移動用戶餐飲個性化需求推薦研究

1、移動用戶餐飲個性化需求推薦研究0 引 言隨著移動用戶數(shù)量的增加和移動設(shè)備的方便使用，移動用戶能夠很方便地對餐飲進(jìn)行評分。但在實(shí)際的餐飲個性化推薦中采用傳統(tǒng)的協(xié)同過濾技術(shù)，即首先為目標(biāo)用戶尋找興趣相似的鄰居用戶，然后把鄰居用戶感興趣的項(xiàng)目推薦給目標(biāo)用戶。這種推薦往往不準(zhǔn)確，不能滿足用戶的真正需求。移動用戶無法通過小小的移動設(shè)備在短時(shí)間內(nèi)瀏覽所有餐飲信息，從而面臨信息超載;的問題，使用戶失去興趣。解決此類問題常采用的方法有信息檢索、關(guān)聯(lián)規(guī)則、基于項(xiàng)目屬性和云填充的協(xié)同過濾推薦算法【1】，根據(jù)事物之間的關(guān)聯(lián)性，Sarwar等人將協(xié)同過濾算法分成了基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法【2】，

2、文獻(xiàn)【3】提出一種結(jié)合共同鄰居和用戶評分信息的相似度算法，文獻(xiàn)【4】提出在項(xiàng)目評分預(yù)測推薦的基礎(chǔ)上結(jié)合云模型的算法。本文在移動用戶餐飲個性化推薦中，對傳統(tǒng)協(xié)同過濾算法進(jìn)行改進(jìn)，在移動用戶餐飲個性化推薦中取得了較為理想的效果。1 協(xié)同過濾算法在大多數(shù)采用協(xié)同過濾算法的推薦系統(tǒng)中，由于用戶評分的項(xiàng)目往往不超過總項(xiàng)目【5】數(shù)的1%，所以導(dǎo)致評分?jǐn)?shù)據(jù)的極端稀疏性，使得傳統(tǒng)的相似性計(jì)算方法不能準(zhǔn)確地計(jì)算出項(xiàng)目之間的相似性。文獻(xiàn)【6】提出結(jié)合似然關(guān)系模型和用戶等級的協(xié)同過濾推薦算法。協(xié)同過濾算法中一般采用以下幾種相似性計(jì)算算法。1.1 相似性計(jì)算（1） 余弦相似性用戶評分看作為維項(xiàng)目空間上的向量，如果用戶

3、對項(xiàng)目沒有進(jìn)行評分，則將用戶對該項(xiàng)目的評分設(shè)為0，用戶間的相似性通過向量間的余弦夾角度量。設(shè)用戶和用戶在維項(xiàng)目空間上的評分分別為向量則用戶和用戶直接的相似度sim（i，j）為： （1）（2） 相關(guān)相似性設(shè)用戶和共同評分過的項(xiàng)目集合用表示，則用戶和用戶之間的相似性sim（i，j）通過pearson相關(guān)系數(shù)度量： （2）（3） 修正的余弦相似性在余弦相似性度量方法中沒有考慮不同用戶的評分尺度問題，修正的余弦相似性度量方法通過減去用戶對項(xiàng)目的平均評分改善了該缺陷， 設(shè)用戶i和j共同評分過的項(xiàng)目集合用表示，和分別表示用戶i和用戶j評分過的項(xiàng)目集合，則用戶i 和用戶j 之間的相似性sim（i，j）為：

4、（3）式中：Ri，c表示用戶i對項(xiàng)目c評分；和分別表示用戶i和用戶j對項(xiàng)目c的平均評分。1.2 推薦根據(jù)其他相似鄰居集用戶興趣，對目標(biāo)用戶進(jìn)行評分預(yù)測，預(yù)測推薦公式如下： （4）式中：和分別表示用戶和用戶對項(xiàng)目的平均評分；sim（u，a）是用戶和用戶的相似系數(shù)；Ra，i表示用戶對項(xiàng)目的評分；是用戶的個數(shù)。2 餐飲個性化需求推薦隨著移動用戶在餐飲方面的需求越來越高，普通的個性化推薦很難滿足用戶的真正需求，本文從移動用戶的角度出發(fā)，考慮餐飲之間味道的相似性和移動用戶餐飲評價(jià)相似性，綜合這兩方面的因素，在移動用戶餐飲個性化推薦中取得了較為理想的效果。2.1 餐飲味道相似性計(jì)算餐飲味道的相似性，味道包

5、括酸、甜、苦、辣、咸等其他味道，假設(shè)餐飲的種類為n，其中每道餐飲又有k種味道，表1為餐飲的種類對應(yīng)的多種味道，1代表餐飲具有某種味道，0代表不具有某種味道。根據(jù)表1每種餐飲對應(yīng)的多種味道可知，計(jì)算各個餐飲味道的相似性，假設(shè)餐飲A和餐飲B在n維味道空間上看作是向量并且由于該向量的取值為二維數(shù)據(jù)（0或者1） ，則餐飲A和餐飲B之間的味道相似性計(jì)算公式為： （5）式中：表示和的交集。2.2 移動用戶餐飲評價(jià)相似性以餐飲為點(diǎn)評對象，在事件性營銷、培育核心用戶和全面社區(qū)化策略下，迅速聚攏人氣，構(gòu)建內(nèi)容較豐富的餐飲口碑信息庫，用戶的點(diǎn)評數(shù)量和質(zhì)量影響著其他用戶的體驗(yàn)，用戶對餐飲的評價(jià)可用15分來表示，其中

