基于社会媒体挖掘的推荐系统

摘要：随着互联网的出现，大数据时代迅速发展，用户在上网的过程中可以满足对各类信息检索的需要。但随着网络技术不断发展，信息数据量日益庞大，信息超载的现象随之而来。推荐系统通过统计分析用户的历史浏览记录挖掘用户在不同情况下的喜好，从数据库中检索与其匹配的内容，将相关内容推荐给用户，这是减少信息超载现象出现的高效办法。本文介绍了推荐系统后运用的各类推荐算法，将算法的原理及优缺点进行了相关的阐述和解析。

关键词：推荐系统;推荐算法;信息过滤;个性化推荐

中图分类号：TP391.3 文献标识码：A 文章编号：1672-9129（2020）06-0080-01

Abstract：withtheemergenceoftheInternetandtherapiddevelopmentofbigdataera，userscanmeettheneedsofvariousinformationretrievalintheprocessofsurfingtheInternet.However，withthecontinuousdevelopmentofnetworktechnology，theamountofinformationdataisincreasing，andthephenomenonofinformationoverloadfollows.Recommendationsystemthroughstatisticalanalysisofusers'historicalbrowsingrecords，miningusers'preferencesindifferentsituations，retrievingthematchingcontentfromthedatabase，andrecommendingtherelevantcontenttousers，whichisanefficientwaytoreducethephenomenonofinformationoverload.Thispaperintroducesthevariousrecommendationalgorithmsusedaftertherecommendationsystem，andexpoundsandanalyzestheprinciples，advantagesanddisadvantagesofthealgorithms.

Keywords：recommendationsystem;recommendationalgorithm;informationfiltering;personalizedrecommendation

1推荐系统及其作用

在网页上，很容易检索到关于推荐系统的解释：是一种可以根据用户喜好将各类实物推荐给使用者的应用。推荐系统根据用户历史浏览的记录，通过各类推荐算法，得出相应的用户评价矩阵，利用机器学习所生成的算法产生针对某一用户的个性化推荐内容，并适时根据用户最终点击量调整推荐商品，从而使结果与用户喜好更加贴合。使得购物网站可以将商品精准推荐给购物者，提高商品的销售量，有助于用户快速找到适合自己的商品。

推荐系统具有以下表现形式：（1）用户在对应网站的检索框输入自己的检索需求，推荐系统根据输入关键词产生推荐结果;（2）用户在将意向购置商品加入收藏夹或者购物车后，推荐系统在数据库中自动匹配同种类的商品并将其推荐给用户;（3）用户在网站注册登录后，推荐系统利用电子邮件等通讯方式将用户可能喜好的商品信息发送给用户;（4）用户浏览一件商品后，推荐系统将其他用户对同件商品的等级评语推荐给用户，以供用户进行多角度选择。

推荐系统的数据分类有两种：显式分类根据用户的收藏，评价等，精准表现用户对产品的爱好程度;隐式分类根据对用户历史浏览页面，网页停留时间，对商品查看次数的分析，得出用户喜好的推荐。

2推荐系统背后的各类推荐算法

基于内容的推荐是针对信息过滤而实现的延续和发展，不需要利用每一个用户对产品的评论观点，而是通过机器学习训练的算法，从各类信息内容中提取特征，描述事例，得出用户的兴趣喜好。基于内容的推荐是对已有信息过滤技术的一种延续，这种推荐方法不需要研究每个用户对商品的评价和态度，只需要根据产品的各类信息来进行计算，用机器学习的方法从研究结果中找到用户的乐趣爱好。在这种推荐方法中，机器学习的方法很大程度上决定了最终得出的用户喜好模型，经常使用的有决策树、神经网络和基于向量的表示方法等。但是，基于内容的推荐需要内容具有一些易分辨的特征，整体上有较合适的结构性，用户乐趣喜好可以用一些特征形式表现出来。

协同过滤推荐是目前推荐系统中应用比较普遍的技术，通过分析用户的历史浏览记录来计算得出用户之间的距离，将最近的邻居用户对商品的喜好评分进行加权计算，从而产生预测结果并将其推荐给其他用户。这种过滤技术不需要对推荐对象做出要求，推荐系统自动从用户历史行为中得出推荐内容，不需要用户对其进行配合，较为简单方便。这种方法可以篩选出机器难以自动进行分析的一些信息，比如说文化，书法等;可以共享其他用户的经验，使得内容分析更加精确;可以精准根据其他用户对某一商品最终是否选择购买的行为，提高推荐内容的精准性和可靠性;能够检测到内容中完全不会匹配的信息，具有推荐新信息的能力。尽管协同过滤这种过滤方法是一种典型且目前较为成功应用的推荐技术，但稀疏问题和可扩展问题仍然有待进一步解决。

基于关联规则的推荐是对不同种类，甚至看上去毫无联系商品之间的关联规则进行挖掘，寻找出不同商品在用户实际浏览或购买过程中的相关性，即在购买商品A的人中，统计购买商品B的人的比例，例如在超市统计购买纸尿裤的人中，有多少人会去购买啤酒。目前看来，关联规则的寻找和商品名称同义性仍然是有待提升的难点。

基于效用的推荐是由推荐系统首先为用户产生一个效用函数，函数对用户实际消费过程中的效用和用户最终购买的商品组合形成比例数据关系，从而衡量用户在推荐内容中获得满足感的程度，从而展现推荐的精准程度。这个效用函数用来决定针对用户推荐商品的推荐算法模型，效用函数的确定是效用推荐技术的一个核心问题。采用这种推荐方法的优点是可以将一些非产品的属性，例如提供商的可靠性以及商品的可得性等难以估量的属性考虑到效用计算中。

由于上述介绍的各类推荐方法都存在其优缺点，在实际算法中，我们常希望将各类推荐算法的优点进行汇集，缺点进行避免，也就产生了组合推荐的推荐方法。推荐系统背后所使用的推荐方法多种多样，各种算法的组合形式更是不计其数，但在实际情况中，各类组合方法在运用中并不一定全部有效，我们通常将基于内容的推荐和协同过滤推荐两种方法进行组合，产生合理准确的推荐预测结果。

3结语

当前，大数据时代迅速发展，为减少信息增益，科研人员对推荐系统的研究逐步深入，推荐技术也取得了一定的发展成果。推荐系统通过统计分析用户检索浏览过的信息，用户的历史记录，挖掘用户在不同情况下的喜好，将相关内容推荐给用户，为用户带来了极大的方便。以上对推荐系统的各类推荐方法作了全方位的论述和多视角的分析。近年来，推荐系统在理论的深入和实际运用都有了极大程度上的飞跃，但很多问题还有待我们进一步去探索。在未来，推荐系统会给我们的购物及生活方式带来极大的便利，其发展前景充满希望。

参考文献：

[1]Liu，Huan.Communitydetectionandmininginsocialmedia[M].

[2]李涛.推荐系统中若干关键问题研究[D].南京航空航天大学，2009.

[3]JannachD，ZankerM.推荐系统[M].9787115310699.人民邮电出版社，2013.

[4]王国霞，刘贺平.个性化推荐系统综述[J].计算机工程与应用，2012，48（7）：66-76.

作者简介：刘昕雨，女，汉族，1999年生，山西大学计算机与信息技术学院本科在读。