協(xié)作過(guò)濾信息推薦技術(shù)研究

紀(jì)良浩

（重慶郵電大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065）

0 引言

目前，隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)已逐步滲透到人們的生產(chǎn)、生活之中。然而，隨著網(wǎng)絡(luò)上信息量的不斷增加，信息饑餓與信息過(guò)量的矛盾卻日益突顯。傳統(tǒng)的search engines已經(jīng)滿足不了用戶各自的查詢需求，故而對(duì)個(gè)性化的服務(wù)系統(tǒng)（personalized service system）越來(lái)越期待。

個(gè)性化服務(wù)系統(tǒng)能夠根據(jù)用戶的使用行為，分析與挖掘出其潛在的興趣，主動(dòng)為其推薦可能感興趣的信息資源［1］。該技術(shù)隨著電子商務(wù)的逐步普及已得到了非常廣泛的應(yīng)用，目前，如Amazon，Moviefinder等很多電子商務(wù)網(wǎng)站中都已經(jīng)使用了個(gè)性化服務(wù)的技術(shù)［2］。

為了能夠給用戶提供準(zhǔn)確、滿意的服務(wù)，眾多信息推薦的算法不斷提出，總的說(shuō)來(lái)，可分為:Rulebased和Information Filtering。而后者又包含基于內(nèi)容過(guò)濾（content－based filtering）和協(xié)作過(guò)濾（collaborative filtering，CF）。目前，CF在眾多的系統(tǒng)中得到了廣泛地應(yīng)用［3－5］。

論文在對(duì)協(xié)作過(guò)濾概述的基礎(chǔ)上，總結(jié)了當(dāng)前其存在的若干問(wèn)題，并對(duì)國(guó)際、國(guó)內(nèi)的研究進(jìn)展進(jìn)行了分析，同時(shí)對(duì)相似性度量方法、預(yù)測(cè)評(píng)分的策略、推薦質(zhì)量的度量標(biāo)準(zhǔn)、未來(lái)可能的研究方向等分別進(jìn)行了論述。

1 協(xié)作過(guò)濾

協(xié)作過(guò)濾算法基于用戶間的相互協(xié)作來(lái)完成對(duì)目標(biāo)用戶信息的推薦。目前，提出的CF算法有最近鄰（K－nearest neighbor）、基于項(xiàng)目資源（Itembased）和基于模型（model－based）等 3 類(lèi)［6］。

最近鄰算法根據(jù)目標(biāo)用戶已有的行為（如對(duì)某些資源的評(píng)分等），找到其若干興趣偏好最相近的用戶（nearest neighbor），然后，根據(jù)這些鄰居對(duì)其它項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)目標(biāo)用戶的評(píng)分，依此來(lái)產(chǎn)生推薦，算法的核心是最近鄰的查找與確定，其準(zhǔn)確率決定了算法推薦質(zhì)量的優(yōu)劣。

基于項(xiàng)目資源的推薦算法則根據(jù)目標(biāo)用戶對(duì)目標(biāo)項(xiàng)目的若干相似項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)其對(duì)目標(biāo)項(xiàng)目的評(píng)分，根據(jù)評(píng)分的高低來(lái)度量用戶對(duì)項(xiàng)目的感興趣程度，從而進(jìn)行推薦。

基于模型的算法一般采用機(jī)器學(xué)習(xí)的方法構(gòu)建用戶的評(píng)分模型，通過(guò)概率來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分，根據(jù)評(píng)分的高低來(lái)進(jìn)行信息推薦。

在協(xié)作過(guò)濾推薦算法中，用戶對(duì)資源的興趣程度由其對(duì)資源的評(píng)分來(lái)度量，評(píng)分的高低直觀反映了其感興趣的程度。用戶的評(píng)分形式有顯式、隱式2種。顯式要求用戶首先向系統(tǒng)提交一些對(duì)資源的評(píng)價(jià)信息，以此作為推薦的參考;隱式則需要通過(guò)分析Web日志信息等來(lái)分析用戶的行為和興趣偏好;而隱式如果要有好的推薦結(jié)果，需要更多相關(guān)技術(shù)的支持。

