基于用户行为的推荐算法研究.docxVIP

基于用户行为的推荐算法研究 　　摘 要：推荐系统是对用户的历史行为进行挖掘，对用户兴趣信息进行建模，并对用户未来行为进行预测，从而建立用户和内容的关系，满足用户对商品的推荐需求的一种智能系统。通过对主要的推荐算法进行比较分析，提出一种基于用户行为的推荐算法，挖掘用户浏览阅读行为的关联规则，模拟实现了基于用户行为的智能推荐系统，提高了推荐算法的有效性。　　关键词：推荐系统；关联规则；用户行为；数据挖据　　DOIDOI：/　　中图分类号：TP312　　文献标识码：A 文章编号文章编号：1672--0043-03　　0 引言　　商家?榱颂岣呱唐方灰锥睿?往往非常重视推荐活动，推荐方式丰富多彩。随着电子商务平台的出现和计算机技术发展，推荐方法升级到了智能推荐系统。智能推荐系统是建立在海量数据挖掘基础上的一种商务智能平台，在电子商务网站中为顾客购物提供决策支持和信息服务，旨在根据顾客的购物信息和对所购商品的反馈信息推荐顾客需求的商品，以及具有相同效能不同种类的商品[1-3]。　　推荐系统主要由推荐候选对象、用户、推荐算法3个要素组成[2]，能否达到智能推荐效果的关键是推荐算法。推荐系统分为单一推荐模式和协同推荐模式。例如，利用顾客和顾客之间的相似度进行推荐，或者利用商品与商品之间的相似度进行推荐，均为单一推荐模式，而两者相结合取其相应比重进行的推荐则为协同推荐模式。推荐系统的有效性取决于所采用的推荐算法。　　本文在分析推荐算法的基础上，模拟实现了一种新的基于用户行为的推荐系统，同时根据协同推荐系统中存在的问题，结合实际提出了一种改进算法和推荐策略。　　1 主要推荐算法　　推荐系统中比较关键的算法是相似度计算，有顾客与顾客之间的相似度计算，也有商品与商品之间的相似度计算。相似度计算函数要具有同样的函数签名、返回值为浮点数等特征，其返回数值越大表示相似度越大。目前主要的推荐算法有基于内容的推荐、基于协同过滤的推荐、基于关联规则的推荐、基于效用推荐、基于知识推荐等。　　由文献[1]、[2]的研究可知：基于内容的推荐算法优点是用户资料模型可随用户的偏好改变而发生变化，缺点是需要有用户的历史数据；协同过滤推荐算法主要采用最近邻技术，最大优点是能处理非结构化数据，能处理视频、声音等复杂推荐对象，但处理稀疏问题时精确度不高；基于关联规则的推荐算法优点是可以发现不同商品在销售过程中的相关性，但关联规则发现很耗时；基于效用推荐算法的优点是它能把非产品的属性考虑到效用计算中，但需要为每一个用户创建一个效用函数；基于知识的推荐算法能解释需求和推荐之间的关系，但对用户群具有局限性。　　综上所述，各推荐方法优点和缺点并存，由此可见，单一的推荐方法不能满足推荐系统需求。实际应用中，通过组合推荐的方法解决推荐系统运行中所发现的问题，由此产生了基于内容的协同过滤推荐方法。该方法通过基于内容的算法产生一个推荐结果，再用协同过滤推荐算法产生一个推荐结果，将两者根据某一权值进行结合，得出一个新的推荐结果[4]。组合推荐理论方法很多，但在同一推荐系统中，对不同问题的推荐结果不一定都有效，组合推荐所要解决的问题就是尽可能地避免推荐算法各自的缺点。　　2 基于用户行为的关联规则推荐算法　　在电子商务或网络浏览行为场景中，通过用户对已购商品的评价来进行推荐是比较普遍的做法，但用户有时没有给出评价。当用户只提供二元数据时，就无法应用基于评价的算法。这时可以采用关联规则挖掘算法，即仅对最邻近用户的购买记录分析，取得潜在的相似信息。当用户A在浏览某一商品S时，购买过商品S的邻居用户会将已买的商品推荐给用户A，这种算法可以推荐给感兴趣但从来没有浏览过此商品的用户。　　 关联规则　　以关联规则[5-8]为基础的推荐算法，把推荐对象作为规则体，把已购商品作为规则头，对购买记录进行技术处理，发现最邻近用户以及商品购买习惯，挖掘出相关性。具体关联规则应用场景如表1所示。　　在上述场景中，商品1和商品2的余弦相关系数为： ?||||||||=0　　商品1和商品3的余弦相关系数为： ?||||||||=12　　商品2和商品3的余弦相关系数为：　　?||||||||=12　　由公式-可推导出：浏览商品1的顾客会被推荐购买商品3，而浏览商品2的顾客会被推荐购买商品3，浏览了商品3的会被推荐购买商品1。该模型只使用了每对项目间的一个参数产生推荐。因此，如果有n个商品，则需要计算和存储 n/2次余弦相关系数[9-11]。　　 算法实现　　根据上述关联规则并进行改进，建立基于用户行为的关联规则推荐算法[9-12]，算法流程如图1所示。　　 用户行为记录库建立　　实验数据取5个用户和15种读物作为样本。用户编号为0-4，读物编号为：0理想国、1论语、2英语、3悲