朱保華　張曉濱

摘 要： 在個性化推薦系統中，協同過濾技術是應用最成功的技術。協同過濾技術包含幾種典型代表，基于用戶的協同過濾、基于內容項的協同過濾、基于關聯規(guī)則的協同過濾等，這些方法都有各自的優(yōu)缺點和應用領域。通過對傳統協同過濾算法進行分析，根據移動用戶餐飲個性化的特點，引入杰卡德系數，將杰卡德系數引入到協同過濾中并對算法進行改進，最終在移動用戶餐飲個性化推薦中取得了較為理想的效果。

關鍵字： 個性化； 協同過濾； 杰卡德系數； 相似性

中圖分類號： TN916.3?34 文獻標識碼： A 文章編號： 1004?373X（2015）11?0013?03

Research on catering personalized demand recommendation for mobile users

ZHU Bao?hua， ZHANG Xiao?bin

（School of Computer and Science， Xian Polytechnic University， Xian 710048， China）

Abstract： In the personalized recommendation system， collaborative filtering technology is one of the most successful technologies in application， which contains a few typical modes： collaborative filtering technologies based on the users， content items， association rules and so on，. These technologies have their own advantages， disadvantages and application fields. By the analysis of the traditional collaborative filtering algorithm， Jaccard coefficient is introduced according to the catering persona?lized characteristic of the mobile users. Jaccard coefficient is introduced into collaborative filtering to improve the filtering algorithm.， An ideal effect was obtained in catering personalized recommendation for mobile users.

Keywords： personalization； collaborative filtering； Jaccard coefficient； similarity

0 引 言

隨著移動用戶數量的增加和移動設備的方便使用，移動用戶能夠很方便地對餐飲進行評分。但在實際的餐飲個性化推薦中采用傳統的協同過濾技術，即首先為目標用戶尋找興趣相似的鄰居用戶，然后把鄰居用戶感興趣的項目推薦給目標用戶。這種推薦往往不準確，不能滿足用戶的真正需求。

移動用戶無法通過小小的移動設備在短時間內瀏覽所有餐飲信息，從而面臨“信息超載”的問題，使用戶失去興趣。解決此類問題常采用的方法有信息檢索、關聯規(guī)則、基于項目屬性和云填充的協同過濾推薦算法[1]，根據事物之間的關聯性，Sarwar等人將協同過濾算法分成了基于用戶的協同過濾算法和基于項目的協同過濾算法[2]，文獻[3]提出一種結合共同鄰居和用戶評分信息的相似度算法，文獻[4]提出在項目評分預測推薦的基礎上結合云模型的算法。

本文在移動用戶餐飲個性化推薦中，對傳統協同過濾算法進行改進，在移動用戶餐飲個性化推薦中取得了較為理想的效果。

1 協同過濾算法

在大多數采用協同過濾算法的推薦系統中，由于用戶評分的項目往往不超過總項目[5]數的1%，所以導致評分數據的極端稀疏性，使得傳統的相似性計算方法不能準確地計算出項目之間的相似性。文獻[6]提出結合似然關系模型和用戶等級的協同過濾推薦算法。協同過濾算法中一般采用以下幾種相似性計算算法。

1.1 相似性計算

（1） 余弦相似性

用戶評分看作為[n]維項目空間上的向量，如果用戶對項目沒有進行評分，則將用戶對該項目的評分設為0，用戶間的相似性通過向量間的余弦夾角度量。設用戶[i]和用戶[j]在[n]維項目空間上的評分分別為向量[pi，][pj，]則用戶[i]和用戶[j]直接的相似度sim（i，j）為：

[sim（i，j）=cos （pi，pj）=（pi，pj）pi?pj] （1）

（2） 相關相似性

設用戶[i]和[j]共同評分過的項目集合用[Iij]表示，則用戶[i]和用戶[j]之間的相似性sim（i，j）通過pearson相關系數度量：

[sim（i，j）=c∈Iij（Ri，c-Ri）（Rj，c-Rj）c∈Iij（Ri，c-Ri）2c∈Iij（Rj，c-Rj）2] （2）

（3） 修正的余弦相似性

在余弦相似性度量方法中沒有考慮不同用戶的評分尺度問題，修正的余弦相似性度量方法通過減去用戶對項目的平均評分改善了該缺陷， 設用戶i和j共同評分過的項目集合用[Iij]表示，[Ii]和[Ij]分別表示用戶i和用戶j評分過的項目集合，則用戶i 和用戶j 之間的相似性sim（i，j）為：