用戶的評(píng)分信息用矩陣 R=（Ri，j）M×N來(lái)描述，其中，M，N分別表示用戶、資源項(xiàng)目總的個(gè)數(shù)。在矩陣 R 中Ri，j的值為useri對(duì)itemj的評(píng)分，其中，i∈{1，2，…，M}，j∈{1，2，…，N}，useri，itemj分別表示第i個(gè)用戶與第j項(xiàng)資源項(xiàng)目。

2 相似性度量方法

用戶及項(xiàng)目間相似程度計(jì)算的準(zhǔn)確率直接關(guān)系到推薦質(zhì)量的好壞。目前，計(jì)算相似性的方法主要有:余弦相似性、修正的余弦相似性以及相關(guān)相似性［7－9］。

2.1 余弦相似性

useri和userj兩者的相似性sim（i，j），通過(guò)兩者評(píng)分向量之間夾角的余弦來(lái)計(jì)算。

（1）式中:rik和rjk分別表示useri和userj對(duì)itemk的評(píng)分。

2.2 修正的余弦相似性

由于不同用戶對(duì)資源評(píng)分時(shí)，各自的標(biāo)準(zhǔn)存在差異，所以在（1）式的基礎(chǔ)上，研究者們提出了修正的余弦相似性計(jì)算方法。

（2）式中:ric和rjc分別表示useri和userj對(duì)itemc的評(píng)分;分別為useri和userj各自已有評(píng)分的均值。Ii，Ij分別為useri和userj已有評(píng)分的資源項(xiàng)目集合。集合Iij=Ii∩Ij。

2.3 相關(guān)相似性

該方法利用Pearson系數(shù)來(lái)度量useri和userj兩者間的相似性。如（3）式所示:

相關(guān)相似性計(jì)算方法，依據(jù)用戶間共同評(píng)分的項(xiàng)目進(jìn)行用戶相似性度量，如果在用戶評(píng)分?jǐn)?shù)據(jù)極端稀疏的情況下（事實(shí)上此種情況很普遍），用戶間共同評(píng)分的數(shù)據(jù)將非常少，這使得相關(guān)相似性在實(shí)際應(yīng)用的時(shí)候準(zhǔn)確性不高。

3 協(xié)作過(guò)濾面臨的關(guān)鍵問(wèn)題及其解決方法

在推薦系統(tǒng)中，對(duì)于評(píng)分矩陣R，當(dāng)M，N逐步增大時(shí)，用戶未評(píng)分的資源數(shù)也會(huì)隨之增多，使得矩陣R中的評(píng)分?jǐn)?shù)據(jù)變得不斷稀疏，在采用上述相似性計(jì)算方法計(jì)算用戶以及資源項(xiàng)目的相似性時(shí)，準(zhǔn)確的程度會(huì)降低，推薦的質(zhì)量也會(huì)隨之下降。CF算法所面臨的一些問(wèn)題也越來(lái)越突現(xiàn)出來(lái)，下面就存在的一些主要問(wèn)題以及當(dāng)前國(guó)內(nèi)、外研究的現(xiàn)狀分別進(jìn)行陳述。

3.1 “冷啟動(dòng)”問(wèn)題

“冷啟動(dòng)”問(wèn)題是指在CF推薦系統(tǒng)中，對(duì)于那些沒(méi)有任何評(píng)分記錄的用戶或項(xiàng)目，系統(tǒng)將無(wú)法找出其最近鄰居進(jìn)行評(píng)分預(yù)測(cè)和推薦［10］。

