基于冷啟動的個性化智能推薦機器人研究與設計*

李耀貴

（廣東理工學院，廣東 肇慶 526100）

0 引言

機器人作為現代科技的產物，在信息化技術快速發展的時代背景下已不僅僅局限于工業領域，通過與智能化技術的深度融合，逐漸滲透至各個行業領域，廣泛地應用于參觀、商品導購、游覽、家政服務等各個行業，并取得了較好的成效。然而，隨著大數據時代的到來以及海量數據的積累，智能機器人在應用中逐漸出現操作“失誤”現象，主要表現為具體操作內容不符合用戶需求或與用戶需求指令出現明顯偏差等。綜合來看，引發這些問題的根本原因與推薦算法識別模糊有著莫大關聯。

剖析智能機器人結構，無論哪種機器人結構的核心組成都離不開核心算法，即“機器學習”和“個性化推薦”，是一種通過對客戶需求或用戶個性特征、行為習慣、個人偏好等進行分析，以協同過濾算法為基礎，精準地向用戶推送感興趣的信息和服務的推薦技術[1]。因此，只有完善核心算法，提出較為“智能”的計算模型才能真正保障智能機器人在服務方面的功能作用。

本文從機器人及個性化推薦系統的概念入手，首先論述二者的發展歷程、融合趨勢；其次綜合大數據背景下海量數據引發的信息缺失、冷啟動等問題，提出了以協同過濾推薦技術為基礎，構建個性化智能推薦機器人的設計方案，并應用于實踐；最終完成個性化智能推薦機器人的研究設計。

1 智能機器人及個性化推薦系統綜述

1.1 智能機器人發展歷程

隨著社會的發展及科學的進步，科技產品逐漸成為人類生活中不可或缺的一部分，機器人是現代科技的產物，并逐步發展成為工業領域主要的“生產力”。21 世紀初，在互聯網、信息技術的突破性發展下，機器人逐漸“智能化”，并快速得到社會認可，成為當下人類衣、食、住、行的重要元素。

智能機器人是機械技術、電子技術、信息技術有機結合的產物，近年來，隨著人工智能技術的不斷成熟，機器人應用逐漸從工業制造、航空航天、交通礦業等領域向商業、安全、生活等領域擴展。機器人笨拙、緩慢、智能程度不高等缺點逐步得到克服，并形成了模擬人類的行為但不需要大量計算的控制方法。

1.2 個性化推薦系統發展歷程

個性化推薦系統誕生于20 世紀末，它伴隨著計算機技術產生，并且在全球商業經濟發展的大趨勢下逐步成熟。

最初的個性化推薦系統就是利用互聯網平臺向消費者提供商品的信息以及消費建議，同時模擬銷售人員輔助消費者購買商品。20 世紀末期，隨著機器人在制造業的廣泛應用，生產力大幅提升，物品短缺現象不復存在；相反，加快產品銷售，提高企業資金流動活躍程度成為商業發展的核心理念。在此背景下，越來越多的企業摒棄傳統的產品信息化宣傳，開始向產品個性化推薦銷售模式轉變，而推薦系統也成為企業發展的新領域。21 世紀初期，隨著互聯網的發展，大數據時代到來。面對海量的消費數據，如何推動商品銷售，穩固客戶群體成為企業生存、發展的關鍵。因此，個性化推薦系統迅速發展，并促使企業銷售方式轉變[2]。

1.3 智能機器人與個性化推薦系統的融合發展

2015 年前后，“第四次科技革命”即人工智能科技變革，正悄然發軔興起。在工業、科技的雙重推動下，機器人、計算機領域的人機交互、機器人視覺、機器人觸覺核心技術加速發展，谷歌、微軟、Broad Vision、IBM、Serve Robotics 以及國內的小米、華為等科技企業陸續推出智能機器人，傳統機器人不斷向智能化演變。與此同時，在日漸激烈的商業競爭態勢下，推薦技術應用領域不斷擴展，推薦方法的多樣化、成熟化使得個性化推薦系統被快速應用于新聞、資訊、音樂、社交網站中，甚至在科普學習、青少年社會活動等領域也有應用[3]。由此，也逐漸演變出智能機器人與個性化推薦系統的融合發展，形成了以產品推薦為主的“智能推薦機器人”類目。這些公司憑借堅實的科研實力以及充足的資金支持，形成了比較成熟的個性化智能推薦機器人產品。

