基于電影數據的個性化推薦技術應用研究

陳鏗，蔡默晗，李德超

（北方工業大學信息工程學院，北京100144）

0 引言

隨著科技的飛速發展，信息服務也隨之得到了巨大的發展，用戶在獲取信息服務便利的同時，同樣也面臨著得到了大量無用信息，即所謂的信息超載問題。人們每天都要受到成百上千條信息的轟炸，那么，“信息過濾器”將顯得尤為突出，是我們日常生活中不可或缺的存在，同時也是信息供應商在當今激烈的信息市場脫穎而出的超級必殺技。面對海量的網絡信息，人們所需要的是一種解決信息超載的服務技術，而個性化推薦系統便是一種極具潛力的解決信息超載的服務技術。個性化推薦系統能夠從許多繁雜信息中推薦出用戶喜歡的信息。生活中的個性化的推薦隨處可見，例如電商平臺的“猜你喜歡”模塊，音樂平臺的“每日推薦”模塊，以及社交網站的“相似用戶”模塊。推薦系統能夠挖掘用戶的潛在興趣，有效地提高商品的交叉銷售能力。

1 相關工作

為了使人們在當今的海量信息中有效篩選自己想要的信息，個性化推薦系統在眾多信息服務技術中脫穎而出，2016 年，深度學習正處于其研究的火熱時期，YouTube 便將深度神經網絡應用到了推薦系統中，使推薦系統的個性化程度進一步提高，在生成的推薦內容中，進一步過濾出最符合用戶喜好的內容。2017 年，風靡網絡的短視頻App——抖音，在使用基于協同過濾的推薦算法的同時，將深度神經網絡也融合了進去，從用戶的瀏覽歷史紀錄以及當前的熱門視頻，進一步分析了用戶的喜好與視頻的特征信息，不斷地將用戶感興趣的內容推薦出來，因此打造了當時最為火熱的短視頻App。2018 年，注意力機制在推薦算法中有了新的應用。注意力機制的引入，極大地提高了對信息過濾的效率。同時，用戶的愛好存在多樣性，注意力[1]機制結合神經網絡也更加精準地分析出了用戶的興趣愛好。本系統的設計開發平臺是PyCharm，采用Py?thon 編程語言來進行數據的獲取以及數據的預處理，使用PyQt 來搭建推薦系統的界面。

2 個性化推薦技術研究

一般來說，個性化推薦系統的原理就是給用戶推薦與他們所喜歡的物品相似的物品，其技術實現主要分為以下三點：基于內容的推薦技術、基于用戶的協同過濾推薦技術以及基于物品的協同過濾推薦技術。

2.1 基于內容的推薦技術

基于內容的推薦系統可以很直觀地根據物品屬性特征以及用戶偏好信息生成推薦列表。其推薦原理如圖1 所示。

圖1 基于內容的推薦原理

此時，電影的特征屬性是電影類型，假設有三個用戶，分別為用戶1、用戶2 和用戶3，用戶1 和用戶3 喜歡科幻和冒險類的電影，而用戶2 喜歡家庭喜劇類電影，電影A、C 兩者都屬于同一種類型的電影，所以判定兩者為相似電影，由此便可以推測用戶1 也喜歡電影C。所以在推薦時向用戶1 推薦沒有過行為的電影C。

基于內容的推薦算法其本質就是把物品的特征屬性和用戶的喜好信息聯系起來，其流程圖如圖2 所示。

圖2 基于內容的推薦流程圖

2.2 基于用戶的協同過濾推薦技術

假設有三個用戶，分別為用戶1、2、3。用戶1 和用戶3 都喜歡電影A，那我們就可以將用戶3 和用戶1判定為相似用戶。同時用戶3 也喜歡電影A，所以我們便向用戶1 推薦其沒有過歷史行為的電影C。

