大數(shù)據(jù)個(gè)性化推薦分析

引 言

大數(shù)據(jù)背景下的信息過載問題越來(lái)越嚴(yán)重，基于大數(shù)據(jù)的個(gè)性化推薦技術(shù)在教育、醫(yī)療和社會(huì)網(wǎng)絡(luò)領(lǐng)域的實(shí)際應(yīng)用價(jià)值，使其逐漸成為緩解信息過載問題的有效方法。大數(shù)據(jù)具有 Volume，Variety，Value，Velocity 四個(gè)特征，如何分析和處理用戶感興趣的海量數(shù)據(jù)，提取有價(jià)值的信息，從而進(jìn)行有針對(duì)性的推薦服務(wù)是大數(shù)據(jù)個(gè)性化推薦的關(guān)鍵。

1 大數(shù)據(jù)個(gè)性化推薦發(fā)展歷程

歷史上最具代表性的檢索技術(shù)是分類目錄和搜索引擎。分類目錄是用戶在知道明確的知識(shí)前提下，通過分類選擇找到自己想要的信息，使用極其不便，之后研究出搜索引擎技術(shù)，但是當(dāng)用戶需求不明確時(shí)，搜索系統(tǒng)則無(wú)法實(shí)現(xiàn)較好的效果，因此推薦技術(shù)應(yīng)運(yùn)而生。近幾年，隨著信息爆炸與大數(shù)據(jù)技術(shù)的普及，基于大數(shù)據(jù)的個(gè)性化推薦成了時(shí)代的新寵。大數(shù)據(jù)背景下的個(gè)性化推薦通過收集大量用戶感興趣的信息、采用大數(shù)據(jù)分析技術(shù)挖掘用戶的喜好，通過個(gè)性化推薦算法為用戶提供準(zhǔn)確的個(gè)性化推薦。

在國(guó)內(nèi)，大數(shù)據(jù)個(gè)性化推薦算法自 2012 年提出之后， 經(jīng)過兩年的發(fā)展期和一年的成熟期，到 2016 年進(jìn)入了廣泛的應(yīng)用期 [1]，同時(shí)在技術(shù)方面也從最初的 hadhoop 技術(shù)應(yīng)用到大數(shù)據(jù)的快速處理、推薦算法及框架的研究，進(jìn)而轉(zhuǎn)向在電子商務(wù)、新聞和社交網(wǎng)絡(luò)等領(lǐng)域的個(gè)性化推薦應(yīng)用研究。國(guó)外的研究早于國(guó)內(nèi)，自 2015 年開始國(guó)外已從理論研究轉(zhuǎn)向教育、醫(yī)療及用戶行為等多方面的應(yīng)用研究。

2 大數(shù)據(jù)個(gè)性化推薦算法分析

大數(shù)據(jù)背景下的個(gè)性化推薦算法如圖 1 所示。

圖 1 主要的推薦算法

2.1 基于內(nèi)容的個(gè)性化推薦

所有物品都有內(nèi)容的分類，如人們常吃的肉類就包括豬肉、牛肉、羊肉、狗肉、驢肉、兔肉等。基于內(nèi)容的個(gè)性化推薦首先對(duì)物品的內(nèi)容信息進(jìn)行分析，提取內(nèi)容特征，然后根據(jù)物品的內(nèi)容屬性和用戶的歷史評(píng)分或操作記錄，提取用戶需求和對(duì)不同內(nèi)容屬性的愛好程度，并且構(gòu)建相應(yīng)的用戶需求和偏好模型，由此向用戶推薦與其需求和偏好模型相匹配的資源。該推薦方法的核心在于利用用戶需求和偏好與目標(biāo)資源的相似性來(lái)過濾信息，進(jìn)而實(shí)現(xiàn)個(gè)性化信息推薦。推薦步驟如圖 2 所示。

圖 2 基于內(nèi)容的個(gè)性化推薦步驟

若物品沒有明確的內(nèi)容特征，則根據(jù)對(duì)推薦物品特征的描述可以分為結(jié)構(gòu)化特征和非結(jié)構(gòu)化特征兩種，前者特征的取值限定在某個(gè)區(qū)間范圍內(nèi)，并且按照定長(zhǎng)的格式來(lái)表示， 而后者無(wú)法按固定格式表示，文章就是最典型的此類數(shù)據(jù)[2-3]， 我們經(jīng)常將其轉(zhuǎn)化為結(jié)構(gòu)化特征加入模型中，進(jìn)而完成推薦。

2.2 基于協(xié)同過濾的個(gè)性化推薦

人們外出就餐、購(gòu)物、旅游或者看電影時(shí)都會(huì)詢問親朋好友或者通過網(wǎng)上評(píng)價(jià)進(jìn)行選擇。協(xié)同過濾正是運(yùn)用了這一思想，即采用最近鄰技術(shù)，由近鄰用戶的喜好預(yù)測(cè)目標(biāo)用戶的喜好進(jìn)行推薦 [4]。它是推薦系統(tǒng)中應(yīng)用最早且最成功的技術(shù)之一 [5]，已經(jīng)成為大數(shù)據(jù)推薦算法的研究熱點(diǎn)和重點(diǎn)。

