基于語義推理的學(xué)習(xí)資源推薦

徐守坤，孫德超，石 林，李 寧

（常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州213164）

0 引 言

如今互聯(lián)網(wǎng)上的學(xué)習(xí)資源呈爆炸式增長，用戶如何去分辨那些與自己相關(guān)或不相關(guān)的學(xué)習(xí)資源也變得越來越困難，因此個(gè)性化服務(wù)［1］越來越多的被人們提起，用戶希望借此來獲得與自己興趣偏好相關(guān)的資源。傳統(tǒng)的個(gè)性化推薦方法主要有基于內(nèi)容過濾［2，3］和協(xié)同過濾推薦。前者受到相似性標(biāo)準(zhǔn)的限制，只有與用戶偏好有相同屬性的內(nèi)容才會(huì)被加入最終的推薦集［4，5］；后者的缺陷［8－10］主要有:數(shù)據(jù)稀疏問題；可測量性問題:資源的增加導(dǎo)致用戶權(quán)向量規(guī)模的擴(kuò)大，計(jì)算用戶權(quán)向量之間的相關(guān)性更費(fèi)時(shí)費(fèi)力；“潛伏”問題:只有被用戶鄰居評價(jià)的資源，協(xié)同過濾方法才會(huì)向目標(biāo)用戶產(chǎn)生推薦；如果新的、有用的資源并未存在于用戶模型中，則無法完成推薦。鑒于以上兩種方法各有優(yōu)缺點(diǎn)，有人［10－12］提出將基于內(nèi)容與協(xié)同過濾推薦方法結(jié)合起來使用，但效果并不是很顯著（協(xié)同過濾方法雖然能改善最終的推薦結(jié)果，但其自身缺陷依然存在）。

本文通過引入本體構(gòu)建學(xué)習(xí)資源，從而使各種學(xué)習(xí)資源存在語義描述。通過對用戶偏好進(jìn)行語義推理取代用戶鄰居的發(fā)現(xiàn)，豐富最終的推薦集，從而克服協(xié)同過濾方法的不足。本文的推薦方法主要得益于語義Web的應(yīng)用，具體有如下3個(gè)方面:①通過元數(shù)據(jù)對資源進(jìn)行語義描述；②用本體對領(lǐng)域知識概念及其之間關(guān)系進(jìn)行規(guī)范表示；③對領(lǐng)域本體進(jìn)行語義推理，獲得已被標(biāo)注資源之間的語義聯(lián)系。總得來說，該方法不僅能獲得與用戶偏好有相同屬性的推薦結(jié)果，更能提供與用戶偏好有語義聯(lián)系的內(nèi)容。

1 學(xué)習(xí)資源本體及用戶模型構(gòu)建

1.1 本體概念

目前，本體公認(rèn)的定義可以參考文獻(xiàn)［13］。本體通過對概念的嚴(yán)格定義和概念之間的關(guān)系來確定概念的精確含義，從而解決語義Web存在同一概念有多種詞匯表示和同一詞匯有多種概念（含義）的問題。本體是解決語義層次上Web信息共享和交換的基礎(chǔ)。

1.2 學(xué)習(xí)資源本體的構(gòu)建

本文中學(xué)習(xí)資源的本體構(gòu)建可以用斯坦福大學(xué)開發(fā)的Protégé4.1，為了本文后面論述的需要，圖1、圖2是用Microsoft Visio Office 2007構(gòu)建的學(xué)習(xí)資源本體示意圖。圖1是本文所需的所有類及其實(shí)例，本文中學(xué)習(xí)資源:書籍，被我們定義為某些類（即classes，例如Resource＿1、Resource＿2等）的具體實(shí)例（即instances，例如A1＿book、B1＿book等）。而圖2則是有關(guān)實(shí)例書籍的屬性示意圖，本文中假設(shè)書籍只有四種不同的對象屬性（object properties），分別為hasAuthor、isAbout、hasPublishing House、hasReader，它們分別表示實(shí)例書籍與其它類的實(shí)例之間的關(guān)系，比如書籍A2＿book與Job＿1類的實(shí)例People＿a之間通過對象屬性hasReader聯(lián)系在一起。根據(jù)圖1、圖2，我們可以知道，學(xué)習(xí)書籍C2＿book是關(guān)于主題Subject＿b的，它曾經(jīng)的學(xué)習(xí)者有People＿c；學(xué)習(xí)書籍A2＿book是作者Author＿A2寫的，曾經(jīng)的學(xué)習(xí)者有People＿a。