從當前已有的個性化智能推薦機器人應用情況來看，宏觀層面上，個性化智能推薦機器人的發展首先歸功于機器人人工智能技術的發展。進入21 世紀后，企業為降低成本、提升生產力，積極研發、使用機器人代替人工作業，在信息化技術的推動下，機器人趨于智能化且應用范圍不斷擴展。例如，通過智能控制方法加強機器人的操控靈活性，提高了機器人的作業速度及精度；通過豐富的軟硬件程序，靈活的API 方法，加強機器人的二次開發，實現人機之間的準確交互和溝通等。

中觀層面上，依賴于計算機技術創新，隨著互聯網技術及網絡基礎設施的不斷完善、升級，一方面加速推動了計算機算法的發展，促進個性化推薦系統更高效地幫助企業識別“海量數據”；另一方面，在更為便捷的互聯網生產模式下，企業更需精準投放產品信息，找到消費者群體。

微觀層面上，在世界生產力普遍提高以及全球嚴峻的競爭態勢下，企業需要重新審視消費鏈條，而這個鏈條當中，個性化推薦系統可以實現“海量分析，精準推薦”。

2 個性化智能推薦機器人的核心價值與現存問題

2.1 個性化智能推薦機器人的核心價值及關鍵技術

個性化智能推薦機器人具有多種技術體系，且每類技術都面臨更新換代速度不斷加快、技術生命周期日益縮短的時代問題，然而不論如何變化，個性化智能推薦機器人的核心算法始終繞不開“信息感知、數據分析”，這就是“機器學習”的根本內容，也是人們把“會感知，能思考”作為智能機器人與機器人區別界定的原因[4]。因此，如何保證機器人能夠感知消費者信息并完成準確分析，從而推動企業產品銷售，搶占市場，加速企業發展，是這類產品的核心價值。

2.2 個性化智能推薦機器人關鍵技術運行機理及問題

在個性化智能推薦機器人的核心價值之下，完善核心算法，形成精準、有效的算法設計是當前個性化智能推薦機器人的重要目標。雖然目前根據用戶行為推薦產品的個性化推薦系統較為豐富，具有個性化推薦功能的其他系統也比比皆是。但總體而言，以上產品的開發主要以協同過濾技術為主，特別是電子商務領域尤為明顯。推薦中的協同過濾技術主要通過對消費者使用產品的用后評價、滿意度反饋等信息進行統計，完成用戶分類，并在此基礎上，尋找與用戶興趣、喜好相似的“消費鄰居群”，然后對“消費鄰居群”中的用戶其他商品的購買狀況作出評價，預測用戶對這些商品的感興趣程度，最后完成推薦。

2.3 個性化智能推薦機器人關鍵技術的主要問題

個性化推薦技術總體以協同過濾技術為主，邏輯較為清晰，運行相對簡單高效。但隨著快節奏的生活學習，消費者往往在消費、購物后不對產品做出評價。同時，還有部分消費者屬于盲目消費、無目的消費，導致消費信息無法反映消費者需求或出現“信息迷霧”問題，使得基于數據的協同過濾算法失誤。此外，還有一種現象就是某一產品的消費評價過少。根據當前的技術手段，當售出產品的評價數量少于售出總量的1%時，就會出現數據稀疏性、冷啟動等問題[5]。在此情況下，協同過濾技術要尋找“消費鄰居群”時，就需要此前三倍以上的時間進行計算，造成大量的服務器端資源消耗。

3 基于冷啟動信息檢索的智能推薦機器人系統設計

3.1 設計原則

為提高商品推薦結果的準確度、可靠度，增強推薦實時性，本文設計的個性化智能推薦機器人系統以海量數據庫為基礎，通過數據挖掘延伸技術，實現高級智能推薦，進而幫助企業為消費者個性化決策提供支持和信息服務[6]。根據目標，本系統在構建過程中遵循以下設計原則，如表1所示。

表1 個性化智能推薦機器人設計原則

3.2 硬件平臺

本文所設計的個性化智能推薦機器人的推薦系統算法部分采用Java 語言建設，編程部分采用MyEclipse 工具；硬件方面，機器人設施需具有人機交互、語音識別、智能識別等功能，傳感器應包括光強檢測、超聲波測距、紅外避險等功能，同時配有10.1英寸、1 280*800 屏幕分辨率的電容觸摸屏，方便推薦，具體如表2所示。

