季芸1，胡雪蕾1，2
（1.南京理工大学，江苏南京210094；2.江苏省社会安全图像与视频理解重点实验室，江苏南京210094）
摘要：推荐系统是一种解决信息过载的新型技术，为了解决推荐系统中新用户带来的冷启动问题，提出一种基于主动学习的推荐系统。主动学习方法能有效减少需要标记的样本数量，快速建立模型，在此选择将主动学习方法和Baseline SVD推荐算法结合起来，通过记录模型训练得到的预估评价的改变程度，认为改变最大的样例即是最具有信息量的样例，供新用户标记，并重新训练模型。通过与其他选择策略进行实验比较，证实了该方法确实有效解决了新用户带来的冷启动问题。
教育期刊网 http://www.jyqkw.com
关键词 ：推荐系统；主动学习；Baseline SVD；样例选择
中图分类号：TN915.03-34 文献标识码：A 文章编号：1004-373X（2015）12-0008-04
收稿日期：2014-12-16
基金项目：江苏省社会安全图像与视频理解重点实验室（ 南京理工大学） 开放基金项目（20920130122006）；高等学校学科创新引智计划资助（B13022）
0 引言
随着信息技术和互联网的高速发展，各种互联网应用充斥着每个人的生活，得益于互联网的开放性，便利性和分布性，互联网上的信息量急剧增加。为了解决信息过载问题，推荐系统成为了继分类目录和搜索引擎之后，大数据时代的新宠。协同过滤作为一种主流的推荐系统技术[1]，在学术界和应用上都广受好评，它的主要思想是通过用户之间的联系来分享物品。协同过滤算法分成两种[2]：一种是基于记忆的协同过滤算法（Memory-based），包括ItemCF算法和UserCF算法，通过计算用户或物品之间的相似度来做推荐；另一种是基于模型的协同过滤（Model-based），基于模型的推荐算法往往结合了数据挖掘、人工智能、机器学习等诸多技术，常见的有基于聚类的推荐、基于矩阵分解的算法、Slope One[3]等，其中基于矩阵分解的算法有：SVD，Baseline SVD[4]，SVD++[5]等。在Netflix Prize推荐大赛之后，基于矩阵的推荐算法迅速崛起。推荐系统的发展受到了诸多因素的影响，其中一种便是新用户问题。推荐系统算法非常依赖历史数据，在用户新注册互联网应用之后，系统由于没有该用户的相关数据，而无法为新用户做出准确的推荐，这会大大影响互联用应用对用户的黏着性。为了解决新用户问题，常见的方案有：
（1）非个性化推荐，随机推荐或者推荐热门，这种方法不够个性化，系统必须累积一定数量的数据才能启动推荐系统；
（2）根据用户注册信息做出推荐，用户的注册信息往往是有限的，这样的推荐偏向粗粒度；
（3）主动询问，该方法通过与用户交流，主动获取建立模型需要的相关知识，快速建立准确模型。
推荐系统中，在将推荐产品呈现给用户时，一方面期望得到用户的满意度，另一方面期望能从用户的操作中学习到用户的偏好，这正是主动学习所致力的，因此将主动学习结合推荐系统是不谋而合的[6]。国外研究人员目前常用的算法是将贝叶斯理论作为样本选择策略，AM（Aspect Model）算法为基准学习器[7]。Jin 等针对模型本身不确定性的问题，提出了改进，使得用户参数向着准确的方向增长[8]。Rasoul Karimi提出一种基于矩阵分解的主动学习算法，选出预估评分最低的样本供用户选择[9]。
1 相关算法介绍
1.1 SVD算法
SVD（Singular Value Decomposition）[4]是一种基于潜语义的分析模型，它将用户和物品映射到低维的隐类别上，根据用户对物品已有的评分情况，分析用户和各个潜在类别，以及物品和各个潜在类别的关联程度，最后再反过来求解评分矩阵。设用户集U={u1，u2，…，uN}，电影集I={i1，i2，…，iM}，用R 矩阵表示用户U 对物品I 的评分矩阵，如表1所示，矩阵存在很多空洞，这种空洞的百分比很大，往往可以达到99%。
式中：矩阵P 表示用户对于潜在类别的相关程度；矩阵Q 表示物品对于潜在类别的相关程度；K 的取值需要根据不同的数据进行选择。
1.2 Baseline SVD算法
考虑到不同用户可能有不同的打分偏向，某些用户习惯打高分，某些用户习惯打低分，并且不同的电影也有不同的评分趋势，为了解决这个问题，将这种偏差列入公式：
