QQ交談
您所在位置：請輸入產(chǎn)品關(guān)鍵字：
過濾方式的分析計論
點擊次數(shù)：879 發(fā)布時間：2015-9-10
隨著Internet的發(fā)展和電子商務(wù)的應(yīng)用，網(wǎng)上已出現(xiàn)信息過載的現(xiàn)象，于是產(chǎn)生了協(xié)同過濾技術(shù)的個性化推薦系統(tǒng)。傳統(tǒng)推薦系統(tǒng)的基本思想是基于評分相似的zui近用戶鄰居的評分數(shù)據(jù)向目標用戶產(chǎn)生推薦。盡管傳統(tǒng)的推薦系統(tǒng)是當(dāng)前使用zui成功的技術(shù)，但它也有許多不足之處?；陧椖繀f(xié)同過濾算法的提出雖然避免了傳統(tǒng)的協(xié)同過濾算法計算用戶之間相似性的瓶頸，但依然存在一些缺陷。關(guān)鍵性問題是：每個用戶一般都只對很少的項目感興趣，整個用戶評分數(shù)據(jù)非常稀疏，這就導(dǎo)致用戶之間的相似性不準確，產(chǎn)生的zui鄰近的鄰居用戶不可靠；難以推薦或預(yù)測一個新項目。該文提出了一種基于語義相似性的項目協(xié)同過濾算法，該方法將基于用戶平分計算項目的相似性與語義相似性組合，能很好地解決上述問題。
1基于項目的協(xié)同過濾算法基于項目的協(xié)同過濾推薦根據(jù)用戶對相似項目的評分預(yù)測該用戶對目標項目的評分，基于該假設(shè)：如果大部分用戶對一些項目的評分比較相似，則當(dāng)前用戶對這些項目的評分也比較相似?；陧椖康膮f(xié)同過濾推薦系統(tǒng)使用統(tǒng)計技術(shù)找到目標項目的若干zui近鄰居，由于當(dāng)前用戶對zui近鄰居的評分與對目標項目的評分比較類似，可以根據(jù)當(dāng)前用戶對zui近鄰居的評分預(yù)測當(dāng)前用戶對目標項目的評分，產(chǎn)生對應(yīng)的推薦列表。
1）項目相似性計算在基于項目協(xié)同過濾算法中，關(guān)鍵是計算項目之間的相似性，然后選擇zui相似的項目。現(xiàn)在有許多不同的計算項目之間的相似性的方法，例如：余弦相似性、相關(guān)相似性、修正的余弦相似性，下面介紹修正的余弦相似性的方法。
修正的余弦相似性：設(shè)S（i，j）表示資源i與資源j之間的相似性，項目i和項目j共同評過分的用戶集合用U表示，則項目i和項目j之間的相似性S（i，j）為S（i，j）=∑C∈U（RC，i-RC）（RC，j-RC）∑C∈U（RC，i-RC）2∑C∈U（RC，j-RC）2（1）RC，i表示用戶C對項目i的評分，RC表示用戶C對項目的平均評分。
2）預(yù)測計算在計算項目之間的相似性之后，要選擇k個與目標項目zui相似的項目，并產(chǎn)生目標項目的預(yù)測值。采用相似資源評價的權(quán)重組合方法，生成用戶對目標資源的預(yù)測評價值。其計算式為Pa，i=∑kj=1（Pa，j×S（i，j））/∑kj=1S（i，j）（2）Pa，j表示用戶a對目標項目j的預(yù)測值，這里僅有k個預(yù)測值產(chǎn)生。
3）基于項目的協(xié)同過濾算法不足基于項目的協(xié)同過濾算法通過計算項目之間的相似性，選擇與目標項目的zui近鄰居集合，避免了計算用戶之間相似性的瓶頸，該算法比基于用戶協(xié)同過濾算法的擴展性強，度高。但還是存在數(shù)據(jù)稀疏性和新項目預(yù)測的問題。為了解決這2個問題，將采用基于語義相似性過濾算法。在算法中，從網(wǎng)頁中自動地抽取結(jié)構(gòu)化的項目語義知識，并結(jié)合項目評分組合一種新的項目相似性方法。
2基于本體的語義相似性的協(xié)同過濾算法在協(xié)同過濾處理過程中，為了獲取項目的語義信息，必須從多個網(wǎng)頁或中抽取具有概念層次的結(jié)構(gòu)化對象作為語義實體。但現(xiàn)在的網(wǎng)絡(luò)，其信息存儲為靜態(tài)HTML頁面，用于表達Web頁面信息的HTML標記語言存在著缺點：HTML語言的標記（tag）只是告訴瀏覽器如何顯示它所定義的信息，卻不包含語義信息。針對這個問題引入了本體技術(shù)。
