基于协同过滤算法的个性化推送技术

 

个性化推送技术由用户、推荐方法和项目资源组成。用户可以通过注册信息或问卷调查等方式直接推荐自己的喜好或需求，也可以模糊推荐，由系统自行识别比较，得到推荐结果，如图1所示。最后，系统将推荐结果输出给用户。

 

个性化推送技术是整个推送系统的主要组成部分，推送方法多种多样，其中协同过滤推荐方法是最常见的一种。协同过滤推荐方法的原理非常简单，是向兴趣或爱好相似的人推荐类似的项目，完成个性化推荐，是一种简单的小组方法。协同过滤推荐方法由算法输入、预测和算法输出三部分组成。协同过滤推荐方法分为显式推荐和隐式推荐，主要是向用户推荐与用户相关性较大的项目。显式推荐是通过用户直接对项目进行评分，或者通过用户直接对项目进行偏好或不偏好的评价，系统可以直接向用户推荐。这种推荐更可靠，操作更方便，缺点是用户需要对项目进行评估，增加了用户的负担。隐式推荐是通过用户的行为来推断项目的吸引力，从而做出推荐的举动。隐式推荐的优点是不需要用户对项目进行直接评分，减轻了用户的负担。缺点是很难获取信息。从用户的行为中获取信息的可信度较低，容易产生误导作用。主要采用显式推荐技术。

 

协同过滤算法可分为两类：记忆协同过滤算法和模型协同过滤算法。记忆协同过滤算法通过用户之间或项目之间的相似性进行个性化推荐，并可分为基于用户的（User Based）基于项目的协同过滤算法和协同过滤算法（Item Based）协同过滤算法[6]。模型协同过滤算法是通过建立一些统计数学模型或机器，在离线状态下计算用户喜欢的项目，然后在线向用户推荐项目。常用的模型包括贝叶斯模型、聚类和支持向量机。模型协同过滤算法大大缩短了响应时间，可靠性和实时性高，但计算成本高。

 

基于用户的协同过滤算法一般认为，对同一项目感兴趣的用户对同一项目感兴趣（Item）它可能有相同的偏好，所以在推荐用户时，首先找出所有用户的偏好信息，并找到其他与当前用户兴趣相同的附近用户，最后根据附近用户的偏好信息推荐用户。假设用户A对项目2和项目4感兴趣，用户B对项目3感兴趣，用户C对项目2感兴趣、如果您对项目4和项目5感兴趣，您可以看到用户A和用户C的兴趣是相似的。用户C选择了项目5，但用户A没有选择。因此，推测用户A也可能对项目5感兴趣，并可以向用户A推荐项目5。当使用基于用户的协同过滤算法进行推荐时，关键步骤之一是计算用户之间的相似度，通常使用余弦相似度或皮尔森相关系数来实现：余弦相似度计算用户评分向量的夹角，向量夹角越小，相似度越高。