對(duì)于“冷啟動(dòng)”問(wèn)題，一直以來(lái)都引起了研究者們關(guān)注。為了解決由于“冷啟動(dòng)”問(wèn)題而導(dǎo)致的推薦質(zhì)量下降，目前普遍采用基于內(nèi)容的最近鄰方法［11－19］。該類(lèi)方法根據(jù)資源項(xiàng)目?jī)?nèi)容的相似性，來(lái)預(yù)測(cè)一些未被評(píng)分的資源項(xiàng)目的評(píng)分。

3.2 R評(píng)分矩陣高維稀疏問(wèn)題

隨著推薦系統(tǒng)中資源項(xiàng)目的不斷增多，用戶的評(píng)分?jǐn)?shù)據(jù)相對(duì)來(lái)說(shuō)卻顯得很少，導(dǎo)致評(píng)分矩陣R的維度越來(lái)越大，同時(shí)矩陣中有效數(shù)據(jù)量（值不為空的評(píng)分值）越來(lái)越少。這樣，Iij集合（用戶i，j共同評(píng)分的集合）中資源項(xiàng)目的數(shù)量也會(huì)比較少，相似性計(jì)算的可靠性下降，從而使系統(tǒng)推薦的質(zhì)量下降。

對(duì)于數(shù)據(jù)高維稀疏問(wèn)題，目前已有的解決方法分別如下所述。

3.2.1 設(shè)置預(yù)測(cè)評(píng)分

對(duì)矩陣R中沒(méi)有評(píng)分的數(shù)據(jù)項(xiàng)，事先給定一個(gè)初始值，以增加矩陣R的數(shù)據(jù)稠密程度。初始值給定，目前的方法有設(shè)定默認(rèn)值［2］、利用目標(biāo)用戶的評(píng)分均值等［15－19］。

CHEN［20］使用BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)評(píng)分，有效地降低了R矩陣的稀疏性，達(dá)到了提高推薦精度的目的。然而隨著訓(xùn)練時(shí)間的增加，算法的收斂速度會(huì)趨于變慢，使得最近鄰的查找時(shí)間變長(zhǎng)。張磊，陳俊亮等［21］提出了一種改進(jìn)的BP算法，能有效緩解CHEN提出的方法中存在的問(wèn)題。Jung K Y等［22］使用Na?ve Bayesian分類(lèi)方法，利用相似項(xiàng)目評(píng)分來(lái)估算未評(píng)分項(xiàng)目。

此類(lèi)方法能夠有效增加矩陣R中用戶間評(píng)分的交集，從而提高相似性計(jì)算的準(zhǔn)確性，提高算法推薦的質(zhì)量。

3.2.2 矩陣降維

通過(guò)降低R矩陣的維數(shù)來(lái)解決矩陣的稀疏性問(wèn)題。目前主要有采用奇異值分解（singular value decomposition，SVD）［23－24］、矩 陣 劃 分［25－27］等 技 術(shù)。降低維度的方法，其效果依賴(lài)于數(shù)據(jù)集，當(dāng)資源項(xiàng)目的數(shù)目很多時(shí)，維度降低的效果很難得以保障。

3.2.3 基于 AI的方法

借助人工智能的方法與手段，如采用Horting圖［15］、Clustering［28－29］等技術(shù)。紀(jì)良浩等［30］基于用戶興趣一般比較固定的的思路，提出了一種新的協(xié)作過(guò)濾的推薦算法。在對(duì)資源項(xiàng)目分類(lèi)的基礎(chǔ)上，將用戶對(duì)單個(gè)資源項(xiàng)目的興趣轉(zhuǎn)化為對(duì)某類(lèi)資源項(xiàng)目的興趣，該方法能有效地改善數(shù)據(jù)的高維稀疏，同時(shí)提高了推薦的質(zhì)量。

基于AI的方法，能夠增加不同用戶在相同資源項(xiàng)目上共同評(píng)分的數(shù)量（即增加Iij集合元素的個(gè)數(shù)），降低數(shù)據(jù)稀疏性，提高相似性計(jì)算的準(zhǔn)確率，然而往往會(huì)隨著矩陣R稀疏程度的不斷加大，同時(shí)面臨算法的伸縮性問(wèn)題（scalability problem）。

