基于用戶興趣變化的混合推薦算法分析

范銘煜

摘 要：推薦算法被應(yīng)用在商品購物、音樂推薦、書籍推薦等網(wǎng)站。如何根據(jù)這些已有的用戶行為數(shù)據(jù)讓用戶快速做出抉擇，推薦算法顯得十分重要。傳統(tǒng)的協(xié)同過濾算法沒有考慮到用戶的興趣是隨時(shí)間而變化的。文章首先在傳統(tǒng)的協(xié)同過濾算法的基礎(chǔ)上構(gòu)建時(shí)間變化函數(shù)，對(duì)用戶以往的評(píng)分?jǐn)?shù)據(jù)，對(duì)數(shù)據(jù)做時(shí)間加權(quán)，提高預(yù)測用戶興趣的能力。針對(duì)當(dāng)前推薦算法都會(huì)遇到的評(píng)分稀疏性問題，文章提出了把基于時(shí)間權(quán)重的協(xié)同過濾算法與基于關(guān)聯(lián)規(guī)則的推薦算法進(jìn)行混合推薦，提高了算法的準(zhǔn)確率。

關(guān)鍵詞：推薦算法;時(shí)間加權(quán);基于內(nèi)容;混合推薦;MAE

1 ? 推薦算法研究現(xiàn)狀

（1）協(xié)同過濾：協(xié)同過濾算法根據(jù)具有相同行為習(xí)慣的人對(duì)用戶進(jìn)行推薦[1]。

（2）基于內(nèi)容的推薦算法：基于內(nèi)容的推薦算法，實(shí)際上是對(duì)用戶行為數(shù)據(jù)的屬性信息進(jìn)行分析，包括了用戶的屬性及商品的屬性。

（3）混合推薦算法：混合推薦算法避免了單一算法的弊端，將幾種算法進(jìn)行結(jié)合，達(dá)到取長補(bǔ)短的效果。

2 基于時(shí)間權(quán)重的協(xié)同過濾算法

2.1 時(shí)間相關(guān)算法介紹

為了提高推薦算法的精度，時(shí)間是比較重要的信息，它具有一定的時(shí)效性[2]。根據(jù)用戶行為的時(shí)間信息發(fā)現(xiàn)用戶興趣的變化。將用戶的評(píng)分融入?yún)f(xié)同過濾算法[3]，目前有兩種主要的算法時(shí)間感知算法和時(shí)間依賴算法[4-5]。

時(shí)間感知算法的主要思想是用不同的分類方法對(duì)時(shí)間進(jìn)行分類。用戶的興趣具有周期性是將能夠采用這種分類方法。實(shí)驗(yàn)也證明了這種方法的結(jié)果優(yōu)于未利用時(shí)間感知信息的推薦算法。

時(shí)間依賴算法則是把用戶的興趣變化和時(shí)間緊緊地聯(lián)系在一起，認(rèn)為用戶的興趣變化和時(shí)間是連續(xù)變化的量。假設(shè)考慮時(shí)間因素，那么每個(gè)用戶近期的評(píng)分比之前遠(yuǎn)期的評(píng)分更能反應(yīng)用戶的興趣偏好。所以時(shí)間依賴算法在傳統(tǒng)推薦算法的基礎(chǔ)上加入了時(shí)間因子，給近期的評(píng)分更大的參考價(jià)值。

2.2 相似度計(jì)算

用戶的相似度計(jì)算主要有余弦相似度和Pearson相關(guān)系數(shù)兩種方法，同時(shí)還有對(duì)Pearson相關(guān)系數(shù)加以約束計(jì)算用戶間的相似性。皮爾森相似度公式為：

Pearson相關(guān)系數(shù)的方法將用戶的評(píng)分標(biāo)準(zhǔn)不同納入了考慮范圍，因?yàn)槊總€(gè)用戶的評(píng)分標(biāo)準(zhǔn)尺度不同。Pearson系數(shù)消除了用戶之間平均值差異的可比性。接下來根據(jù)相關(guān)數(shù)據(jù)來預(yù)測用戶對(duì)未曾看過的電影的評(píng)分，預(yù)測評(píng)分公式為：

2.3 時(shí)間加權(quán)函數(shù)

首先定義一個(gè)半衰期參數(shù)因子T：F（T）=（1/2）f（0），時(shí)間權(quán)重定義在T天后，時(shí)間權(quán)重變?yōu)樵瓉淼?/2，然后定義了一個(gè)衰變率ɑ∶ɑ=1/T。時(shí)間衰減函數(shù)為：

時(shí)間衰減函數(shù)的值域從0到1，隨著時(shí)間的推移，歷史評(píng)分?jǐn)?shù)據(jù)越久遠(yuǎn)的權(quán)重會(huì)越來越小。當(dāng)t=0時(shí)，表示函數(shù)值為1，此時(shí)權(quán)重最大。參數(shù)T0決定了歷史評(píng)分?jǐn)?shù)據(jù)的衰減率，當(dāng)參數(shù)發(fā)生變化時(shí)，時(shí)間函數(shù)的曲線會(huì)發(fā)生變化。