表2 個性化智能推薦機器人硬件設計

3.3 協同過濾推薦系統構建

依據協同過濾推薦系統運行機理，本設計選擇首先構建基于消費者的協同過濾推薦引擎，具體步驟包括：收集消費者數據、尋找消費鄰居用戶、尋找匹配結果、實現最終推薦。

在此基礎上，首先創建Java 類文件，并加代碼完成實驗數據集構建。具體為：private static Map> critics =

new HashMap>();

static {

Map map = null;

map = new HashMap();

map.put(''Lady'', 3.0f);

map.put(''Snakes'', 4.0f);

map.put(''Dupree'', 3.5f);

map.put(''Superman'', 5.0f);

map.put(''Listener'', 3.0f);

critics.put(''Jack'', map);

…

}

其次，在HashMap 中設定評價體系，以輔助推薦匹配環節。評價體系可以1~5 作為標準，用來代表消費者對某一產品的喜好程度，這樣就形成了一個消費者對商品評分的數據集。隨后，根據1~5 的等級，需要設定表達方式，因此，分別用數字-1、0、1 來表示“不喜歡”“一般”“喜歡”。以上步驟可以在多種環境使用，如購物推薦、新聞評論網等，具體如表3所示。

表3 消費者評分對應關系表

在實現消費者評價信息收集，獲得可識別的偏好信息的數據后，以個人與其他人進行對比，計算消費者間的相似度評價值，以此來判斷消費者對某種商品的喜好相似程度。此處，采用皮爾遜相關系數來判斷用戶之間的相似度評價值，部分代碼實現具體如下[7]。

// 返回p1，p2 的皮爾遜相關系數，p1，p2 為評價用戶

p u b l i c d o u b l e s i m P e a r s o n(M a p>

prefs, String p1,String p2) {

...

// 計算皮爾遜相關系數

double num = pSum - (sum1 * sum2 / n);

double den = Math.sqrt((sum1Sq - Math.

pow(sum1, 2) / n)

* (s u m 2 S q - M a t h.

pow(sum2, 2) / n));

if (den == 0) {

return 0;

}return num / den;

}

所獲結果將介于-1 與1 之間，皮爾遜相關系數值越大，證明兩個用戶之間的相似度越高，反之則越低。當值為1 時，表示兩個消費者對每一樣物品均有著一致的喜好評價，構建數據集，數據使用simPearson 函數進行處理后，在MyEclipse 中的運行結果如圖1所示[8]。

圖1 皮爾遜相關算法運行結果圖

最終運行結果中的數值0.381 246 425 831 511 64即利用皮爾遜相關系數算法得出的兩個用戶的相似度，通過算出的相似度數值大小，設定相似度閾值標準，可以找出目標用戶的“最近鄰居群”[9-10]。通過相似度計算方法，得到了兩個用戶的相似程度評價值，接下來就可以指定相應的人員對每個用戶進行評分，找出與目標用戶最接近的匹配結果。針對此數據集，可以找出與目標用戶有相似偏好的消費者，然后就可以為目標用戶預測偏好，推薦產品，獲取的Top-N 列表圖如圖2所示。

圖2 獲取的Top-N列表圖

以上運行結果是在構造的數據集中，假設目標用戶Toby的匹配結果，根據消費者的相似程度不同，形成由高到低的排列順序。結果顯示：Toby和Lisa對某一件產品的喜好相似度為0.991 240 707 161 929 9，對比其他用戶，Lisa 與Toby 的喜好相似度最高。所以，當智能機器人要向Toby推薦相關商品時，應首先參考Lisa所感興趣的內容。

4 結論

本設計在當前的市場中具有較強的可操作性，且投入成本較低，但是隨著智慧時代的到來以及智能機器人應用趨勢的擴大，也必將面臨技術迭代和技術周期問題。但是，應明確認識到，隨著商業范圍的不斷擴大，智能商業化機器人無疑將是機器人發展的一個主要方向，這是世界經濟與科技的重要發展趨勢，任何企業都無法忽視這一特征。當前，根據用戶行為推薦產品的個性化推薦系統以及具有推薦功能的設計已不勝枚舉，但市場仍舊積極投資開發更為高端的“個性化推薦智能機器”。因此，企業應當積極做出相應的調整，才能跟上新時代的發展步伐，實現轉型升級。