3.3 算法伸縮性問(wèn)題

當(dāng)用戶、資源數(shù)不斷增多時(shí)，推薦算法的計(jì)算工作量也會(huì)不斷增大，這就是推薦算法所面臨的伸縮性問(wèn)題。

針對(duì)該問(wèn)題，基于模型的算法雖然在一定程度上能改善該問(wèn)題，但是，由于訓(xùn)練模型要付出一定的代價(jià)，所以，該方法不適合那些數(shù)據(jù)太頻繁更新的推薦系統(tǒng)［31］。雖然前面提到的降維方法也能改善算法的可伸縮性，但同時(shí)也會(huì)丟失一定量的數(shù)據(jù)信息，一定程度上要影響推薦的精度。

4 預(yù)測(cè)評(píng)分策略

目前，大多數(shù)CF推薦算法都采用平均加權(quán)策略來(lái)產(chǎn)生預(yù)測(cè)評(píng)分。useru對(duì)itemi的預(yù)測(cè)評(píng)分通過(guò)公式（4）來(lái)計(jì)算:

該策略在產(chǎn)生預(yù)測(cè)評(píng)分時(shí)，全面考慮了用戶對(duì)全部資源項(xiàng)目的評(píng)分。在某用戶的評(píng)分項(xiàng)目比較多的情形下，此策略有很好的推薦效果;反之，當(dāng)評(píng)分項(xiàng)目較少時(shí)，由于評(píng)分均值不能完全體現(xiàn)用戶對(duì)其它項(xiàng)目的評(píng)分，推薦的效果會(huì)受到很大的影響。張光偉等［32］在平均加權(quán)策略預(yù)測(cè)評(píng)分的基礎(chǔ)上，引入評(píng)分頻度，將出現(xiàn)頻度最高的預(yù)測(cè)評(píng)分作為推薦算法對(duì)其最終預(yù)測(cè)的評(píng)分，該方法與平均加權(quán)策略相比，當(dāng)目標(biāo)用戶最近鄰個(gè)數(shù)較少時(shí)，具有較好的推薦質(zhì)量。

5 推薦質(zhì)量的度量

信息推薦質(zhì)量的高低決定了推薦算法的好壞，目前度量推薦質(zhì)量?jī)?yōu)劣的標(biāo)準(zhǔn)主要有如下幾種:MAE（mean absolute error）、recall、precision 以及ROC（receiver operating characteristic）等。其中，MAE是統(tǒng)計(jì)精度度量方法，后面3種屬于決策支持精度度量方法［33］。

MAE由以下公式（5）計(jì)算:

（5）式中:N表示測(cè)試集中資源項(xiàng)目的個(gè)數(shù);pi為目標(biāo)用戶對(duì)itemi的預(yù)測(cè)評(píng)分;qi為目標(biāo)用戶對(duì)itemi的實(shí)際評(píng)分。當(dāng)兩者的分值越接近時(shí)，MAE的數(shù)值就越小，表明算法的推薦質(zhì)量就越高。此度量方法由于非常直觀，故而最為常見(jiàn)。

recall反映了待推薦項(xiàng)目被實(shí)際推薦的比率，而precision則反映了算法推薦成功的比率，分別由以下計(jì)算公式（6），（7）來(lái)計(jì)算:

（6）－（7）式中:test為測(cè)試集合;topN集合包含被推薦的前N個(gè)表示test集合中item的數(shù)量。推薦結(jié)果的召回率與準(zhǔn)確率同樣重要，通常情況下將這兩者綜合考慮［34-35］。

ROC包含sensitivity（靈敏度）和 specificity（特異性）2個(gè)指標(biāo)，前者表示用戶喜歡的項(xiàng)目被推薦的概率;后者表示用戶不喜歡的項(xiàng)目未被系統(tǒng)推薦的概率。用戶喜歡或者不喜歡的項(xiàng)目按照如下方法判定:對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分與實(shí)際評(píng)分的差值如果小于事先設(shè)定的閾值，認(rèn)為是用戶喜歡的項(xiàng)目，否則是用戶不喜歡的項(xiàng)目［36］。