2.2.1 基于物品的協(xié)同過濾推薦

根據(jù)不同物品之間的相似度和用戶以往的喜好推薦類似物品，例如在酷狗音樂的每一首歌曲下面都有相似歌曲的推薦，而各大購(gòu)物網(wǎng)站也都有“找相似”等類似商品的推薦。與基于內(nèi)容推薦不同的是，這里所說的相似主要是利用用戶行為的集體智慧，該算法的推薦過程如圖 3 所示。

圖 3 基于物品的協(xié)同過濾推薦步驟

2.2.2 基于用戶的協(xié)同過濾推薦

將具有相同愛好的用戶感興趣的項(xiàng)目推薦給目標(biāo)用戶， 是至今為止實(shí)際運(yùn)用效果最成功的算法 [6]，推薦步驟如圖 4所示，基于用戶的協(xié)同過濾過程如圖 5 所示。

2.2.3 基于模型的協(xié)同過濾推薦

利用用戶的歷史項(xiàng)目評(píng)價(jià)進(jìn)行學(xué)習(xí)以構(gòu)建用戶模型。用戶模型作為項(xiàng)目的評(píng)價(jià)預(yù)測(cè)基礎(chǔ)，其中應(yīng)用比較成熟的是矩陣分解技術(shù)，基于矩陣分解的個(gè)性化推薦是一種學(xué)習(xí)算法， 它使用數(shù)學(xué)中的奇異值分解技術(shù)，通過矩陣分解使矩陣降維并對(duì)大量數(shù)據(jù)進(jìn)行壓縮，能較好地挖掘已知數(shù)據(jù)中的潛在關(guān)系，具有較高的推薦精度，較少的時(shí)間和較低的離線計(jì)算空間復(fù)雜度，但特征挖掘的層次不夠深入，對(duì)推薦結(jié)果的解釋性較差。

2.3 基于社交網(wǎng)絡(luò)的個(gè)性化推薦

通過對(duì)社交網(wǎng)絡(luò)中用戶的興趣愛好進(jìn)行挖掘分析后進(jìn)行個(gè)性化推薦。著名的社交網(wǎng)站有 Facebook 和 Twitter、微博、微信和 QQ 等，在社交網(wǎng)絡(luò)背景下，個(gè)性化推薦不僅要關(guān)注用戶和物品之間的關(guān)系，還要關(guān)注用戶和用戶之間的關(guān)系 [7]。

2.4 基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦

分析物品間的相似性及相關(guān)聯(lián)性，建立一套行為規(guī)則進(jìn)行個(gè)性化推薦。它有一定的通用性，可以應(yīng)用于多種領(lǐng)域， 但抽取關(guān)聯(lián)規(guī)則比較難，且花費(fèi)時(shí)間較多，另外隨著關(guān)聯(lián)規(guī)則數(shù)量的增加，系統(tǒng)管理的難度也會(huì)加大，最典型的應(yīng)用是購(gòu)物車分析。

2.5 混合個(gè)性化推薦

單一的個(gè)性化推薦算法各有優(yōu)缺點(diǎn)，因此可將優(yōu)劣勢(shì)互補(bǔ)的推薦方法組合在一起進(jìn)行混合式個(gè)性化推薦，既剔除了單一算法的缺點(diǎn)又提高了推薦效果。在系統(tǒng)架構(gòu)方面，采用在線 - 離線 - 近線三段混合系統(tǒng)，分別負(fù)責(zé)熱門請(qǐng)求、短期計(jì)算和長(zhǎng)期推薦計(jì)算，通過多段的混合推薦可以達(dá)到可靠的推薦結(jié)果，在技術(shù)上有加權(quán)型、切換型、交叉型等多種混合推薦方式。混合推薦在提高精確性的同時(shí)增加了算法的時(shí)空復(fù)雜度，因此要處理好混合推薦算法間的協(xié)調(diào)性[8]。

大數(shù)據(jù)個(gè)性化推薦算法各有優(yōu)缺點(diǎn)，具體見表 1 所列。

3 大數(shù)據(jù)個(gè)性化推薦存在的問題

3.1 大數(shù)據(jù)方面

（1）大數(shù)據(jù)背景下海量數(shù)據(jù)使數(shù)據(jù)的稀疏性和長(zhǎng)尾問題劇增 [9]。

（2）大數(shù)據(jù)類型的多樣性和復(fù)雜性以及數(shù)據(jù)量的巨大性，使計(jì)算復(fù)雜度成倍增加。

（3）大數(shù)據(jù)本身的價(jià)值密度低，但價(jià)值巨大，如何從海量數(shù)據(jù)中抽取有用的信息進(jìn)行個(gè)性化推薦是個(gè)難題。

