推荐系统及其相关技术研究
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４ ０ 卷第 ３ 期
南 民 族 学学 报 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｏ ｕ ｔ ｈ ｗｅｓ ｔ Ｕ ｎｉ ｖ ｅｒ ｓｉ ｔ ｙｆ ｏ ｒＮａ ｔ ｉ ｏ ｎａ ｌ ｉ ｔ ｉ ｅ ｓ ・ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ
收 稿 日期 ：２ ０ １ ４ — ０ ３ ． １ ２
作者简介 ：１ ￣
（ １ ９ ８ １ ． ） ，女，四川雅安人，副教授，博士，研究方向：人机交互、推荐系统．
基金项 目：２ ０ １ ４ 年国家外专项 目；西南民族大学 中央高校基本科研业务费专项 资金 （ 青年教师基金项 Ｉ ￣ ） （ １ ３ Ｎ Ｚ ＹＱ Ｎ１ ９ ） ；西南 民族 大学 ２ ０ １ ３年教育教学改革项 目（ ２ ０ １ ３ Ｚ Ｃ ７ ０ ） ；西南民族大 学中央高校基 本科研业 务费专项 资金（ 优秀科 研团队及重大孵
西
‘
大
自然
学版
Ｍａ ｙ ２ ｏｌ ４
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ｄ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ３ － ４ ２ ７ １ ． ２ ０ １ ４ ． ０ ３ ． ２ １
推荐 系统 及 其相 关 技 术研 究
陈 雅茜 ，刘韬 ，方诗 虹
（ 西南民族大学计算机 科学与技 术学院，四川 成都 ６ １ ０ ０ ４ １ ）
ｕ （ ｃ ， ｓ ） ｓ ｃ ｏ ｒ ｅ （ Ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｂａ ｓ ｅ ｄ Ｐ ｒ ｏ ｉ ｆ ｌ ｅ （ ｃ ） ， Ｃ ｏ ｎ ｔ ｅ ｎ ｔ （ ｓ ） ） ． （ ２ ）
除基于预定义的效 用公式外， 数据挖掘技术可从数据 中获取模式（ ｍ ｏ ｄ ｅ １ ） 从而实现基于 内容的推荐． 常 用的 数 据 挖掘技 术 有贝 叶斯 分类 器 Ｊ 、决策 树 以及 人工 神经 网络 ． 虽然基于内容 的推荐算法简单易行且不依赖于 用户的历史消费记录， 但存在着 内容分析与特征提取难、推 荐过 于 相似 缺 乏新 意、 对新 用 户的推 荐质 量 不高等 问 “ Ｊ ．
摘
要 ：在介绍推荐 系统 的定义和 分类的基础上 ， 深入讨论 现有推荐 系统普遍存 在的 问题 ， 并提 出 了相应的 改进 策略 ：
结合上 下文信 息；支持基 于多标准推 荐算法： 在保证推荐精度 的同时兼顾推 荐的多样性； 加 强交互界面设 计， 提 高系统 逻辑 的透 明度 ： 支持 包括推 荐 包在 内的 多种推荐模 式． 我们相信 这些策略有助于提 高推荐质 量， 激发 用户的参与度， 从
１ 推荐 系统的定义
推荐系统是一门交叉性的研究课题， 涉及认知科学、 信息检索、 电子商务、 消费心理学等众多研究领域… ． 推 荐 系 统根 据 用户 的爱好 和需 求 ，使 用某 种推 荐 策 略 向用户 推荐 适 合 的对 象 。 ４ Ｊ ．推荐 系 统 的规 范 定义 如 下 ：令
