劉波

摘要：傳統(tǒng)的協(xié)同過濾推薦算法一般基于用戶對(duì)商品的評(píng)分而并未考慮用戶的地理位置信息以及受到數(shù)據(jù)稀疏性問題的影響很大，該文針對(duì)以上問題，提出了一種基于用戶地理位置的協(xié)同過濾推薦算法，根據(jù)用戶的距離計(jì)算用戶相似度，結(jié)合用戶的評(píng)分信息對(duì)傳統(tǒng)的user-based算法進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，在對(duì)商品進(jìn)行top-k推薦時(shí)，改進(jìn)后的算法具有更好的推薦效果，推薦精確率和召回率都有所提升。

關(guān)鍵詞：地理位置；距離；協(xié)同過濾；門店推薦；位置相似度

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）33-0012-03

隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，越來越多的用戶通過手機(jī)等移動(dòng)設(shè)備接入互聯(lián)網(wǎng)，網(wǎng)絡(luò)中的數(shù)據(jù)也呈現(xiàn)出爆炸增長的趨勢(shì)，如何充分利用這些數(shù)據(jù)，為移動(dòng)用戶提供更好的推薦內(nèi)容顯得越來越重要。傳統(tǒng)的推薦方式有基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦、協(xié)同過濾推薦、基于矩陣分解的推薦、集成學(xué)習(xí)推薦，其中協(xié)同過濾推薦是在移動(dòng)推薦領(lǐng)域應(yīng)用最廣泛的推薦算法。傳統(tǒng)的協(xié)同過濾算法面臨很多的不足，如受用戶評(píng)分標(biāo)準(zhǔn)不一致性和數(shù)據(jù)稀疏性影響較大，針對(duì)這些問題，我們考慮引入門店的地理位置信息，通過結(jié)合門店的距離[1]來實(shí)現(xiàn)更加精準(zhǔn)的用戶推薦。

一般來說，由于用戶個(gè)體活動(dòng)范圍的局限性，用戶傾向于選擇固定地區(qū)的門店進(jìn)行消費(fèi)，距離該個(gè)體消費(fèi)門店越遠(yuǎn)的店，其產(chǎn)生消費(fèi)的成本越高，消費(fèi)的概率也越低。目前一般的推薦系統(tǒng)并沒有深入研究門店聚集性對(duì)用戶消費(fèi)產(chǎn)生的影響，本文綜合用戶喜好和門店的距離因素，提出了一種加入門店地理位置的協(xié)同過濾推薦算法[2][5]，用于為門店尋找合適的用戶。

1數(shù)據(jù)與算法

1.1數(shù)據(jù)來源

本文數(shù)據(jù)集來自門店交易數(shù)據(jù)。門店每天產(chǎn)生交易流水，其中包含了豐富的用戶行為記錄，結(jié)合門店本身的地理位置信息，產(chǎn)生了包含地理位置的行為數(shù)據(jù)[3]。原始數(shù)據(jù)集為北京市某個(gè)商圈的所有門店消費(fèi)記錄以及門店的地理位置坐標(biāo)，經(jīng)過預(yù)處理過后，如表3所示。mid為門店ID，uid為用戶ID，rating為門店對(duì)用戶的評(píng)分，這里采用的是隱式評(píng)分，即只要有過消費(fèi)記錄，不論消費(fèi)多少次，即把評(píng)分置為1，表名該門店的用戶偏好。latitude為門店的緯度坐標(biāo)，longitude為門店的經(jīng)度坐標(biāo)。

1.2推薦算法

傳統(tǒng)的協(xié)同過濾算法是從門店-用戶的二元評(píng)分矩陣中計(jì)算目標(biāo)門店與其他門店的相似度，找到距離目標(biāo)門店最近的n個(gè)門店，綜合這n個(gè)門店對(duì)用戶的評(píng)分，對(duì)目標(biāo)門店對(duì)用戶的評(píng)分，最終得出該門店的top-k用戶推薦。

