歡迎關(guān)注【機(jī)器學(xué)習(xí)之路】公眾號(hào)

1顿颅。http://www.voidcn.com/blog/u013713010/article/p-3625549.html

在推薦系統(tǒng)簡(jiǎn)介中鹦牛，我們給出了推薦系統(tǒng)的一般框架。很明顯性锭，推薦方法是整個(gè)推薦系統(tǒng)中最核心、最關(guān)鍵的部分晶乔，很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣较木。目前，主要的推薦方法包括：基于內(nèi)容推薦蔚龙、協(xié)同過(guò)濾推薦冰评、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦木羹、基于知識(shí)推薦和組合推薦甲雅。

一、基于內(nèi)容推薦

基于內(nèi)容的推薦（Content-based Recommendation）是信息過(guò)濾技術(shù)的延續(xù)與發(fā)展坑填，它是建立在項(xiàng)目的內(nèi)容信息上作出推薦的抛人，而不需要依據(jù)用戶對(duì)項(xiàng)目的評(píng)價(jià)意見(jiàn)，更多地需要用機(jī)器學(xué)習(xí)的方法從關(guān)于內(nèi)容的特征描述的事例中得到用戶的興趣資料脐瑰。在基于內(nèi)容的推薦系統(tǒng)中妖枚，項(xiàng)目或?qū)ο笫峭ㄟ^(guò)相關(guān)的特征的屬性來(lái)定義，系統(tǒng)基于用戶評(píng)價(jià)對(duì)象的特征苍在，學(xué)習(xí)用戶的興趣绝页，考察用戶資料與待預(yù)測(cè)項(xiàng)目的相匹配程度荠商。用戶的資料模型取決于所用學(xué)習(xí)方法，常用的有決策樹(shù)续誉、神經(jīng)網(wǎng)絡(luò)和基于向量的表示方法等莱没。基于內(nèi)容的用戶資料是需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化。

基于內(nèi)容推薦方法的優(yōu)點(diǎn)是：

1）不需要其它用戶的數(shù)據(jù)背苦，沒(méi)有冷開(kāi)始問(wèn)題和稀疏問(wèn)題禀忆。

2）能為具有特殊興趣愛(ài)好的用戶進(jìn)行推薦。

3）能推薦新的或不是很流行的項(xiàng)目，沒(méi)有新項(xiàng)目問(wèn)題。

4）通過(guò)列出推薦項(xiàng)目的內(nèi)容特征，可以解釋為什么推薦那些項(xiàng)目焦蘑。

5）已有比較好的技術(shù)，如關(guān)于分類學(xué)習(xí)方面的技術(shù)已相當(dāng)成熟盒发。

缺點(diǎn)是要求內(nèi)容能容易抽取成有意義的特征例嘱，要求特征內(nèi)容有良好的結(jié)構(gòu)性，并且用戶的口味必須能夠用內(nèi)容特征形式來(lái)表達(dá)宁舰，不能顯式地得到其它用戶的判斷情況拼卵。

二、協(xié)同過(guò)濾推薦

協(xié)同過(guò)濾推薦（Collaborative Filtering Recommendation）技術(shù)是推薦系統(tǒng)中應(yīng)用最早和最為成功的技術(shù)之一蛮艰。它一般采用最近鄰技術(shù)腋腮，利用用戶的歷史喜好信息計(jì)算用戶之間的距離，然后利用目標(biāo)用戶的最近鄰居用戶對(duì)商品評(píng)價(jià)的加權(quán)評(píng)價(jià)值來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度壤蚜，系統(tǒng)從而根據(jù)這一喜好程度來(lái)對(duì)目標(biāo)用戶進(jìn)行推薦即寡。協(xié)同過(guò)濾最大優(yōu)點(diǎn)是對(duì)推薦對(duì)象沒(méi)有特殊的要求，能處理非結(jié)構(gòu)化的復(fù)雜對(duì)象袜刷，如音樂(lè)聪富、電影。

協(xié)同過(guò)濾是基于這樣的假設(shè)：為一用戶找到他真正感興趣的內(nèi)容的好方法是首先找到與此用戶有相似興趣的其他用戶著蟹，然后將他們感興趣的內(nèi)容推薦給此用戶墩蔓。其基本思想非常易于理解，在日常生活中萧豆，我們往往會(huì)利用好朋友的推薦來(lái)進(jìn)行一些選擇奸披。協(xié)同過(guò)濾正是把這一思想運(yùn)用到電子商務(wù)推薦系統(tǒng)中來(lái)，基于其他用戶對(duì)某一內(nèi)容的評(píng)價(jià)來(lái)向目標(biāo)用戶進(jìn)行推薦涮雷。