ｃ 为 所有 用户 的集合 ，Ｓ为所 有可供 推 荐 的对 象 的集合 ． 令 ｕ为度 量对象 ｓ对 用户 ｃ有 用性 的效 用 函数 ，即 ｕ ：
Ｃ ｘ Ｓ － － － ￣ Ｒ ， 其 中 Ｒ为非负实数 的有限序集． 对每个用户 Ｃ ∈ Ｃ ， 系统理论上应推荐效用度最大的对象 Ｓ ’ ∈ ｓ ：
Ｖｃ∈ Ｃ ， Ｓ’
。
ａ ｒ ｇ ｍａ ｘ ｕ （ ｃ ， Ｓ ）．
ｓ ｅＳ Baidu Nhomakorabea
（ １ ）
由于ｕ 可由用户对 已尝试对象的评分来表示， 所以推荐系统可 以根据评分来推测 用户对未尝试对象的评分， 然后向用户推荐预测评分最高的对象． 常用评分推测方法有机器学 习和逼近理论等．
化项 目） （ １ ３ Ｎ Ｚ Ｙ Ｔ Ｄ ０ ２ ） ； 西南民族大学中央高校基 本科 研业务费专项 资金 （ 青年教 师基金项 目） ” （ １ ２ Ｎ Ｚ Ｙ Ｑ Ｎ １ ６ ） ．
西南民族大学学报 ・ 自然科学版
倒 排 文档频 率 （ Ｔ Ｆ 一 １ ＤＦ ） ．
第４ ０ 卷
对象 ｏ ｊ 的内容 可以定义为一个关键字权值向量： Ｃ ｏ ｎ ｔ ｅ ｎ ｔ （ ｏ ｊ ） ＝ （ ｗ …， ｗ Ｏ． 该向量可表示基于 内容的用户模 型（ Ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｂ ａ ｓ ｅ ｄ Ｐ ｒ ｏ ｉ ｆ ｌ ｅ ） ． 效用函数 ｕ （ ｃ ， ｓ ） 可定义为公式 ２ ｐ Ｊ ， 系统优先推荐效用度大的对象． 其中 ｓ ｃ ｏ ｒ ｅ 的计算方 法有多种， 如余弦夹角向量距离。 。 Ｊ ．
２ 推荐 系统分类
根 据对 效 用度ｕ 不 同的定义 和 获取 方式 ， 可 将 推荐 系统 分为 基于 内容 （ ｃ ｏ ｎ ｔ ｅ ｎ ｔ — ｂ ａ ｓ ｅ ｄ ） 、基于 协 同过 滤 （ Ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ Ｆ ｉ ｌ ｔ ｅ ｉ ｒ ｎ ｇ ， Ｃ Ｆ ） 和混合型（ ｈ ｙ ｂ ｉ ｒ ｄ ） 等三类推荐系统． ２ ． １ 基于 内容的推荐系统 基于 内容的推荐系统通过分析用户尝试过且喜爱 的对象来推荐其它相似的对象． 内容通常表示为该对象的 多个关键字， 如一本书的作者、出版 日期等． 对象 Ｓ 对于用户 Ｃ的效用度 ｕ可以用其关键字权值表示， 如词频／
而增 强 推 荐 系统 的 实际 可 用 性 ．
关键词：推荐 系统；个性化推荐；电子商务；协 同过滤
中图分类号： Ｔ Ｐ ３ ９ １ ． ３ 文献标 识码 ： Ａ 文 章编 号： １ ０ ０ ３ ． ４ ２ ７ １ （ ２ ０ １ ４ ） ０ ３ ． ０ ４ ３ ９ ． ０ ４
近年来推荐系统得到了快速发展． 一些商业网站如 Ａ ｍ ａ ｚ ｏ ｎ ． ｃ ｏ ｎ、 ｒ 淘宝等早已引入推荐系统帮助用户快速找 到合适产品， 刺激用户消费， 从而提高产品销量． 尽管推荐系统 已得到了飞速发展， 但仍存在评分稀疏性、冷启 动等普遍 问题 ． 因此有必要对现有推荐系统进行改进． 本文对推荐系统及其相关技术做 了全面 的调查和分析． 第一节和第二节分别介绍推荐系统的定义、分类和 相关技术， 第三节深入讨论现有推荐系统的普遍 问题并给出相应的解决方案．