（4）推薦系統(tǒng)對(duì)時(shí)效性要求較高，可擴(kuò)展性是推薦算法需要解決的難點(diǎn)問題之一。

（5）數(shù)據(jù)安全問題。為了更好地挖掘用戶喜好，需要收集更多的個(gè)人信息，當(dāng)基于大數(shù)據(jù)的推薦系統(tǒng)聚集了大量有價(jià)值的信息時(shí)，必然會(huì)成為被攻擊的目標(biāo)，過度的暴露個(gè)人信息會(huì)給用戶的個(gè)人隱私帶來(lái)安全隱患，破壞大數(shù)據(jù)推薦系統(tǒng)的發(fā)展。如何在不暴露用戶隱私的情況下進(jìn)行精準(zhǔn)的個(gè)性化推薦是亟待解決的問題。

（6）怎樣對(duì)系統(tǒng)中的不良內(nèi)容進(jìn)行過濾，對(duì)惡俗非法內(nèi)容進(jìn)行曝光打擊，傳遞正能量也是推薦系統(tǒng)需要關(guān)注的問題。

3.2 推薦算法方面

從推薦算法的對(duì)比分析可得每一種推薦算法都有各自的優(yōu)缺點(diǎn)和適用場(chǎng)合，隨著軟硬件技術(shù)的發(fā)展，不管是對(duì)原有算法的優(yōu)化，還是對(duì)新算法的探索，算法的準(zhǔn)確性和覆蓋面都是值得研究的問題。

3.3 用戶方面

用戶的喜好是多種因素綜合作用的結(jié)果，隨著時(shí)間的推移和年齡的增長(zhǎng)，興趣愛好會(huì)發(fā)生很大的變化，根據(jù)原有信息進(jìn)行的推薦就有失偏頗，因此怎樣在不同的時(shí)間段抽取不斷變化的興趣愛好，繼而進(jìn)行有效推薦是需要解決的問題。

3.4 冷啟動(dòng)問題

用戶、物品及系統(tǒng)都存在冷啟動(dòng)問題，當(dāng)商品上新用戶第一次購(gòu)買時(shí)，由于之前沒有相關(guān)數(shù)據(jù)的積累，因此將嚴(yán)重影響個(gè)性化推薦的準(zhǔn)確性。

3.5 推薦的多樣性問題

推薦的準(zhǔn)確性是算法關(guān)注的目標(biāo)，而結(jié)果的多樣性很少被重視，因此推薦結(jié)果越來(lái)越同質(zhì)化，降低了用戶的使用體驗(yàn)。

4 大數(shù)據(jù)個(gè)性化推薦的應(yīng)用

（1）個(gè)性化教育

大數(shù)據(jù)促進(jìn)了個(gè)性化教育的快速發(fā)展，我國(guó)的教育明確提出發(fā)展學(xué)生的個(gè)性，但目前我們的個(gè)性化教育還處在初級(jí)階段，因此立足大數(shù)據(jù)分析實(shí)現(xiàn)學(xué)生的個(gè)性化培養(yǎng)已成為大數(shù)據(jù)個(gè)性化推薦的一個(gè)重要應(yīng)用領(lǐng)域。

（2）個(gè)性化醫(yī)療

基于位置信息的服務(wù)已融入人們的生活，醫(yī)療行業(yè)正在迎來(lái)屬于自己的個(gè)性化時(shí)代，各種健康醫(yī)療推薦服務(wù)已成為研究熱點(diǎn)，如何在有限的醫(yī)療資源條件下實(shí)現(xiàn)用戶的個(gè)性化醫(yī)療推薦服務(wù)是大數(shù)據(jù)個(gè)性化推薦的另一個(gè)重要應(yīng)用。

（3）電子商務(wù)個(gè)性化

為了進(jìn)行精準(zhǔn)營(yíng)銷，多數(shù)電子商務(wù)平臺(tái)都提供個(gè)性化推薦服務(wù)，大數(shù)據(jù)個(gè)性化推薦可以為用戶提供準(zhǔn)確的推薦服務(wù)， 實(shí)現(xiàn)商家的精準(zhǔn)營(yíng)銷。

（4）互聯(lián)網(wǎng)金融個(gè)性化

在互聯(lián)網(wǎng)金融領(lǐng)域，各大平臺(tái)都有針對(duì)個(gè)人定制的千人千面投資推薦。

（5）其他方面的個(gè)性化

隨著互聯(lián)網(wǎng)的發(fā)展，個(gè)性化的推薦將在多媒體娛樂及社交網(wǎng)絡(luò)等領(lǐng)域發(fā)展得越來(lái)越好?？傊?，大數(shù)據(jù)個(gè)性化的推薦已成為未來(lái)教育、醫(yī)療、電子商務(wù)、互聯(lián)網(wǎng)金融及社交網(wǎng)絡(luò)等領(lǐng)域的標(biāo)配。

5 結(jié) 語(yǔ)

大數(shù)據(jù)個(gè)性化推薦時(shí)代已經(jīng)到來(lái)，隨著深度學(xué)習(xí)的爆發(fā)及推薦算法的不斷發(fā)展和延伸，基于深度學(xué)習(xí)的個(gè)性化推薦將會(huì)得到快速發(fā)展，同時(shí)混合式綜合推薦、群體推薦也將成為未來(lái)大數(shù)據(jù)個(gè)性化推薦研究的重要方向。