1）本體與本體的學(xué)習(xí)一個本體提供了定義好的重要概念以及概念之間的語義關(guān)系的結(jié)構(gòu)，目標是捕獲相關(guān)領(lǐng)域的知識，提供對該領(lǐng)域知識的共同理解，確定該領(lǐng)域內(nèi)共同認可的詞匯，并從不同層次的形式化模式上給出這些詞匯（術(shù)語）和詞匯之間相互關(guān)系的明確定義。在特定的領(lǐng)域里，這樣一個結(jié)構(gòu)建立了很好的層次知識，對于一個，領(lǐng)域本體一般包括概念、概念之間的關(guān)系以及存在于表示的領(lǐng)域概念之間的關(guān)系。為了從網(wǎng)頁或中抽取項目的語義信息，首要任務(wù)是建立一個特定領(lǐng)域本體。對于簡單的，領(lǐng)域本體可能很容易手工建立或從內(nèi)容半自動化獲取。然而，對于大型，建造本體（特別是通用目的本體）是費時費力的過程，手工建立本體是一項艱巨的任務(wù)，希望能自動化地獲取領(lǐng)域本體。提出了TextToOnto系統(tǒng)和OntoLearn系統(tǒng)。綜合起來，提出了一個本體學(xué)習(xí)的框架。
2）基于本體的抽取項目語義信息建立了領(lǐng)域本體后，利用領(lǐng)域本體抽取項目的語義信息。在此方法中，使用特定領(lǐng)域包裝器代理結(jié)合領(lǐng)域本體抽取項目的語義信息。特定領(lǐng)域包裝器使用文本挖掘和啟發(fā)式規(guī)則從基于領(lǐng)域本體的抽取項目的語義信息。目前，不使用本體表示語言，如OWL，把本體中的類和類之間的關(guān)系看作一種關(guān)系數(shù)據(jù)庫。特定領(lǐng)域包裝器代理使用類的關(guān)系語法和基于文本線索的啟發(fā)式規(guī)則抽取類的實例和屬性，建立一個特定領(lǐng)域的語義分類樹。以一個銷售書籍為例，從書籍抽取出來的參考本體。從書籍抽取出來的實體都是這些類的實例，這些實例包含了語義信息。
3）語義相似性與協(xié)同過濾集成為了方便計算項目語義相似性，將抽取出來的實例屬性轉(zhuǎn)換為向量表示，使用向量空間模型表示項目的屬性，項目可以表示為Ti={（t1，W1），（t2，W2），…，（ti，Wi）}，其中ti是項目Ti的一個屬性，Wi表示屬性ti對應(yīng)于項目賦予的權(quán)重，描述屬性在項目中的重要程度。項目之間的相似性使用向量之間的距離度量，計算公式為S（i，j）=（∑Mk=1Wik×Wjk）/（∑Mk=1W2ik）（∑Mk=1W2jk）（3）采用TF2IDF公式計算屬性的權(quán)重值。其中ti是項目Tj的一個屬性。
W（ti，Tj）=tf（ti，Tj）×log（N/n1 0。01）/∑ti∈Tj[tf（ti，Tj）×log（N/n1 0。01）]2（4）其中W（ti，Tj）表示ti在項目Ti的權(quán)重，項目tf（ti，Tj）是ti在項目Tj中出現(xiàn)的頻率，N是項目總個數(shù)，n1為在項目集中出現(xiàn)ti的數(shù)目。zui終，對于一對項目，可以把語義相似性與協(xié)同過濾集成，組合成一個線性方式來度量項目的相似性。
SInte（i，j）=αSSem（Ti，Tj） （1-α）SRat（i，j）（5）其中α（0≤α≤1）是權(quán)重參數(shù)，當(dāng)α=0時，組合的相似度SInte（i，j）=SRat（i，j）；α=1時，組合的相似度SInte（i，j）=SSem（i，j）。從公式（5）看出，組合相似性算法具有2個優(yōu)點：組合相似性算法能進一步說明用戶對特定的項目是否感興趣；在評分數(shù)據(jù)稀疏或沒有評分的情況下，依然可以使用語義相似性提供合理的推薦產(chǎn)品。利用該文組合相似性算法的思想，可以得到相應(yīng)的預(yù)測評分或推薦，Pa，i是用戶對目標項目的預(yù)測評分值。
