融合推荐潜力的个性化趋势预测的混合推荐模型

摘要：预测用户对物品的行为中，准确的物品推荐是推荐系统的困难问题。为了提高推荐系统的推荐精度，引入物品的推荐潜力，提出一种新颖的融合物品推荐潜力的个性化混合推荐模型。首先根据最近短时间段和最近长时间段的物品访问率计算趋势动量，然后利用趋势动量计算出当前物品的推荐潜力值，最后将物品推荐潜力值融入到个性化推荐模型中得到混合推荐模型。实验证明，融合了物品推荐潜力值的个性化趋势预测，能较大地提高推荐系统的推荐精度。

关键词： 推荐系统； 混合推荐； 推荐潜力； 个性化； 趋势预测

中图分类号： TP181 文献标志码： A

0引言

在大数据时代，推荐系统面临着新的机遇和挑战。从文献[1]可知，推荐系统的推荐精准度是衡量推荐系统质量好坏的首要指标，而当前推荐系统的推荐精度仍不足以令人满意。文献[2]通过扩散的算法，从原来的一阶关联到二阶甚至更高阶的关联，从而提高相似性的分辨率，提高推荐精准度。文献[3]根据用户评分向量交集大小选择候选最近邻居集，采用反向传播（BackPropagation，BP）神经网络预测用户对项目的评分，减小候选最近邻数据集的稀疏性来提高推荐精准度。以上两种方法是从数据稀疏性上来解决推荐精度问题，然而数据稀疏性问题本质上是无法克服的，方法有较大的局限性，扩展性较差，同时多阶关联和采用神经网络进行预测使得算法复杂度较高。矩阵分解模型是当前的主流推荐技术，由文献[4-6]可知矩阵分解模型不仅可以挖掘用户物品之间隐特征关系，而且具有很好的可扩展性，能充分而全面地考虑各种影响因素，具有较高的推荐精度。然而矩阵分解模型增量计算能力和解决冷启动能力较差，并且其推荐结果不具有较好的可解释性。

在传统的推荐算法中[7-8]，混合推荐模型的推荐精度优于其中单一的推荐模型，从文献[9-10]也可知，提高推荐的准确率需要充分地考虑用户和物品的各种因素。然而，绝大部分影响用户对物品行为的因素都难以捕获，难以应用到推荐模型中来。从物品的角度出发，不难发现所有的影响因素的结果都表现在物品访问率以及其变化趋势上。下一刻的物品访问率是当前影响因素的表现形式，其值越大说明当前影响因素综合表现越为积极。而访问率变化趋势则度量了当前影响因素动态变化效果，若其有变大的趋势，则说明影响因素综合效果有偏向积极的走势[11-12]。从文献[13]中对Twitter上热点话题的预测方法得到启发，提出基于趋势预测的推荐潜力值。从物品推荐潜力的角度，利用物品趋势预测的方法来预测下一刻物品访问率以及其变化率，从而捕获当前各个影响因素的综合效果，得到每个物品的推荐潜力值，并将其融入到个性化推荐模型中得到推荐精度较高的新模型。

本文的主要贡献如下：

1）引入了度量物品推荐潜力的3个要素，即：物品当前热度（物品访问率）、物品热度趋势（物品访问率变化趋势，下文表述为物品趋势动量）以及物品热度趋势的变化趋势。

2）根据如上3个要素分别给出了相关定义，同时给出了各自的表示方法。

3）综合这3个要素分析，提出了基于物品趋势预测的推荐潜力值计算方法，最后将该方法融入到推荐模型中得到精度较高的新模型。

1物品趋势预测

1.1相关定义

按照推荐系统和物品趋势预测的实时性要求，需要在较短的时间内更新影响因素度量值，因此推荐是以时间单位的划分作为趋势预测的基础。首先给出单位时间片的定义。

4结语

推荐系统的推荐精度一直以来都难以令人满意，如何提高推荐精度也一直是推荐系统研究者努力的方向。从近几年较火热的奇异值分解相关的模型可知，一个推荐模型融入影响用户对物品评分的因素越多，模型的推荐精度越高，如何充分地挖掘和利用这些影响因素是提高模型推荐精度的关键所在。本文介绍的物品趋势预测是从影响因素的结果出发，引入度量影响因素的下一刻物品热度和当前热度变化趋势两个变量，并利用这两个变量给出物品推荐潜力值的计算方法，并将其融入到推荐系统中，显著提高了模型的推荐精度。然而，本文介绍的方法在考虑影响因素时，仅从物品的角度进行分析，推荐潜力值的计算也是仅基于物品趋势预测。仅针对面向物品这一个方面来拟合影响因素是不够的，如何通过多维度的结果来分析和拟合影响因素，进一步提高模型的推荐精度，是我们正在努力的方向。

参考文献：

[1]LIUJG，ZHOUT，GUOQ，etal.Overviewoftheevaluationalgorithmsforthepersonalrecommendationsystem[J].ComplexSystemsandComplexityScience，2009，6（3）：1-10.

[2]HUANGZ，CHENH，ZENGD.Applyingassociativeretrievaltechniquestoalleviatethesparsityproblemincollaborativefiltering[J].ACMTransactionsonInformationSystems，2004，22（1）：116-142.

[3]ZHANGF，CHANGHY.EmployingBPneuralnetworkstoalleviatethesparsityissueincollaborativefilteringrecommendationalgorithms[J].JournalofComputerResearchandDevelopment，2006，43（4）：667-672.

[4]KORENY，BELLR，VOLINSKYC.Matrixfactorizationtechniquesforrecommendersystems[J].Computer，2009，42（8）：30-37.

[5]LANGSETHH，NIELSENTD.Alatentmodelforcollaborativefiltering[J].InternationalJournalofApproximateReasoning，2012，53（4）：447-466.

[6]DESARKARMS，SAXENAR，SARKARS.Preferencerelationbasedmatrixfactorizationforrecommendersystems[M]//UserModeling，Adaptation，andPersonalization.Berlin：SpringerVerlag，2012：63-75.

[7]XUHL，WUX，LIXD，parisonstudyofInternetrecommendationsystem[J].JournalofSoftware，2009，20（2）：350-362.

[8]LIUJG，ZHOUT，WANGBH.Researchprogressofpersonalizedrecommendationsystem[J].ProgressinNaturalScience，2009，19（1）：1-21.

[9]KORENY.TheBellKorsolutiontothenetflixgrandprize[EB/OL].[20121010].http：//www.stat.osu.edu/～dmsl/GrandPrize2009_BPC_BellKor.pdf.

[10]TOSCHERA，JAHRERM，BELLRM.TheBigChaossolutiontotheNetflixGrandPrize[EB/OL].[20121010].http：//mendo.at/UserFiles/commendo/File/GrandPrize2009_BigChaos.pdf.

[11]PERAMS，NGYK.Agrouprecommenderformoviesbasedoncontentsimilarityandpopularity[J].InformationProcessing&Management，2013，49（3）：673-687.

[12]CHENYL，CHENGLC.Anovelcollaborativefilteringapproachforrecommendingrankeditems[J].ExpertSystemswithApplications，2008，34（4）：2396-2405.

[13]LUR，XUZH，ZHANGY，etal.TrendspredictingoftopicsontwitterbasedonMACD[J].InternationalJournalofModelingandOptimization，2012，25（3）：44-49.

[14]XIANGL.Recommendationsystempractice[M].Beijing：Posts&TelecommunicationsPress，2012：44.