6、13分可表達(dá)不喜歡，用數(shù)值0表示。45分表達(dá)喜歡，用數(shù)值1表示。也可以直接表達(dá)顧客喜歡/不喜歡，用數(shù)值1/0表示。對于未評分的餐飲，簡單的辦法就是將未評分餐飲設(shè)為一個固定的缺省值，通常取餐飲的評分均值進(jìn)行填充。這種改進(jìn)方法確實(shí)可以提高推薦精度。假設(shè)用戶u對餐飲a、b、c評分為2分、3分、5分，但未對餐飲d進(jìn)行評價(jià)，可以參考對前三種餐飲的評分均值得到。這里引入計(jì)算相似性的杰卡德系數(shù)來描述，杰卡德相似系數(shù)是衡量兩個集合相似度的一種指標(biāo)。其思想是兩個集合A和B的交集元素在A，B并集中所占的比例，稱為兩集合的杰卡德相似系數(shù)，用符號表示，可將杰卡德相似系數(shù)用在衡量樣本的相似度上。樣本A與樣本B是兩個n維

7、向量，而且所有維度的取值都是0或1。根據(jù)對上面杰卡德系數(shù)的分析，這里引入杰卡德系數(shù)用來自適應(yīng)調(diào)節(jié)用戶之間的相似性值，設(shè)用戶u和用戶v的杰卡德系數(shù)如下： （6）式中：和分別為用戶u和用戶v的評分項(xiàng)目集合；表示集合中的項(xiàng)目數(shù)。當(dāng)兩個用戶擁有完全相同的評分項(xiàng)目集合時(shí)，值為1。從用戶對餐飲評分的角度來看，共同評分占用比越高，則說明兩個人感興趣的餐飲越相似。利用杰卡德系數(shù)通過兩個用戶的評分分布計(jì)算兩用戶的相似性，兩用戶共同評價(jià)的餐飲所占的比例越大，則相似性就越高。用戶評價(jià)大于3分的用數(shù)值1表示，評價(jià)小于3分的用0表示。假設(shè)用戶u對餐飲a、b、c的評分分別是5分、4分、2分，用數(shù)值表示為（110），用戶v

8、對餐飲a、b、c的評分分別是4分、2分、3分，用數(shù)值表示為（101），則用戶u和用戶v的相似度為這里用杰卡德系數(shù)和sim（u，v）相結(jié)合達(dá)到修正sim（u，v）的效果，最終獲得更加準(zhǔn)確的用戶之間的相似性： （7）將用戶之間相似性和餐飲的味道相似性相結(jié)合，其中a∈，a是調(diào)節(jié)基于兩種相似性的平衡因子。 （8）2.3 餐飲個性化推薦根據(jù)一些移動用戶對餐飲的評價(jià)，對這些數(shù)據(jù)進(jìn)行整理，計(jì)算用戶u對餐飲i的預(yù)測評價(jià)Pu，i可以通過用戶u對最近鄰居集合中項(xiàng)目的評分得到，將餐飲之間相似性和修正過的用戶相似性結(jié)合，應(yīng)用到用戶u對餐飲的預(yù)測評分，計(jì)算公式如下： （9）式中：Ra，i表示用戶a對餐飲i的評

9、分；和分別表示對餐飲u和a的平均評分。3 實(shí)驗(yàn)結(jié)果分析本文試驗(yàn)中選取了200名注冊的移動用戶對50道餐飲進(jìn)行的1 000條評分記錄作為實(shí)驗(yàn)數(shù)據(jù)集。MAE通過計(jì)算所有預(yù)測評分與實(shí)際評分的偏差來評價(jià)算法的優(yōu)劣。MAE值越小，則算法越精確。 （10）式中：Pu，i表示用戶u對餐飲i的預(yù)測評分；Ru，i表示顧客u對餐飲i的真實(shí)評分；RT表示測試集。用戶鄰居數(shù)目從10增加到50，中間間隔為10，比較不同鄰居數(shù)目下兩種算法的不同MAE值，如圖1所示。其中a=0.5，由圖1可知MAE值越小準(zhǔn)確率越高，改進(jìn)的協(xié)同過濾算法明顯優(yōu)于傳統(tǒng)的協(xié)同過濾，將預(yù)測評分最高的N個餐飲推薦給用戶。4 結(jié) 語考慮到移動用戶平時(shí)對各種餐飲的評分，本文引入杰卡德系數(shù)，將杰卡德系數(shù)和用戶相似性聯(lián)系在一起達(dá)到修正的目的，再和餐飲味道相似性線性相結(jié)合，最終預(yù)測移動用戶對餐飲的評分，改進(jìn)的協(xié)同過濾算法在移動用戶餐飲個性化推薦中取得了較為理想的效果。參考文獻(xiàn)【1】 孫金剛，艾麗榮.基于項(xiàng)目屬性和云填充的協(xié)同過濾推薦算法.計(jì)算機(jī)應(yīng)用，2012（3）：658?660.【2】 SARWAR B， KARYPIS G， KONSTAN J， et al. Item?based collaborative filtering recommendation algorithms / Procee?di