r-u,i=μ+ bi + bu + pTu qi （3）
式中：μ表示所有电影的平均分；bi表示物品偏差；bu表示用户偏差。
为求解公式中所需要的P，Q 等未知变量，可以通过最小损失函数来得到答案，并且为防止过拟合问题，添加了正则化式，式（4）采用平方误差和作为损失函数，其中的S 表示训练集：
可以通过随机梯度下降法最优化解，具体参数更新公式如式（5）所示：
Baseline SVD算法在精确度上有很好的表现，这也是本文使用该算法作为基准学习器的原因。但是当新用户注册时，由于其历史数据过少，Baseline SVD算法对新用户的推荐仍是很不精确的，需要一个慢慢启动的过程。
2 基于主动学习的Baseline SVD 算法
为解决新用户问题，本文选择将主动学习策略和推荐算法结合起来的方法，以加快冷启动速度。主动学习根据样本选择策略，从提问池中选择一个样本供新用户标记，并不断修正模型，直到模型稳定为止，训练模型的过程如图1所示，这是一个不断迭代的过程。主动学习的核心是样本选择策略，目前常用的样本选择策略有：基于不确定性缩减的算法，基于误差缩减的算法和基于版本空间缩减的算法。将主动学习策略与其他应用做结合的研究很多，例如基于主动学习的字符识别[10]、文本分类等。
由于不同的学习算法需要不同的主动学习策略，基于AM算法的主动选择策略并不适用于Baseline SVD算法，并且他们的模型太过复杂，本文选择Baseline SVD作为基准学习器，提出了一种基于评分改变程度作为样例选择的策略。在每次提问后，都会重新训练，同时给出新的预估评分，预估评分波动较大的物品认为是最不能确定，也是最具信息量的。图2中，（a）的预估评分在不同轮数之间的评分差变化很大，而（b）的预估评分相对于要稳定很多，相对于后者，不能确定（a）的评分的可能性更大，得到该样本的标记可以让模型更快趋于稳定，使用式（6）来衡量这种改变程度的大小：
式中：cnt表示模型训练的总次数；I′表示为标注样本的集合；r- ju,i´ 表示第j 次模型；用户u 对i′的预估评分，在所有未评分的物品，最终选出该值最大的物品供用户标记，该式的意义是连续两次模型计算出来的预估评分差的平均值。具体算法流程如图3所示。
3 实验分析
实验使用经典的Movielens 作为数据集，采用离线模拟的方式。为了更好地模拟在线用户的实际情况，将Movielens 中的用户分成两部分，选择一部分用户和其所评价过的电影数据作为初始的训练集，认为这些用户已经不是新用户。剩下来的用户作为新用户，并将这一部分用户评价电影的数据再拆分成两个部分，每个用户随机预留20个电影评分作为最终的测试集，其他部分的电影评分作为提问池。本文假设用户对每个电影都具有打分的能力，系统每次从提问池中选择电影样本，供用户回答，再将这些被标注好的样本放入训练集后，重新训练模型。初始化时，从提问池中随机抽取该新用户的3个样本放入训练集中，具体的训练集和测试集的分布如表2所示。
经过研究测试，Baseline SVD算法在Movielens数据集中，选择隐分类数为200时效果较好，其中，学习速率α选择0.02，正则系数λ选择0.05。为了反映本文提出的算法性能，选择以下两种策略作为比较算法：
（1）随机选择。每次从提问池中随机选择一部用户需要标记的电影。
（2）选择热门。每次从提问池中选择热门的电影，热门产品的定义为，训练集中被看的次数最多的电影。为评价本文提出的算法，使用RMSE[11]作为算法的评价指标，本文将最大的迭代次数选为8，8 次迭代过后，模型对新用户的推荐基本趋向平稳。为了更好地反映结果，对每个实验都进行重复实验，最后结果取平均值，有：
由图4可以得出以下结论，选择热门产品的方案最差，虽然流行度高的电影普及度最广，但是其对于个性化的推荐模型建立并不能做出很大的贡献，其RMSE下降速度最慢。
随机选择策略接近于被动学习中，被动累积数据的情况，本文提出的方法在实验初期，RMSE 的数值下降速度最快，明显加快了冷启动速度，随着提问次数增加，RMSE 和随机选择方法效果接近。本文提出的算法在每次提问时，仅需维护一个记录累计评分改变的矩阵，为每一个新用户选择评分改变最大的物品，算法复杂度较小，也易于理解。
