基于用户实时反馈的协同过滤算法

相应地， 本文将用户在对某项目评分后， 相似度计算公式为 B + ΔB B' （ 6） = A' = C' 槡 D' D + ΔD C + ΔC 槡 槡 槡 C、 D 所表示的公式意义可知， B' 与 B 之间存在线性 由 B、 式（ 6 ） 可以表示新用户评分前后的相似度关系， 则若在 关系， C、 D 已知的情况下， ΔB、 ΔC、 ΔD 和 B、 可以通过上述关系求出 评分后用户的相似度。 当对项目进行了初次评分或更新评分时， 更新机制需要 重新计算当前用户和其他用户的相似性， 因此本文将分别讨 用户评分对 ΔB、 论在初次评分和更新评分两种情况下， ΔC、 ΔD 的影响。
珔 珔 （R Ui － RUi ' ） ΔC = C' － C =
Z∈I ij'
∑R
Z∈I ij
U j， Z
珔 珔 珔 （ 8） － | I ij | （ R Ui － RUi ' ） RUj
2
∑（ R
U i， Z
珔 －R Ui ' ）
U i， Z
珔 － ∑ （ R U i， Z － RUt 的普及， 电子商务得到快速发展， 但由此带 ［1 ］ 来的信息过载 问题日益突出。 信息过滤技术是解决该问 题的有效方法， 电子商务推荐系统 即是运用信息过滤技术 向客户提供购买决策的具体实现 。推荐系统通过学习用户兴 趣偏好， 把适当的商品推荐给目标用户 。 推荐系统常用的推 基于人口统计的推荐算法和 荐算法有： 基于内容的推荐算法、 CF） ［3 － 5］ ， 协同过滤算法（ Collaborative Filtering， 其中协同过滤 算法是目前电子商务推荐系统中使用最为广泛 、 最为成功的 ［6 ］ 一类推荐算法 。 Breese 等人将协同过滤技术分成基于内存的协同过滤和 ［6 ］ 基于模型的协同过滤 。 基于内存的协同过滤是由商品的 评分数据得到目标用户具有相似兴趣爱好的邻居， 然后根据 邻居的爱好做出推荐。这种技术尽管能够充分利用用户的评 分数据， 但由于在推荐过程中需要耗费大量时间来计算最近 因而存在可扩展性问题 。基于模型的协同过滤， 首先 邻居集， 根据用户兴趣信息得出一个用户模型， 之后利用该模型在线 向客户做出推荐。模型的计算通常需要离线进行， 但在推荐 因此比基 时由于可以直接利用已经计算好的模型中的数据， 于内存的协同过滤有更敏捷的响应 。基于模型的推荐方法尽 管能通过定期更新数据的策略来适应用户兴趣的变化， 但不 能实时反映用户兴趣的变化 。 为了能充分反映用户兴趣的变化， 郑先荣等人 首先将 线性遗忘函数运用到协同过过滤算法中， 其思想是赋予每项
傅鹤岗等： 基于用户实时反馈的协同过滤算法 C' = C + ΔC D' = D + ΔD
1745 （ 4） （ 5）
的代价不高， 能够实现在线进行。 1． 1 用户相似度计算方法 查找与目标用户相似的邻居是推荐系统做出正确推荐的 一个重要步骤， 传统的协同过滤算法有三种方法来计算用户 ［6 ］ 的相似度： 余弦相似性、 相关相似性和修正的余弦相似性 。 上述三种方法， 都是依据用户对项目的评分向量来衡量用户 ［6 ］ ［9 ］ 的相似性， 然而 Breese 等人 以及 Herlocker 等人 通过实验 Pearson 相似性在最近邻居的查找上要优于另外两个公 表明， 式。本文在计算用户相似性时， 采用了 Pearson 公式：
表1 行 U1 Ui Uj Um 用户评分矩阵 列 I1 I2 Ii R U1 ，I i R U i，I i R U j，I i R U m，I i R U1 ，I1 R U1 ，I2 R U i，I1 R U i，I2 R U j，I1 R U j，I2 R U m，I1 R U m，I2 Ij R U1 ，I j R U i，I j R U j，I j R U m，I j In R U1 ，I n R U i，I n R U j，I n R U m，I n
基于用户实时反馈的协同过滤算法
傅鹤岗， 李 冉
（ 重庆大学 计算机学院， 重庆 400044 ） ( leeran08@ 163． com)
要： 传统的基于内存的协同过滤算法存在可扩展性不足的问题， 而基于模型的协同过滤算法由于模型数据 。 的滞后， 造成推荐质量不高 针对以上情况， 提出一种基于用户实时反馈的协同过滤算法， 该算法在用户提交项目评 从而更精确地反映用户的兴趣变化 。 实验结果表明， 该算法能够有效地 分之后能实现对推荐模型数据的实时更新， 提高推荐精确度并且大幅地缩短了推荐时间 。 关键词： 协同过滤； 相似性反馈机制； 平均绝对误差； 平均评分时间； 平均推荐时间 中图分类号： TP311 文献标志码： A
| Ii |
R U i + R U i， I j ' － R U i， Ij
| Ii |
+1
U i， Z
（ 7）
ΔB = B' － B =
Z∈I ij'
∑（ R
珔 珔 －R U i ' ） （ R U j， Z － RUj ） －
∑（ R
Z∈I ij
U i， Z
珔 珔 －R U i ） （ R U j， Z － RUj ） =
［7 ］ ［2 ］
评分一个按时间衰减的权重， 最后按加权之后的评分来计算 该思想虽然反映了用户兴趣的变化趋势， 但并 用户的相似性， 没有解决数据实时更新的问题 。李聪等人提出基于项目的协 ［8 ］ 同过滤增量更新机制 ， 实现了对项目相似性的实时更新， 但在更新项目相似度时， 用户对项目的平均评分发生改变使 得任何两项目之间的相似性都要发生改变， 而该算法只修改 造成更新后项目 了用户评价项目与其他项目之间的相似性， 间的相似性数据不真实 。 针对以上问题， 本文提出一种基于 该算法充分利用用户最新评 用户实时反馈的协同过滤算法， 分信息， 实现对用户模型数据的在线更新， 提高了推荐的质 量， 满足了在线推荐的要求 。
