周雙杰 高鳳玲 孫知信

摘? 要：推薦系統(tǒng)已經(jīng)在日常生活中扮演著舉足輕重的角色，單一的推薦系統(tǒng)往往會(huì)存在冷啟動(dòng)、數(shù)據(jù)稀疏等問題，該文將各推薦服務(wù)的結(jié)果通過動(dòng)態(tài)權(quán)重的方式加以調(diào)整并混合，避免單一算法帶來的問題，提升個(gè)性化推薦效果。將大數(shù)據(jù)技術(shù)和推薦算法結(jié)合，設(shè)計(jì)并實(shí)現(xiàn)基于大數(shù)據(jù)的商品混合推薦系統(tǒng)。最后使用Amazon的數(shù)據(jù)集進(jìn)行系統(tǒng)測(cè)試，該文提出的動(dòng)態(tài)權(quán)重混合方式比傳統(tǒng)線性混合擁有更好的性能。

關(guān)鍵詞：推薦系統(tǒng)? 混合推薦? 動(dòng)態(tài)權(quán)重? 個(gè)性化推薦

中圖分類號(hào)：TP391.3? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3791（2021）04（a）-0032-03

Commodity Hybrid Recommendation System Based on Dynamic Weight

ZHOU Shuangjie1? GAO Fengling2? SUN Zhixin1

（1.School of Modern Posts， Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu Province， 210000 China; 2.China Electronics System Engineering NO.2 Construction Co.， Ltd.，

Wuxi， Jiangsu Province， 214135? China）

Abstract： Recommendation systems have played an important role in daily life. A single recommendation system often has problems such as cold start and data sparseness. This article adjusts and mixes the results of each recommendation service through dynamic weights to avoid a single algorithm. To improve the effect of personalized recommendation. Combine big data technology and recommendation algorithm to design and implement a product hybrid recommendation system based on big data. Finally， use Amazon's data set for system testing. The dynamic weight mixing method proposed in this article has better performance than traditional linear mixing.

Key Words： Recommendation system; Hybrid recommendation; Dynamic weight; Personalized recommendation

單一的推薦算法往往存在各種各樣的局限性，因此一個(gè)推薦系統(tǒng)往往由多種推薦算法組成，這些不同的算法能夠?qū)π畔⑦_(dá)到不同的過濾效果。最常見的有內(nèi)容過濾（Content Based，CB）、協(xié)同過濾（Collaborative Filtering， CF）、關(guān)聯(lián)規(guī)則（Association Rules）等。內(nèi)容過濾需要提取對(duì)象的關(guān)鍵詞作為標(biāo)簽并計(jì)算相似度來使用，協(xié)同過濾只需通過用戶的歷史行為數(shù)據(jù)進(jìn)行推薦，包括基于物品（ItemCF）與基于用戶（UserCF）的推薦，而關(guān)聯(lián)規(guī)則發(fā)揮了“啤酒與尿布”效應(yīng)，通過挖掘海量用與商品之間的規(guī)則進(jìn)行推薦。以上推薦算法若單獨(dú)使用，都會(huì)存在準(zhǔn)確度不足或是冷啟動(dòng)的問題，但如果針對(duì)不同場(chǎng)景，將不同的算法結(jié)果加以混合，或是將某推薦算法的結(jié)果使用另一個(gè)推薦算法繼續(xù)運(yùn)算，都能在某種程度上克服單一算法帶來的局限性。

1? 混合推薦簡(jiǎn)介

在如今推薦系統(tǒng)中，混合方法的使用已變得更加普遍[1]，單一推薦技術(shù)僅適用于解決簡(jiǎn)單的推薦問題，而不適用于復(fù)雜的場(chǎng)景，每一種傳統(tǒng)的推薦方法在向目標(biāo)用戶生成推薦時(shí)都會(huì)遇到各種問題，例如：協(xié)同過濾在增量數(shù)據(jù)上的表現(xiàn)不夠出色[2]，但通過結(jié)果的線性混合可以獲得更高的精度[3]，混合推薦系統(tǒng)以不同方式組合兩個(gè)或多個(gè)推薦策略，以從其互補(bǔ)優(yōu)勢(shì)中受益[4]。除了線性混合外，也有元級(jí)混合推薦技術(shù)[5]，以分層的方式結(jié)合了協(xié)作方法和基于內(nèi)容的方法，提升推薦效果。

2? 動(dòng)態(tài)權(quán)重混合推薦算法

細(xì)粒度的權(quán)重控制能夠提升推薦精度[6]，該文提出的動(dòng)態(tài)權(quán)重混合推薦算法會(huì)針對(duì)每個(gè)用戶建立推薦質(zhì)量模型，將各個(gè)推薦算法的結(jié)果采用線性混合的方式加以混合，再輸出給用戶使用，首先對(duì)所有的結(jié)果進(jìn)行過濾和標(biāo)記，然后對(duì)所有推薦服務(wù)產(chǎn)生的商品評(píng)分進(jìn)行歸一化處理：

