基于用户频繁访问路径的个性化服务推荐研究

张龙飞

摘 要：该文在国内外推荐算法研究基础上，基于用户的访问web记录与服务使用记录，采用OB-Mine算法提取用户频繁访问路径，利用改进的PrefixSpan算法筛选具有相似偏好的用户簇，利用改进的CF算法进行个性化服务推荐，有效克服了数据高维性和稀疏性，最后实例验证了该推荐算法性能优于传统的CF算法。

关键词：相似度计算 服务推荐 个性化推荐

中图分类号：TP3；D630 文献标识码：A 文章编号：1672-3791（2016）03（c）-0159-02

现有服务推荐技术并不成熟，面对海量重复的Web服务，用户难以识别并且寻找到所需的服务，因此提高服务推荐质量已成为Web服务体系的迫切需求。服务推荐的研究焦点是新推荐算法的探索和新推荐模型的发现。Dell'Amico和Capra[1]定义了以社会导向和品味相似为特征的用户可信性标准，提出了一种新的信息过滤方法。Vallet等[2]利用社区隐性用户信息，提出了一种基于图的交互式视频检索系统，有效增强了视频检索能力。

该文以web日志中的用户浏览行为与服务使用记录为依据，利用OB-Mine算法[3]提取用户频繁访问路径；然后，利用改进的PrefixSpan算法[4]筛选具有相似用户偏好的用户簇；最后，使用改进的CF算法，对目标用户做出推荐。该文以“××中小企业网”的相关数据，实证表明该推荐算法优于传统的CF算法。

1 服务推荐算法分析

1.1 提取用户频繁访问路径

利用OB-Mine算法对预处理数据集挖掘代表用户兴偏好的用户频繁访问路径。

1.2 筛选相似偏好的用户簇

利用改进的PrefixSpan算法[5]寻找用户偏好，筛选出具有相似偏好的用户簇。

1.3 服务推荐

1.3.1 建立用户-服务类评分矩阵

设用户评分Rij，按照浏览或者使用某种服务的次数计算用户评分。

1.3.2 寻找最近相似邻居集

相似性的计算方法主要有余弦相似度、Pearson相似度和修正的余弦相似度。

1.3.3 生成推荐结果

计算目标用户对未评分服务项的预测评分，并且设定阈值r，推荐用户r值以上的服务类。

2 实证分析

以“××中小企业网”为研究对象，根据该网站web日志文件，计算推荐结果。

2.1 提取用户频繁访问路径

2.1.1 数据预处理

对web日志中的用户访问行为数据进行预处理，获取用户访问路径。

2.1.2 提取用户频繁访问路径

利用OB-Mine算法对用户的多条访问路径进行聚类，生成每个用户的频繁访问路径。

2.2 筛选具有相似用户偏好的用户簇

利用改进PrefixSpan算法筛选具有相同或者相似用户偏好的用户簇，如表1所示。

2.3 用户个性化推荐

2.3.1 建立用户-服务评分矩阵

通过访问频次与使用服务频次计算用户对服务的评分。

2.3.2 确定最近相似邻居集

设定邻居集容量为N，选取与目标用户相似度最高的N个用户形成最近相似邻居集。

2.3.3 生成推荐结果

计算目标用户对未评价服务预计评分值，设定好阈值m，对目标用户推荐评分高于阈值的服务项目。对目标用户的推荐结果如表2。

3 实证结果分析

3.1 评价标准

MAE的值越小，表明算法的评分预测越准确，推荐质量越高。

3.2 实证结果分析

实验中设步长间隔为5，邻居集容量大小分别取5，10，15，20，25，30，35，40，使用该文改进的CF算法与传统的CF算法作对比，其服务推荐质量比较如图1所示。

从图中可以看到：（1）在邻居集容量大小发生变化时，该算法下MAE值均小于传统的CF算法，说明该推荐算法具有较好的推荐质量；（2）与传统的CF算法相比，改进的CF算法下MAE值随着邻居集容量的增加迅速减小并趋于稳定，说明改进的CF算法性能优于传统的CF算法，计算效率更高，有效缓解了由冷启动引起的数据高维性和数据稀疏性等问题；（3）两种算法下，MAE值随着邻居集容量增加而减小，当邻居集容量增大到一定数值时，MAE值趋于稳定时，但是CF算法下的趋于稳定的MAE值要小于传统的CF算法，说明改进的CF算法计算精度优于传统的CF算法。

4 结语

该文通过提取用户频繁访问路径，筛选相似偏好的用户簇和个性化服务推荐，克服了单一推荐算法的不足，克服了数据高维性和稀疏性，提高了计算效率与计算精度。

参考文献

[1] Dell'Amico M，Capra L.Dependable filtering：Philosophy and realizations [J].ACM Transactions on Information Systems（TOIS），2010，29（1）：364-371.

[2] Vallet D， Hopfgartner F， Jose J M， et al. Effects of usage-based feedback on video retrieval： a simulation-based study [J].ACM Transactions on Information Systems （TOIS），2011，29（2）：219-230.

[3] 曹忠升，唐曙光，杨良聪.Web-Logs中连续频繁访问路径的快速挖掘算法[J].计算机应用，2006（1）：216-219.

[4] 姬浩博，王俊红.一种改进的PrefixSpan算法及其在Web用户行为模式挖掘中的应用[J].计算机科学，2016（1）：25-29.

[5] 业宁，李威，梁作鹏，等.一种Web用户行为聚类算法[J].小型微型计算机系统，2004，25（7）：1364-1367.

[6] 王海艳，杨文彬，王随昌，等.基于可信联盟的服务推荐方法[J].计算机学报，2014（2）：301-311.