摘 要：隨著大數(shù)據(jù)、區(qū)塊鏈、人工智能等信息新技術(shù)的出現(xiàn)和應(yīng)用，我們已經(jīng)進(jìn)入到數(shù)據(jù)大爆炸時代，海量數(shù)據(jù)在為用戶帶來豐富選擇的同時也對用戶快速檢索到需求的信息，企業(yè)準(zhǔn)確把握用戶的需求提出挑戰(zhàn)。個性化推薦系統(tǒng)是基于海量企業(yè)運(yùn)營數(shù)據(jù)，通過挖掘產(chǎn)品數(shù)據(jù)和用戶數(shù)據(jù)隱藏的信息，實(shí)現(xiàn)的針對不同用戶的“千人千面”的個性化推薦服務(wù)，有助于企業(yè)精準(zhǔn)把握用戶需求，創(chuàng)造價值增益。

關(guān)鍵詞：大數(shù)據(jù);個性化推薦;機(jī)器學(xué)習(xí)

DOI：10.12249/j.issn.1005-4669.2020.25.320

1 引言

在近年來，隨著電子商務(wù)的興起，推薦系統(tǒng)得到了更為廣泛的應(yīng)用，同時也為推薦系統(tǒng)的研究注入了新的活力，例如Amazon、eBay、淘寶網(wǎng)等都采用了智能推薦系統(tǒng)來為用戶提供個性化的推薦服務(wù)。高質(zhì)量的推薦能夠增加用戶對網(wǎng)站的信任度，使用戶產(chǎn)生依賴心理，提高用戶對網(wǎng)站和企業(yè)的忠誠度。除了在電子商務(wù)領(lǐng)域的應(yīng)用之外，隨著個性化的信息服務(wù)逐漸成為應(yīng)用技術(shù)的熱點(diǎn)，推薦系統(tǒng)在新聞、電影、書籍、微博等的個性化推薦中也取得了不同程度的成功。

目前，隨著人們在推薦算法領(lǐng)域的不斷研究，提出了許多準(zhǔn)確度高、可解釋性強(qiáng)的推薦算法，本片論文將基于內(nèi)容的推薦和協(xié)同過濾推薦算法進(jìn)行組合，提出一種聯(lián)合推薦算法并進(jìn)行實(shí)驗(yàn)。

2 推薦系統(tǒng)模型

推薦系統(tǒng)是商家和企業(yè)為了創(chuàng)造商業(yè)增益，增加用戶黏度，通過對用戶歷史行為數(shù)據(jù)和用戶信息數(shù)據(jù)進(jìn)行分析，發(fā)掘用戶興趣點(diǎn)，向用戶準(zhǔn)確推送感興趣的商品而應(yīng)用的一套數(shù)據(jù)處理和分析系統(tǒng)。整個系統(tǒng)應(yīng)當(dāng)包括輸入，推薦引擎和輸出三個部分，如下圖1所示。

其中，輸入包括用戶靜態(tài)信息如姓名、性別、年齡等以及用戶動態(tài)信息包括消費(fèi)記錄、興趣傾向、反饋信息等。推薦引擎是整個推薦系統(tǒng)所采用的推薦算法，包括基于內(nèi)容的推薦、基于用戶的推薦、協(xié)同推薦等。輸出是推薦系統(tǒng)根據(jù)推薦引擎對輸入數(shù)據(jù)的處理，產(chǎn)生的待推薦產(chǎn)品列表，并將這些產(chǎn)品進(jìn)行排序，推送給用戶。

2 實(shí)驗(yàn)介紹

1）數(shù)據(jù)集。本實(shí)驗(yàn)所采用的數(shù)據(jù)集是https：//grouplens.org/datasets/movielens網(wǎng)站下載的ml-latest-small數(shù)據(jù)集。整個數(shù)據(jù)集統(tǒng)計(jì)了最近一段時間用戶對不同電影的評分情況，整個數(shù)據(jù)集包括611名用戶和9742部電影，數(shù)據(jù)基于現(xiàn)實(shí)統(tǒng)計(jì)，真實(shí)可信。

2）聯(lián)合推薦算法原理。對于基于內(nèi)容的推薦算法而言[1]，需要根據(jù)每部電影的內(nèi)容以及用戶已經(jīng)評過分的電影來推斷每個用戶對每部電影的喜好程度，從而預(yù)測每個用戶對沒看過的電影的評分。因此，要實(shí)現(xiàn)基于內(nèi)容的推薦系統(tǒng)，除了電影評分矩陣外還需要引入一個電影內(nèi)容矩陣X作為算法輸入，X矩陣的橫向代表每部電影，縱向代表電影的特征維度。算法的目標(biāo)是要根據(jù)用戶-電影評分表和電影內(nèi)容矩陣X推導(dǎo)出用戶興趣矩陣θ，然后將用戶興趣矩陣θ與電影內(nèi)容矩陣X相乘，得到用戶對電影的預(yù)測評分矩陣并進(jìn)行排序推薦。整個算法的代價公式為：