基于協(xié)同過(guò)濾的推薦系統(tǒng)可以說(shuō)是從用戶的角度來(lái)進(jìn)行相應(yīng)推薦的阵面，而且是自動(dòng)的，即用戶獲得的推薦是系統(tǒng)從購(gòu)買(mǎi)模式或?yàn)g覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息样刷，如填寫(xiě)一些調(diào)查表格等嗽交。

和基于內(nèi)容的過(guò)濾方法相比，協(xié)同過(guò)濾具有如下的優(yōu)點(diǎn)：

1）能夠過(guò)濾難以進(jìn)行機(jī)器自動(dòng)內(nèi)容分析的信息颂斜，如藝術(shù)品，音樂(lè)等拾枣。

2）共享其他人的經(jīng)驗(yàn)沃疮，避免了內(nèi)容分析的不完全和不精確，并且能夠基于一些復(fù)雜的梅肤，難以表述的概念（如信息質(zhì)量司蔬、個(gè)人品味）進(jìn)行過(guò)濾。

3）有推薦新信息的能力姨蝴】√洌可以發(fā)現(xiàn)內(nèi)容上完全不相似的信息，用戶對(duì)推薦信息的內(nèi)容事先是預(yù)料不到的左医。這也是協(xié)同過(guò)濾和基于內(nèi)容的過(guò)濾一個(gè)較大的差別授帕，基于內(nèi)容的過(guò)濾推薦很多都是用戶本來(lái)就熟悉的內(nèi)容，而協(xié)同過(guò)濾可以發(fā)現(xiàn)用戶潛在的但自己尚未發(fā)現(xiàn)的興趣偏好浮梢。

4）能夠有效的使用其他相似用戶的反饋信息跛十，較少用戶的反饋量，加快個(gè)性化學(xué)習(xí)的速度秕硝。

雖然協(xié)同過(guò)濾作為一種典型的推薦技術(shù)有其相當(dāng)?shù)膽?yīng)用芥映，但協(xié)同過(guò)濾仍有許多的問(wèn)題需要解決。最典型的問(wèn)題有稀疏問(wèn)題（Sparsity）和可擴(kuò)展問(wèn)題（Scalability）远豺。

三奈偏、基于關(guān)聯(lián)規(guī)則推薦

基于關(guān)聯(lián)規(guī)則的推薦（Association Rule-based Recommendation）是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，把已購(gòu)商品作為規(guī)則頭躯护，規(guī)則體為推薦對(duì)象惊来。關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過(guò)程中的相關(guān)性，在零售業(yè)中已經(jīng)得到了成功的應(yīng)用棺滞。管理規(guī)則就是在一個(gè)交易數(shù)據(jù)庫(kù)中統(tǒng)計(jì)購(gòu)買(mǎi)了商品集X的交易中有多大比例的交易同時(shí)購(gòu)買(mǎi)了商品集Y唁盏，其直觀的意義就是用戶在購(gòu)買(mǎi)某些商品的時(shí)候有多大傾向去購(gòu)買(mǎi)另外一些商品。比如購(gòu)買(mǎi)牛奶的同時(shí)很多人會(huì)同時(shí)購(gòu)買(mǎi)面包检眯。

算法的第一步關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)最為關(guān)鍵且最耗時(shí)厘擂，是算法的瓶頸，但可以離線進(jìn)行锰瘸。其次刽严，商品名稱的同義性問(wèn)題也是關(guān)聯(lián)規(guī)則的一個(gè)難點(diǎn)。

四、基于效用推薦

基于效用的推薦（Utility-based Recommendation）是建立在對(duì)用戶使用項(xiàng)目的效用情況上計(jì)算的舞萄，其核心問(wèn)題是怎么樣為每一個(gè)用戶去創(chuàng)建一個(gè)效用函數(shù)眨补，因此，用戶資料模型很大程度上是由系統(tǒng)所采用的效用函數(shù)決定的倒脓〕怕荩基于效用推薦的好處是它能把非產(chǎn)品的屬性，如提供商的可靠性（Vendor Reliability）和產(chǎn)品的可得性（Product Availability）等考慮到效用計(jì)算中崎弃。