[sim（i，j）=c∈Iij（Ri，c-Ri）（Rj，c-Rj）c∈Ii（Ri，c-Ri）2c∈Ij（Rj，c-Rj）2] （3）

式中：Ri，c表示用戶i對項目c評分；[Ri]和[Rj]分別表示用戶i和用戶j對項目c的平均評分。

1.2 推薦

根據其他相似鄰居集用戶興趣，對目標用戶進行評分預測，預測推薦公式如下：[Pu，i=Ru+a=1n（Ra，i-Ra）sim（u，a）a=1nsim（u，a）] （4）

式中：[Ru]和[Ra]分別表示用戶[u]和用戶[a]對項目的平均評分；sim（u，a）是用戶[u]和用戶[a]的相似系數；Ra，i表示用戶[a]對項目[i]的評分；[n]是用戶的個數。

2 餐飲個性化需求推薦

隨著移動用戶在餐飲方面的需求越來越高，普通的個性化推薦很難滿足用戶的真正需求，本文從移動用戶的角度出發(fā)，考慮餐飲之間味道的相似性和移動用戶餐飲評價相似性，綜合這兩方面的因素，在移動用戶餐飲個性化推薦中取得了較為理想的效果。

2.1 餐飲味道相似性

計算餐飲味道的相似性，味道包括酸、甜、苦、辣、咸等其他味道，假設餐飲的種類為n，其中每道餐飲又有k種味道，表1為餐飲的種類對應的多種味道，1代表餐飲具有某種味道，0代表不具有某種味道。

根據表1每種餐飲對應的多種味道可知，計算各個餐飲味道的相似性，假設餐飲A和餐飲B在n維味道空間上看作是向量[A={A1，A2，…，Ai}，][B={B1，B2，…，Bi}，]并且由于該向量的取值為二維數據（0或者1） ，則餐飲A和餐飲B之間的味道相似性[sims（A，B）]計算公式為：

[sims（A，B）=i=1nAi?Bin] （5）

式中：[Ai?Bi]表示[Ai]和[Bi]的交集。

2.2 移動用戶餐飲評價相似性

以餐飲為點評對象，在事件性營銷、培育核心用戶和全面社區(qū)化策略下，迅速聚攏人氣，構建內容較豐富的餐飲口碑信息庫，用戶的點評數量和質量影響著其他用戶的體驗，用戶對餐飲的評價可用1～5分來表示，其中1～3分可表達不喜歡，用數值0表示。4～5分表達喜歡，用數值1表示。也可以直接表達顧客喜歡/不喜歡，用數值1/0表示。對于未評分的餐飲，簡單的辦法就是將未評分餐飲設為一個固定的缺省值，通常取餐飲的評分均值進行填充。這種改進方法確實可以提高推薦精度。

假設用戶u對餐飲a、b、c評分為2分、3分、5分，但未對餐飲d進行評價，可以參考對前三種餐飲的評分均值得到。這里引入計算相似性的杰卡德系數來描述，杰卡德相似系數是衡量兩個集合相似度的一種指標。其思想是兩個集合A和B的交集元素在A，B并集中所占的比例，稱為兩集合的杰卡德相似系數，用符號[J（A，B）]表示，[J（A，B）=A?BA?B，]可將杰卡德相似系數用在衡量樣本的相似度上。樣本A與樣本B是兩個n維向量，而且所有維度的取值都是0或1。根據對上面杰卡德系數的分析，這里引入杰卡德系數用來自適應調節(jié)用戶之間的相似性值，設用戶u和用戶v的杰卡德系數如下：