2.4 基于時(shí)間權(quán)重的相似度計(jì)算公式

當(dāng)用戶在計(jì)算相似用戶時(shí)，給每個(gè)評(píng)分引入了以時(shí)間為參數(shù)的函數(shù)f（a），修改后的公式為：（假設(shè)用戶分別為u1，u2）。

以上公式帶有時(shí)間信息，由此可以生成帶有時(shí)間信息的用戶—商品的評(píng)分矩陣，利用當(dāng)前用戶的平均評(píng)分偏差，實(shí)現(xiàn)對(duì)用戶推薦項(xiàng)目的預(yù)測評(píng)分。

3 本文方法

3.1? 實(shí)驗(yàn)設(shè)置

本文采用的方法為基于關(guān)聯(lián)規(guī)則的推薦算法和基于時(shí)間的用戶協(xié)同過濾算法兩種策略做混合推薦，進(jìn)一步提高算法的精度。

3.2 混合推薦過程

混合推薦分以下幾個(gè)步驟：（1）利用用戶—商品評(píng)分矩陣計(jì)算用戶之間的相似度。選舉前N個(gè)最近鄰居，利用時(shí)間衰減函數(shù)和Pearson相關(guān)系數(shù)計(jì)算預(yù)測評(píng)分。（2）用Apriori關(guān)聯(lián)規(guī)則分析算法挖掘頻繁項(xiàng)集，選取前N個(gè)置信度最大的項(xiàng)目。（3）將上述的結(jié)果集進(jìn)行取并操作，生成推薦列表。

4 實(shí)驗(yàn)方案

4.1 實(shí)驗(yàn)數(shù)據(jù)

MovieLens-1M數(shù)據(jù)集，包含大約100萬條用戶評(píng)分記錄。數(shù)據(jù)集包含用戶信息、電影信息、用戶對(duì)電影的評(píng)分信息、評(píng)分時(shí)間戳，是6 040個(gè)用戶對(duì)3 900部電影的1 000 209條評(píng)分記錄。評(píng)分分5個(gè)等級(jí)，1分表示用戶很不喜歡電影，5分表示用戶非常喜歡電影。

4.2 環(huán)境配置

硬件環(huán)境：

（1）windows10

（2）CPU：intel7代8700k

（3）內(nèi)存24 G

軟件環(huán)境：Pycharm

4.3 實(shí)驗(yàn)對(duì)比環(huán)節(jié)

（1）在相同數(shù)量的最近鄰居的情況下選擇不同的時(shí)間因子，進(jìn)行MAE值的比較;再選取相同的時(shí)間因子不同的鄰居數(shù)進(jìn)行MAE值對(duì)比。

（2）比較混合的推薦算法與傳統(tǒng)協(xié)同過濾算法在MAE值的差異。

4.4 算法評(píng)估

MAE表示評(píng)分之間的平均評(píng)分偏差。MAE取值0～1。MAE越小，表明算法的推薦效果越好。計(jì)算公式表示如下：

P：用戶U對(duì)商品M的預(yù)測評(píng)分;R：用戶U對(duì)商品M的評(píng)分;N：商品的總數(shù)量。

5 實(shí)驗(yàn)結(jié)果與分析

（1）選取不同的時(shí)間跨度參數(shù)T，得到衰變率ɑ，比較不同的時(shí)間衰變因子對(duì)MAE的影響。最終統(tǒng)計(jì)結(jié)果如表1所示。

可以得出：隨時(shí)間因子增大，MAE值逐漸減少，證明了時(shí)間跨度距離現(xiàn)在越近，預(yù)測結(jié)果更加符合用戶的偏好。

（2）將基于關(guān)聯(lián)規(guī)則算法和基于時(shí)間的協(xié)同過濾的混合推薦算法同協(xié)同過濾算法進(jìn)行比較，進(jìn)一步提高算法準(zhǔn)確率。MAE值如圖1所示。

6 結(jié)語

通過構(gòu)造時(shí)間函數(shù)模擬用戶興趣隨時(shí)間變化的規(guī)律，融合在用戶對(duì)項(xiàng)目的評(píng)分信息中，與此同時(shí)通過關(guān)聯(lián)規(guī)則挖掘商品之間的潛在關(guān)系，解決用戶—項(xiàng)目評(píng)分矩陣稀疏性問題，通過構(gòu)成混合推薦算法，進(jìn)一步提高了推薦算法的精度。

[參考文獻(xiàn)]

[1]BOK K，LIM J，YANG H，et al.Social group recommendation basedon dynamic profilesand collaborative filtering[J].Neurocomputing，2016（C）：3-13.

[2]毛曉勐.基于時(shí)間效應(yīng)的協(xié)同過濾推薦算法研究[D].上海：華東師范大學(xué)，2016.

[3]鄭志高，劉京，王平，等.時(shí)間加權(quán)不確定近鄰協(xié)同過濾算法[J].計(jì)算機(jī)科學(xué)，2014（8）：7-12.

[4]VINAGRE J，JORGE A M.Forgetting mechanisms for scalable collaborative filtering[J].Journal of the Brazilian Computer Society，2012（4）：271-282.

[5]CAMPOS P G，DIEZ F，Cantador I.Time-aware recommender system：a comprehensive survey and analysis of existing evaluation protocols[J].User Modeling and User-Aadapted Interaction，2014（1-2）：67-119.

（編輯 傅金睿）