五甘晤、基于知識(shí)推薦

基于知識(shí)的推薦（Knowledge-based Recommendation）在某種程度是可以看成是一種推理（Inference）技術(shù)，它不是建立在用戶需要和偏好基礎(chǔ)上推薦的饲做∠呋椋基于知識(shí)的方法因它們所用的功能知識(shí)不同而有明顯區(qū)別。效用知識(shí)（Functional Knowledge）是一種關(guān)于一個(gè)項(xiàng)目如何滿足某一特定用戶的知識(shí)盆均，因此能解釋需要和推薦的關(guān)系塞弊，所以用戶資料可以是任何能支持推理的知識(shí)結(jié)構(gòu)，它可以是用戶已經(jīng)規(guī)范化的查詢泪姨，也可以是一個(gè)更詳細(xì)的用戶需要的表示游沿。

六、組合推薦

由于各種推薦方法都有優(yōu)缺點(diǎn)肮砾，所以在實(shí)際中奏候，組合推薦（Hybrid Recommendation）經(jīng)常被采用。研究和應(yīng)用最多的是內(nèi)容推薦和協(xié)同過(guò)濾推薦的組合唇敞。最簡(jiǎn)單的做法就是分別用基于內(nèi)容的方法和協(xié)同過(guò)濾推薦方法去產(chǎn)生一個(gè)推薦預(yù)測(cè)結(jié)果蔗草，然后用某方法組合其結(jié)果。盡管從理論上有很多種推薦組合方法疆柔，但在某一具體問(wèn)題中并不見(jiàn)得都有效咒精，組合推薦一個(gè)最重要原則就是通過(guò)組合后要能避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)。

在組合方式上旷档，有研究人員提出了七種組合思路：

1）加權(quán)（Weight）：加權(quán)多種推薦技術(shù)結(jié)果模叙。

2）變換（Switch）：根據(jù)問(wèn)題背景和實(shí)際情況或要求決定變換采用不同的推薦技術(shù)。

3）混合（Mixed）：同時(shí)采用多種推薦技術(shù)給出多種推薦結(jié)果為用戶提供參考鞋屈。

4）特征組合（Feature combination）：組合來(lái)自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用范咨。

5）層疊（Cascade）：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進(jìn)一步作出更精確的推薦厂庇。

6）特征擴(kuò)充（Feature augmentation）：一種技術(shù)產(chǎn)生附加的特征信息嵌入到另一種推薦技術(shù)的特征輸入中渠啊。

7）元級(jí)別（Meta-level）：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入。

七权旷、主要推薦方法的對(duì)比

各種推薦方法都有其各自的優(yōu)點(diǎn)和缺點(diǎn)替蛉，見(jiàn)表1。

表1 主要推薦方法對(duì)比

推薦方法

優(yōu)點(diǎn)

缺點(diǎn)