[J（u，v）=Ru?RvRu?Rv] （6）

式中：[Ru]和[Rv]分別為用戶u和用戶v的評分項目集合；[J（u，v）∈][0，1]；[?]表示集合中的項目數。當兩個用戶擁有完全相同的評分項目集合時，值為1。

從用戶對餐飲評分的角度來看，共同評分占用比越高，則說明兩個人感興趣的餐飲越相似。利用杰卡德系數通過兩個用戶的評分分布計算兩用戶的相似性，兩用戶共同評價的餐飲所占的比例越大，則相似性就越高。用戶評價大于3分的用數值1表示，評價小于3分的用0表示。假設用戶u對餐飲a、b、c的評分分別是5分、4分、2分，用數值表示為（110），用戶v對餐飲a、b、c的評分分別是4分、2分、3分，用數值表示為（101），則用戶u和用戶v的相似度為[13。]這里用杰卡德系數和sim（u，v）相結合達到修正sim（u，v）的效果，最終獲得更加準確的用戶之間的相似性：

[simr（u，v）=J（u，v）?sim（u，v）] （7）

將用戶之間相似性[simr（u，v）]和餐飲的味道相似性[sims（u，v）]相結合，其中a∈[0，1]，a是調節(jié)基于兩種相似性的平衡因子。

[sim（i，j）=asims（i，j）+（1-a）simr（i，j）] （8）

2.3 餐飲個性化推薦

根據一些移動用戶對餐飲的評價，對這些數據進行整理，計算用戶u對餐飲i的預測評價Pu，i可以通過用戶u對最近鄰居集合中項目的評分得到，將餐飲之間相似性和修正過的用戶相似性結合，應用到用戶u對餐飲的預測評分，計算公式如下：

[Pu，i=Ru+a=1n（Ra，i-Ra）sim（u，a）a=1nsim（u，a）] （9）

式中：Ra，i表示用戶a對餐飲i的評分；[Ru]和[Ra]分別表示對餐飲u和a的平均評分。

3 實驗結果分析

本文試驗中選取了200名注冊的移動用戶對50道餐飲進行的1 000條評分記錄作為實驗數據集。MAE通過計算所有預測評分與實際評分的偏差來評價算法的優(yōu)劣。MAE值越小，則算法越精確。

[MAE=（u，i）∈RTPu，i-Ru，iRT] （10）

式中：Pu，i表示用戶u對餐飲i的預測評分；Ru，i表示顧客u對餐飲i的真實評分；RT表示測試集。

用戶鄰居數目從10增加到50，中間間隔為10，比較不同鄰居數目下兩種算法的不同MAE值，如圖1所示。其中a=0.5，由圖1可知MAE值越小準確率越高，改進的協同過濾算法明顯優(yōu)于傳統的協同過濾，將預測評分最高的N個餐飲推薦給用戶。

4 結 語

考慮到移動用戶平時對各種餐飲的評分，本文引入杰卡德系數，將杰卡德系數和用戶相似性聯系在一起達到修正的目的，再和餐飲味道相似性線性相結合，最終預測移動用戶對餐飲的評分，改進的協同過濾算法在移動用戶餐飲個性化推薦中取得了較為理想的效果。

參考文獻

[1] 孫金剛，艾麗榮.基于項目屬性和云填充的協同過濾推薦算法[J].計算機應用，2012（3）：658?660.

[2] SARWAR B， KARYPIS G， KONSTAN J， et al. Item?based collaborative filtering recommendation algorithms [C]// Procee?dings of the 10th International Conference on World Wide Web. New York： ACM Press， 2001： 285?295.

[3] 賀銀慧，陳端兵，陳勇，等.一種結合共同鄰居和用戶評分信息的相似度算法[J].計算機科學，2010（9）：184?186.

[4] 徐德智，李曉慧.基于云模型的項目評分預測推薦算法[J].計算機工程，2010（17）：48?50.

[5] 鄧愛林，朱揚勇，施伯樂.基于項目評分預測的協同過濾算法[J].軟件學報，2003，14（9）：1621?1628.

[6] 高瀅，齊紅，劉杰，等.結合似然關系模型和用戶等級的協同過濾推薦算法[J].計算機研究與發(fā)展，2008（9）：1463?1469.