協(xié)同過(guò)濾推薦算法專利綜述

張 博 周瑞瑞 魚(yú) 冰

（國(guó)家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作河南中心，河南 鄭州 45000050000）

隨著電子商務(wù)的飛速發(fā)展，網(wǎng)上交易為企業(yè)、個(gè)人商家?guī)?lái)了無(wú)限商機(jī)，促進(jìn)了經(jīng)濟(jì)發(fā)展。隨著網(wǎng)上商家和產(chǎn)品的不斷增加，為了幫助網(wǎng)購(gòu)用戶進(jìn)行商品的選擇，網(wǎng)購(gòu)用戶在瀏覽購(gòu)物網(wǎng)站時(shí)，網(wǎng)站常常會(huì)向用戶提供產(chǎn)品推薦，以提升用戶的購(gòu)物體驗(yàn)。

為了使得推薦的產(chǎn)品能夠被用戶采納，常常使用推薦算法以使得產(chǎn)品推薦更加合理、有效[1]。所謂推薦算法是利用用戶的行為通過(guò)相關(guān)的數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西，推薦算法主要分為6種：基于內(nèi)容的推薦、基于協(xié)同過(guò)濾的推薦、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦、基于知識(shí)推薦、組合推薦。其中，協(xié)同過(guò)濾是推薦算法中最經(jīng)典最常用的[2]。合理的推薦算法所產(chǎn)生的產(chǎn)品推薦對(duì)于用戶的消費(fèi)行為將產(chǎn)生重要的影響，對(duì)于商家的利益、名氣也至關(guān)重要。

1 協(xié)調(diào)過(guò)濾推薦算法相關(guān)概念介紹

協(xié)同過(guò)濾算法主要是通過(guò)對(duì)未評(píng)分項(xiàng)進(jìn)行評(píng)分預(yù)測(cè)來(lái)實(shí)現(xiàn)的[3]，不同的協(xié)同過(guò)濾之間也有很大的不同。

基于用戶的協(xié)同過(guò)濾推薦算法，1992年提出并用于郵件過(guò)濾系統(tǒng)，1994年被GroupLens用于新聞過(guò)濾，一直到2000年，該算法都是推薦系統(tǒng)領(lǐng)域最著名的算法。當(dāng)一個(gè)用戶A需要個(gè)性化推薦時(shí)，可以先找到和他興趣相似的用戶群體G，然后把G喜歡的、并且A沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給A，這就是基于用戶協(xié)調(diào)過(guò)濾算法，其主要包括2個(gè)步驟：①找到與目標(biāo)用戶興趣相似的用戶集合。②找到這個(gè)集合中用戶喜歡的、并且目標(biāo)用戶沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給目標(biāo)用戶。

基于用戶的協(xié)同過(guò)濾算法無(wú)法滿足及時(shí)推薦的要求，基于項(xiàng)目的協(xié)同過(guò)濾解決了這個(gè)問(wèn)題?；陧?xiàng)目的協(xié)同過(guò)濾推薦和基于內(nèi)容的推薦其實(shí)都是基于物品相似度預(yù)測(cè)推薦，只是相似度計(jì)算的方法不一樣，前者是從用戶歷史的偏好推斷，而后者是基于物品本身的屬性特征信息。

