推薦系統(tǒng)綜述

1、<p><b>　　推薦系統(tǒng)綜述</b></p><p>　　摘 要：互聯(lián)網(wǎng)信息的爆炸式增長(zhǎng)，引發(fā)了信息過(guò)載問(wèn)題，選擇有用信息變得困難。而推薦系統(tǒng)可以解決這一問(wèn)題。論文介紹了推薦系統(tǒng)概念，推薦系統(tǒng)模型，推薦系統(tǒng)普遍使用的技術(shù)，推薦系統(tǒng)的問(wèn)題和發(fā)展方向。 </p><p>　　關(guān)鍵詞：推薦系統(tǒng) 物品 用戶 協(xié)同過(guò)濾 </p><p>&

2、lt;b>　　1.引言 </b></p><p>　　隨著互聯(lián)網(wǎng)的出現(xiàn)和普及，用戶面對(duì)著爆炸式增長(zhǎng)的信息，在紛繁復(fù)雜的信息中找到恰當(dāng)?shù)男畔⒆兊美щy。過(guò)多的可選擇性雖然給了用戶選擇的自由，但也加大了用戶的選擇難度，降低用戶對(duì)信息的使用效率，這就造成了信息過(guò)載問(wèn)題。目前用戶在互聯(lián)網(wǎng)上搜集有效信息的途徑，一般是通過(guò)主動(dòng)地檢索。一方面可以使用搜索引擎工具進(jìn)行關(guān)鍵詞檢索，例如Google，Baidu等，另

3、一方面是通過(guò)分類網(wǎng)站進(jìn)行分類檢索，例如yahoo，hao123等。關(guān)鍵詞檢索面臨著的問(wèn)題是不同的用戶只要輸入的關(guān)鍵詞是相同的，檢索結(jié)果是一樣的，沒(méi)法為用戶提供個(gè)性化服務(wù)。而分類檢索，則是很多信息分類的標(biāo)準(zhǔn)不確定，不能保證分類的準(zhǔn)確性。推薦系統(tǒng)能夠提供個(gè)性化的服務(wù)，向用戶建議有用的信息，幫助用戶發(fā)掘隱藏的信息。在20世紀(jì)90年代中期，推薦系統(tǒng)成為一個(gè)獨(dú)立的研究領(lǐng)域，目前推薦系統(tǒng)在電子商務(wù)領(lǐng)域發(fā)展較好，在學(xué)術(shù)界也逐步形成一門獨(dú)立的學(xué)科。 &

4、lt;/p><p>　　2.推薦系統(tǒng)的概念 </p><p>　　推薦系統(tǒng)（Recommender System，RS）是一種軟件工具和技術(shù)方法，它可以向用戶建議有用的物品，這種建議適合用于多種決策過(guò)程，如購(gòu)買什么物品、聽(tīng)什么音樂(lè)、在網(wǎng)上瀏覽什么新聞等。推薦系統(tǒng)使用的數(shù)據(jù)包含三種對(duì)象：物品，用戶以及用戶和物品之間的關(guān)系。物品是被推薦的對(duì)象集，推薦系統(tǒng)需要提取對(duì)象的屬性和特征，為對(duì)象建立一個(gè)模型

5、。推薦系統(tǒng)為用戶推薦物品，用戶有不同的目的和特點(diǎn)，推薦系統(tǒng)需要提取用戶的相關(guān)信息，為用戶建立相應(yīng)的模型。推薦系統(tǒng)根據(jù)用戶和推薦系統(tǒng)的交互記錄，比如用戶如何選擇物品，或者用戶對(duì)物品的評(píng)價(jià)，來(lái)找到用戶和物品之間的關(guān)系。 </p><p><b>　　3.推薦系統(tǒng)技術(shù) </b></p><p>　　推薦系統(tǒng)主要隨著推薦算法變化，推薦算法是推薦系統(tǒng)預(yù)測(cè)推薦物品的方法，是整個(gè)推

6、薦系統(tǒng)中最關(guān)鍵和核心的部分。分為基于內(nèi)容的推薦，協(xié)同過(guò)濾推薦，基于知識(shí)的推薦，情境感知推薦系統(tǒng)等。 </p><p>　　3.1基于內(nèi)容的推薦 </p><p>　　基于內(nèi)容的推薦，收集用戶曾經(jīng)喜歡選擇的物品，去發(fā)掘推薦類似的產(chǎn)品。通過(guò)分析用戶之前已評(píng)分物品的文檔或描述，比如在電子商務(wù)網(wǎng)站中，用戶對(duì)已購(gòu)買商品的評(píng)價(jià)，對(duì)于已評(píng)價(jià)的物品的特征構(gòu)建模型。這個(gè)模型是用戶興趣的結(jié)構(gòu)化描述，推薦系統(tǒng)在