（1）

是推薦算法k對(duì)用戶u推薦商品i經(jīng)過歸一化的推薦得分，k（u，i）代表推薦算法k對(duì)用戶u推薦商品i的推薦分?jǐn)?shù)，kmax代表該算法對(duì)用戶u推薦的最高分，kmin代表該算法對(duì)用戶u推薦的最低分。

將經(jīng)過歸一化的得分乘以權(quán)重系數(shù)，得到最初質(zhì)量評(píng)分加權(quán)公式：

式（2）中，Score為用戶u對(duì)應(yīng)推薦商品i的得分：λ為推薦算法k對(duì)于用戶u的權(quán)重，λ0=1/n。由于線性混合參數(shù)是固定的，因此效果不夠理想，不同場(chǎng)景下的不同推薦算法產(chǎn)生的效果難以達(dá)到預(yù)期，難以形成個(gè)性化的推薦效果，為了提升混合效果，對(duì)線性混合對(duì)混合方式加以改良，引入動(dòng)態(tài)參數(shù)調(diào)整機(jī)制，通過用戶行為對(duì)權(quán)重λ不斷調(diào)整。

（3）

式（3）中，P（k，u）為推薦算法k推薦出的商品被用戶u選擇的次數(shù)，當(dāng)一個(gè)推薦算法被用戶選擇的次數(shù)越多時(shí)，它的比重會(huì)變得更高。所有權(quán)重和始終為1。

（4）

但即使權(quán)重經(jīng)過線性調(diào)整，公式單純的分?jǐn)?shù)計(jì)算會(huì)導(dǎo)致被多個(gè)推薦服務(wù)推薦且推薦得分高的商品過于靠前，而被多個(gè)推薦服務(wù)推薦，但推薦得分低的商品則會(huì)靠后，因此需要讓被推薦次數(shù)少的商品得到更有意義的排名，首先計(jì)算商品被推薦動(dòng)態(tài)系數(shù)。

（5）

式（5）中，N為了已經(jīng)被推薦過的商品的去重集合，C為所有商品被推薦過的總集合;D為每個(gè)商品被推薦的平均次數(shù);然后將原來的歸一化得分進(jìn)行貝葉斯平均數(shù)修正，得到最終得分。

（6）

式（6）中，為每個(gè)商品的平均推薦得分;C（i）為當(dāng)前商品i被推薦的總次數(shù)，最后即得到改進(jìn)后的用戶u對(duì)應(yīng)推薦商品i的最終得分。

3? 仿真實(shí)驗(yàn)與結(jié)果分析

根據(jù)公式（6）計(jì)算出所有的Score（u，i）'之后，對(duì)每個(gè)用戶生成的Score進(jìn)行排序，得到最終的推薦序列，以用戶A為例，在經(jīng)過多次選擇之后，用戶A的λk會(huì)不斷變化，其推薦服務(wù)比例見圖1。

用戶在經(jīng)過4次選擇之后，不同的推薦服務(wù)比重有所變化，并且ALS協(xié)同過濾對(duì)該用戶能夠起到較好的效果，但該用戶對(duì)近期熱門以及動(dòng)態(tài)感知的反應(yīng)并不及ALS協(xié)同過濾。圖2為動(dòng)態(tài)權(quán)重與線性權(quán)重對(duì)比。

從表1結(jié)果中可以看出，經(jīng)過用戶多次選擇之后，動(dòng)態(tài)權(quán)重混合推薦相比線性權(quán)重混合表現(xiàn)更好，證明了不同用戶的確對(duì)不同的推薦方案組合存在不同的敏感性。

4? 結(jié)語

為了提升多種推薦算法的混合推薦效果，該文在現(xiàn)有線性混合的基礎(chǔ)上，提出了基于動(dòng)態(tài)權(quán)重的混合推薦方法，在Amazon數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn)，驗(yàn)證該方法的有效性。該方法根據(jù)用戶對(duì)推薦結(jié)果的偏好程度來不斷改善推薦結(jié)果的權(quán)重因子，以契合不同用戶對(duì)于不同推薦算法的敏感程度，不斷提升個(gè)性化推薦效果。

參考文獻(xiàn)

[1] Santana M R.O.， Melo L C.， Camargo F H.F.， et al. Contextual Meta-Bandit for Recommender Systems Selection[C]//Fourteenth ACM Conference on Recommender Systems，2020：444-449.

[2] 蔣偉.推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D].電子科技大學(xué)，2018.

[3] Zuo T， Zhu S， Lu J. A hybrid recommender system combing singular value decomposition and linear mixed model[C]//Science and Information Conference. Springer， Cham，2020：347-362.

[4] ano E， Morisio M. Hybrid recommender systems： A systematic literature review[J].Intelligent Data Analysis，2017，21（6）：1487-1524.

[5] Immaneni N， Padmanaban I， Ramasubramanian B， et al. A meta-level hybridization approach to personalized movie recommendation[C]//2017 International Conference on Advances in Computing， Communications and Informatics （ICACCI）.IEEE， 2017：2193-2200.

[6] 王茄力.基于Spark的混合推薦系統(tǒng)[D].中國(guó)科學(xué)技術(shù)大學(xué)，2017.