面向移动APP的个性化推荐算法

面向移动APP的个性化推荐算法

作者：尚燕飞陈德运杨海陆

来源：《哈尔滨理工大学学报》2018年第06期

摘;要：针对移动互联网移动端的推荐系统推荐满意度和精度较低问题，在分析应用信息系统推荐方法的基础上，提出了一种基于用户相似度和主题相似度个性化的移动APP信息推荐方法，该方法采用用户相似度和个性化加权组合的方式生成信息推荐，使推荐信息更为个性化，提高了推荐精度。同时针对多用户公用账号和兴趣发生变化的推荐问题，提出了一种基于复杂兴趣的推荐算法，该方法通过挖掘用户间的相似度、用户的行为操作及兴趣取向，使推荐信息更为准确。同时，相比于性能较好的Popular推荐算法，本算法在准确率上提高了

3.91%，召回率提高了3.45%，覆盖率提高了

4.84%，性能明显提高。因此，文中所提出方法用于移动APP的个性化推荐，为移动APP的个性化推荐提供了一种新方法。

关键词：移动APP;推荐算法;推荐精度;个性化信息

DOI：10.15938/j.jhust.2018.06.021

中图分类号： TP393.08

文献标志码： A

文章编号： 1007-2683（2018）06-0116-08

Abstract：For the problem of low precision to both experience satisfaction and personalized requirement of Internet mobile terminal;based on the recommendation method of analyzing information system;a method of mobile APP information recommendation based on user similarity and subject similarity is proposed;which generated information recommendation by the weighted combination of user similarity and personalized;that the recommended information is more personalized;and the recommended accuracy is improved. At the same time;a recommendation algorithm based on complex interest is proposed;which makes the recommendation information more accurate by mining the similarity between users;the behavior of users and the orientation of interest for the recommendation problem of multi-user public account and interest change. Compared with the Popular which has better performance;the algorithm improves the accuracy rate by 3.91%;the recall rate is 3.45%;the coverage rate is improved by 4.84%;and the performance is improved obviously. Therefore;the method proposed in this paper is used to the personalized recommendation of

APP;which provides a new method for mobile APP′s personalized recommendation.

Keywords：mobile application;recommendation algorithm;the accuracy of recommending;personalized information

0;引;言

隨着互联网技术的发展，移动端与互联网的迅速融合，越来越多的移动APP出现在了用户的移动设备上。随之而来的移动APP网络信息推荐服务需要响应用户实时、连续、个性化的服务需求。目前，推荐类的系统主要有基于内容的推荐系统、协同过滤推荐系统以及混合推荐系统[1]。基于内容的推荐是根据信息的内容与用户偏好之间的相关性向用户推荐，比较适用于文本信息推荐[2]。协同过滤推荐是根据具有类似观点用户的行为对目标用户进行推荐[3]。混合推荐是为了解决单一推荐技术的不足，按照不同的混合策略（如加权、特征组合等）将不同的推荐技术进行组合从而完成推荐[4]。

但是，当前多数移动APP的信息推荐并未充分考虑用户的个性化服务需求，只是根据用户的历史浏览记录和选择标签的形式来向用户推荐相关信息，使得信息推荐的精度和用户使用满意度达不到较高的水平，特别是在复杂兴趣推荐方面难以达到用户的需求。目前比较出名的Applause推荐系统是基于位置上下文的个性化推荐系统，其位置信息主要通过移动设备自动感知或人为设定获取，但是该系统没有考虑新用户的个人兴趣，只是根据当前位置附近APP的使用频繁程度向用户进行推荐[5]。因此，本文通过挖掘用户间的相似度，以及用户的行为操作，并结合兴趣取向，设计了一种具有较好推荐精度并满足用户需求的移动APP推荐算法。

在推荐系统中，冷启动一直是一个很重要的问题。由于很多移动APP目前都支持使用第三方登陆，此处的冷启动用户兴趣偏好主要通过第三方获取偏好模型，在此不再赘述。

1;离线状态下的信息推荐

1.1;用户相似度的定义及计算

在具有推荐系统的移动APP中，用户为了得到更加丰富、更加符合自己兴趣的信息之前，往往需要注册个人信息来使系统推荐给自己喜欢的数据，例如豆瓣中需要用户选择类型标签，书单推荐类软件需要让用户输入自己喜欢的书籍类型或者读过的书籍名称，还有招聘类的软件需要用户输入条件信息来筛选自己想要的信息。以上信息无非分为两类，即名称型的用户属性（比如专业、学历等）和数值型的用户属性（比如年龄、身高、健身频率等）。

1）对于用户属性中的数值型属性，主要是计算不同用户之间属性的绝对差值‖d‖=DA-DB。目前，有的学者将不同属性绝对差值的最小和最大组成差值区间，在得到用户的数值型属性绝对差以后，差值落到某个小区间，对以上属性值区间给定相应的距离，并以此差值作为用户个人信息数值属性的度量距离Lnum[6]。但是，这种方法在统计用户的数值属性的时候，存在着数据颗粒度大小差距过大的问题，并且没有考虑到数据的多个属性使用的是不同的度量单位（比如，用户A的身高为170cm，用户B的身高为175cm，则Lnum=5cm;同样，用户A 的工资为3000RMB，用户B的工资为4000RMB，则Lnum=1000RMB），这将直接影响聚类分析的结果。为此，首先将数值型属性进行标准化，标准化的方法主要使用数值属性标准化方法[7]。