2 協(xié)同過(guò)濾推薦算法專利技術(shù)的進(jìn)展

北京航空航天大學(xué)于2011年3月9日提交的公開(kāi)號(hào)為CN102135989A的專利申請(qǐng)?zhí)峒耙环N基于正規(guī)化矩陣因式分解的增量協(xié)同過(guò)濾推薦方法，其根據(jù)新增的用戶反饋信息進(jìn)行正確的增量實(shí)時(shí)更新，能夠?qū)π略龅挠脩舴答仈?shù)據(jù)做出實(shí)時(shí)反饋；于2011年3月11日提交的公開(kāi)號(hào)為CN102129462A的專利申請(qǐng)?zhí)峒耙环N通過(guò)聚合對(duì)協(xié)同過(guò)濾推薦系統(tǒng)進(jìn)行優(yōu)化的方法，其通過(guò)構(gòu)造同類聚合模型的方式來(lái)提高協(xié)同過(guò)濾推薦算法的推薦精度；于2011年3月11日提交的公開(kāi)號(hào)為CN102129463A的專利申請(qǐng)?zhí)峒耙环N融合項(xiàng)目相關(guān)性的基于PMF的協(xié)同過(guò)濾推薦系統(tǒng)、于2012年11月20日提交的公開(kāi)號(hào)CN103092911A的專利申請(qǐng)?zhí)峒耙环N融合社會(huì)標(biāo)簽相似度基于K近鄰的協(xié)調(diào)過(guò)濾推薦系統(tǒng)，均通過(guò)將社會(huì)標(biāo)簽數(shù)據(jù)信息和用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)信息進(jìn)行融合，達(dá)到提高推薦精度的目的。

清華大學(xué)于2011年11月25日提交的公開(kāi)號(hào)為CN102495864A的專利申請(qǐng)?zhí)峒耙环N基于評(píng)分的協(xié)同過(guò)濾推薦方法，其利用用戶歷史評(píng)分?jǐn)?shù)據(jù)的統(tǒng)計(jì)特征計(jì)算各個(gè)用戶之間的相似程度，通過(guò)與當(dāng)前用戶相似程度較高的其他用戶來(lái)計(jì)算當(dāng)前用戶未評(píng)價(jià)過(guò)的項(xiàng)目，解決了難以找到用戶間共同評(píng)分項(xiàng)而導(dǎo)致無(wú)法計(jì)算相似性或相似性不準(zhǔn)確的問(wèn)題；于2013年6月5日提交的公開(kāi)號(hào)為CN103309967A的專利申請(qǐng)涉及基于相似性傳遞的系統(tǒng)過(guò)濾方法，其遍歷所有用戶的歷史行為數(shù)據(jù)，獲得描述所有用戶對(duì)物品過(guò)往喜好的關(guān)系向量，應(yīng)用關(guān)系向量設(shè)定閾值，計(jì)算各個(gè)用戶間的相似性，利用相似性傳遞計(jì)算原則計(jì)算矩陣中相似性值為零的目標(biāo)用戶與其他用戶間相似性，根據(jù)與目標(biāo)用戶相似程度最高的其他用戶對(duì)目標(biāo)用戶未選擇物品的喜好程度得到當(dāng)前用戶對(duì)未選擇物品的喜好程度的估計(jì)值，對(duì)每個(gè)用戶的預(yù)測(cè)結(jié)果進(jìn)行篩選，產(chǎn)生對(duì)每個(gè)用戶的推薦物品；于2014年4月14日提交的公開(kāi)號(hào)為CN103942298A的專利申請(qǐng)涉及基于線性回歸的推薦方法，其利用用戶和物品的歷史評(píng)分?jǐn)?shù)據(jù)建立線性回歸模型，克服協(xié)同過(guò)濾算法實(shí)時(shí)性差、無(wú)法直接增量更新的局限性；于2015年9月14日提交的公開(kāi)號(hào)為CN105205128A的專利申請(qǐng)涉及基于評(píng)分特征的時(shí)序推薦方法，其通過(guò)對(duì)每個(gè)時(shí)間域中的訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充，解決時(shí)序推薦中的稀疏性問(wèn)題。

