基于冷启动的个性化智能推荐机器人研究与设计*

李耀贵

（广东理工学院，广东 肇庆 526100）

0 引言

机器人作为现代科技的产物，在信息化技术快速发展的时代背景下已不仅仅局限于工业领域，通过与智能化技术的深度融合，逐渐渗透至各个行业领域，广泛地应用于参观、商品导购、游览、家政服务等各个行业，并取得了较好的成效。然而，随着大数据时代的到来以及海量数据的积累，智能机器人在应用中逐渐出现操作“失误”现象，主要表现为具体操作内容不符合用户需求或与用户需求指令出现明显偏差等。综合来看，引发这些问题的根本原因与推荐算法识别模糊有着莫大关联。

剖析智能机器人结构，无论哪种机器人结构的核心组成都离不开核心算法，即“机器学习”和“个性化推荐”，是一种通过对客户需求或用户个性特征、行为习惯、个人偏好等进行分析，以协同过滤算法为基础，精准地向用户推送感兴趣的信息和服务的推荐技术[1]。因此，只有完善核心算法，提出较为“智能”的计算模型才能真正保障智能机器人在服务方面的功能作用。

本文从机器人及个性化推荐系统的概念入手，首先论述二者的发展历程、融合趋势；其次综合大数据背景下海量数据引发的信息缺失、冷启动等问题，提出了以协同过滤推荐技术为基础，构建个性化智能推荐机器人的设计方案，并应用于实践；最终完成个性化智能推荐机器人的研究设计。

1 智能机器人及个性化推荐系统综述

1.1 智能机器人发展历程

随着社会的发展及科学的进步，科技产品逐渐成为人类生活中不可或缺的一部分，机器人是现代科技的产物，并逐步发展成为工业领域主要的“生产力”。21 世纪初，在互联网、信息技术的突破性发展下，机器人逐渐“智能化”，并快速得到社会认可，成为当下人类衣、食、住、行的重要元素。

智能机器人是机械技术、电子技术、信息技术有机结合的产物，近年来，随着人工智能技术的不断成熟，机器人应用逐渐从工业制造、航空航天、交通矿业等领域向商业、安全、生活等领域扩展。机器人笨拙、缓慢、智能程度不高等缺点逐步得到克服，并形成了模拟人类的行为但不需要大量计算的控制方法。

1.2 个性化推荐系统发展历程

个性化推荐系统诞生于20 世纪末，它伴随着计算机技术产生，并且在全球商业经济发展的大趋势下逐步成熟。

最初的个性化推荐系统就是利用互联网平台向消费者提供商品的信息以及消费建议，同时模拟销售人员辅助消费者购买商品。20 世纪末期，随着机器人在制造业的广泛应用，生产力大幅提升，物品短缺现象不复存在；相反，加快产品销售，提高企业资金流动活跃程度成为商业发展的核心理念。在此背景下，越来越多的企业摒弃传统的产品信息化宣传，开始向产品个性化推荐销售模式转变，而推荐系统也成为企业发展的新领域。21 世纪初期，随着互联网的发展，大数据时代到来。面对海量的消费数据，如何推动商品销售，稳固客户群体成为企业生存、发展的关键。因此，个性化推荐系统迅速发展，并促使企业销售方式转变[2]。

1.3 智能机器人与个性化推荐系统的融合发展

2015 年前后，“第四次科技革命”即人工智能科技变革，正悄然发轫兴起。在工业、科技的双重推动下，机器人、计算机领域的人机交互、机器人视觉、机器人触觉核心技术加速发展，谷歌、微软、Broad Vision、IBM、Serve Robotics 以及国内的小米、华为等科技企业陆续推出智能机器人，传统机器人不断向智能化演变。与此同时，在日渐激烈的商业竞争态势下，推荐技术应用领域不断扩展，推荐方法的多样化、成熟化使得个性化推荐系统被快速应用于新闻、资讯、音乐、社交网站中，甚至在科普学习、青少年社会活动等领域也有应用[3]。由此，也逐渐演变出智能机器人与个性化推荐系统的融合发展，形成了以产品推荐为主的“智能推荐机器人”类目。这些公司凭借坚实的科研实力以及充足的资金支持，形成了比较成熟的个性化智能推荐机器人产品。

