劉婷

摘要：隨著移動端設(shè)備的快速發(fā)展，手機應(yīng)用呈爆炸式增長，如何在眾多飲食中將用戶喜愛的餐飲準確推薦給用戶顯得尤為重要。針對傳統(tǒng)推薦算法中存在的數(shù)據(jù)稀疏性問題、冷啟動問題以及用戶評分尺度不同導致的近鄰用戶尋找不準確的問題，文章提出基于內(nèi)容的推薦與基于協(xié)同過濾的綜合推薦算法，擺脫了對顯式項目評分的依賴，弱化了數(shù)據(jù)稀疏問題，可以即時地、精準地為用戶推薦符合其喜好的產(chǎn)品。最后能夠在移動訂餐系統(tǒng)實現(xiàn)商家對用戶的個性化推薦。

關(guān)鍵詞：推薦算法；協(xié)同過濾；移動訂餐系統(tǒng)

隨著移動互聯(lián)網(wǎng)的發(fā)展，手機點餐、微信點餐等手機訂餐軟件已成為其最新的發(fā)展趨勢。餐飲行業(yè)現(xiàn)有的大多數(shù)管理系統(tǒng)落后于用戶和管理人員的需要，一種行之有效的方法是將推薦系統(tǒng)應(yīng)用于餐飲管理，分析用戶的歷史數(shù)據(jù)，向用戶提供更符合消費者喜好的服務(wù)，也能方便消費者使用，具有極大的現(xiàn)實意義和經(jīng)濟效益。

推薦算法就是利用用戶的一些行為，通過一些數(shù)學算法，推測出用戶可能喜歡的東西，利用推薦算法從海量數(shù)據(jù)中挖掘出用戶感興趣的項目（如信息、服務(wù)、物品等），并將結(jié)果以個性化列表的形式推薦給用戶。目前，推薦系統(tǒng)在很多領(lǐng)域得到了成功應(yīng)用，包括電子商務(wù)（如Amazon，eBay，Netflix，阿里巴巴等）、信息檢索（如iGoogle，MyYahoo，百度等）、社交網(wǎng)絡(luò)（Facebook，Twitter，騰訊等）、位置服務(wù)（如Foursquare，Yelp，大眾點評等）、新聞推送（如Google News，GroupLens，今日頭條等）等各個領(lǐng)域。本文對現(xiàn)有的推薦方法進行分析，為移動訂餐系統(tǒng)的設(shè)計提供參考和啟發(fā)。

1 傳統(tǒng)推薦算法

目前廣泛使用的推薦方法主要包括基于內(nèi)容的推薦方法和協(xié)同過濾推薦算法。基于內(nèi)容的推薦則是根據(jù)用戶自身選擇的物品的內(nèi)容相似性進行推薦，即推薦給用戶與他喜歡的東西相似的東西?；趨f(xié)同過濾的推薦則是通過分析相似用戶的興趣，根據(jù)相似用戶的評價來進行推薦。其中，最經(jīng)典的協(xié)同過濾算法是矩陣因子分解，利用用戶與項目之間的交互信息為用戶產(chǎn)生推薦，協(xié)同過濾是目前應(yīng)用最為廣泛的推薦算法，但是在應(yīng)用中遇到了致命的問題——數(shù)據(jù)稀疏和冷啟動問題。此外，經(jīng)典的協(xié)同過濾方法采用淺層模型無法學習到用戶和項目的深層次特征?；趦?nèi)容的推薦方法利用用戶已選擇的項目來尋找其他類似屬性的項目進行推薦，但是這種方法需要有效的特征提取，傳統(tǒng)的淺層模型依賴于人工設(shè)計特征，其有效性及可擴展性非常有限，制約了基于內(nèi)容的推薦方法的性能。

1.1 基于內(nèi)容的推薦

基于內(nèi)容的推薦主要根據(jù)用戶已經(jīng)選擇或者評分的項目，挖掘其他內(nèi)容上相似的項目作為推薦，基于內(nèi)容的推薦算法的主要優(yōu)勢在于無冷啟動問題，只要用戶產(chǎn)生了初始的歷史數(shù)據(jù)，就可以開始進行推薦的計算。而且隨著用戶的歷史記錄數(shù)據(jù)的增加，這種推薦一般也會越來越準確。

