基于協同過濾算法的個性化推薦系統研究

摘要：個性化推薦系統分為離線系統和在線系統，二者相互聯系，相互配合，且它在發展過程中也存在一些問題。針對以上問題，可以通過用戶主導推薦和項目指導推薦分別進行改進。另外，一個好的個性化推薦系統離不開優秀的設計，主要分為4個管理系統：源數據管理、ETL管理、數據策略管理和集群管理，重點是數據策略管理。該文通過對協同過濾算法的個性化推薦系統進行分析，希望能夠通過該文簡單地分析探討為后研究者提供借鑒意義。

關鍵詞：協同過濾 ?算法 ?個性化推薦系統 ?系統設計

中圖分類號：G71??文獻標識碼：A???文章編號：1672-3791（2022）05（b）-0000-00

基金項目：2020年廣西高校中青年教師科研基礎能力提升項目（項目編號：2020KY48012）; 2020年百色市現代教育技術科研課題（項目編號：SZ202008）。

作者簡介：覃瓊花（1981—），女，本科，講師，研究方向為計算機技術應用、教育信息化。

DOI：10.16661/j.cnki.1672-3791.2112-5042-2431

Research on Personalized Recommendation System Based on Collaborative Filtering Algorithm

QIN Qionghua

（Baise Vocational College，Baise，Guangxi?Zhuang?Autonomous?Region，533000 China）

Abstract： Personalized recommendation system is divided into offline system and online system， which are interrelated and cooperate with each other. It also has some problems in the process of development. To solve the above problems， user-led recommendation and project guidance recommendation can be respectively improved. In addition， a good personalized recommendation system cannot be separated from excellent design， which is mainly divided into four management systems： source data management， ETL management， data policy management and cluster management， with the emphasis on data policy management. This paper analyzes the personalized recommendation system of collaborative filtering algorithm， hoping to provide reference for future researchers through simple analysis and discussion in this paper.

Key Words： Collaborative filtering; The algorithm; Personalized recommendation system; The system design

個性化推薦系統早在1997年，被Resnick和Varian提出，在電子商務平臺上，它根據用戶的實際喜好，推薦相應的產品信息，給用戶提供建議與指導，類似于承擔著“虛擬銷售”的作用，極大方便用戶的購買需求^[1]。完整的個性化推薦系統包括多個模塊，即用戶行為記錄、用戶數據分析和推薦算法，不同的模塊承擔不同的處理功能^[2]。用戶行為記錄就是根據用戶在互聯網上進行的操作行為，例如：點評、瀏覽、信息停留閱讀時間以及點贊等，判斷用戶對該同類信息的喜好，確定用戶信息推薦范圍。用戶數據分析是根據用戶的行為直接進行分析，確定用戶的真實喜好，有針對性地提出類似的相關推薦信息。推薦算法則是這一整套流程的運行依據，確保流程的準確運行，是系統中最重要的關鍵技術。

1 協同過濾算法的類型

總體來說，協同過濾算法可以分為，基于模型的協同過濾算法和基于內存的協同過濾算法兩個大類。

1.1基于模型的協同過濾算法

基于內存的協同過濾算法是以項目為依托，以用戶的想法為根據的過濾算法，它先根據用戶的實際需求篩選與其想法類似的協同鄰居用戶，再根據協同鄰居用戶的關聯項目為推薦對象和評分對象，對用戶進行推薦，并預測用戶對這些項目可能的評分值，并能根據分值進行優劣篩選^[3]。值得一提的是，項目的評分會作為本算法的判斷依據，類比思想也會在此體現，如果協同鄰居用戶絕大多數均趨向于以上項目，那么判斷該用戶也會喜歡以上項目，相應的評分制度會推給該用戶，默認喜歡相似的項目。

1.2基于內存的協同過濾算法

基于模型的協同過濾算法與基于內存的協同過濾算法有本質區別，前者趨向于在尋找關聯協同鄰居用戶之前，進行模型構建（將用戶的瀏覽、點擊、購買與資訊閱讀信息建立用戶喜好綜合模型），將模型與協同鄰居用戶的進行比對，預測用戶的喜好，通過將項目集合分成多個模塊，根據用戶的模型將協同鄰居用戶的模塊單元進行分類，篩選與用戶模型最匹配的模塊集合，將內容推薦給用戶。這種技術有較多的分支，均體現關聯性和對比分析的思想。E342F02E-7A77-4FB2-92FE-371A5EE03885