7、推薦新的物品時(shí)，將模型中的物品特征和新物品的特征相匹配，匹配結(jié)果就是用戶對(duì)某個(gè)物品感興趣程度的評(píng)價(jià)。 </p><p>　　基于內(nèi)容的推薦系統(tǒng)，有以下優(yōu)點(diǎn)，用戶具有獨(dú)立性，因?yàn)橥扑]系統(tǒng)是根據(jù)用戶自己的評(píng)分去構(gòu)建的用戶的個(gè)人信息，不需要其他用戶的參與。推薦系統(tǒng)是透明的，用戶可以明確知道推薦系統(tǒng)推薦新物品的原因，因?yàn)樾挛锲泛椭白约哼x擇的物品具有相似性。但也有以下缺點(diǎn)，過(guò)度特化即驚喜度問(wèn)題，基于內(nèi)容的推薦很難發(fā)現(xiàn)新穎

8、的東西。對(duì)于新用戶來(lái)說(shuō)，因?yàn)闆](méi)法收集足夠的評(píng)分，系統(tǒng)無(wú)法提供可靠的推薦。 </p><p>　　3.2協(xié)同過(guò)濾推薦 </p><p>　　協(xié)同過(guò)濾方法不需要先去收集關(guān)于用戶和商品的信息，它所關(guān)注的是用戶對(duì)商品的評(píng)分，以及用戶購(gòu)買了什么商品?；谝陨蟽?nèi)容進(jìn)行推薦。協(xié)同過(guò)濾算法中將物品和用戶關(guān)聯(lián)起來(lái)建立推薦信息。分為基于近鄰的方法和基于模型的方法。 </p><p>　

9、　基于近鄰的方法又分為基于物品的方法和基于用戶的方法。在基于物品的方法中，用戶u對(duì)物品i進(jìn)行評(píng)分，物品j是和物品i具有相似特征的物品，算法可以根據(jù)用戶u對(duì)物品i的評(píng)價(jià)來(lái)推斷用戶u對(duì)物品j的評(píng)價(jià)，根據(jù)評(píng)價(jià)的好壞，來(lái)決定是否推薦物品j?；谟脩舻姆椒ㄊ?，用戶u和用戶v是有相似評(píng)價(jià)習(xí)慣和興趣愛(ài)好的用戶，用戶u對(duì)物品i進(jìn)行評(píng)價(jià)，而物品i是用戶v沒(méi)有購(gòu)買或使用過(guò)的物品。算法通過(guò)對(duì)用戶u給一些列類似于i的物品的評(píng)價(jià)進(jìn)行建模，根據(jù)感興趣程度對(duì)用戶v進(jìn)

10、行推薦。 </p><p>　　基于近鄰的方法在預(yù)測(cè)中使用已有的用戶對(duì)物品的評(píng)價(jià)數(shù)據(jù)進(jìn)行預(yù)測(cè)，基于模型的方法不是直接使用這些已有數(shù)據(jù)進(jìn)行預(yù)測(cè)，而是使用這些用戶對(duì)物品的評(píng)分來(lái)建立學(xué)習(xí)模型。主要思想是使用評(píng)分，找出用戶和物品的潛在特征，搭建用戶和物品之間的關(guān)系，找出用戶喜愛(ài)的類別和物品屬于的類別，在找出二者之間的關(guān)系。這種模型是通過(guò)已有數(shù)據(jù)進(jìn)行訓(xùn)練，然后為用戶預(yù)測(cè)新的物品。包括貝葉斯聚類、潛在語(yǔ)義分析、潛在狄利克雷分

11、布、最大熵、玻爾茲曼機(jī)、支持向量機(jī)和奇異值分解。 </p><p>　　3.3 基于知識(shí)的推薦 </p><p>　　基于內(nèi)容的推薦方法和系統(tǒng)過(guò)濾方法，都是想用戶推薦與用戶已經(jīng)使用過(guò)的物品相似或者與用戶興趣愛(ài)好相似的物品。這在物品不隨著時(shí)間變化的系統(tǒng)中是適用的，適用于實(shí)時(shí)性不高的系統(tǒng)中，但對(duì)實(shí)時(shí)性高的系統(tǒng)是不適用的，比如房產(chǎn)系統(tǒng)，股票系統(tǒng)。 </p><p>　　基

12、于知識(shí)的推薦利用已有的產(chǎn)品領(lǐng)域的深度知識(shí)和用戶的顯示需求來(lái)計(jì)算推薦。算法先收集用戶的需求，在現(xiàn)有知識(shí)找不到推薦方案的情況下，找到現(xiàn)有知識(shí)與需求的不一致性，進(jìn)行知識(shí)的修復(fù)，并給出推薦方案。根據(jù)推薦方案的計(jì)算方法，分為基于樣例的方法和基于約束的方法?；跇永姆椒ㄍㄟ^(guò)用戶需求和已有知識(shí)的相似度來(lái)給出推薦結(jié)果?；诩s束的方法，則是利用已經(jīng)預(yù)先定義好的推薦知識(shí)庫(kù)進(jìn)行推薦。 </p><p>　　3.4 情境感知推薦系統(tǒng)

