个性化推荐系统综述

姚金平

摘要：随着web2.0时代的到来，互联网产业得到了飞速发展，带来了数据量的指数型增长。激增的数据量超过了人们的数据处理能力，从而导致了信息过载的问题。为了解决信息过载等问题，个性化推荐系统随之而产生。个性化推荐系统作为解决信息过载问题的有效技术，收到了广泛的关注。文章从“朋友推荐”和“互惠推荐”的角度，对现有的研究进行了总结和评估，提出了目前推荐系统尚未解决的问题。

关键词：信息过载;个性化推荐;朋友推荐;互惠推荐

一、引言

为了解决信息过载问题，人们建立了以关键字搜索为核心的搜索引擎。搜索引擎虽然在一定程度上缓解了信息过载的问题，但是由于自身的局限性，未能够解决人们对信息搜索高效需求。因为传统的搜索引擎需要用户有明确的目标，再根据用户输入目标关键词来搜索关键词的相关内容。但是，现实中用户浏览网页时往往没有特定的目标，只是粗略的寻找自己可能感兴趣的信息，不能高效的获取用户所需要的信息，所以简单的关键字搜索无法高效的满足用户对信息的需求。再者，传统搜索引擎不能满足用户的个性化信息服务需求，传统的搜索引擎对关键字搜索结果对于所用的用户都是相同的。搜索引擎在本质上是一种针对大众的通用性需求提供的被动式服务工具，所以它无法满足用户的个性化需求。因此人们需要一种既能满足用户个性化需求又能达到信息过滤效果的工具，在此情况下，个性化推荐系统出现在人们的视野中。

二、推荐系统

推荐系统作为个性化服务的重要领域，通过挖掘用户和项目之间的关系，为用户提供可能感兴趣的信息、服务。上下文感知推荐系统作为推荐系统研究中的重要领域之一，进一步提高了推荐系统的准确性。王立才等人对上下文感知推荐系统近几年来的发展做了一个详细的综述，对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析，同时也指出目前对于上下文感知推荐方面存在冷启动等问题。Alhabashneh等学者则是在企业信息系统中利用上下文感知信息选择与查询主题相关的最相关的文档和专家。对于推荐系统数据稀疏导致准确率低的问题，Amman，Jordan提出了一种基于用户的多标准推荐方法，将项目的多标准评级与用户的信任信息相结合，用来缓解基于用户的CF技术问题。Li，Fang等人定义推荐链接的效用并制定一个新的研究问题—基于效用的链接推荐问题，用来解决现有的链接推荐方法只推荐了可能由用户建立的链接，但忽略了推荐链接可能给运营商带来好处的问题。

三、朋友推荐

在为用户提供优质的个性化推荐服务的前提下，保护用户隐私数据亟不可待。更多的网络用户愿意与有共同利益的人交换信息，而并不是所有的陌生人。因此，在这种需求下，就需要个性化推荐系统更加注重对于用户隐私信息的保护。基于对用户隐私的保护，因此就需要一个用户行为安全的个性化推荐系统。

社交网络正在成为日益流行的信息共享媒体。越来越多的人通过Twitter和Flickr等主要社交网站与他人互动。Yu等提出了一种新颖的朋友推荐方法ACR-FoF（代数连接正规化朋友的朋友），考虑了网络中的成功率和内容传播，该算法显着改善社交网络中的内容传播，但是对朋友推荐成功率只有很小的推动。社会网络已被公认为在过去的研究中增强超重和肥胖干预的有效方法。Li将社交网络和减肥整合，使用减肥应用程序获得的数据开发了一个用于朋友推荐的测量方法;设计方法来模拟体重增加相关行为;构建了一个新颖的“行为网络”。在虚拟世界中用户更加倾向于向现实世界联系更少的朋友建立联系。Liao开发了一个基于虚拟世界中用户相似性和联系强度的虚拟朋友推荐方法，用户在虚拟世界中的联系活动被表征为动态特征和联系类型来获取他们在基于通信，基于社交，基于交易，任务的联系方面的优势和基于关系的联系人类型。Li定义推荐链接的效用并制定一个新的研究问题——基于效用的链接推荐，用来解决现有的链接推荐方法只推荐了可能由用户建立的链接，但忽略了推荐链接可能给运营商带来的好处的问题。朋友推荐是社交网络和实际应用中的基础服务，受用户行为（如互动，兴趣和活动）的影响。Gong设计了一种混合型多个人推荐模型Friend ++，通过无缝地使用社交关系，行为背景和个人信息，将加权平均方法（WAM）集成到随机游走（RW）框架中。Zhang提出了一种特征提取 - 极限学习机（FE-ELM）模型，利用社交网络原有的社会属性和文本属性，和时空属性来向用户推荐感兴趣或熟悉的人。