基于內(nèi)容推薦

推薦結(jié)果直觀，容易解釋躲查；

不需要領(lǐng)域知識(shí)稀疏問(wèn)題它浅；新用戶問(wèn)題；

復(fù)雜屬性不好處理镣煮；

要有足夠數(shù)據(jù)構(gòu)造分類器

協(xié)同過(guò)濾推薦

新異興趣發(fā)現(xiàn)姐霍、不需要領(lǐng)域知識(shí)；

隨著時(shí)間推移性能提高典唇；

推薦個(gè)性化镊折、自動(dòng)化程度高；

能處理復(fù)雜的非結(jié)構(gòu)化對(duì)象稀疏問(wèn)題蚓聘；

可擴(kuò)展性問(wèn)題；

新用戶問(wèn)題盟劫；

質(zhì)量取決于歷史數(shù)據(jù)集夜牡；

系統(tǒng)開(kāi)始時(shí)推薦質(zhì)量差；

基于規(guī)則推薦

能發(fā)現(xiàn)新興趣點(diǎn)侣签；

不要領(lǐng)域知識(shí)規(guī)則抽取難塘装、耗時(shí)；

產(chǎn)品名同義性問(wèn)題影所；

個(gè)性化程度低蹦肴；

基于效用推薦

無(wú)冷開(kāi)始和稀疏問(wèn)題；

對(duì)用戶偏好變化敏感猴娩；

能考慮非產(chǎn)品特性用戶必須輸入效用函數(shù)阴幌；

推薦是靜態(tài)的，靈活性差卷中；

屬性重疊問(wèn)題矛双；

基于知識(shí)推薦

能把用戶需求映射到產(chǎn)品上；

能考慮非產(chǎn)品屬性知識(shí)難獲得蟆豫；

推薦是靜態(tài)的

協(xié)同過(guò)濾

協(xié)同過(guò)濾是一種基于一組興趣相同的用戶或項(xiàng)目進(jìn)行的推薦议忽，它根據(jù)鄰居用戶(與目標(biāo)用戶興趣相似的用戶)的偏好信息產(chǎn)生對(duì)目標(biāo)用戶的推薦列表。協(xié)同過(guò)濾算法主要分為基于用戶的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法十减。

基于用戶的(User based)協(xié)同過(guò)濾算法是根據(jù)鄰居用戶的偏好信息產(chǎn)生對(duì)目標(biāo)用戶的推薦栈幸。它基于這樣一個(gè)假設(shè):如果一些用戶對(duì)某一類項(xiàng)目的打分比較接近，則他們對(duì)其它類項(xiàng)目的打分也比較接近帮辟。協(xié)同過(guò)濾推薦系統(tǒng)采用統(tǒng)計(jì)計(jì)算方式搜索目標(biāo)用戶的相似用戶速址，并根據(jù)相似用戶對(duì)項(xiàng)目的打分來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)指定項(xiàng)目的評(píng)分，最后選擇相似度較高的前若干個(gè)相似用戶的評(píng)分作為推薦結(jié)果由驹，并反饋給用戶壳繁。這種算法不僅計(jì)算簡(jiǎn)單且精確度較高，被現(xiàn)有的協(xié)同過(guò)濾推薦系統(tǒng)廣泛采用。User-based協(xié)同過(guò)濾推薦算法的核心就是通過(guò)相似性度量方法計(jì)算出最近鄰居集合闹炉，并將最近鄰的評(píng)分結(jié)果作為推薦預(yù)測(cè)結(jié)果返回給用戶蒿赢。例如，在下表所示的用戶一項(xiàng)目評(píng)分矩陣中渣触，行代表用戶羡棵，列代表項(xiàng)目(電影)，表中的數(shù)值代表用戶對(duì)某個(gè)項(xiàng)目的評(píng)價(jià)值⌒嶙辏現(xiàn)在需要預(yù)測(cè)用戶Tom對(duì)電影《槍王之王》的評(píng)分(用戶Lucy對(duì)電影《阿凡達(dá)》的評(píng)分是缺失的數(shù)據(jù))皂冰。

由上表不難發(fā)現(xiàn)，Mary和Pete對(duì)電影的評(píng)分非常接近养篓，Mary對(duì)《暮色3:月食》秃流、《唐山大地震》、《阿凡達(dá)》的評(píng)分分別為3柳弄、4舶胀、4，Tom的評(píng)分分別為3碧注、5嚣伐、4，他們之間的相似度最高萍丐，因此Mary是Tom的最接近的鄰居轩端，Mary對(duì)《槍王之王》的評(píng)分結(jié)果對(duì)預(yù)測(cè)值的影響占據(jù)最大比例。相比之下逝变，用戶John和Lucy不是Tom的最近鄰居基茵，因?yàn)樗麄儗?duì)電影的評(píng)分存在很大差距，所以JohLn和Lucy對(duì)《槍王之王》的評(píng)分對(duì)預(yù)測(cè)值的影響相對(duì)小一些壳影。在真實(shí)的預(yù)測(cè)中耿导，推薦系統(tǒng)只對(duì)前若干個(gè)鄰居進(jìn)行搜索，并根據(jù)這些鄰居的評(píng)分為目標(biāo)用戶預(yù)測(cè)指定項(xiàng)目的評(píng)分态贤。由上面的例子不難知道舱呻，User一based協(xié)同過(guò)濾推薦算法的主要工作內(nèi)容是用戶相似性度量、最近鄰居查詢和預(yù)測(cè)評(píng)分悠汽。