6 總結(jié)

論文在對(duì)協(xié)作過(guò)濾概述的基礎(chǔ)上，總結(jié)了當(dāng)前其存在的若干主要問(wèn)題，并分析了國(guó)際、國(guó)內(nèi)的研究現(xiàn)狀，最后對(duì)預(yù)測(cè)評(píng)分的策略以及推薦質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)等進(jìn)行了介紹。

近年來(lái)，研究者們提出了多種方法，在一定程度上改善了協(xié)作過(guò)濾推薦算法所面臨的問(wèn)題，同時(shí)其它領(lǐng)域的一些技術(shù)也被用到推薦系統(tǒng)中來(lái)，這些技術(shù)與推薦算法的結(jié)合將是一個(gè)很有意義的研究方向。此外，對(duì)相似性度量方法、分類(lèi)與聚類(lèi)以及算法推薦質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)等的研究，在未來(lái)很長(zhǎng)的時(shí)間內(nèi)將仍然吸引更多的研究者們?yōu)橹εc探索。

［1］曾春，刑春曉，周立柱.個(gè)性化服務(wù)技術(shù)綜述［J］.軟件學(xué)報(bào)，2002，13（10）:1952－1961.

ZENG Chun，XING Chun－xiao，ZHOU Li－zhu.A survey of personalization technology ［J］.Journal of Software，2002，13（10）:1952－1961.

［2］WU Yan，SHEN Jie，GU Tian－zhu，et al.Algorithm for sparse problem in collaborative filtering［J］.Application Research of Computers，2007，24（6）:94－97.

［3］YOUWen，YE Shui－sheng.A survey of collaborative filtering algorithm applied in E－commerce recommender system［J］.Computer Technology and Development，2006，16（9）:70－72.

［4］ KONSTAS I，STATHOPOULOSV，JOSE JM.On social networks and collaborative recommendation［C］//Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval.New York:ACM Press，2009:195－202.

［5］ 紀(jì)良浩，王國(guó)胤，楊勇.基于協(xié)作過(guò)濾的Web日志數(shù)據(jù)預(yù)處理研究［J］.重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2006，18（5）:646－649.

JI Lian－ghao，WANG guo－yin，YANG yong.Research of W eb log data preprocessing based on collaborative filtering［J］.Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition，2006，18（5）:646－649.

［6］ SARWAR B，KARYPIS G，KONSTAN J，et al.Itembased collaborative filtering recommendation algorithms［C］//Proceedings of the 10th International WWW Conference.New York:ACM，2001:285－295.

［7］ 劉魯，任曉麗.推薦系統(tǒng)研究進(jìn)展及展望［J］.信息系統(tǒng)學(xué)報(bào)，2008，2（1）:82－90.LIU lu，REN xiao－li.Review and perspective of the recommender systems［J］.China Journal of Information Systems，2008，2（1）:82－90.

［8］吳發(fā)青，賀操，夏薇薇，等.一種基于用戶興趣局部相似性的推薦算法［J］.計(jì)算機(jī)應(yīng)用，2008，28（8）:1981－1985.

WU Fa－qing，HE Cao，XIEWei－wei，etal.A recommendation algorithm based on users'partial similarity［J］.Journal of Computer Applications，2008，28（8）:1981－1985.

［9］ZHANG Guang－wei，KANG Jian－chu，LI He－song，et al.Context based collaborative filtering recommendation algorithm［J］.Journal of System Simulation，2006，8（2）:595－601.

［10］ GOLDBERG K，ROEDER T，GUPTA D.Eigentaste:a constant time collaborative filtering algorithm ［J］.Information Retrieval，2001，4（1）:133－151.

