協(xié)同過(guò)濾算法在專業(yè)推薦中的應(yīng)用

宋明惠 陳俊華 朱晨笛 仝鎧溦

摘? 要：大類分流時(shí)專業(yè)的選擇決定了學(xué)生的就業(yè)方向，然而大多數(shù)學(xué)生并不能獨(dú)立地選擇合適的專業(yè)，所以“智能專業(yè)推薦”是十分必要的。該文通過(guò)闡述和分析協(xié)同過(guò)濾算法的特點(diǎn)和不足，提出了一種改進(jìn)的協(xié)同過(guò)濾算法用于專業(yè)推薦中，解決了冷啟動(dòng)的問(wèn)題，，提高了系統(tǒng)的可靠性。

關(guān)鍵詞：專業(yè)推薦? 大類分流? 協(xié)同過(guò)濾算法

中圖分類號(hào)：TP301.6? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1672-3791（2019）03（b）-0216-02

近年來(lái)，“大類招生、分流培養(yǎng)”模式被越來(lái)越多的高校所采用，在這種新的培養(yǎng)模式下，專業(yè)分流是其中一個(gè)重要的環(huán)節(jié)，選擇一個(gè)適合自己的專業(yè)對(duì)高校學(xué)生來(lái)說(shuō)是一件十分重要的事情，用戶在進(jìn)行專業(yè)選擇前會(huì)收集各方面資料，其中已經(jīng)經(jīng)歷過(guò)分流的用戶的建議和體會(huì)是未分流的用戶最想了解的，并且會(huì)將與自己的成績(jī)興趣等相近的用戶的專業(yè)作為重要的參考。該文使用協(xié)同過(guò)濾算法將與當(dāng)前用戶相似度最高的用戶選擇的專業(yè)作為推薦專業(yè)。

1? 推薦算法

目前推薦算法廣泛應(yīng)用于電子商務(wù)、社會(huì)網(wǎng)絡(luò)、數(shù)字化圖書(shū)館、視頻/音樂(lè)點(diǎn)播等領(lǐng)域，比較成熟的推薦算法主要有關(guān)聯(lián)規(guī)則、基于內(nèi)容的推薦、協(xié)同過(guò)濾和混合推薦[1]。這4種算法各有優(yōu)缺點(diǎn)，其主要優(yōu)缺點(diǎn)如表1所示。

根據(jù)表1所示的各類推薦算法的優(yōu)缺點(diǎn)，該文選擇協(xié)同過(guò)濾算法作為專業(yè)推薦的推薦算法。

2? 用戶相似度

用戶相似度即描述用戶之間是相似程度的度量，傳統(tǒng)的相似度有皮爾遜相關(guān)系數(shù)法、向量余弦法、調(diào)整的向量余弦法、約束的皮爾遜相關(guān)系數(shù)法、斯皮爾曼相關(guān)系數(shù)法等，在不同的應(yīng)用領(lǐng)域中，選取不同的相似度計(jì)算方法。在電子商務(wù)中，用戶的相似度可以通過(guò)幾個(gè)用戶對(duì)同一件商品的打分情況（這里的分值可能表示真實(shí)的購(gòu)買，也可以是用戶對(duì)商品不同行為的量化指標(biāo)。例如，瀏覽商品的次數(shù)，向朋友推薦商品、收藏、分享、或評(píng)論等。這些行為都可以表示用戶對(duì)商品的態(tài)度和偏好程度）來(lái)計(jì)算用戶之間的相似度。

3? 協(xié)同過(guò)濾算法

協(xié)同過(guò)濾的基本思想是：找到與當(dāng)前用戶Ccur相似（比如興趣相似）的其他用戶Cjs，計(jì)算對(duì)象s對(duì)于用戶的效益值u（Cjs，s），利用效益值對(duì)所有s進(jìn)行排序或者加權(quán)等操作，找到最適合Ccur的對(duì)象s*[2]。其基本思想非常易于理解，在日常生活中，我們往往會(huì)利用好朋友的推薦來(lái)進(jìn)行一些選擇，在普遍的推薦系統(tǒng)中是基于其相似用戶對(duì)某一內(nèi)容的評(píng)價(jià)向目標(biāo)用戶進(jìn)行推薦，而在該系統(tǒng)中，只需找到最相似的用戶即可（見(jiàn)表2）。