目前主要有三種度量用戶間相似性的方法箱吕，分別是:余弦相似性、相關(guān)相似性以及修正的余弦相似性柿冲。

①余弦相似性(Cosine)：用戶一項(xiàng)目評(píng)分矩陣可以看作是n維空間上的向量茬高，對(duì)于沒(méi)有評(píng)分的項(xiàng)目將評(píng)分值設(shè)為0，余弦相似性度量方法是通過(guò)計(jì)算向量間的余弦?jiàn)A角來(lái)度量用戶間相似性的假抄。設(shè)向量i和j分別表示用戶i和用戶j在n維空間上的評(píng)分怎栽，則用基于協(xié)同過(guò)濾的電子商務(wù)個(gè)性化推薦算法研究戶i和用戶j之間的相似性為:

②修正的余弦相似性 (AdjustedCosine)：余弦相似度未考慮到用戶評(píng)分尺度問(wèn)題丽猬，如在評(píng)分區(qū)間[1一5]的情況下，對(duì)用戶甲來(lái)說(shuō)評(píng)分3以上就是自己喜歡的熏瞄，而對(duì)于用戶乙脚祟，評(píng)分4以上才是自己喜歡的。通過(guò)減去用戶對(duì)項(xiàng)的平均評(píng)分强饮，修正的余弦相似性度量方法改善了以上問(wèn)題由桌。用幾表示用戶i和用戶j共同評(píng)分過(guò)的項(xiàng)集合，Ii和壽分別表示用戶i和用戶j評(píng)分過(guò)的項(xiàng)集合邮丰，則用戶i和用戶j之間的相似性為：

③相關(guān)相似性(Correlation)此方法是采用皮爾森(Pearson)相關(guān)系數(shù)來(lái)進(jìn)行度量行您。設(shè)Iij表示用戶i和用戶j共同評(píng)分過(guò)的項(xiàng)目集合，則用戶i和用戶j之間相似性為:

在得到目標(biāo)用戶的最近鄰居以后剪廉，接著就要產(chǎn)生相應(yīng)的推薦結(jié)果娃循。設(shè)NNu為用戶u的最近鄰居集合，則用戶u對(duì)項(xiàng)j的預(yù)測(cè)評(píng)分Puj計(jì)算公式如下:

基于項(xiàng)目的(Item一based)協(xié)同過(guò)濾是根據(jù)用戶對(duì)相似項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)預(yù)測(cè)目標(biāo)項(xiàng)目的評(píng)分斗蒋，它是建立在如下假設(shè)基礎(chǔ)上的:如果大部分用戶對(duì)某些項(xiàng)目的打分比較相近捌斧，則當(dāng)前用戶對(duì)這些項(xiàng)的打分也會(huì)比較接近。ltem一based協(xié)同過(guò)濾算法主要對(duì)目標(biāo)用戶所評(píng)價(jià)的一組項(xiàng)目進(jìn)行研究吹泡，并計(jì)算這些項(xiàng)目與目標(biāo)項(xiàng)目之間的相似性骤星，然后從選擇前K個(gè)最相似度最大的項(xiàng)目輸出经瓷，這是區(qū)別于User-based協(xié)同過(guò)濾爆哑。仍拿上所示的用戶一項(xiàng)目評(píng)分矩陣作為例子，還是預(yù)測(cè)用戶Tom對(duì)電影《槍王之王》的評(píng)分(用戶Lucy對(duì)電影《阿凡達(dá)》的評(píng)分是缺失的數(shù)據(jù))舆吮。

通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)揭朝，電影《暮色3:月食》的評(píng)分與《槍王之王》評(píng)分非常相似，前三個(gè)用戶對(duì)《暮色3:月食》的評(píng)分分別為4色冀、3潭袱、2，前三個(gè)用戶對(duì)《槍王之王》的評(píng)分分別為4锋恬、3屯换、3，他們二者相似度最高与学，因此電影《暮色3:月食》是電影《槍王之王》的最佳鄰居彤悔，因此《暮色3:月食》對(duì)《槍王之王》的評(píng)分對(duì)預(yù)測(cè)值的影響占據(jù)最大比例。而《唐山大地震》和《阿凡達(dá)》不是《槍王之王》的好鄰居索守，因?yàn)橛脩羧后w對(duì)它們的評(píng)分存在很大差距晕窑，所以電影《唐山大地震》和《阿凡達(dá)》對(duì)《槍王之王》的評(píng)分對(duì)預(yù)測(cè)值的影響相對(duì)小一些。在真實(shí)的預(yù)測(cè)中卵佛，推薦系統(tǒng)只對(duì)前若干個(gè)鄰居進(jìn)行搜索杨赤，并根據(jù)這些鄰居的評(píng)分為目標(biāo)用戶預(yù)測(cè)指定項(xiàng)目的評(píng)分敞斋。