［11］周軍軍，王明文，何世柱，等.基于隨機(jī)游走和聚類(lèi)平滑的協(xié)同過(guò)濾推薦算法［J］.廣西師范大學(xué)學(xué)報(bào):自然科學(xué)版，2011，29（1）:173－178.

ZHOU Jun－jun，WANG Ming－wen，HE Shi－zhu，et al.A Collaborative Filtering Algorithm Based on Random Walk and Cluster－based Smoothing ［J］.Journal of Guangxi Normal University:Natural Science Edition，2011，29（1）:173－178.

［12］吳湖，王永吉，王哲，等.兩階段聯(lián)合聚類(lèi)協(xié)同過(guò)濾算法［J］.軟件學(xué)報(bào)，2010，21（5）:1042－1054.

WU Hu，WANG Yong－Ji，WANG Zhe，et al.Two－Phase Collaborative Filtering Algorithm Based on Co－Clustering［J］.Journal of Software，2010，21（5）:1042－1054.

［13］羅文兵，吳潤(rùn)秀，王明文，等.基于結(jié)果聚類(lèi)分析的個(gè)性化推薦模型［J］.廣西師范大學(xué)學(xué)報(bào):自然科學(xué)版，2010，28（1）:113－116.

LUO Wen－bing，WU Run－xiu，WANG Ming－wen，et al.Personalized Recommendation Model Based on Results Clustering Analysis［J］.Journal of Guangxi Normal University:Natural Science Edition，2010，28（1）:113－116.

［14］ GONG Song－jie，YE Hong－wu.Joining User Clustering and Item Based Collaborative Filtering in Personalized Recommendation Services［C］//2009 International Conference on Industrial and Information Systems.Haikou，China:IEEE Press，2009:149－151.

［15］ DENG Ai－lin.A collaborative filtering recommendation algorithm based on item rating prediction ［J］.Journal of Software，2003，14（9）:1621－1628.

［16］邢春曉，高鳳榮，站思南，等.適應(yīng)用戶變化的協(xié)同過(guò)濾推薦算法［J］.計(jì)算機(jī)研究與發(fā)展，2007，44（2）:296－301.

XING Chun－xiao，GAO Feng－rong，ZHAN Sin－an，etal.A Collaborative Filtering Recommendation Algorithm Incorporated with User Interest Change［J］.Journal of Computer Research and Development，2007，44（2）:296－301.

［17］李聰，梁昌勇，楊善林.電子商務(wù)協(xié)同過(guò)濾稀疏性研究［J］.管理工程學(xué)報(bào)，2011，25（1）:94－101.

LICong，LIANG Chang－yong，YANG Shan－lin.Sparsity Problem in Collaborative Filtering:A Classification［J］.Journal of Industrial Engineering and Engineering Management，2011，25（1）:94－101.

［18］彭玉，程小平，徐藝萍.一種改進(jìn)的Item－based協(xié)同過(guò)濾推薦算法［J］.西南大學(xué)學(xué)報(bào):自然科學(xué)版，2007，29（5）:146－149.

PENG Yu，CHENG Xiao－ping，XU Yi－ping.An improved item－based collaborative filtering algorithm［J］.Journal of Southwest Agricultural University，2007，29（5）:146－149.

［19］ KIM B M，LI Q，PARK C S，et al.A new approach for combining content－based and collaborative filters［J］.Journal of Intelligent Information Systems，2006，27（1）:79－91.

［20］ CHEN Dan－er.The Collaborative Filtering Recommendation Algorithm Based on BPNeural Networks［C］//2009 International Symposium on Intelligent Ubiquitous Computing and Education. Chengdu， China:IEEE Press，2009，234－236.

［21］張磊，陳俊亮，孟祥武，等.基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)作過(guò)濾推薦算法［J］.北京郵電大學(xué)學(xué)報(bào)，2009，32（6）:42－46.

ZHANG Lei，CHEN Jun－liang，MENG Xiang－wu，et al.BPNeural Networks－Based Collaborative Filtering Recommendation Algorithm［J］.Journal of Beijing University of Posts and Telecommunications，2009，32（6）:42－46.