在計(jì)算目標(biāo)門店與周圍門店的相似度時(shí)，相似度的計(jì)算方式主要有兩種：皮爾遜相似度和修正的余弦相似度。

一般采用的距離衰減函數(shù)主要有3種[9]，高斯衰減函數(shù)、指數(shù)衰減函數(shù)、冪函數(shù)衰減。如圖1所示，可以看出，指數(shù)函數(shù)和冪函數(shù)在門店距離較近時(shí)衰減非常快，高斯函數(shù)在門店間距較低時(shí)衰減較為平滑，我們采用高斯衰減函數(shù)。

針對(duì)門店最近鄰個(gè)數(shù)的取值，從實(shí)驗(yàn)結(jié)果圖3、圖4可以看出，最近鄰個(gè)數(shù)越低，precision值越高，以top-k取值20為例，當(dāng)nearest達(dá)到最低為3時(shí)，precision、recall、f1值最優(yōu)，推薦效果最好。這說明用戶在選擇門店進(jìn)行消費(fèi)時(shí)，與門店的相關(guān)性很高。

綜合以上試驗(yàn)結(jié)果可以看出，在精確度（precision）、召回率（recall）、f1這3個(gè)指標(biāo)上，基于地理位置的協(xié)同過濾算法都要明顯的優(yōu)于傳統(tǒng)協(xié)同過濾算法。

3結(jié)語

本文提出了一種基于門店地理位置的協(xié)同過濾推薦算法，通過計(jì)算門店地理位置的相似度，對(duì)比傳統(tǒng)的通過皮爾遜相關(guān)系數(shù)與余弦距離的相似度計(jì)算方法，取最近鄰的N個(gè)門店進(jìn)行top-k用戶推薦。實(shí)驗(yàn)結(jié)果表明，基于門店地理位置相似度的協(xié)同過濾算法在本數(shù)據(jù)集上要優(yōu)于傳統(tǒng)無改進(jìn)的協(xié)同過濾算法。

參考文獻(xiàn)：

[1] 劉樹棟，孟祥武.基于位置的社會(huì)化網(wǎng)絡(luò)推薦系統(tǒng)[J].計(jì)算機(jī)學(xué)報(bào)，2015（3802）：322-336.

[2]田恩菊.基于地理位置的朋友推薦研究[D].山東大學(xué)，2017.

[3] 任星怡，宋美娜，宋俊德.基于用戶簽到行為的興趣點(diǎn)推薦[J].計(jì)算機(jī)學(xué)報(bào)，2017（4001）：28-51.

[4] 朱鵬軍.基于用戶行為特征的性別預(yù)測(cè)研究[J].電腦知識(shí)與技術(shù)，2018（1402）：158-160.

[5] LogeshRavi，SubramaniyaswamyVairavasundaram，SilviaConforto.ACollaborativeLocationBasedTravelRecommendationSystemthroughEnhancedRatingPredictionfortheGroupofUsers[J].ComputationalIntelligenceandNeuroscience，2016.

[6] JieBao，YuZheng，DavidWilkie，MohamedMokbel.Recommendationsinlocation-basedsocialnetworks：asurvey[J].GeoInformatica，2015（193）.

[7] HaidongZhong，ShaozhongZhang，LinglingHua，WentingYuan，XudongZhao.AConceptualandTechnologicalFrameworkonLocationBasedPersonalizedRecommendationforMobileE-commerce[J].JournalofConvergenceInformationTechnology，2013（810）.

[8] ACOLLABORATIVELOCATIONMODELFORCELLULARMOBILEPOSITIONLOCATION[J].JournalofElectronics，2004（06）：449-453.

[9] YuLiu，ChaoguiKang，SongGao，YuXiao，YuanTian.Understandingintra-urbantrippatternsfromtaxitrajectorydata[J].JournalofGeographicalSystems，2012（144）.

【通聯(lián)編輯：光文玲】