从当前已有的个性化智能推荐机器人应用情况来看，宏观层面上，个性化智能推荐机器人的发展首先归功于机器人人工智能技术的发展。进入21 世纪后，企业为降低成本、提升生产力，积极研发、使用机器人代替人工作业，在信息化技术的推动下，机器人趋于智能化且应用范围不断扩展。例如，通过智能控制方法加强机器人的操控灵活性，提高了机器人的作业速度及精度；通过丰富的软硬件程序，灵活的API 方法，加强机器人的二次开发，实现人机之间的准确交互和沟通等。

中观层面上，依赖于计算机技术创新，随着互联网技术及网络基础设施的不断完善、升级，一方面加速推动了计算机算法的发展，促进个性化推荐系统更高效地帮助企业识别“海量数据”；另一方面，在更为便捷的互联网生产模式下，企业更需精准投放产品信息，找到消费者群体。

微观层面上，在世界生产力普遍提高以及全球严峻的竞争态势下，企业需要重新审视消费链条，而这个链条当中，个性化推荐系统可以实现“海量分析，精准推荐”。

2 个性化智能推荐机器人的核心价值与现存问题

2.1 个性化智能推荐机器人的核心价值及关键技术

个性化智能推荐机器人具有多种技术体系，且每类技术都面临更新换代速度不断加快、技术生命周期日益缩短的时代问题，然而不论如何变化，个性化智能推荐机器人的核心算法始终绕不开“信息感知、数据分析”，这就是“机器学习”的根本内容，也是人们把“会感知，能思考”作为智能机器人与机器人区别界定的原因[4]。因此，如何保证机器人能够感知消费者信息并完成准确分析，从而推动企业产品销售，抢占市场，加速企业发展，是这类产品的核心价值。

2.2 个性化智能推荐机器人关键技术运行机理及问题

在个性化智能推荐机器人的核心价值之下，完善核心算法，形成精准、有效的算法设计是当前个性化智能推荐机器人的重要目标。虽然目前根据用户行为推荐产品的个性化推荐系统较为丰富，具有个性化推荐功能的其他系统也比比皆是。但总体而言，以上产品的开发主要以协同过滤技术为主，特别是电子商务领域尤为明显。推荐中的协同过滤技术主要通过对消费者使用产品的用后评价、满意度反馈等信息进行统计，完成用户分类，并在此基础上，寻找与用户兴趣、喜好相似的“消费邻居群”，然后对“消费邻居群”中的用户其他商品的购买状况作出评价，预测用户对这些商品的感兴趣程度，最后完成推荐。

2.3 个性化智能推荐机器人关键技术的主要问题

个性化推荐技术总体以协同过滤技术为主，逻辑较为清晰，运行相对简单高效。但随着快节奏的生活学习，消费者往往在消费、购物后不对产品做出评价。同时，还有部分消费者属于盲目消费、无目的消费，导致消费信息无法反映消费者需求或出现“信息迷雾”问题，使得基于数据的协同过滤算法失误。此外，还有一种现象就是某一产品的消费评价过少。根据当前的技术手段，当售出产品的评价数量少于售出总量的1%时，就会出现数据稀疏性、冷启动等问题[5]。在此情况下，协同过滤技术要寻找“消费邻居群”时，就需要此前三倍以上的时间进行计算，造成大量的服务器端资源消耗。

3 基于冷启动信息检索的智能推荐机器人系统设计

3.1 设计原则

为提高商品推荐结果的准确度、可靠度，增强推荐实时性，本文设计的个性化智能推荐机器人系统以海量数据库为基础，通过数据挖掘延伸技术，实现高级智能推荐，进而帮助企业为消费者个性化决策提供支持和信息服务[6]。根据目标，本系统在构建过程中遵循以下设计原则，如表1所示。

表1 个性化智能推荐机器人设计原则

3.2 硬件平台

本文所设计的个性化智能推荐机器人的推荐系统算法部分采用Java 语言建设，编程部分采用MyEclipse 工具；硬件方面，机器人设施需具有人机交互、语音识别、智能识别等功能，传感器应包括光强检测、超声波测距、红外避险等功能，同时配有10.1英寸、1 280*800 屏幕分辨率的电容触摸屏，方便推荐，具体如表2所示。