［22］ JUNG K Y，HWANG H J，KANG U G.Constructing full matrix through naive Bayesian for collaborative filtering［C］//Computational Intelligence，pt2，Proceedings，Italy:Springer，2006:1210－1215.

［23］ VOZALISM G，MARGARITIS K G.Applying SVD on item based filtering［C］//Proceedings of 5th International Conference on Intelligent Systems Design and Applications（ISDA 05）.Poland:IEEE CSP，2005:464－469.

［24］ JUNG K Y.User preference through Bayesian categorization for recommendation［C］//Pricai2006:Trends in Artificial Intelligence，Proceedings.Guilin，China:Springer，2006:112－119.

［25］潘紅艷，林鴻飛，趙晶.基于矩陣劃分和興趣方差的協(xié)同過(guò)濾算法［J］.情報(bào)學(xué)報(bào)，2006，25（1）:49－54.

PAN Hong－yan，LIN Hong－fei，ZHAO Jing.Collaborative Filtering Algorithm Based on Matrix Partition and Interest Variance［J］.Journal of the china society for scientific and technical information，2006，25（1）:49－54.

［26］候翠琴，焦李成，張文革.一種壓縮稀疏用戶評(píng)分矩陣的協(xié)同過(guò)濾算法［J］.西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版，2009，36（4）:614－618.

HOU Cui－qin，JIAO Li－cheng，ZHANGWen－ge.Collaborative filtering algorithm via compressing the sparse userrating－data matrix ［J］.Journal of xidian university，2009，36（4）:614－618.

［27］KOREN Y，BELLR，VOLINSKY C.Matrix factorization techniques for recommender systems［J］.IEEE Computer Journal，2009:30－37.

［28］王輝，高利軍，王聽(tīng)忠.個(gè)性化服務(wù)中基于用戶聚類(lèi)的協(xié)同過(guò)濾推薦［J］.計(jì)算機(jī)應(yīng)用，2007，27（5）:1225－1227.

WANG Hui，GAO Li－jun，WANG Ting－zhong.Collaborative filtering recommendation based on user clustering in personalization service ［J］.Journal of Computer Applications，2007，27（5）:1225－1227.

［29］ WANG J，ZHANG N Y，YIN J.Collaborative Filtering Recommendation Based on Fuzzy Clustering of User Preferences［C］//International Conference on Fuzzy Systems and knowledge Discovery，Yantai，China:IEEE CAS，2010:1946－1950.

［30］紀(jì)良浩，王國(guó)胤.基于資源的協(xié)作過(guò)濾推薦算法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，44（8）:164－168.

JI Liang－h(huán)ao，WANG Guo－yin. Collaborative filtering based on item content［J］.Computer Engineering and Applications，2008，44（8）:164－168.

［31］ DASA S，DATARM，GARG A，etal.Google news personalization:scalable online collaborative filtering［C］//Proceedings of the 16th international conference on World Wide Web.Canada:ACM Press，2007:271－280.

［32］ ZHANG Guang－wei，KANG Jian－chu，LIHe－song，et al.Context based collaborative filtering recommendation algorithm［J］.Journal of System Simulation，2006，8（2）:595－601.

［33］CHENW Y，ZHANG D，CHANG E Y.Combinational collaborative filtering for personalized community recommendation［C］//Proceeding of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining.New York:ACM Press，2008:115－123.

［34］ WANG J，YIN J.An Optimized Item－based Collaborative Filtering Recommendation Algorithm ［J］.Journal of Chinese Computer Systems，2010，31（12）:221－225.

［35］ LI Sa.Collaborative filtering recommendation algorithm based on cloud model clustering of multi－indicators item evaluation［C］//Conference on business computing and global informatization. Shanghai，China:IEEE CPS，2011:645－648.

［36］ XU H L，WU X，LIX D，etal.Comparison Study of Internet Recommendation System［J］.Journal of Software，2009，20（2）:350－362.