Pa，i為Pa，i=∑kj=1（Pa，j×SInte（i，j））/∑kj=1SInte（i，j）（6）3結(jié)果分析1）數(shù)據(jù)集采用一個銷售書籍的數(shù)據(jù)來測試算法，比較基于語義相似性和標準的項目協(xié)同過濾算法。該已有1600個用戶對3000本書籍評分數(shù)據(jù)，每個用戶對每本書的評分范圍為1―5，隨機抽取4000條數(shù)據(jù)作為實驗數(shù)據(jù)。為了實現(xiàn)基于語義相似性算法，使用本體學(xué)習(xí)框架方法從書籍抽取出書籍本體，利用包裝器代理從基于書籍本體的網(wǎng)絡(luò)書籍?dāng)?shù)據(jù)庫中抽取書籍實例，每個實例包含語義屬性。
2）評價標準評價推薦系統(tǒng)推薦質(zhì)量的度量標準主要包括統(tǒng)計精度度量方法和決策支持精度度量方法2類。采用統(tǒng)計精度度量方法中的平均偏差MAE（meanabsoluteerror）進行度量。平均偏差MAE通過計算預(yù)測的用戶評分與實際的用戶評分之間的偏差來度量預(yù)測的準確性，MEA越小，推薦質(zhì)量越高。
假設(shè)預(yù)測的用戶評分集合表示為{p1，p2，…，pn}，對應(yīng)的實際用戶評分集{t1，t2，…，tn}，則平均偏差MAE定義為MAE=∑ni=1|ti-pi|/N（7）3）實驗結(jié)果分析考慮組合相似性算法中的α權(quán)重參數(shù)對MAE的影響，在使用組合相似性算法預(yù)測時，找出*α值的范圍。實驗的結(jié)果，由此得出結(jié)論，α的取值范圍在0。3―0。
5是*的。為了說明組合相似性算法能解決標準項目協(xié)同算法的2個缺點：數(shù)據(jù)的稀疏性問題；新項目預(yù)測問題（冷開始問題）。做了2個實驗比較這2種方法，2個實驗的α取值為0。
4.顯示了在預(yù)測項目都已評分的情況下2種算法的平均偏差結(jié)果，可以看出，組合相似性算法使用公式（4）計算項目的相似性比標準項目協(xié)同算法使用公式（1）計算項目相似性更。
解釋了組合相似性算法可以解決新項目問題。在預(yù)測項目沒有評分的情況下，基于項目協(xié)同過濾算法使用式（1）和式（2）無法預(yù)測，但組合相似性算法利用式（4）和式（5）依然可以進行預(yù)測。
從上述分析，通過語義相似性與標準項目協(xié)同算法集成，挖掘出項目之間的語義關(guān)系，抽取出項目的語義信息，不僅能很好的解決標準項目協(xié)同算法的項目評分的稀疏性問題、新項目預(yù)測問題以及提高推薦精度，還能進一步解釋說明用戶對特定的項目是否感興趣。
4結(jié)語通過集成項目的結(jié)構(gòu)化語義信息計算項目的相似性，擴展了基于項目協(xié)同的過濾算法。通過本體學(xué)習(xí)建立了特定領(lǐng)域本體，并使用特定領(lǐng)域本體從中抽取項目的特性和聚集類的實例。相似性測量的方法是把基于領(lǐng)域的語義相似性與基于用戶與項目映射的項目相似性組合。實驗結(jié)果顯示了組合相似性算法的3個優(yōu)點：1）保持了基于項目協(xié)同算法的計算優(yōu)勢，組合相似性算法改善了預(yù)測精度。2）對于新項目或未評分的項目，能產(chǎn)生合理地的推薦，可以減輕標準項目協(xié)同過濾算法帶來的新項目問題。3）在數(shù)據(jù)非常稀疏的情況下，提供了較高的預(yù)測質(zhì)量。
下一步工作任務(wù)是：1）將使用領(lǐng)域特征和機器學(xué)習(xí)技術(shù)，實現(xiàn)自動地確定語義組合參數(shù)值。2）深入研究對語義相似性自動抽取以及度量。3）進一步考慮領(lǐng)域本體結(jié)構(gòu)使用其他語義相似性組合方法產(chǎn)生推薦