根據(jù)上述內(nèi)容可知，協(xié)同過(guò)濾算法需要基礎(chǔ)用戶作為參考才能進(jìn)行協(xié)同推薦，基礎(chǔ)用戶對(duì)該算法而言不可或缺。獲得基礎(chǔ)數(shù)據(jù)，解決冷啟動(dòng)問(wèn)題是進(jìn)行推薦的基礎(chǔ)。

4? 智能專業(yè)推薦的實(shí)現(xiàn)

根據(jù)霍蘭德人職匹配理論，人格一共被分為6種不同的類型，每一種類型的人格都有著不一樣的特點(diǎn)[3]?；诼殬I(yè)興趣測(cè)試的理論，查閱相關(guān)資料提取出15個(gè)區(qū)分度明顯的關(guān)鍵詞，依據(jù)15個(gè)關(guān)鍵詞設(shè)計(jì)了40道具有專業(yè)區(qū)分度的題目，形成調(diào)查問(wèn)卷。向大類分流后的學(xué)生進(jìn)行問(wèn)卷調(diào)查，收集得到203份問(wèn)卷結(jié)果。

將問(wèn)卷結(jié)果的關(guān)鍵詞進(jìn)行分值的統(tǒng)計(jì)，把計(jì)算機(jī)創(chuàng)新實(shí)驗(yàn)班、計(jì)算機(jī)科學(xué)與技術(shù)、物聯(lián)網(wǎng)、網(wǎng)絡(luò)工程、數(shù)字媒體技術(shù)5個(gè)專業(yè)作為5個(gè)基礎(chǔ)用戶C，計(jì)算每個(gè)關(guān)鍵詞分值所占百分比，做為用戶C的屬性對(duì)象Si，形成向量集合S。當(dāng)前用戶Ccur答題結(jié)束后，系統(tǒng)統(tǒng)計(jì)每個(gè)關(guān)鍵詞分值所占百分比，作為當(dāng)前用戶Ccur的屬性對(duì)象S`i，形成向量集合S`。

通過(guò)公式（1）計(jì)算當(dāng)前用戶Ccur和5個(gè)基礎(chǔ)用戶C的余弦相似度similarity，將similarity最小的用戶C作為推薦專業(yè)，經(jīng)過(guò)測(cè)試得推薦結(jié)果精確度為67.3%。

通過(guò)公式（2）計(jì)算當(dāng)前用戶Ccur和5個(gè)基礎(chǔ)用戶C的皮爾森相關(guān)系數(shù)r，將r最小的用戶C作為推薦專業(yè)，經(jīng)過(guò)測(cè)試得推薦結(jié)果精確度為70.2%。

因此將公式（2）作為該系統(tǒng)的推薦計(jì)算方法。

5? 結(jié)語(yǔ)

該文通過(guò)對(duì)協(xié)同過(guò)濾算法的研究，將協(xié)同過(guò)濾算法應(yīng)用到筆者學(xué)校的大類分流系統(tǒng)的智能專業(yè)推薦功能中，在大類分流階段為用戶提供了專業(yè)借鑒，得到了用戶的一致好評(píng)。并且隨著基礎(chǔ)用戶數(shù)據(jù)的增加，推薦的精確度不斷提高。

參考文獻(xiàn)

[1] 冷亞軍，陸青，梁昌勇.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.

[2] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009，20（2）：350-362.

[3] 雷長(zhǎng)青.淺談大學(xué)生職業(yè)規(guī)劃設(shè)計(jì)中霍蘭德人職匹配測(cè)試法的運(yùn)用[J].現(xiàn)代經(jīng)濟(jì)信息，2018（14）：445.

①基金項(xiàng)目：北京林業(yè)大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目—— 基于協(xié)同過(guò)濾的大類專業(yè)分流實(shí)時(shí)動(dòng)態(tài)系統(tǒng)研建（項(xiàng)目編號(hào)：S201810022089）。