浙江大學(xué)于2010年5月28日提交的公開(kāi)號(hào)為CN101853470A的專利申請(qǐng)涉及基于社會(huì)化標(biāo)簽的協(xié)同過(guò)濾方法，其基于社會(huì)化標(biāo)簽的協(xié)同過(guò)濾方法有機(jī)結(jié)合社會(huì)化標(biāo)簽對(duì)于物品描述的語(yǔ)義信息，并使用lasso logistic regression模型去對(duì)物品進(jìn)行標(biāo)簽的擴(kuò)展，解決社會(huì)化標(biāo)簽的稀疏性與噪音問(wèn)題；于2011年7月12日提交的公開(kāi)號(hào)為CN102231166A的專利申請(qǐng)涉及基于社會(huì)上下文的協(xié)同推薦方法，其考慮不同用戶之間存在的差異，對(duì)矩陣分解中社會(huì)上下文約束權(quán)重進(jìn)行調(diào)整；于2012年7月16日提交的公開(kāi)號(hào)為CN102789499A的專利申請(qǐng)涉及基于物品間情景化隱式關(guān)系的協(xié)同過(guò)濾方法，充分利用情景信息挖掘物品之間的隱式關(guān)聯(lián)信息，利用物品之間的隱式關(guān)系生成推薦；于2013年6月6日提交的公開(kāi)號(hào)為CN103279552A的專利申請(qǐng)涉及一種基于用戶興趣分組的協(xié)同過(guò)濾推薦方法，其將用戶和物品映射到共同的低維空間，利用聚類方法把降維之后的用戶和物品劃分到不同的興趣分組，在每一個(gè)分組基礎(chǔ)上利用協(xié)同過(guò)濾的推薦方法進(jìn)行預(yù)測(cè)；于2013年10月17日提交的公開(kāi)號(hào)為CN103617540A的專利申請(qǐng)涉及一種追蹤用戶興趣變化的電子商務(wù)推薦方法，其綜合考慮用戶之間的評(píng)分相似度和商品類別信息相似度，采用基于時(shí)間加權(quán)的協(xié)同過(guò)濾算法，給用戶推薦最可能感興趣的商品；于2013年12月27日提交的公開(kāi)號(hào)為CN103745100A的專利申請(qǐng)涉及一種基于項(xiàng)目的混合顯性隱性反饋的協(xié)同過(guò)濾推薦算法，其根據(jù)用戶對(duì)各個(gè)項(xiàng)目的興趣信息建立評(píng)分矩陣，計(jì)算任意兩個(gè)項(xiàng)目之間的Pearson相似度和修正余弦相似度、顯性反饋的相似度、基于隱性反饋的余弦相似度，依據(jù)評(píng)分矩陣進(jìn)行推薦；于2014年6月30日提交的公開(kāi)號(hào)為CN104391849A的專利申請(qǐng)涉及融入時(shí)間上下文信息的協(xié)同過(guò)濾推薦方法，其在相似度計(jì)算階段和評(píng)分預(yù)測(cè)階段都引入時(shí)間衰減函數(shù)，為不同用戶對(duì)不同類別的物品使用不同的時(shí)間衰減因子。

北京奇虎科技有限公司于2012年12月5日提交的公開(kāi)號(hào)為CN103019860A的專利申請(qǐng)涉及基于協(xié)同過(guò)濾的處理方法和系統(tǒng)，其利用本地的主體-項(xiàng)目權(quán)重矩陣的分塊矩陣數(shù)據(jù)、本地的協(xié)同過(guò)濾矩陣的分塊矩陣數(shù)據(jù)和接收到的分量之間的對(duì)應(yīng)關(guān)系，將至少一個(gè)項(xiàng)目推薦給主體；于2012年12月5日提交的公開(kāi)號(hào)為CN103049489A、CN103049486A的專利申請(qǐng)涉及用于處理協(xié)同過(guò)濾距離的方法和系統(tǒng)，其將每個(gè)參與計(jì)算的計(jì)算服務(wù)器計(jì)算得到所有協(xié)同過(guò)濾子矩陣，可以提高針對(duì)海量數(shù)據(jù)的協(xié)同過(guò)濾距離矩陣的計(jì)算效率。

皇家飛利浦電子股份有限公司于2006年6月14日提交的公開(kāi)號(hào)為CN1788280A的專利申請(qǐng)涉及用于執(zhí)行基于簡(jiǎn)檔的協(xié)同過(guò)濾方法，其基于其他用戶的觀看偏好或簡(jiǎn)檔，根據(jù)推薦請(qǐng)求過(guò)濾一般用戶人群以獲取亞用戶人群，計(jì)算同亞人群中每個(gè)用戶相關(guān)聯(lián)的偏好數(shù)據(jù)與同受建議者相關(guān)聯(lián)的偏好和簡(jiǎn)檔數(shù)據(jù)中的一個(gè)之間的接近度的度量，以選擇同N個(gè)用戶相關(guān)聯(lián)的偏好數(shù)據(jù)向受建議者推薦項(xiàng)目，其能夠在可利用足夠的個(gè)性化觀看或購(gòu)買歷史之前，不明顯地推薦項(xiàng)目。

