基于用户实时行为的Slope One模型与算法.docVIP

基于用户实时行为的Slope One模型与算法 　　摘要：以技术创新平台为背景，针对原有协同过滤算法推荐滞后以及算法可扩展性差的问题，根据用户的实时反馈，在Slope One算法的基础上，提出了更新增量机制，分解出固定因子以及增量因子，当用户对项目的评分改变时，只需更新增量因子，提高了算法的可扩展性，更精确地反应了用户的兴趣变化。经算例验证，该算法在保证推荐精度的同时可以有效地缩短推荐时间。 　　关键词：管理科学与工程；增量更新机制；Slope One算法；用户行为；实时推荐 　　中图分类号：TP311 　　文章标识码：A 　　文章编号：1007-3221（2015）01-0089-04 　　引言 　　随着互联网技术的迅速发展，技术创新平台日益成为目前的研究热点之一。其中技术推荐模块通过学习用户的偏好属性，将适当的技术推荐给用户，这样的个性化推荐也日益成为各学科研究的焦点。然而，随着用户的不断增多，原有的协同过滤算法存在可扩展性差的问题。并且，个性化推荐的要求越来越高，要求实时反映用户的兴趣变化，因为用户的历史兴趣并不代表其当前兴趣。 　　Slope One算法是基于已有评分的协同过滤算法，该算法假设两个项目之间的评分满足线性y=x+6的关系，通过对这两个项目评分过的评分数据拟合该线性函数，获得参数b的估计值，从而估计目标项目的评分。因此，该算法简单、高效，可扩展性强，常被用来做实时推荐。 　　目前，针对反应用户兴趣变化的问题，文献借鉴了心理学遗忘规律，提出了线性逐步遗忘过滤算法，依据评价时间线性逐步减小每项评分的重要性，但是线性逐步减小比较粗糙。在此基础上，文献提出了在预测评分的过程中增加指数时间函数，数据越新，指数时间函数值越大，但依然没有解决数据的实时更新问题。文献提出的基于项目的协同过滤增量更新机制以及文献提出的基于用户实时反馈的协同过滤算法解决了数据的在线实时更新问题，但是由于该算法计算相似性时涉及到整个User-Item矩阵，时间和空间的复杂度较大。 　　鉴于此，本文在已有的Slope One算法的基础上，根据用户的实时评分行为，分解出固定因子以及随评分改变的增量因子，改变了原有的推荐更新时需要对整个数据空间进行重新计算的做法，只对增量因子做出改动，提高了算法的可扩展性。 　　1 Slope One算法 　　首先对模型符号进行描述，X表示用户对技术项目的评分集合；ui表用户u对技术项目i的评分；Si，j（x）表示同时对技术项目i和技术项目j评分过的用户集合；card（S）为集合S中的元素个数。则技术项目i和j之间的平均差异度为： 　　根据用户u对技术项目i的评分预测用户对技术项目j的评分：其中Ri是所有技术项目j目关的项目集合，表示用户u评价过的技术项 　　2 基于用户实时反馈的增量更新机制 　　2.1基于用户实时反馈的增量更新机制推荐模型 　　当用户对技术项目进行进行评分时，需要触发相应的增量因子，以达到数据实时更新的目的。图1为增量更新机制推荐模型。 　　2.2基于用户实时反馈的增量更新机制描述 　　当用户对技术项目提交了评分或者重新评分时，系统需要触发更新机制来更新技术项目之间的平均差异度，从而更新用户对技术项目的预测评分。 　　（l）用户u对技术项目i进行了重新评分，则新的评分数据为， 　　（2）用户对技术项目m进行了初次评分，此时要分两种情况： 　　①目标用户对技术项目进行了初次评分则新评分技术项目与预测技术项目之间的差异度为： 　　②其他用户k对技术项目m进行了初次评分 　　a）目标用户未对该技术项目进行评分，则不会触动增量更新机制 　　b）目标用户已对该技术项目进行评分，则： 　　2.3基于用户实时反馈的增量更新机制实现 　　Rm，n为用户评分矩阵 　　步骤1若用户对技术项目i进行重新评分，则计算△ui，并使用公式（7）计算用户对技术项目j的预测评分； 　　步骤2若用户对技术项目m进行初次评分，则判断该用户是目标用户还是其他用户，若该用户为目标用户，则转向步骤3；若该用户为其他用户，则转向步骤4； 　　步骤3通过计算dm，j来更新五，使用公式（9）计算用户对技术项目j的预测评分； 　　步骤4判断目标用户是否已对该技术项目进行评分，若目标用户已对该技术项目进行评分，则转向 　　步骤5；否则不触动增量更新机制； 　　步骤5计算，使用公式（12）计算用户对技术项目j的预测评分。 　　3 算例 　　本文拟用创新驿站数据库中的技术供需方一技术对接项评分数据。将从其中随机选取300个用户对272个技术项目的25340个评分记录，分值为1～5，分数越高，表示用户对该技术项目越偏好。 　　对于算法的评估，本文采用了平均绝对误差（ Mean Abso