方位滿足用戶需求。此外，多種數據形式對于知識結構和數據關聯性篩選的算法有著極高的要求，這是急需解決的問題。

3.3 算法流程介紹

首先收集用戶需求，如：價格、問題、意見、學習內容。確定搜索范圍：如：相關網站、百度經驗、視頻網站、相關論壇、貼吧等。調查對應目標主體的相關數據要求并需要用戶進行進一步選擇，具體步驟如下：

（1）尋找主要相關聯數據;

（2）根據用戶行為習慣知識關聯性主動過濾;

（3）選取關聯性最強，重復檢索次數最多，較權威的數據;

（4）AI過濾;

（5）整理數據，分類;

（6）用戶主觀選擇。

3.4應用形式

該平臺既可以采取會員制，也可以采用一次性購買制度，平臺結合數據流通形式定期更新和完善提供算法，提供計算的服務器。

4 個性化推薦算法應用

4.1數據篩選推薦

現在用Python等軟件進行智能檢索已經是提高效率的好方法，但是在一些情況下，對于一般人來說稍微復雜的數據處理使用Python的及時性不夠高，同時學習Python并且熟練應用的過程也需要時間，在急需數據的情況和未接觸過Python的人可以使用這個平臺，圈定范圍、大小、參數、類型等并導入數據在平臺內獨立運算，再根據用戶自己的限制進行過濾，算出所需要的數據。總體來說就是Python的編程模板的整合。

此外，個性推薦可以用于商業伙伴的選擇和自身的內部檢查，有點類似于現在的天眼查，引入了個性推薦和用戶自身加以編輯限制的算法，使結果更符合公司需要。

4.2 學習內容推薦

技術的掌握已經成為各大公司職位的挑選依據之一，如：經濟領域的員工需要一定簡單Python基礎和運用技能，互聯網企業需要員工會運用PS、PR、AE等軟件。

現在，我們百度相關問題，基本上都會有教程，但是這些教程終究只針對一個問題，無法系統的學習;而只理論學習不操作實操中會遇到更多的問題。這時也可以運用個性化算法推薦，從這個問題作為出發點，搜索各大論壇和視頻網站，整合相關問題，在解決對應問題時，向外延伸，推薦其他問題解決方案，相關系統學習視頻，整合論壇相關留言帖子，從中學習未涉及的問題和疑難雜癥，綜合得出當前問題的解決方法、相關問題、可能出現的情況、疑難雜癥、相關推薦學習資料等。

4.3 網購推薦

在網購普及的今天，個性化算法已經可以幫助我們節省大量的挑選時間。以價格為例，在雙十一狂歡的時候，用戶往往會因為價格的變動，會貨比三家，人工進行比較計算。在網站層面，對于價格網站往往不會將真實價格呈現出來，需要第三方的介入，運用爬蟲獲取價格走勢，收集優惠程度價格，再根據消費者特定需求，比如：平臺、產地、價格區間、發貨和物流速度、商家信譽等，綜合以上的需求，得出結論。再比如電腦的選擇，既可以選擇廠家已經批量生產的一體機，也可以采用組裝好的主機+顯示器的組合，或者是自己獨立組裝，自行購買CPU、硬盤、顯卡、聲卡等硬件設備，結合用戶輸入的需求（如：游戲用、辦公用、剪輯等專業用）推薦一定組合的硬件配置。結合用戶所選的硬件，推薦連接線、主機箱、音響、顯示器等其他核心設備。在個性算法計算的同時引入的AI結合用戶習慣職業推薦固定線、特色鍵鼠、支架、收納架等非必須物品。綜上，個性算法節省了用戶學習了解相關物品的專業知識、減少人工組合時間，同時減少支出，增加體驗感。

4.4廣告投放

個性化推薦算法不僅僅個人對于數據的搜索，同樣的也可以反向用于被推薦，傳統廣告的“命中率”已經不適合年輕人。既然用戶選擇了最適合自己的數據，這些都可以被提供個性推薦算法的平臺所知，廣告的投放變得越發有針對性，不只是簡單的TAG推薦和普通的貼片廣告[5]。

5結語

本文對現階段比較適合個性化推薦的基本算法進行了介紹，對其運作流程進一步闡述，隨著數據的急速增長，越發完善的算法和用戶個性的突出，個性化推薦算法的優勢進一步體現出來，結合時下熱門AI和大數據的等相關產業，可見個性化推薦算法的發展趨勢十分明朗，一定可以在未來為更多的用戶提供更精確的個性化服務。但在快速發展中，也未可避免的涉及到過度收集用戶隱私，信息泄露，過度干擾，信息誤判等諸多問題。

參考文獻

[1] 張志威.個性化推薦算法研究綜述[J].信息與電腦，2018（17）：27-29.

[2] 周穎芮，孫銳，袁圓.個性化推薦研究熱點及學術群探析——基于1990—2017年數據統計及可視化研究[J].科技與經濟，2019，32（3）：1-5.

[3] 陳豪，王澤珺.個性化推薦算法綜述[J].企業科技與發展，2019（2）：64-65.

[4] 代麗，樊粵湘.個性化推薦系統綜述[J].計算機時代，2019（6）：9-11+15.

[5] 李珊.個性化推薦系統研究綜述[J].科技致富向導，2014（8）：157.