圖1 學(xué)習(xí)資源本體構(gòu)建

圖2 實(shí)例屬性

圖3是根據(jù)圖1、圖2用Protégé4.1生成的本文中所有類、實(shí)例及它們屬性（object properties）之間的本體關(guān)系圖（Thing類是Protégé軟件自動(dòng)生成的父類），從圖中我們可以更清楚的看出各個(gè)類之間的關(guān)系。

圖3 類、實(shí)例及屬性關(guān)系

1.3 用戶模型

文獻(xiàn)［14］指出，用戶模型的創(chuàng)建對個(gè)性化服務(wù)有著至關(guān)重要的作用。本文中，為了能對用戶偏好進(jìn)行語義推理，每個(gè)用戶興趣偏好模型的建立都是基于已經(jīng)存在的學(xué)習(xí)資源本體，這樣用戶模型中的興趣偏好（本文中指用戶喜歡或不喜歡的書籍）才存在語義描述，而這些語義描述則可以幫助我們完成語義推理功能。基于已存在本體資源建立的用戶模型主要包括以下3個(gè)方面:

（1）用戶感興趣或不感興趣的內(nèi)容；

（2）這些內(nèi)容的屬性；

（3）在本體建模示意圖中，這些內(nèi)容屬于哪些類別（class）；

此外，本文還定義一個(gè)興趣程度（degrees of interest，DOI）指數(shù)，規(guī)定其值的變化范圍從［－1，1］，依次代表著用戶對該書籍從不喜歡到喜歡的程度。這個(gè)指數(shù)可以在用戶模型初始化時(shí)由用戶自己設(shè)定，也可以根據(jù)用戶的行為記錄自動(dòng)生成（例如，用戶對所推薦書籍的接受或拒絕，或用戶對所推薦書籍的瀏覽時(shí)間等）。DOI指數(shù)的設(shè)定在某種程度上可以幫助我們初始化下文提及到的結(jié)點(diǎn)活躍水平（activation level），結(jié)點(diǎn)的DOI指數(shù)越大，則其活躍水平也越大，反之亦然。

當(dāng)然，DOI指數(shù)也可以通過以下公式進(jìn)行計(jì)算，假設(shè)類Ψ有N個(gè)子類Ψ1，…，ΨN:

文獻(xiàn)［9］給出了每個(gè)子類Ψi對其父類Ψ影響的計(jì)算公式，如式（1）所示，從式（1）中我們可以發(fā)現(xiàn)，領(lǐng)域本體中，子類Ψi的兄弟類越少、DOI（Ψi）越大，則其對父類Ψ的影響越大

然后將所有子類Ψi的DOI值用以計(jì)算DOI（Ψ），結(jié)合式（1），該值即是所有子類DOI指數(shù)累加的平均值，如下所示

由于用戶模型中的書籍及其相關(guān)屬性在學(xué)習(xí)資源本體中已被定義，那么在領(lǐng)域本體中，就可以對與用戶偏好相關(guān)的書籍進(jìn)行語義推理，從而得到更多與用戶興趣偏好相關(guān)的內(nèi)容，使個(gè)性化推薦的結(jié)果在傳統(tǒng)推薦方法的基礎(chǔ)上具有更多的選擇。

2 語義推理

2.1 語義聯(lián)系

語義聯(lián)系描述的是領(lǐng)域本體中實(shí)例之間的關(guān)系，為了能對這些聯(lián)系進(jìn)行分類，可以借助一個(gè)稱之為PS（property sequence）［4］的結(jié)構(gòu)圖，該結(jié)構(gòu)圖中通過各種屬性將不同類的實(shí)例聯(lián)系在一起。PS中第一個(gè)實(shí)例稱之為原始結(jié)點(diǎn)（origin），最后一個(gè)實(shí)例稱之為最終結(jié)點(diǎn)（terminus），PS中屬性的個(gè)數(shù)決定了其長度，具體如圖4所示。

圖4 語義推理中的語義聯(lián)系

ρ－path聯(lián)系:如果能找到一個(gè)PS，它的原始結(jié)點(diǎn)是i1，最終結(jié)點(diǎn)是i5，則稱實(shí)例i1和i5是具有ρ－path聯(lián)系的。顯然，兩個(gè)實(shí)例之間的PS越長，即它們之間的中間結(jié)點(diǎn)越多，則其之間的聯(lián)系越不緊密。

