基于用戶的協(xié)同過濾推薦算法概述

【摘? 要】協(xié)同過濾是一種典型的推薦算法，在數(shù)據(jù)信息種類、表達方式越來越多的時代，很多技術都是圍繞協(xié)同過濾而展開研究的。本文概括介紹了基于用戶協(xié)同過濾推薦算法的理論思路，并對協(xié)同過濾推薦算法的發(fā)展趨勢做了簡單的闡述。

【關鍵詞】協(xié)同過濾 ;特征挖掘 ;推薦系統(tǒng) ;基于用戶

引言

在如今這個大數(shù)據(jù)時代，互聯(lián)網(wǎng)應用所產(chǎn)生了海量的數(shù)據(jù)，那么在這么龐大的數(shù)據(jù)中，必定蘊含了豐富的意義，也必定有其應用價值。但是種類之繁雜的海量數(shù)據(jù)對于用戶來說不全是有用的，用戶提取有用數(shù)據(jù)會耗費大量的時間成本，因此協(xié)同過濾推薦算法根據(jù)用戶的需求誕生了。

1.協(xié)同過濾推薦概述

1.1協(xié)同過濾概述

協(xié)同過濾分為在線協(xié)同和離線過濾。協(xié)同，對于用戶群體來說，就是從在線數(shù)據(jù)集中篩選出同類用戶可能共同偏好的集合。這個集合可以是與你歷史物品相似的物品，也可能是用戶喜好的某些抽象的概念。過濾，就是從龐大的數(shù)據(jù)集中濾掉一些與用戶偏好無關的冗余數(shù)據(jù)，該類數(shù)據(jù)不值得推薦給用戶。

系統(tǒng)過濾模型可以理解為假設有N個物品和M個用戶數(shù)據(jù)，但是現(xiàn)存的數(shù)據(jù)集中只存在部分物品與用戶之間的評分關系，而其余的用戶物品評分均為空缺，那么就需要基于已知的數(shù)據(jù)集來預測出其余的用戶物品評分，并從中篩選出較高評分推薦給用戶。

1.2協(xié)同過濾推薦分類

現(xiàn)階段協(xié)同過濾推薦基本可以分為三種類型：基于用戶的協(xié)同過濾，基于項目的協(xié)同過濾以及基于模型的協(xié)同過濾。

這里重點說明一下基于用戶的協(xié)同過濾，這種協(xié)同過濾主要針對于用戶與用戶之間的數(shù)據(jù)交互，通過對比分析有相同偏好用戶的數(shù)據(jù)來為其所喜歡的物品進行評分，并基于該評分體系的建立來預測同類產(chǎn)品的其他評分，將評分高的若干物品推薦給其他用戶。

2.協(xié)同過濾算法實現(xiàn)

2.1算法理論基礎

（1）Jaccard相似系數(shù)

Jaccard相似系數(shù)用于比較有限樣本集之間的相似性與差異性，Jaccard系數(shù)值越大，樣本相似度越高。給定兩個集合A、B，Jaccard系數(shù)定義為A與B交集的大小與A與B并集的大小的比值，定義如下：

其中當集合A、B都為空時，J（A，B）定義為1。

（2）Jaccard距離

Jaccard距離是用來衡量Jaccard相似系數(shù)的指標，用于描述集合之間的不相似度。即Jaccard距離越大，樣本相似度越低，具體定義如下：

其中對參差 。

2.2算法實現(xiàn)思路

基于上述的理論解釋，我們可以將算法拆分為以下三個步驟：

基于Jaccard相似系數(shù)計算其他用戶與目標用戶的相似度;

通過Jaccard距離來找出與目標用戶最相似的N個其他用戶;

根據(jù)前兩個步驟所獲取的信息，推薦目標用戶相對喜歡，而且未采取過的行為。

利用Jaccard相似系數(shù)對目標用戶分別于其他試驗用戶進行相似度的求算，對所計算出的數(shù)據(jù)進行處理，以用戶、行為為維度建立用戶相似度矩陣。

根據(jù)目標用戶與K個目標用戶的相似度集合以及未采取過行為的用戶集合，建立用戶行為權重模型：

表示用戶對行為的權重，表示和用戶相似的K個用戶，表示采取過行為的用戶集合，表示用戶和用戶的相似度，表示用戶對行為的權重。

通過計算出不同用戶之間對行為的不同權重之后，即可根據(jù)其權重來計算出該行為對于該類用戶群體的喜歡程度，并根據(jù)每一種行為的推薦度高低來為目標用戶或者其他用戶進行推薦。

3.協(xié)同過濾算法應用以及發(fā)展趨勢

推薦算法具有非常多的應用場景和商業(yè)價值，在如今這個大數(shù)據(jù)時代，很多的應用在首頁以及需要推送咨詢等頁面中都會用到，根據(jù)用戶的操作行為歷史包括瀏覽、點擊、播放、收藏、評論、點贊、轉發(fā)、評分等，為用戶個性化的提供他可能喜歡的物品。

協(xié)同過濾算法作為最經(jīng)典的算法，利用某興趣相投、擁有共同經(jīng)驗之群體的喜好來推薦用戶感興趣的信息，個人通過合作的機制給予信息相當程度的回應（如評分）并記錄下來以達到過濾的目的進而幫助別人篩選信息。很多的應用技術都是圍繞協(xié)同算法而展開研究的。在信息種類、表達方式越來越多的時代，舊式的信息分類過濾系統(tǒng)無法滿足的地方，期許未來能用協(xié)同過濾的方法來解決。

參考文獻

[1] 惠康華，計瑜，王進，賀懷清.基于深度神經(jīng)向量機自回歸的協(xié)同過濾算法[J].計算機工程與設計，2020，41（05）：1308-1313.

[2] 趙小文. 基于協(xié)同過濾的推薦算法研究[D].西安電子科技大學，2019.

[3] 于洪，李轉運.基于遺忘曲線的協(xié)同過濾推薦算法[J].南京大學學報（自然科學版），2010，46（5）：520-527.

[4] 焦富森，李樹青.基于物品質(zhì)量和用戶評分修正的協(xié)同過濾推薦算法[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2019，3（8）：62-67.

[5] 基于用戶隱式行為特征的最大熵推薦算法[J].胡敏，陳元會，黃宏程.計算機工程與設計.2019（02）

[6] 協(xié)同過濾中一種有效的最近鄰選擇方法[J].冷亞軍，梁昌勇，丁勇，陸青.模式識別與人工智能.2013（10）

[7] 面向個性化推薦的強關聯(lián)規(guī)則挖掘[J].李杰，徐勇，王云峰，朱昭賢.系統(tǒng)工程理論與實踐.2009（08）

[8] 基于協(xié)同過濾的推薦算法研究[J].王興國.無線互聯(lián)科技.2016（03）

作者簡介：趙奕涵（1999.7-），男，漢族，黑龍江哈爾濱人，天津工業(yè)大學本科在讀，研究方向為軟件工程。