由上面的例子不難知道，Item一based協(xié)同過(guò)濾推薦算法的主要工作內(nèi)容是最近鄰居查詢和產(chǎn)生推薦疾牲。因此植捎，Item一based協(xié)同過(guò)濾推薦算法可以分為最近鄰查詢和產(chǎn)生推薦兩個(gè)階段。最近鄰查詢階段是要計(jì)算項(xiàng)目與項(xiàng)目之間的相似性说敏，搜索目標(biāo)項(xiàng)目的最近鄰居;產(chǎn)生推薦階段是根據(jù)用戶對(duì)目標(biāo)項(xiàng)目的最近鄰居的評(píng)分信息預(yù)測(cè)目標(biāo)項(xiàng)目的評(píng)分鸥跟，最后產(chǎn)生前N個(gè)推薦信息。

ltem一based協(xié)同過(guò)濾算法的關(guān)鍵步驟仍然是計(jì)算項(xiàng)目之間的相似性并選出最相似的項(xiàng)目盔沫，這一點(diǎn)與user一based協(xié)同過(guò)濾類似医咨。計(jì)算兩個(gè)項(xiàng)目i和j之間相似性的基本思想是首先將對(duì)兩個(gè)項(xiàng)目共同評(píng)分的用戶提取出來(lái)，并將每個(gè)項(xiàng)目獲得的評(píng)分看作是n維用戶空間的向量架诞，再通過(guò)相似性度量公式計(jì)算兩者之間的相似性拟淮。

分離出相似的項(xiàng)目之后，下一步就要為目標(biāo)項(xiàng)目預(yù)測(cè)評(píng)分谴忧，通過(guò)計(jì)算用戶u對(duì)與項(xiàng)目i相似的項(xiàng)目集合的總評(píng)價(jià)分值來(lái)計(jì)算用戶u對(duì)項(xiàng)目i的預(yù)期很泊。這兩個(gè)階段的具體公式和操作步驟與基于用戶的協(xié)同過(guò)濾推薦算法類似，所以在此不再贅述沾谓。

與基于內(nèi)容的推薦算法相比委造，協(xié)同過(guò)濾有下列優(yōu)點(diǎn):能夠過(guò)濾難以進(jìn)行機(jī)器自動(dòng)基于內(nèi)容分析的信息。如藝術(shù)品均驶、音樂(lè);能夠基于一些復(fù)雜的昏兆，難以表達(dá)的概念（信息質(zhì)量、品位)進(jìn)行過(guò)濾;推薦的新穎性妇穴。

然而爬虱，協(xié)同過(guò)濾也存在著以下的缺點(diǎn):用戶對(duì)商品的評(píng)價(jià)非常稀疏，這樣基于用戶的評(píng)價(jià)所得到的用戶間的相似性可能不準(zhǔn)確（即稀疏性問(wèn)題）腾它；隨著用戶和商品的增多跑筝，系統(tǒng)的性能會(huì)越來(lái)越低（即可擴(kuò)展性問(wèn)題）；如果從來(lái)沒(méi)有用戶對(duì)某一商品加以評(píng)價(jià)瞒滴，則這個(gè)商品就不可能被推薦（即最初評(píng)價(jià)問(wèn)題）曲梗。

混合推薦系統(tǒng)

目前有很多學(xué)者都在研究基于多種方法的混合推薦系統(tǒng)，最常見(jiàn)的為基于內(nèi)容和基于協(xié)同過(guò)濾的混合妓忍。本博文將詳細(xì)介紹提于對(duì)這兩種推薦系統(tǒng)同構(gòu)化整合的混合推薦模型,該算法同時(shí)擁有協(xié)同過(guò)濾推薦系統(tǒng)和基于內(nèi)容推薦系統(tǒng)的優(yōu)點(diǎn),并且在一定程度上避免了基于內(nèi)容或協(xié)同過(guò)濾的傳統(tǒng)推薦系統(tǒng)各自的缺點(diǎn)虏两。

