魏濤 劉亞軍 葉傳標(biāo) 曹陽

摘要：針對(duì)基于聚類的協(xié)同過濾推薦算法在進(jìn)行聚類代價(jià)函數(shù)優(yōu)化時(shí)容易陷入局部最優(yōu)的問題，將具有良好全局最優(yōu)搜索能力的螢火蟲優(yōu)化算法與聚類算法相互結(jié)合，提出一種基于螢火蟲聚類的協(xié)同過濾推薦算法，實(shí)驗(yàn)結(jié)果表明，所提出的算法優(yōu)于基于聚類的協(xié)同過濾推薦算法，其推薦準(zhǔn)確率更高，完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間更少。

關(guān)鍵詞：協(xié)同過濾;推薦系統(tǒng);聚類;螢火蟲算法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）33-0289-03

1概述

隨著電子商務(wù)中的商品種類和數(shù)量快速增長(zhǎng)，為便于客戶快速選中心儀的商品，推薦系統(tǒng)應(yīng)時(shí)而生。協(xié)同過濾推薦技術(shù)是推薦系統(tǒng)中的一個(gè)重要技術(shù)，該技術(shù)基于已有客戶群過去的商品選擇數(shù)據(jù)，去預(yù)測(cè)某個(gè)客戶最可能感興趣或者喜歡的商品。

協(xié)同過濾技術(shù)目前已經(jīng)在推薦系統(tǒng)中得到廣泛應(yīng)用，該技術(shù)不依賴于商品本身的信息，當(dāng)商品信息殘缺時(shí)，仍然可以根據(jù)最近鄰客戶的評(píng)價(jià)值進(jìn)行推薦，但該技術(shù)也存在數(shù)據(jù)稀疏和冷啟動(dòng)問題，尤其是當(dāng)電子商務(wù)中客戶數(shù)量急劇膨脹時(shí)，在較大的客戶空間上搜索最近鄰客戶將變得非常耗時(shí)，這使得推薦系統(tǒng)的實(shí)時(shí)性等性能指標(biāo)難以得到保證。

為了縮小客戶搜索空間，國內(nèi)外一些研究者將聚類技術(shù)引人協(xié)同過濾推薦算法中，提出了一些協(xié)同過濾推薦算法的改進(jìn)算法，這些改進(jìn)算法先將客戶按照對(duì)商品評(píng)價(jià)的相似性進(jìn)行聚類，接著判斷目標(biāo)客戶所屬的聚類，最后在其對(duì)應(yīng)或鄰近的聚類中進(jìn)行最近鄰客戶的搜索，從而縮小了客戶搜索空間，保證了推薦系統(tǒng)實(shí)時(shí)性等性能指標(biāo)。

雖然這些基于聚類的協(xié)同過濾算法提高了推薦系統(tǒng)的推薦性能，但這些算法中使用的聚類算法容易陷人局部最優(yōu)而達(dá)不到全局最優(yōu)。為此，本文提出一種基于螢火蟲聚類的協(xié)同過濾推薦算法，螢火蟲算法屬于群智能優(yōu)化算法，它通過螢火蟲群體中每個(gè)個(gè)體間信息交互合作來尋優(yōu)，其良好的全局最優(yōu)搜索能力能夠使基于客戶聚類的協(xié)同過濾算法中的聚類代價(jià)優(yōu)化函數(shù)容易陷入局部最優(yōu)的不足之處得到解決。

2基于螢火蟲聚類的協(xié)同過濾推薦算法

2.2客戶集合k均值聚類

利用k均值聚類將客戶集合u劃分為k個(gè)簇來縮小客戶搜索空間，首先隨機(jī)選取k個(gè)客戶作為k個(gè)簇的初始聚類中心，然后計(jì)算每個(gè)客戶與這些聚類中心的距離，把每個(gè)客戶分配給距離最近的聚類簇，分配客戶后聚類簇的中心將重新計(jì)算。以上過程重復(fù)迭代進(jìn)行，最終目的是使得聚類代價(jià)函數(shù)最小，聚類代價(jià)函數(shù)如式（3）所示，其定義為各個(gè)客戶距離所屬簇中心點(diǎn)的誤差平方和。

2.3螢火蟲算法

螢火蟲算法是一種利用自然界中螢火蟲發(fā)光行為所設(shè)計(jì)出的群體搜索智能優(yōu)化算法，這種算法用螢火蟲來模擬搜索空間中的點(diǎn)，通過亮度低的螢火蟲向亮度高的螢火蟲移動(dòng)來求得最優(yōu)解，亮度和吸引度是螢火蟲算法的兩個(gè)重要參數(shù)。

螢火蟲算法中的亮度參數(shù)表示螢火蟲所表示解的優(yōu)劣程度，亮度越高，表示螢火蟲所代表的解越好，亮度低的螢火蟲因被吸引向亮度高的螢火蟲移動(dòng)，故而，螢火蟲的亮度參數(shù)決定螢火蟲的移動(dòng)方向，螢火蟲算法中的吸引度參數(shù)表示被吸引螢火蟲移動(dòng)量的數(shù)值，螢火蟲算法的亮度、吸引度公式如式（4）、（5）所示。

由圖1所示，當(dāng)最近鄰個(gè)數(shù)較小時(shí)，兩種算法的平均絕對(duì)誤差MAE均較大，隨著最近鄰個(gè)數(shù)的增多，兩種算法的平均絕對(duì)誤差MAE均逐漸減小，本文所提出的基于螢火蟲聚類的協(xié)同推薦算法比基于聚類的協(xié)同過濾推薦算法的平均絕對(duì)誤差MAE低。

為了測(cè)試本文所提出算法的實(shí)時(shí)性性能，在測(cè)試實(shí)時(shí)性性能的實(shí)驗(yàn)中，最近鄰個(gè)數(shù)為30，聚類的數(shù)目以15為間隔，依次從15增加到150，基于聚類的協(xié)同過濾推薦算法與本文所提出的算法完成實(shí)時(shí)推薦所花費(fèi)時(shí)間的實(shí)驗(yàn)結(jié)果如圖2所示。

由圖2所示，當(dāng)聚類數(shù)目較小時(shí)，兩種算法完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間均較大，隨著聚類數(shù)目的增多，兩種算法完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間均逐漸減小，本文所提出的算法完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間比基于聚類的協(xié)同過濾推薦算法完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間少。

4總結(jié)

本文提出一種基于螢火蟲聚類的協(xié)同過濾推薦算法，該算法通過螢火蟲群體中每個(gè)個(gè)體間信息交互合作來尋優(yōu)，從而解決了基于聚類的協(xié)同過濾算法中的聚類算法代價(jià)優(yōu)化函數(shù)容易陷入局部最優(yōu)的缺點(diǎn)，實(shí)驗(yàn)結(jié)果表明，本文所提出的算法比基于聚類的協(xié)同過濾推薦算法推薦準(zhǔn)確率更高，完成實(shí)時(shí)推薦所花費(fèi)的時(shí)間更少。