表2 个性化智能推荐机器人硬件设计

3.3 协同过滤推荐系统构建

依据协同过滤推荐系统运行机理，本设计选择首先构建基于消费者的协同过滤推荐引擎，具体步骤包括：收集消费者数据、寻找消费邻居用户、寻找匹配结果、实现最终推荐。

在此基础上，首先创建Java 类文件，并加代码完成实验数据集构建。具体为：private static Map> critics =

new HashMap>();

static {

Map map = null;

map = new HashMap();

map.put(''Lady'', 3.0f);

map.put(''Snakes'', 4.0f);

map.put(''Dupree'', 3.5f);

map.put(''Superman'', 5.0f);

map.put(''Listener'', 3.0f);

critics.put(''Jack'', map);

…

}

其次，在HashMap 中设定评价体系，以辅助推荐匹配环节。评价体系可以1~5 作为标准，用来代表消费者对某一产品的喜好程度，这样就形成了一个消费者对商品评分的数据集。随后，根据1~5 的等级，需要设定表达方式，因此，分别用数字-1、0、1 来表示“不喜欢”“一般”“喜欢”。以上步骤可以在多种环境使用，如购物推荐、新闻评论网等，具体如表3所示。

表3 消费者评分对应关系表

在实现消费者评价信息收集，获得可识别的偏好信息的数据后，以个人与其他人进行对比，计算消费者间的相似度评价值，以此来判断消费者对某种商品的喜好相似程度。此处，采用皮尔逊相关系数来判断用户之间的相似度评价值，部分代码实现具体如下[7]。

// 返回p1，p2 的皮尔逊相关系数，p1，p2 为评价用户

p u b l i c d o u b l e s i m P e a r s o n(M a p>

prefs, String p1,String p2) {

...

// 计算皮尔逊相关系数

double num = pSum - (sum1 * sum2 / n);

double den = Math.sqrt((sum1Sq - Math.

pow(sum1, 2) / n)

* (s u m 2 S q - M a t h.

pow(sum2, 2) / n));

if (den == 0) {

return 0;

}return num / den;

}

所获结果将介于-1 与1 之间，皮尔逊相关系数值越大，证明两个用户之间的相似度越高，反之则越低。当值为1 时，表示两个消费者对每一样物品均有着一致的喜好评价，构建数据集，数据使用simPearson 函数进行处理后，在MyEclipse 中的运行结果如图1所示[8]。

图1 皮尔逊相关算法运行结果图

最终运行结果中的数值0.381 246 425 831 511 64即利用皮尔逊相关系数算法得出的两个用户的相似度，通过算出的相似度数值大小，设定相似度阈值标准，可以找出目标用户的“最近邻居群”[9-10]。通过相似度计算方法，得到了两个用户的相似程度评价值，接下来就可以指定相应的人员对每个用户进行评分，找出与目标用户最接近的匹配结果。针对此数据集，可以找出与目标用户有相似偏好的消费者，然后就可以为目标用户预测偏好，推荐产品，获取的Top-N 列表图如图2所示。

图2 获取的Top-N列表图

以上运行结果是在构造的数据集中，假设目标用户Toby的匹配结果，根据消费者的相似程度不同，形成由高到低的排列顺序。结果显示：Toby和Lisa对某一件产品的喜好相似度为0.991 240 707 161 929 9，对比其他用户，Lisa 与Toby 的喜好相似度最高。所以，当智能机器人要向Toby推荐相关商品时，应首先参考Lisa所感兴趣的内容。

4 结论

本设计在当前的市场中具有较强的可操作性，且投入成本较低，但是随着智慧时代的到来以及智能机器人应用趋势的扩大，也必将面临技术迭代和技术周期问题。但是，应明确认识到，随着商业范围的不断扩大，智能商业化机器人无疑将是机器人发展的一个主要方向，这是世界经济与科技的重要发展趋势，任何企业都无法忽视这一特征。当前，根据用户行为推荐产品的个性化推荐系统以及具有推荐功能的设计已不胜枚举，但市场仍旧积极投资开发更为高端的“个性化推荐智能机器”。因此，企业应当积极做出相应的调整，才能跟上新时代的发展步伐，实现转型升级。