2 個性化推薦系統分析（協同過濾）

2.1 個性化推薦系統（協同過濾）的分類

協同過濾算法可以說是個性化推薦系統的最主要的算法，在系統的發展過程中起到舉足輕重的地位。1992年，Tapesry系統處理技術是以個性化推薦系統為依托的技術^[4]。1994年，GroupLens系統劃時代地出現了，將個性化推薦系統引入了新航道。目前為止，協同過濾算法仍然是個性化推薦系統的主流算法，負責將協同鄰居用戶的推薦信息及時傳遞給系統，接受下一步指令。

協同過濾算法的核心思想是在短時間內有效搜尋用戶喜好相關的鄰居用戶，根據鄰居用戶對項目的喜好進行篩選與排序，將結果推薦給初始用戶。在算法進行過程中，需要按照項目相似度尋找相關聯的協同鄰居用戶，采用數學方法按相似度的高低進行排序。

個性化推薦系統可以分為離線系統和在線系統，二者相互聯系，相互配合。在線系統中，老用戶和新用戶也有不同的分析路徑，老用戶會受到系統的重點分析，先通過用戶行為數據庫進行搜尋比對，再對其行為特征進行提取，找到相似的行為特征的用戶，根據協同過濾算法，將鄰居用戶的有效信息進行篩選，類比、過濾和排名，最終呈現排名后的結果^[5]。新用戶由于無法摸清初始喜好，只能通過協同過濾算法進行粗略篩選，提取出精度較低的類似對比結果，和老用戶一樣進行過濾和排名后，確定最終的篩選結果。離線系統是幫助在線系統運行的重要手段，通過實施用戶行為模型分析、用戶和項目聚類分析、相似度表和用戶反饋模型，以使在線系統及時選擇分析結果。

2.2 個性化推薦系統的問題

個性化推薦系統雖然經過20余年的發展，取得一定的成果，但仍然存在一些問題。首先，存在數據缺乏的問題^[6]。雖然在互聯網上用戶面臨海量的關聯數據，但是當個性化推薦系統輔之以協同過濾算法，會對協同鄰居用戶數量進行精挑細選，必然會導致最終選擇的用戶數相對執行算法前較少，忽略了低分的有效數據的收集整理，所以在創建樣本矩陣時，出現樣本不足的情況，影響矩陣的建立。其次，樣本豐富度問題。用戶的喜好雖然可以用協同過濾算法下的個性化推薦系統進行提煉推薦，但是在事物的喜好上，仍然存在用戶之間的微小差距，當用戶因為個人原因或其他原因對某種喜好產生厭倦，必然會影響最終的推薦結果。因此，廣泛地推薦喜好能避免因個人原因導致單一推薦失效的問題，在推薦系統中可以考慮將推薦范圍和類別延伸，多角度、多方位考慮推薦對象。再次，系統的運算能力要滿足數據庫內的數據迭代更新的需要，當系統經過多次篩選、排名后，必然會使系統的數據增加，甚至影響系統的穩定運行速度，所以系統自身運算能力要足夠強大，滿足有限時間內產生指定數量的推薦結果，如果在系統長期運行中無法保證高效運算，用戶會喪失對系統的使用耐心，放棄使用系統。最后，新用戶問題是系統自始至終一直存在的問題，主要原因是新用戶相關信息缺乏，系統無法預見新用戶的真實喜好，初次采用協同過濾算法分析會導致推薦準確度大大降低。

2.3 個性化推薦系統（協同過濾）的改進

2.3.1 用戶主導推薦

以用戶為識別依據，是個性化推薦系統的創新，它直接將初始用戶與對比用戶相匹配，可以根據對比用戶對項目的喜愛程度預測初始用戶對同樣項目的喜愛程度。例如：在網購時，甲較乙之前看中了一件商品，系統通過分析，發現甲和乙對該商品具有類似的喜好，所以默認為乙也喜歡該商品，故將甲喜歡的該商品推薦給乙。用戶主導推薦的評價機制是評分，通過對某一項目進行評分后再比對，把評分較高的相關用戶喜歡的商品推薦給初始用戶，實際上也體現了加權逼近的思想。