1.2 基于協(xié)同過濾的推薦

協(xié)同過濾算法是一種僅僅基于用戶行為數(shù)據(jù)設(shè)計的推薦算法。隨著互聯(lián)網(wǎng)空間的迅猛發(fā)展，數(shù)據(jù)規(guī)模的爆炸式增長，協(xié)同過濾算法已經(jīng)成為學術(shù)界和工業(yè)界的關(guān)注熱點并得到了廣泛應(yīng)用，形成了眾多相關(guān)研究成果。為了實現(xiàn)大數(shù)據(jù)環(huán)境下高效、精準的商品推薦，將協(xié)同過濾思想與信息檢索理論有機融合，提出基于學習排序（Learning To Rank，LTR）的并行協(xié)同過濾推薦算法。針對推薦系統(tǒng)中的冷啟動問題，提出基于消費者行為的點餐推薦算法，設(shè)計出頻度統(tǒng)計、關(guān)聯(lián)規(guī)則和Markov鏈3個推薦引擎的加權(quán)組合推薦系統(tǒng)。針對傳統(tǒng)的基于用戶的協(xié)同推薦算法存在的數(shù)據(jù)稀疏以及對用戶評分的強依賴問題，提出基于社交信任機制的在線學習協(xié)同推薦算法。在傳統(tǒng)二部圖推薦算法的基礎(chǔ)上提出一種針對電商平臺快速消費品的圖推薦算法。對近幾年基于深度學習的推薦系統(tǒng)研究進展進行綜述，分析其與傳統(tǒng)推薦系統(tǒng)的區(qū)別以及優(yōu)勢，并對其主要的研究方向、應(yīng)用進展等進行概括、比較和分析。

2 混合推薦算法

2.1 核心思想

基于內(nèi)容的推薦與基于協(xié)同過濾的推薦是目前主流的推薦算法?？紤]到單一推薦方法都存在各自的不足，通過組合不同的推薦算法進行混合推薦，往往能夠產(chǎn)生更好的推薦性能。為了進一步提高推薦算法的推薦質(zhì)量，針對推薦算法中存在的一些缺陷，比如新用戶問題、新項目問題以及數(shù)據(jù)的稀疏問題，眾多學者提出了一些新的方法來對推薦算法進行改進，比如融合爭議度特征的協(xié)同過濾推薦算法，可以緩解傳統(tǒng)算法在稀疏數(shù)據(jù)情況下相似度計算不準確的問題；基于內(nèi)存的傳播式協(xié)同過濾推薦算法，對數(shù)據(jù)稀疏性問題進行了有益的探索和研究。

然而一些傳統(tǒng)的推薦算法以及上述所提出的改進算法都忽略了一個重要的現(xiàn)實問題：這些算法都依賴于用戶對項目的評分，而現(xiàn)實中能對項目進行的評分的用戶則少之又少，這些用戶可認為是死忠用戶，大部分用戶都不會去評分，用戶沒有評分則無法推薦，用戶較少評分則大幅影響推薦的準確性。其可能造成的結(jié)果是死忠用戶越來越死忠，而不評分用戶的推薦準確度無論算法如何提高都得不到質(zhì)的飛躍。

針對上述問題，本文提出了一種推薦算法結(jié)合了基于內(nèi)容的推薦與基于協(xié)同過濾的混合推薦算法（Contentand Collaborative Filtering Hybrid Recommendation，CCF-HR）。該算法可以根據(jù)用戶的非評分行為計算出用戶的喜好模型，利用這一模型和相似用戶可以對產(chǎn)品進行評分預(yù)測，擺脫了對顯式評分的依賴，弱化了數(shù)據(jù)稀疏問題。

2.2 推薦算法中的概念

2.2.1 餐飲產(chǎn)品特征

本文中餐飲產(chǎn)品有價格特征和產(chǎn)品分類特征兩個特征。價格特征有8個特征值，分別是8個價格區(qū)間，分別用f1～f8表示。產(chǎn)品分類特征有5個特征值，中式快餐、西式快餐、飲品、甜品、小吃，分別用f9～f13表示。

2.2.2 用戶對餐飲產(chǎn)品特征值的評分

根據(jù)用戶的購買記錄和收藏列表，計算其對產(chǎn)品特征值的喜愛程度，這一喜愛程度可視為用戶對該特征值的評分。

評分的定義如下：對用戶的購買記錄和收藏列表進行統(tǒng)計，該用戶對特征值fi的評分si為他購買的產(chǎn)品中含特征值fi的數(shù)量與某一特征特征值總數(shù)（即產(chǎn)品的總數(shù)）的比值。即：

其中mi為用戶購買的產(chǎn)品中特征值fi出現(xiàn)的次數(shù)，

。如果用戶的收藏表的一個產(chǎn)品該用戶從未購買過，說明該用戶想嘗試一下該產(chǎn)品。在該算法中將提高該產(chǎn)品所具有的特征值的評分。

2.2.3 餐飲產(chǎn)品特征的偏愛度

在本文中，產(chǎn)品的兩個特征的特征值取值都可視為離散型隨機變量，隨機變量的標準差代表著特征值的離散程度，標準差越小，意味著用戶的購買傾向越趨近于某一特征值，用戶在購買時就越重視該特征。標準差與平均數(shù)的比值稱為變異系數(shù)，變異系數(shù)可以消除單位和（或）平均數(shù)不同對兩個資料變異程度比較的影響。所以兩個特征偏愛度之比是兩個特征變異系數(shù)的反比。

設(shè)用戶所購買過的產(chǎn)品的價格特征取值是離散型隨機變量X（X的取值是產(chǎn)品的價格），設(shè)其標準差為σ1，其均值為E（X）。設(shè)用戶所購買過的產(chǎn)品的分類特征值是離散型隨機變量的取值是1，2， 3， 4， 5，分別代表5個分類），設(shè)其標準差為σ2，其均值為E（Y）。X的變異系數(shù)為