基于物品的推薦算法其本質就是找到不同物品的相似物品，其中主要步驟分為以下三步：

（1）構建出用戶評分表，以用戶評分來反映用戶對物品的喜好程度，需要依據實際的需要進行設置。

（2）計算相似度：

在上式中，u、v 代表不同用戶，N 表示用戶有過評分的物品數量。

（3）得到用戶相似度之后，計算用戶對之前沒有評過分物品的評分，采取公式為：

S（u，K）表示與用戶u 興趣最接近的K 個用戶的集合，而N（i）是指對物品i 有過行為的用戶集合，如果要判斷用戶u 對物品i 的興趣程度，那么就要從與其興趣最接近的K 個用戶中挑出對i 有過行為的用戶，因此兩者取交集。Wuv是用戶u 和用戶v 的興趣的相似度，rvi代表用戶v 對物品i 的興趣程度。

計算完評分之后，對這些評分進行排序，然后推薦前k 個未評分的物品給該用戶。

圖3 基于用戶的協同過濾推薦技術原理

2.3 基于物品的協同過濾推薦技術

物品的協同過濾算法是目前業界使用最多的推薦算法[2]，其核心思想是通過分析用戶之前喜歡的物品，找出這些物品特征，再找到跟這些特征相似的物品，最后將其推薦給該用戶。ItemCF 算法認為，如果同時喜歡這兩件物品的用戶數量越多，那么就判定這兩件物品的相似度也就越高。

用戶1 喜歡電影A 跟B，用戶2 喜歡電影A，電影B 和電影C，用戶3 喜歡電影B。從這些用戶喜好中，我們可以發現用戶1 和用戶2 同時喜歡電影A 和電影B，因此我們可以認為電影A 和B 屬于相似電影，因為喜歡電影A 的用戶同時也喜歡電影B。所以推測用戶3 同樣也會喜歡電影A，于是在推薦時可以向用戶3 推薦將電影A。在ItemCF 中，物品成為了算法的主體，物品的相似度成為了推薦的根本依據，具體實現步驟如下：

圖4 基于物品的協同過濾推薦技術原理

（1）構建用戶評分信息表

因此在駕駛時實現調整智能自動化技術能夠加強車輛控制和機車運轉狀態的監控與調整，讓駕駛人員更容易的能夠及時知道機車及時的運轉狀態，預防危險狀況的出現。結合科學技術調控系統，設定對車輛水箱內的降溫水溫度范圍的嚴格調控，如果超過或少于設定的調控范圍，便將會發起自我保護信號并及時進行系統調控，與此同時還會有警報來提醒駕駛員注意。至于剎車問題的解決方案，對不同的路面狀況，計算機系統將運轉信息回饋至中心調控處理體系，體系通過對狀況的精準判定作出精確的預算。在人工智能的協助下，還可能給司機行駛意見，規劃更為安全的路徑。

（2）計算物品之間的相似度，首先重構物品評分信息，然后根據重構的表來創建同現矩陣相似度由公式來計算：

在上式中，i、j 代表不同物品，N 表示喜歡該物品的用戶數。

該公式的意義在于懲罰了活躍的用戶，即懲罰熱門物品的權重，那么就會減輕熱門物品與許多物品相似的可能性。

（3）計算推薦結果

計算完用戶評分表以及物品相似度表之后，通過使用公式來計算評分。

其中S（i，k）是指和物品j 最相似的K 個物品的集合，N（u）則是指用戶u 喜歡物品的集合，Wij指物品i 與物品j 的相似度，ruj表示用戶u 對物品i 的興趣程度。

該公式的最主要的意義便是在用戶的歷史紀錄中感興趣的物品越相似的物品，便可以在推薦列表中有較高的排名。

3 實驗結果與分析

本文基于內容的推薦技術，基于用戶的協同過濾推薦技術以及基于物品的協同過濾推薦技術分別進行了調試，并使用Qt Designer 工具來實現界面的搭建。實驗結果如圖5。

圖5 準確率運行截圖

圖6 基于內容的電影推薦

4 結語

在Python 開發環境和PyCharm 的軟件環境下進行實踐，主要對從豆瓣電影中爬取的數據進行預處理，而界面使用了Qt Designer 工具來搭建，之后使用基于內容的推薦算法設計并完成了一個電影推薦系統，同時使用數據增廣的方式來填充數據，緩解用戶評分數據稀疏問題。同時，也通過基于協同過濾的兩種推薦算法驗證了此方法的可行性。同時分析了不同K 值對推薦算法準確率的影響結果。