南 民 族 学学 报 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｏ ｕ ｔ ｈ ｗｅｓ ｔ Ｕ ｎｉ ｖ ｅｒ ｓｉ ｔ ｙｆ ｏ ｒＮａ ｔ ｉ ｏ ｎａ ｌ ｉ ｔ ｉ ｅ ｓ ・ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ
收 稿 日期 ：２ ０ １ ４ — ０ ３ ． １ ２
作者简介 ：１ ￣
（ １ ９ ８ １ ． ） ，女，四川雅安人，副教授，博士，研究方向：人机交互、推荐系统．
基金项 目：２ ０ １ ４ 年国家外专项 目；西南民族大学 中央高校基本科研业务费专项 资金 （ 青年教师基金项 Ｉ ￣ ） （ １ ３ Ｎ Ｚ ＹＱ Ｎ１ ９ ） ；西南 民族 大学 ２ ０ １ ３年教育教学改革项 目（ ２ ０ １ ３ Ｚ Ｃ ７ ０ ） ；西南民族大 学中央高校基 本科研业 务费专项 资金（ 优秀科 研团队及重大孵
西
‘
大
自然
学版
Ｍａ ｙ ２ ｏｌ ４
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ｄ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ３ － ４ ２ ７ １ ． ２ ０ １ ４ ． ０ ３ ． ２ １
推荐 系统 及 其相 关 技 术研 究
陈 雅茜 ，刘韬 ，方诗 虹
（ 西南民族大学计算机 科学与技 术学院，四川 成都 ６ １ ０ ０ ４ １ ）
ｕ （ ｃ ， ｓ ） ｓ ｃ ｏ ｒ ｅ （ Ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｂａ ｓ ｅ ｄ Ｐ ｒ ｏ ｉ ｆ ｌ ｅ （ ｃ ） ， Ｃ ｏ ｎ ｔ ｅ ｎ ｔ （ ｓ ） ） ． （ ２ ）
除基于预定义的效 用公式外， 数据挖掘技术可从数据 中获取模式（ ｍ ｏ ｄ ｅ １ ） 从而实现基于 内容的推荐． 常 用的 数 据 挖掘技 术 有贝 叶斯 分类 器 Ｊ 、决策 树 以及 人工 神经 网络 ． 虽然基于内容 的推荐算法简单易行且不依赖于 用户的历史消费记录， 但存在着 内容分析与特征提取难、推 荐过 于 相似 缺 乏新 意、 对新 用 户的推 荐质 量 不高等 问 “ Ｊ ．
摘
要 ：在介绍推荐 系统 的定义和 分类的基础上 ， 深入讨论 现有推荐 系统普遍存 在的 问题 ， 并提 出 了相应的 改进 策略 ：
结合上 下文信 息；支持基 于多标准推 荐算法： 在保证推荐精度 的同时兼顾推 荐的多样性； 加 强交互界面设 计， 提 高系统 逻辑 的透 明度 ： 支持 包括推 荐 包在 内的 多种推荐模 式． 我们相信 这些策略有助于提 高推荐质 量， 激发 用户的参与度， 从
１ 推荐 系统的定义
推荐系统是一门交叉性的研究课题， 涉及认知科学、 信息检索、 电子商务、 消费心理学等众多研究领域… ． 推 荐 系 统根 据 用户 的爱好 和需 求 ，使 用某 种推 荐 策 略 向用户 推荐 适 合 的对 象 。 ４ Ｊ ．推荐 系 统 的规 范 定义 如 下 ：令