13、</p><p>　　目前很多已在使用的推薦方法在把物品推薦給用戶的時(shí)候，都是不考慮環(huán)境因素，在這些推薦系統(tǒng)中，只有兩類實(shí)體，即用戶和物品。并沒(méi)有把用戶和物品放在特定環(huán)境因素中進(jìn)行考慮。而實(shí)際使用過(guò)程中，結(jié)合情境用戶推薦物品，把情境信息整合到推薦流程中是很有必要的。情境感知推薦系統(tǒng)，該系統(tǒng)通過(guò)將已有的情境信息作為附加的數(shù)據(jù)類型整合到推薦流程里，來(lái)處理對(duì)用戶的興趣和偏好的建模和預(yù)測(cè)問(wèn)題。這種長(zhǎng)期的偏好和興趣通常以評(píng)

14、分來(lái)表示，其對(duì)應(yīng)的模型不僅是物品和用戶的函數(shù)，也是情境信息的函數(shù)，換句話說(shuō)，評(píng)分函數(shù)定義為User×Item×Context―>Rating，其中，User和Item分別是用戶和物品的取值域，Rating是評(píng)分的取值域，Context聲明了與應(yīng)用相關(guān)的情境信息。 </p><p>　　4.推薦系統(tǒng)相關(guān)問(wèn)題研究 </p><p>　　在選擇推薦算法時(shí)，需要對(duì)一系列問(wèn)

15、題進(jìn)行考慮。（1）用戶偏好問(wèn)題。在某些推薦算法中，需要考慮用戶評(píng)分問(wèn)題，都是假設(shè)用戶是平等的，對(duì)于系統(tǒng)來(lái)說(shuō)，高頻率使用系統(tǒng)的用戶做出的評(píng)價(jià)應(yīng)該比低頻率使用系統(tǒng)的用戶的評(píng)價(jià)權(quán)重高。（2）預(yù)測(cè)準(zhǔn)確度問(wèn)題，使用離線實(shí)驗(yàn)對(duì)推薦系統(tǒng)進(jìn)行評(píng)測(cè)，評(píng)價(jià)出能夠精確推薦的算法。（3）冷啟動(dòng)問(wèn)題，當(dāng)系統(tǒng)中加入新的物品和用戶時(shí)，推薦系統(tǒng)是否能夠正確做出推薦。（4）置信度問(wèn)題，推薦系統(tǒng)應(yīng)該為所推薦的物品進(jìn)行分級(jí)，分為推薦度高的物品和推薦度低的物品。（5）信任度問(wèn)

16、題，需要考慮用戶對(duì)推薦系統(tǒng)的信任程度。（6）新穎度問(wèn)題，是否能為用戶推薦他們沒(méi)有接觸過(guò)的物品類別。（7）風(fēng)險(xiǎn)性問(wèn)題，在一些高風(fēng)險(xiǎn)的系統(tǒng)中，例如股票系統(tǒng)，推薦算法應(yīng)該盡可能為用戶規(guī)避風(fēng)險(xiǎn)。（8）健壯性問(wèn)題，推薦系統(tǒng)能夠規(guī)避人為插入的虛假信息。（9）隱私性問(wèn)題，推薦系統(tǒng)應(yīng)該能夠?qū)τ脩舻碾[私進(jìn)行保護(hù)。 </p><p><b>　　總結(jié) </b></p><p>　　本論文

17、從推薦系統(tǒng)的概念，技術(shù)，相關(guān)問(wèn)題三個(gè)方面進(jìn)行了闡述。推薦系統(tǒng)是一個(gè)充滿挑戰(zhàn)的研究領(lǐng)域，推薦系統(tǒng)的發(fā)展需要工業(yè)界和學(xué)術(shù)界進(jìn)一步的合作，相輔相成，促進(jìn)推薦系統(tǒng)的發(fā)展。 </p><p><b>　　參考文獻(xiàn)： </b></p><p>　　[1]Francesco Ricci， Lior Rokach， Bracha Shapira， Paul B. Kantor.推薦系

18、統(tǒng)技術(shù)、評(píng)估及高效算法[M].北京：機(jī)械工業(yè)出版社，2015. </p><p>　　[2]王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：66-74 </p><p>　　[3]劉紅霞.基于協(xié)同過(guò)濾技術(shù)的推薦系統(tǒng)綜述[J].信息安全與技術(shù)，2016，25：24-26 </p><p><b>　　作者簡(jiǎn)介 </b&