∑（ R
sim（ i， j） =
c∈I ij
i， c
－ R i ） （ R j， c － Rj ）
2
R j， j 对项目 C 的评分， Ri 、 R j 分别 其中： R i， c、 c 分别表示用户 i 、 表示用户 i 和用户 j 的评价评分。 1． 2 用户反馈更新机制模型 user based 本文提出的基于用户实时反馈更新（ FeedBackFBCF） 的机制， CF， 将基于模型的推荐算法与基于内存的推 荐算法结合， 分为用户评价自反馈和用户评价间接反馈两部 分。用户评价自反馈反映了用户更新评分对自身推荐结果的 直接影响， 用户评价间接反馈则反映了用户的评分更新对所 有用户推荐结果的间接影响， 其表现形式为更新用户间相似 “最近邻居 ” 度矩阵， 从而改变活动用户 的值。 当用户更新了 系统触发数据更新机制， 通过更新算法来更新数据库 评分时， 中用户间的相似度， 从而使用户的相似度一直处于最新状态 。 系统推荐时， 一方面， 系统获取活动用户的最近邻居集合， 并 由式（ 12 ） 求出项目的评分； 另一方面， 系统会获取用户的历 史评分， 两者综合得出对项目的最终评分， 该机制流程如图 1 所示。
1
基于用户实时反馈的协同过滤算法
基于用户实时反馈的协同过滤算法的基本思想是在用户
对商品进行评价时， 利用用户最新的评价信息来自动更新推 荐模型， 从而在每次推荐时， 能够使用最新的模型数据对用户 做出推荐， 这样推荐模型就能实时反映用户的兴趣变化， 使推 荐的精度提高。 该算法分为两个过程： 1 ） 系统的初始化工 该过程是建立用户推荐模型的过程， 即利用相关的用户相 作， 似度公式计算用户之间的相似性， 该过程需要消耗很长的时 间， 需要离线进行。2 ） 利用反馈更新机制对数据进行更新， 本文的反馈机制分为用户评价自反馈和用户评价间接反馈两 分别从直接影响用户兴趣爱好和用户兴趣相似度两个 部分， 方面来反映用户兴趣的变化 。由于更新机制只是在项目评价 发生改变时才对推荐模型局部进行更新， 因此更新模型所需
槡
∑（ R
c∈I ij
i， c
－ Ri ）
槡
∑（ R
c∈I ij
j， c
－ Rj ）
2
（ 1）
U i 共同 假设， 用户 U i 对项目进行评分， 评分前后用户 U j 、 、 、 评分的项目集合 用户 U i 评分的项目集合 评分前后用户 U i I ij ' 、 Ii 、 Ri 、 Ri ' ， 的平均评分分别记为： I ij 、 则： 1 ） 用户 U i 对项目 I j 进行了重新评分 R U i， Ui 共 用户 U j 、 Ij ' ， 同评分的项目集合 I ij 不变，用户 U i 的平均评分变为： 珔 R Ui ' =
李冉（ 1983 － ） ， 男， 山东泰安人， 硕士研究生， 主要
收稿日期： 2010 － 12 － 20 ； 修回日期： 2011 － 01 － 27 。 作者简介： 傅鹤岗（ 1950 － ） ， 男， 重庆人， 副教授， 主要研究方向： 软件工程、 电子商务； 研究方向： 电子商务。
第7 期
Abstract: Traditional memorybased collaborative filtering algorithm has the problem of bad scalability，while the modelbased collaborative filtering algorithm，due to lagged updating hysterics，has the problem of bad recommendation． To solve the above problems， a collaborative filtering algorithm based on realtime users' feedback was proposed， which achieved that recommender system can finish the realtime updating of the model data when a new rating was submitted by active user． Hence， recommender system can reflect the changing of user interest accurately． The experimental results indicate that the algorithm can improve the recommendation accuracy efficiently and reduce the recommendation time significantly． Key words: Collaborative Filtering ( CF) ; similarity feedback mechanism; Mean Absolute Error ( MAE) ; Mean Access Time ( MAT) ; Mean Recommended Time ( MRT)