，

Y的變異系數(shù)為

。則產(chǎn)品價格特征和分類特征對于用戶偏愛度分別為：

其中 w1+w2=l。

2.2.4 用戶特征向量

用戶特征向量是一個13維的向量V=（s1， s2， s3， s4， s5， s6， s7， s8， s9， s10， s11， s12， s13，）其中的si是用戶對特征值fi的評分。該向量表示用戶的喜好。

2.2.5 用戶之間的相似度

用戶集U={u1，u2，…，un}，特征值F={f1，f2，…，fn}，在本系統(tǒng)中目前m=13，即總共有13個特征值，則用戶對各特征值的評分如矩陣R（見表1）。

利用余弦相似性計算用戶之間的相似度。每個特征值的所有評分記錄可以視為m維用戶空間特征向量，用戶i與用戶j的特征向量分別為i和j，其相似度記為r（i，j）。則：

其中分子為兩個用戶特征向量的內(nèi)積，分母為兩個用戶特征向量模的乘積。在本系統(tǒng)中，如果0.618≤r（i，j）<1（向量中的值都是正數(shù)，所以相似度取值范圍是[0，1]，0.618則是該范圍的黃金分割點），用戶j才能被視為用戶/的相似用戶。2.2.6 用戶對餐飲產(chǎn)品的評分

當計算出當前用戶的相似用戶后，會對相似用戶所購買的產(chǎn)品進行評分。評分公式如下：

其中，Ti，j，k是當前用戶ui對其相似用戶uj購買的產(chǎn)品pk的評分，s（i，j）是用戶ui與用戶uj之間的相似度，w1，w2是用戶ui的產(chǎn)品特征偏愛度，sa，sb是當前用戶ui對產(chǎn)品pk的兩個特征所取特征值的評分。

2.2.7 推薦產(chǎn)品候選集合

在計算用戶相似度時，一邊計算用戶相似度，一邊按相似度從大到小進行排序。之后，對相似用戶所購買過的產(chǎn)品進行評分的同時按評分從大到小進行排序，加入推薦產(chǎn)品候選集合。

2.28 推薦產(chǎn)品集合

在本文中，為用戶所推薦的產(chǎn)品的數(shù)目是不定的，是個參數(shù)〃。用戶的相似用戶數(shù)目是不定的，用戶所購買過的產(chǎn)品與相似用戶所購買過的產(chǎn)品也是充滿變數(shù)的，到底推薦哪些產(chǎn)品是一個很復雜的問題。在該算法中將采用集合運算來獲取最終的推薦產(chǎn)品集合。

設(shè)系統(tǒng)中的所用產(chǎn)品為全集集合E，推薦產(chǎn)品候選集合為A，用戶未購買過的產(chǎn)品集合為集合B，用戶購買過的產(chǎn)品集合為集合C。集合E，A，B，C之間將會有3種關(guān)系，如圖1所示。

圖1（a）中A，B，C 3個集合互相是沒有相交部分的。圖1（b）中集合A、C有相交部分，即推薦產(chǎn)品候選集合中的部分產(chǎn)品已經(jīng)購買過。圖1（c）中集合A包含于C，即推薦產(chǎn)品候選集合中的產(chǎn)品已經(jīng)全部購買過。

在本文的推薦算法中，算法將優(yōu)先推薦優(yōu)先級高的產(chǎn)品，當高優(yōu)先級的產(chǎn)品的數(shù)量加上已經(jīng)推薦的產(chǎn)品數(shù)量小于n（推薦的產(chǎn)品的數(shù)目）時，將推薦下一個優(yōu)先級的產(chǎn)品，直到所推薦的產(chǎn)品數(shù)量達到n。設(shè)3個優(yōu)先級別的集合PA，PB，PC，最終的推薦產(chǎn)品集合為PF。其中PA的優(yōu)先級最高，為推薦產(chǎn)品候選集合中沒有購買過的產(chǎn)品。PC的優(yōu)先級最低，為已購買過的產(chǎn)品。PB的優(yōu)先級介于兩者之間，為未購買過的產(chǎn)品。3個集合通過以下集合運算獲得。

2.3 算法的詳細流程

算法的詳細流程如圖2所示。

3 結(jié)語

本文提出了一種推薦算法結(jié)合了基于內(nèi)容的推薦與基于協(xié)同過濾的混合推薦算法。該算法可以根據(jù)用戶的非評分行為計算出用戶的喜好模型，利用這一模型和相似用戶可以對產(chǎn)品進行評分預(yù)測，擺脫了對顯式評分的依賴，弱化了數(shù)據(jù)稀疏問題，為移動訂餐系統(tǒng)的設(shè)計提供參考和啟發(fā)。在今后的工作中可以進一步研究用戶的背景信息（如性別、年齡、職業(yè)等）對推薦的影響，進一步改進算法，充分發(fā)揮推薦算法在移動訂餐中的作用。