諾基亞公司于2011年4月19日提交了公開(kāi)號(hào)為CN103620593A的專利申請(qǐng)涉及基于特征的協(xié)同過(guò)濾的方法，其通過(guò)推薦引擎生成一個(gè)或多個(gè)項(xiàng)目到一個(gè)或多個(gè)特征的映射，為一個(gè)或多個(gè)用戶確定有關(guān)一個(gè)或多個(gè)特征的偏好信息；于2011年5月27日提交的公開(kāi)號(hào)為CN103703460A的專利申請(qǐng)涉及針對(duì)實(shí)時(shí)推薦的協(xié)同過(guò)濾方法，其處理用戶與一個(gè)或多個(gè)內(nèi)容項(xiàng)目的一個(gè)或多個(gè)交互和/或有助于用戶與一個(gè)或多個(gè)內(nèi)容項(xiàng)目的一個(gè)或多個(gè)交互的處理，至少部分地引起基于累積的一個(gè)或多個(gè)處理的交互的一個(gè)或多個(gè)用戶偏好的確定，基于用戶可以具有的與感興趣的項(xiàng)目或主題的交互生成對(duì)用戶的推薦。

TCL集團(tuán)股份有限公司于2012年4月25日提交了公開(kāi)號(hào)為CN103377242A的專利申請(qǐng)涉及用戶行為分析方法、分析預(yù)測(cè)方法及電視節(jié)目推送系統(tǒng)，其通過(guò)二次聚類考慮用戶行為的變遷時(shí)序特征，將聚類結(jié)果集用于進(jìn)行用戶之間的協(xié)同分析；于2013年9月9日提交的公開(kāi)號(hào)為CN103544212A的專利申請(qǐng)涉及一種內(nèi)容推薦方法及系統(tǒng)，其根據(jù)用戶行為的時(shí)間系數(shù)以及用戶量化行為數(shù)據(jù)，評(píng)估用戶對(duì)關(guān)注內(nèi)容的喜愛(ài)程度，根據(jù)評(píng)分情況進(jìn)行協(xié)同過(guò)濾；于2015年7月21日提交的公開(kāi)號(hào)為CN104966219A的專利申請(qǐng)涉及一種基于詞頻加權(quán)技術(shù)的個(gè)性化協(xié)調(diào)過(guò)濾推薦方法，其計(jì)算兩兩物品的相似度、每個(gè)物品的特征性頻率TF和倒排文檔頻率IDF、每個(gè)物品的TF-IDF頻率TI，進(jìn)而生成推薦列表，即在協(xié)同過(guò)濾算法中引入TF-IDF算法以有效降低熱門商品對(duì)推薦結(jié)果的影響。

3 結(jié)論

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，信息爆炸時(shí)代的到來(lái)，對(duì)數(shù)據(jù)的分析、推薦逐漸引起人們的關(guān)注。本文通過(guò)對(duì)協(xié)同過(guò)濾推薦算法相關(guān)專利的分析，統(tǒng)計(jì)了主要的協(xié)同過(guò)濾算法，旨在研究該算法的發(fā)展進(jìn)步，以將其更好地應(yīng)用在具體的產(chǎn)業(yè)，如互聯(lián)網(wǎng)購(gòu)物、電視列表推薦中。

[1]李聰.電子商務(wù)協(xié)同過(guò)濾可擴(kuò)展性研究綜述[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2010（11）：37-44.

[2]耿鑫，等.數(shù)據(jù)挖掘中的推薦算法綜述[J].電腦知識(shí)與技術(shù)，2012，8（19）：4691-4696.

[3]冷亞軍，等.協(xié)同過(guò)濾推薦技術(shù)綜述[J].模式識(shí)別與人工智能，2014，27（8）：720-734.