該混合推薦算法的模型及結(jié)構(gòu)如下圖所示：

該模型與其他推薦模型的不同在于:1)構(gòu)建了完善的模型輸入模塊。該模塊包含可以根據(jù)需要向模型中一次或多次輸入用戶個(gè)人資料单默、查詢(檢索)時(shí)需要的關(guān)鍵詞和句子碘举、商品對(duì)象的各項(xiàng)屬性值、用戶使用推薦系統(tǒng)時(shí)和使用推薦系統(tǒng)后的評(píng)價(jià),以及來(lái)自第三方對(duì)商品對(duì)象的評(píng)價(jià)等參數(shù)搁廓。2)構(gòu)建了基于內(nèi)容和協(xié)同過(guò)濾的整合推薦實(shí)施模塊引颈。該模塊以回歸模型為基本依據(jù),以用戶信息庫(kù)耕皮、商品信息庫(kù)、歷史信息庫(kù)和在線信息庫(kù)為基礎(chǔ),分別將基于內(nèi)容推薦的算法和協(xié)同過(guò)濾推薦算法應(yīng)用于一般預(yù)測(cè)值的計(jì)算及其隨機(jī)誤差項(xiàng)的計(jì)算蝙场。3)構(gòu)建了較完備的推薦結(jié)果輸出模塊凌停。該模塊依據(jù)系統(tǒng)的不同表現(xiàn)形式,將商品信息庫(kù)中的資源“主動(dòng)”推薦給用戶。推薦方法包括搜索排序優(yōu)先售滤、郵件以及各種隱式信息傳遞等罚拟。

該混合模型的主要過(guò)程和核心是,先利用回歸算法提取商品的內(nèi)容屬性,再對(duì)用戶進(jìn)行基于內(nèi)容的協(xié)同過(guò)濾,最后同構(gòu)化整合二者結(jié)論,并進(jìn)行加權(quán)求和與有序化。

在詳細(xì)闡述模型之前,有必要分析一下模型的輸入數(shù)據(jù)完箩。推薦系統(tǒng)典型的輸入數(shù)據(jù)是給每個(gè)商品及其屬性的評(píng)價(jià)赐俗。例如,表1是一個(gè)代表用戶對(duì)電影優(yōu)劣評(píng)價(jià)的m×n用戶電影評(píng)價(jià)矩陣,該表的主要功能是在基于已經(jīng)評(píng)價(jià)元素的基礎(chǔ)上對(duì)空缺值進(jìn)行預(yù)測(cè)。在評(píng)價(jià)矩陣中,用戶1已經(jīng)對(duì)電影1弊知、電影2阻逮、電影4、電影5做了評(píng)價(jià),那么用戶1會(huì)對(duì)電影3秩彤、電影6做何評(píng)價(jià)呢?同樣地,用戶2對(duì)電影3,以及用戶3對(duì)電影4和電影5該做何評(píng)價(jià)呢?

本混合推薦模型的算法由6個(gè)主要步驟組成：

首先,需要有一份存有所有商品(或?qū)ο?評(píng)價(jià)值(可能含有空缺值)的表格,初始表格中的評(píng)價(jià)值主要由用戶直接或間接給出叔扼。例如,www.movielens.org就是一個(gè)電影推薦網(wǎng)站,網(wǎng)站訪問(wèn)者只要注冊(cè)并提供對(duì)15部以上的電影進(jìn)行評(píng)價(jià),那么他(她)就可以獲得網(wǎng)站的推薦服務(wù)。像電影類別(例如動(dòng)作漫雷、戲劇瓜富、愛(ài)情等)、導(dǎo)演降盹、主要演員与柑、制片商等關(guān)鍵信息都有助于對(duì)用戶進(jìn)行推薦。因此,用戶在獲得推薦服務(wù)之前應(yīng)當(dāng)盡可能向網(wǎng)站提供此類信息澎现。

其次,一旦用戶提交了推薦模型所需要的關(guān)鍵信息,那么對(duì)用戶的電影推薦就可以應(yīng)用式(1)來(lái)計(jì)算:

（其中,Ri,j是用戶i對(duì)商品j的總體評(píng)價(jià)值,Xi,j,k是用戶i對(duì)商品j的第k個(gè)屬性的評(píng)價(jià)值,m是需要評(píng)價(jià)的商品的屬性總個(gè)數(shù)仅胞。）