ｃ 为 所有 用户 的集合 ，Ｓ为所 有可供 推 荐 的对 象 的集合 ． 令 ｕ为度 量对象 ｓ对 用户 ｃ有 用性 的效 用 函数 ，即 ｕ ：
Ｃ ｘ Ｓ － － － ￣ Ｒ ， 其 中 Ｒ为非负实数 的有限序集． 对每个用户 Ｃ ∈ Ｃ ， 系统理论上应推荐效用度最大的对象 Ｓ ’ ∈ ｓ ：
Ｖｃ∈ Ｃ ， Ｓ’
。
ａ ｒ ｇ ｍａ ｘ ｕ （ ｃ ， Ｓ ）．
ｓ ｅＳ Baidu Nhomakorabea
（ １ ）
由于ｕ 可由用户对 已尝试对象的评分来表示， 所以推荐系统可 以根据评分来推测 用户对未尝试对象的评分， 然后向用户推荐预测评分最高的对象． 常用评分推测方法有机器学 习和逼近理论等．
化项 目） （ １ ３ Ｎ Ｚ Ｙ Ｔ Ｄ ０ ２ ） ； 西南民族大学中央高校基 本科 研业务费专项 资金 （ 青年教 师基金项 目） ” （ １ ２ Ｎ Ｚ Ｙ Ｑ Ｎ １ ６ ） ．
西南民族大学学报 ・ 自然科学版
倒 排 文档频 率 （ Ｔ Ｆ 一 １ ＤＦ ） ．
第４ ０ 卷
对象 ｏ ｊ 的内容 可以定义为一个关键字权值向量： Ｃ ｏ ｎ ｔ ｅ ｎ ｔ （ ｏ ｊ ） ＝ （ ｗ …， ｗ Ｏ． 该向量可表示基于 内容的用户模 型（ Ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｂ ａ ｓ ｅ ｄ Ｐ ｒ ｏ ｉ ｆ ｌ ｅ ） ． 效用函数 ｕ （ ｃ ， ｓ ） 可定义为公式 ２ ｐ Ｊ ， 系统优先推荐效用度大的对象． 其中 ｓ ｃ ｏ ｒ ｅ 的计算方 法有多种， 如余弦夹角向量距离。 。 Ｊ ．
２ 推荐 系统分类
根 据对 效 用度ｕ 不 同的定义 和 获取 方式 ， 可 将 推荐 系统 分为 基于 内容 （ ｃ ｏ ｎ ｔ ｅ ｎ ｔ — ｂ ａ ｓ ｅ ｄ ） 、基于 协 同过 滤 （ Ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ Ｆ ｉ ｌ ｔ ｅ ｉ ｒ ｎ ｇ ， Ｃ Ｆ ） 和混合型（ ｈ ｙ ｂ ｉ ｒ ｄ ） 等三类推荐系统． ２ ． １ 基于 内容的推荐系统 基于 内容的推荐系统通过分析用户尝试过且喜爱 的对象来推荐其它相似的对象． 内容通常表示为该对象的 多个关键字， 如一本书的作者、出版 日期等． 对象 Ｓ 对于用户 Ｃ的效用度 ｕ可以用其关键字权值表示， 如词频／
而增 强 推 荐 系统 的 实际 可 用 性 ．
关键词：推荐 系统；个性化推荐；电子商务；协 同过滤
中图分类号： Ｔ Ｐ ３ ９ １ ． ３ 文献标 识码 ： Ａ 文 章编 号： １ ０ ０ ３ ． ４ ２ ７ １ （ ２ ０ １ ４ ） ０ ３ ． ０ ４ ３ ９ ． ０ ４
近年来推荐系统得到了快速发展． 一些商业网站如 Ａ ｍ ａ ｚ ｏ ｎ ． ｃ ｏ ｎ、 ｒ 淘宝等早已引入推荐系统帮助用户快速找 到合适产品， 刺激用户消费， 从而提高产品销量． 尽管推荐系统 已得到了飞速发展， 但仍存在评分稀疏性、冷启 动等普遍 问题 ． 因此有必要对现有推荐系统进行改进． 本文对推荐系统及其相关技术做 了全面 的调查和分析． 第一节和第二节分别介绍推荐系统的定义、分类和 相关技术， 第三节深入讨论现有推荐系统的普遍 问题并给出相应的解决方案．