四、互惠推荐

推荐系统在为用户提供个性化服务的同时，为了提高推荐的准确率，考虑用户-项目二元关系共同的特征，从而进行双向匹配。Sankalp提出了一个互惠推荐系统，它根据年龄，地点，性别，资格，兴趣等属性属性来匹配相互感兴趣并且可能相互沟通的学习者。为解决传统推荐算法无法实现用户与项目之间双向推荐的问题，引入互惠推荐的概念来扩展传统推荐算法。Shani G根据招聘系统中简历传递的具体基础和挖掘用户的潜在偏好信息，提出隐式偏好函数计算方法。然后，基于对计算相似度中用户显式和隐式偏好信息的不同影响的考虑，提出了一种基于这两种偏好信息相结合的相似度计算方法。最后，相互推荐是根据相应的价值从高到低来实现的。

社交网站通过用户之间是否有相同属性信息或公共邻居判断他们能否成为朋友，但是由于用户注册信息不完善和对公共邻居之间关系的忽略，导致推荐的准确度不高，提出了社交圈检测算法，王 玙等定义用户间的社交圈相似性，基于社交圈相似程度为用户推荐新朋友。消费者行为和市场研究表明，用户与其他社交关联用户之间的品牌偏好的相似性也影响用户的采用决策。Luu等提出了一种称为社交品牌-项目-主题（SocBIT）的新模型，将个人和社交品牌相关因素无缝集成到推荐过程中。人与人之间的推荐人不同于传统的用户与项目之间的推荐，因为他们必须满足双方。Pizzato确定互惠推荐者的特征并将其与传统推荐者进行比较，提出了一系列在線约会领域内基于内容的互惠推荐者的研究和评估。

五、总结与展望

个性化推荐系统已经成为缓解信息过载等问题的有利工具。与传统搜索引擎相比，个性化推荐能够主动收集用户的特征资料，挖掘潜在的用户信息，有效的为用户推荐其可能感兴趣的物品。本文围绕“朋友推荐”和“互惠推荐”对个性化推荐系统进行了综述。不同于人与物的推荐，朋友推荐需满足推荐双方的偏好。因此，此类推荐需要关注推荐双方的个性特点。

个性化推荐是基于庞大的数据支持下进行的信息整合，从而为网络用户或者商家提供更加准确高效的推荐。目前，个性化推荐系统已经成功运用于各个领域，例如电子商务领域、音乐领域、电影领域等。但是与此同时个性化推荐也会面临各种问题。例如，在为用户提供更加丰富信息服务以及技术的同时，也同样需要保护好用户的个人隐私。基于以上要求，就需要个性化推荐系统进行技术革新，以便更好更快的满足社会的需求。

参考文献：

[1]Gong， J.， et al.， Integrating a weighted-average method into the random walk framework to generate individual friend recommendations[J].ence China Information ences， 2017，60（11）：39-60.

[2]Bell R M ， Koren Y. Lessons from the Netflix prize challenge[J].ACM SIGKDD Explorations Newsletter，2007，9（02）：75.

[3]王立才，孟祥武，张玉洁.上下文感知推荐系统[J].软件学报，2012（01）：1-20.

[4]Alhabashneh O， Iqbal R， Doctor F， et al. Fuzzy rule based profiling approach for enterprise information seeking and retrieval[J].Information ences，2017，394-395：18-37.

[5]Yu Z，Wang C，Bu J，et al. Friend recommendation with content spread enhancement in social networks[J].Information ences，2015，309：102-118.

[6]Li A， Ngai E W T， Chai J. Friend recommendation for healthy weight in social networks[J].Industrial Management & Data Systems，2015，115（07）：1251-1268.

[7]Liao， H.-Y.， K.-Y. Chen， and D.-R.Liu， Virtual friend recommendations in virtual worlds[J].Decision Support Systems，2015，69：59-69.

[8]Li， Z.， et al.， Utility-Based Link Recommendation for Online Social Networks[J].Management Science，2017，63（06）：1938-1952.

[9]Gong，J.，et al.，Integrating a weighted-average method into the random walk framework to generate individual friend recommendations[J].Science China Information Sciences，2017，60（11）：110.

[10]Zhang， Z.， X. Zhao， and G. Wang， FE-ELM： A New Friend Recommendation Model with Extreme Learning Machine[J].Cognitive Computation，2017，9（05）： 659-670.

[11]Reusens M， Lemahieu W， Baesens B ， et al. Evaluating recommendation and search in the labor market[J].Knowledge-Based Systems，2018，152：62-69.

[12]Koren Y. Factor in the neighbors： Scalable and accurate collaborative filtering[J].Acm Transactions on Knowledge Discovery from Data，2010，04（01）：1-24.

[13]Shani G， Gunawardana A. Evaluating Recommendation Systems[J].2011.

[14]Reusens M， Lemahieu W， Baesens B， et al. A note on explicit versus implicit information for job recommendation[J]. Decision support systems，2017，98（06）：26-35.

[15]王王與，高琳.基于社交圈的在线社交网络朋友推荐算法[J].计算机学报，2014（04）：801-808.

[16]Luu，M.-D. and E-P.Lim，Luu M D，Lim E P. Do your friends make you buy this brand？[J].Data Mining and Knowledge Discovery，2018，32（02）：287-319.

[17]Pizzato L ， Rej T ， Akehurst J ， et al. Recommending people to people： the nature of reciprocal recommenders with a case study in online dating[J]. User Modeling and User-Adapted Interaction， 2013， 23（05）：447-488.

（作者单位：昆明理工大学管理与经济学院）