在回歸模型(1)中,需要測(cè)量的各個(gè)參數(shù)αi,x(x∈[0,m])決定了各個(gè)屬性的數(shù)值對(duì)用戶的重要性每辟。用戶過(guò)去的評(píng)價(jià)值都應(yīng)用到模型(1)中,一旦用戶i的模型中各個(gè)參數(shù)被估計(jì)出來(lái),那么他(她)的空缺值就可以通過(guò)模型計(jì)算出來(lái)剑辫。例如,在表1中,用戶1的回歸模型通過(guò)他(她)已經(jīng)看過(guò)的電影來(lái)構(gòu)造,模型構(gòu)造出來(lái)后,用戶1對(duì)電影3的期望值就可以通過(guò)電影3和模型中的各個(gè)參數(shù)αi,x(x∈[0,m])預(yù)測(cè)出來(lái)。

第三步,基于回歸模型(1),計(jì)算適合所有用戶和商品及其屬性的預(yù)測(cè)值R*i,j渠欺。該預(yù)測(cè)值既適合實(shí)際已經(jīng)發(fā)生的評(píng)價(jià)結(jié)果檢驗(yàn),也適合用戶實(shí)際未發(fā)生或丟失的空缺值的預(yù)測(cè)妹蔽。

第四步,構(gòu)建一個(gè)預(yù)測(cè)誤差的數(shù)據(jù)矩陣。該誤差矩陣的值由實(shí)際發(fā)生的數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的差值計(jì)算出來(lái),即εi,j=Ri,j-R*i,j(2)挠将，公式中的εi,j實(shí)際上就是模型(1)中的隨機(jī)誤差項(xiàng)胳岂。由于對(duì)于需要預(yù)測(cè)的商品沒(méi)有實(shí)際發(fā)生評(píng)價(jià)值Ri,j,因此該商品的隨機(jī)誤差項(xiàng)就無(wú)法計(jì)算。這樣,通過(guò)實(shí)際的評(píng)價(jià)值和回歸模型計(jì)算值之差構(gòu)建的預(yù)測(cè)誤差數(shù)據(jù)矩陣的形式也就和表1類似,與表1相對(duì)應(yīng)的空白處也是沒(méi)有數(shù)據(jù)的舔稀。

第五步,將協(xié)作過(guò)濾技術(shù)用于第四步構(gòu)建的預(yù)測(cè)誤差數(shù)據(jù)矩陣,我們?cè)诖瞬捎没卩従拥膮f(xié)同推薦算法乳丰。為了計(jì)算用戶的空缺值,采用式(3)來(lái)計(jì)算用戶的隨機(jī)誤差項(xiàng)εi,j:Ra,j=λ∑ni=1wa,i(εi,j-εa)+εa(3)其中,Ra,j是用戶a對(duì)商品j的評(píng)價(jià),n是協(xié)同過(guò)濾數(shù)據(jù)矩陣中已經(jīng)對(duì)商品j評(píng)價(jià)過(guò)的用戶的數(shù)量,Wa,i是用戶i和目標(biāo)用戶a之間的相似性,λ是一個(gè)總和值為1的正太化因素。在表1的電影評(píng)價(jià)例子中,假設(shè)對(duì)用戶1而言,電影3是·143·需要通過(guò)預(yù)測(cè)來(lái)判斷是否值得推薦的内贮。在基于鄰居的算法中,需要獲得用戶2产园、用戶3等其他用戶對(duì)電影3評(píng)價(jià)的加權(quán)平均數(shù)汞斧。另外,權(quán)重(Wa,i)的大小取決于用戶1在電影評(píng)價(jià)方面與其他用戶的相似性,包括皮爾森(Pearson)相關(guān)系數(shù)法、斯皮爾曼(Spearman)秩相關(guān)系數(shù)法和向量相似度等諸多方法均可以用來(lái)測(cè)定該值什燕。在協(xié)同過(guò)濾的算法方面還有很多其他重要的文獻(xiàn),本文就不探討了粘勒。

第六步,把第三步和第五步的計(jì)算結(jié)果求和,即第三步中利用基于內(nèi)容推薦方法得出的R*i,j和第五步基于協(xié)同過(guò)濾推薦方法得出的εi,j,通過(guò)對(duì)式(2)進(jìn)行變化并計(jì)算,得Ri,j=R*i,j+εi,j,即用戶i對(duì)商品j的預(yù)測(cè)評(píng)價(jià)值。