對于協(xié)同過濾推薦算法而言[3]，則是需要根據(jù)用戶對每種電影類型的喜好程度以及用戶已經(jīng)評過分的電影來推斷每部電影的內(nèi)容，從而預(yù)測每個用戶對沒看過電影的評分。因此，要實(shí)現(xiàn)協(xié)同過濾推薦系統(tǒng)，處理電影評分表外還需要引入一個用戶興趣矩陣θ作為輸入，θ矩陣橫向代表每個用戶，縱向代表電影特征。算法的目標(biāo)是要根據(jù)用戶-電影評分表和用戶興趣矩陣θ推導(dǎo)出電影內(nèi)容矩陣X，然后將用戶矩陣θ與電影內(nèi)容矩陣X相乘，得到用戶對電影的預(yù)測評分矩陣并進(jìn)行排序推薦，整個算法的代價公式為：

根據(jù)基于內(nèi)容的推薦算法和協(xié)同推薦算法原理，我們考慮將兩種算法結(jié)合實(shí)現(xiàn)聯(lián)合推薦。對于聯(lián)合推薦算法不需要額外引入輸入信息[2]，只需要根據(jù)已有的用戶-電影評分表，通過初始化電影特征矩陣X和用戶興趣矩陣θ構(gòu)建訓(xùn)練模型，并通過模型訓(xùn)練保證訓(xùn)練后的X矩陣和θ矩陣符合實(shí)際預(yù)測，將二者相乘獲得預(yù)測評分矩陣并進(jìn)行排序推薦。整個算法的代價公式為：

在產(chǎn)生電影內(nèi)容矩陣X以及用戶喜好矩陣θ的過程中，除了依據(jù)梯度下降原理調(diào)整矩陣X和矩陣θ的值使聯(lián)合推薦代價公式J（X，θ）收斂之外，考慮采用最小化二乘法的思想，初始固定X值優(yōu)化θ參數(shù)，然后固定θ值優(yōu)化X參數(shù)，逐步迭代直至代價函數(shù)J（X，θ）收斂。

3）實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)通過Tensorflow對電影內(nèi)容矩陣X和用戶興趣矩陣θ進(jìn)行初始化使之符合正態(tài)分布，并對實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行了2000次訓(xùn)練，通過統(tǒng)計(jì)預(yù)測評分矩陣predicts與實(shí)際評分矩陣rating各項(xiàng)的誤差和作為模型誤差，并根據(jù)預(yù)測得分predicts矩陣實(shí)現(xiàn)針對不同用戶的評分最高的20部電影的推薦。實(shí)驗(yàn)結(jié)果如下圖2所示：

4 結(jié)語

個性化推薦系統(tǒng)針對目前電子商務(wù)以及新聞傳媒等行業(yè)面臨的商業(yè)困境，可以從海量用戶數(shù)據(jù)和產(chǎn)品數(shù)據(jù)中準(zhǔn)確篩選用戶需求和用戶消費(fèi)趨向，有助于企業(yè)和網(wǎng)站準(zhǔn)確把握用戶興趣點(diǎn)，實(shí)現(xiàn)服務(wù)升級和產(chǎn)品優(yōu)化，同時對于用戶也減少了檢索代價，提高了服務(wù)滿意度。本篇論文通過聯(lián)合推薦算法減少了額外的算法輸入和算法代價，提高了算法運(yùn)行效率，實(shí)現(xiàn)了精準(zhǔn)的針對不同用戶的電影推薦。

參考文獻(xiàn)

[1]曹毅，賀衛(wèi)紅.基于內(nèi)容過濾的電子商務(wù)推薦系統(tǒng)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，019（006）：182-185.

[2]李忠俊，周啟海，帥青紅.一種基于內(nèi)容和協(xié)同過濾同構(gòu)化整合的推薦系統(tǒng)模型[J].計(jì)算機(jī)科學(xué)，2009，36（012）：142-145.

[3]石麗麗.個性化推薦中協(xié)同過濾算法研究[D].河南大學(xué)，2012.

作者簡介

王杰（1996-），男，漢族，山西運(yùn)城人，學(xué)生，工學(xué)碩士，華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)，研究方向：機(jī)器學(xué)習(xí)。