4 结语
本文提出了一种基于主动学习的推荐算法，以解决推荐系统中新用户问题。该方法将预估评分的改变程度作为样本选择策略，认为预估评分改变较大的样例是模型最不能确定的，所含信息量较大。实验证明，该方法确实能有效减缓用户的冷启动。但是本文中的实验是基于用户总能回答任何问题的假设前提，这在现实中是不成立的，因此，将用户标记样本的能力结合样例选择策略将是今后的研究重点。
作者简介：季芸（1989—），女，浙江宁波人，硕士研究生。主要研究方向为机器学习、推荐系统。
胡雪蕾（1977—），女，江苏南京人，副教授。主要研究方向为机器学习、智能机器人、图像处理与计算机视觉。
教育期刊网 http://www.jyqkw.com
参考文献
[1] 项亮.推荐系统实践[M].北京：人民邮电出版社，2012.
[2] 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.
[3] Lemire D，Maclachlan A. Slope one predictors for online rating-based collaborative filtering [C]// Proceedings of SIAM Data Mining. Newport Beach，California：SDM，2005，5：1-5.
[4] YEHUDA Koren. Factor in the neighbors：scalable and accu-rate collaborative filtering [J]. ACM Transactions on KnowledgeDiscovery from Data，2010，4（1）：1-10.
[5] 刘剑波，杨健.基于SVD++与行为分析的社交推荐[J].计算机应用，2013，33（1）：82-86.
[6] RUBENS Neil，KAPLAN Dain，SUGIYAMA Masashi. Active learning in recommender systems [M]// Anon. Recommender Systems Handbook. US：Springer，2011：736-767.
[7] KARIMI Rasoul，FREUDENTHALER Christoph，NANOPOU-LOS Alexandros， et al. Active learning for aspect model in recommender systems [C]// Proceedings of 2011 IEEE Sympo-sium on Computational Intelligence and Data Mining（CIDM）.[S.l.]：IEEE，2011：162-167.
[8] JIN R，SI L. A bayesian approach toward active learning for collaborative filtering [C]// Proceedings of the 20th Conference on Uncertainty in Artificial Intelligence. [S.l.]：AUAI Press，2004：278-285.
[9] KARIMI Rasoul，FREUDENTHALER Christoph，NANOPOU-LOS Alexandros，et al. Non-myopic active learning for recom-mender systems based on matrix factorization [C]// Proceedings of 2011 IEEE International Conference on Information Reuse and Integration. [S.l.]：IEEE，2011：299-303.
[10] 孟凡栋.基于主动学习SVM的字符识别方法研究[D].南京：南京理工大学，2008.
[11] 刘建国，周涛，郭强，等.个性化推荐系统评价方法综述[J].复杂系统与复杂性科学，2009（3）：1-10.
