算法在移动订餐系统中应用研究.docVIP

算法在移动订餐系统中应用研究 　　摘要：随着移动端设备的快速发展，手机应用呈爆炸式增长，如何在众多饮食中将用户喜爱的餐饮准确推荐给用户显得尤为重要。针对传统推荐算法中存在的数据稀疏性问题、冷启动问题以及用户评分尺度不同导致的近邻用户寻找不准确的问题，文章提出基于内容的推荐与基于协同过滤的综合推荐算法，摆脱了对显式项目评分的依赖，弱化了数据稀疏问题，可以即时地、精准地为用户推荐符合其喜好的产品。最后能够在移动订餐系统实现商家对用户的个性化推荐。 　　关键词：推荐算法；协同过滤；移动订餐系统 　　随着移动互联网的发展，手机点餐、微信点餐等手机订餐软件已成为其最新的发展趋势。餐饮行业现有的大多数管理系统落后于用户和管理人员的需要，一种行之有效的方法是将推荐系统应用于餐饮管理，分析用户的历史数据，向用户提供更符合消费者喜好的服务，也能方便消费者使用，具有极大的现实意义和经济效益。 　　推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西，利用推荐算法从海量数据中挖掘出用户感兴趣的项目（如信息、服务、物品等），并将结果以个性化列表的形式推荐给用户。目前，推荐系统在很多领域得到了成功应用，包括电子商务（如Amazon，eBay，Netflix，阿里巴巴等）、信息检索（如iGoogle，MyYahoo，百度等）、社交网络（Facebook，Twitter，腾讯等）、位置服务（如Foursquare，Yelp，大众点评等）、新闻推送（如Google News，GroupLens，今日头条等）等各个领域。本文对现有的推荐方法进行分析，为移动订餐系统的设计提供参考和启发。 　　1 传统推荐算法 　　目前广泛使用的推荐方法主要包括基于内容的推荐方法和协同过滤推荐算法。基于内容的推荐则是根据用户自身选择的物品的内容相似性进行推荐，即推荐给用户与他喜欢的东西相似的东西。基于协同过滤的推荐则是通过分析相似用户的兴趣，根据相似用户的评价来进行推荐。其中，最经典的协同过滤算法是矩阵因子分解，利用用户与项目之间的交互信息为用户产生推荐，协同过滤是目前应用最为广泛的推荐算法，但是在应用中遇到了致命的问题――数据稀疏和冷启动问题。此外，经典的协同过滤方法采用浅层模型无法学习到用户和项目的深层次特征。基于内容的推荐方法利用用户已选择的项目来寻找其他类似属性的项目进行推荐，但是这种方法需要有效的特征提取，传统的浅层模型依赖于人工设计特征，其有效性及可扩展性非常有限，制约了基于内容的推荐方法的性能。 　　1.1 基于内容的推荐 　　基于内容的推荐主要根据用户已经选择或者评分的项目，挖掘其他内容上相似的项目作为推荐，基于内容的推荐算法的主要优势在于无冷启动问题，只要用户产生了初始的历史数据，就可以开始进行推荐的计算。而且随着用户的历史记录数据的增加，这种推荐一般也会越来越准确。 　　1.2 基于协同过滤的推荐 　　协同过滤算法是一种仅仅基于用户行为数据设计的推荐算法。随着互联网空间的迅猛发展，数据规模的爆炸式增长，协同过滤算法已经成为学术界和工业界的关注热点并得到了广泛应用，形成了众多相关研究成果。为了实现大数据环境下高效、精准的商品推荐，将协同过滤思想与信息检索理论有机融合，提出基于学习排序（Learning To Rank，LTR）的并行协同过滤推荐算法。针对推荐系统中的冷启动问题，提出基于消费者行为的点餐推荐算法，设计出频度统计、关联规则和Markov链3个推荐引擎的加权组合推荐系统。针对传统的基于用户的协同推荐算法存在的数据稀疏以及对用户评分的强依赖问题，提出基于社交信任机制的在线学习协同推荐算法。在传统二部图推荐算法的基础上提出一种针对电商平台快速消费品的图推荐算法。对近几年基于深度学习的推荐系统研究进展进行综述，分析其与传统推荐系统的区别以及优势，并对其主要的研究方向、应用进展等进行概括、比较和分析。 　　2 混合推荐算法 　　2.1 核心思想 　　基于内容的推荐与基于协同过滤的推荐是目前主流的推荐算法。考虑到单一推荐方法都存在各自的不足，通过组合不同的推荐算法进行混合推荐，往往能够产生更好的推荐性能。为了进一步提高推荐算法的推荐质量，针对推荐算法中存在的一些缺陷，比如新用户问题、新项目问题以及数据的稀疏问题，众多学者提出了一些新的方法来对推荐算法进行改进，比如融合争议度特征的协同过滤推荐算法，可以缓解传统算法在稀疏数据情况下相似度计算不准确的问题；基于内存的传播式协同过滤推荐算法，对数据稀疏性问题进行了有益的探索和研究。 　　然而一些传统的推荐算法以及上述所提出的改进算法都忽略了一个重要的现实问题：这些算法都依赖于用户对项目的评分，而现实中能对项目进行的评分的用户则少之又少，这些用户可认为是死忠用户，大部分