2.3.2 項目主導推薦

項目主導的核心思想是以項目之間的評分為依據，將大量用戶喜歡的項目與初始用戶喜歡的項目進行對比后篩選，再通過排序確定最優的項目，那么這個最優質的項目也是初始用戶喜歡的項目^[7]。這種推薦方法與上述用戶主導的推薦方法相比有不同之處，如果我們計劃確定初始用戶對某一項目的評分，需要確定這一項目和其他類似項目之間的相似度，按評分的高低將相似度進行排序，得到排序中較高的項目排序集合，將此集合的加權平均值作為初始項目的最終評分，以次評分為初始項目的評分，從而確定初始用戶的評分。

3 個性化推薦系統設計（協同過濾）

3.1 系統結構模塊設計

個性化推薦系統模塊可以分為4個管理系統：源數據管理、ETL管理、數據策略管理和集群管理，以上順序也是管理流程的順序。源數據可以分為結構化模塊數據和非結構化模塊數據，結構化數據包括日志、項目和用戶，非結構化數據包括文本、網頁和圖表等，分類進行數據采集是數據處理的第一步。ETL管理是數據存儲的管理模式，它是將非結構化的數據進行整理，通過分布、數據儲存，然后在元數據庫中整理分析。個性化推薦系統設計的關鍵模塊是數據策略管理，它能實現基于協同過濾算法的數據推薦策略分析，通過用戶、項目、評價、偏好等因素，選擇相關的算法，通過分析后，采用過濾、排序和推薦確定最終推薦結果。集群管理采用分發的模式，將集群分發給相關門戶，通過門戶提供相應的服務。

3.2 系統重點模塊舉例介紹

3.2.1 數據策略模塊

這個模塊也是上述系統設計的核心，如上所述，通過用戶、項目、評價、偏好等因素，選擇相關的算法，通過分析后，采用過濾、排序和推薦確定最終推薦結果。例如，為用戶推薦某地圖上某區域排名前10的小吃店，每行首列表示用相關用戶的名字，后面的10列表示篩選出的小吃店的編號，選擇27號用戶，發現該用戶為男性，年齡為26歲，平均每日點外賣2.3次，為其篩選出的小吃店編號分別是1280、1602、904、1017、824、1282、1071、1681、358、968，體現了篩選的無序性和排序的精確性。E342F02E-7A77-4FB2-92FE-371A5EE03885

3.2.2 源數據管理模塊

源數據管理可以分為非結構化數據管理和結構化數據管理，在個性化推薦系統中，結構化數據包括用戶初始數據、文本數據、記錄數據等，非結構化數據包括圖片、音頻文件等，不同類型的數據采用不同的管理方法。數據管理可以采用下面的偽代碼進行分析。

輸入端口：數據標記。輸出端口：標記。

（1）添加結構化數據;（2）判別數據首列，添加用戶數據，添加文本數據;（3）添加非結構化數據;（4）判別非結構化數據首列;（5）插入;（6）循環操作。

4結語

該文分開論述協同過濾算法和個性化推薦系統，并闡述二者之間的關聯性，重點介紹了基于協同推薦算法的個性化推薦系統的結構、分類和優缺點，并拓展介紹了系統的改進方法。從上可知，協同過濾算法分為基于模型的協同過濾算法和基于內存的協同過濾算法，基于內存的過濾算法是以項目為依據，基于模型的過濾算法以用戶為依據，與個性化推薦系統的分類有相似之處。

個性化推薦系統是以協同過濾算法為核心的系統，其核心思想是在短時間內有效搜尋用戶喜好相關的鄰居用戶，根據鄰居用戶對項目的喜好進行篩選與排序，將結果推薦給初始用戶。它分為離線系統和在線系統，二者相互聯系，相互配合。它在發展過程中也存在一些問題，例如數據缺乏、樣本豐富度不足、系統運算能力低和新用戶、新產品干擾等。針對以上問題，可以通過用戶主導推薦和項目指導推薦分別進行改進。一個好的個性化推薦系統離不開優秀的設計，主要分為4個管理系統：源數據管理、ETL管理、數據策略管理和集群管理，重點是數據策略管理。

參考文獻[1] 陳耶拉，耿秀麗.基于改進協同過濾的個性化產品服務系統方案推薦[J].計算機集成制造系統，2021，27（1）：240-248.

[2] 楊雪.基于協同過濾的圖書館書目個性化推薦系統[J].微型電腦應用，2021，37（9）：169-171+175.

[3] 陳煉.基于快速矩陣分解的分布式協同過濾推薦算法研究[D].長沙：湖南大學，2020.

[4] 王保.基于協同過濾算法的農業信息推薦系統研究[J].電腦編程技巧與維護，2021（9）：124-125，128.