ρ－join聯(lián)系:如果兩個(gè)實(shí)例是兩個(gè)PS的原始結(jié)點(diǎn)（例如i1，i6）或者最終結(jié)點(diǎn)（例如i5，i8），并且這兩個(gè)PS中存在屬于同一類的實(shí)例（例如i3，i7），則這兩個(gè)實(shí)例之間聯(lián)系就被稱為ρ－join。

接下來我們需要做的如下:

首先，在學(xué)習(xí)資源領(lǐng)域本體中尋找與用戶偏好有語義聯(lián)系的相關(guān)內(nèi)容。具體標(biāo)準(zhǔn)設(shè)定如下（由于本文學(xué)習(xí)資源本體的局限，存在語義聯(lián)系的PS長度都未超過2。實(shí)際應(yīng)用中，PS的長度遠(yuǎn)不止2）:

（1）兩種書籍是同一個(gè)類的實(shí)例，這是最簡單的語義聯(lián)系（例如，圖1中書籍A3＿book與A2＿book都是Re－source＿1類的實(shí)例）；

（2）領(lǐng)域本體中的兩種書籍由一條屬性（attribute）鏈相連，即ρ－path語義聯(lián)系（如，圖1中書籍C3＿book和D1＿book通過屬性Subject＿a相連）；

（3）兩種書籍的某些屬性（attribute）屬于同一類的實(shí)例，即ρ－join語義聯(lián)系（例如，圖1中C3＿book的屬性Subject＿a與C2＿book的屬性Subject＿b都屬于Theme＿1類的實(shí)例）；

通過語義聯(lián)系，即可把與用戶偏好相關(guān)的所有內(nèi)容表示成一張網(wǎng)狀圖，結(jié)點(diǎn)即代表各種書籍以及書籍的屬性（attribute）實(shí)例，而書籍的對象屬性則用連線表示，這樣就可以將所有有語義聯(lián)系的書籍表示出來。

2.2 Spreading Activation（SA）技術(shù)

SA技術(shù)［15］主要用來發(fā)現(xiàn)網(wǎng)狀圖中存在內(nèi)在聯(lián)系的結(jié)點(diǎn)。其工作機(jī)制如下:

（1）首先給最初選定的結(jié)點(diǎn)初始化其活躍水平（activation level），用以確定其在網(wǎng)狀圖中的相關(guān)性。除此之外，結(jié)點(diǎn)之間的聯(lián)系還有一個(gè)權(quán)重值，兩個(gè)結(jié)點(diǎn)之間關(guān)系越緊密，權(quán)重值相應(yīng)越大。最初，一些結(jié)點(diǎn)被選中，這些結(jié)點(diǎn)因其活躍水平找到與其有內(nèi)在關(guān)聯(lián)的鄰居結(jié)點(diǎn)。

（2）被“找到”結(jié)點(diǎn)的活躍水平（圖5中結(jié)點(diǎn)R的活躍水平AR）由它的鄰居結(jié)點(diǎn)（N1，N2，N3和N4）的活躍水平以及它與鄰居結(jié)點(diǎn)之間的權(quán)重值計(jì)算所得，具體如公式（3）所示。對于某個(gè)結(jié)點(diǎn)，如果其鄰居結(jié)點(diǎn)在網(wǎng)狀圖中相關(guān)性越大（即活躍水平越高），并且它與鄰居結(jié)點(diǎn)的關(guān)系越緊密（即它們之間聯(lián)系的權(quán)重值越大），則該結(jié)點(diǎn)在網(wǎng)絡(luò)中的相關(guān)性越大。

（3）結(jié)點(diǎn)擴(kuò)展過程一直持續(xù)至遍歷完網(wǎng)狀圖中的所有結(jié)點(diǎn)。例如，在圖5中，結(jié)點(diǎn)R因其活躍水平找到其鄰居結(jié)點(diǎn)A、B、C。最終，活躍水平最高的那些結(jié)點(diǎn)即是與最初選定結(jié)點(diǎn)關(guān)聯(lián)性最大的結(jié)點(diǎn)

圖5 網(wǎng)狀圖中結(jié)點(diǎn)擴(kuò)展過程

從以上過程可以看出，擴(kuò)展過程最終可以發(fā)現(xiàn)最初沒有被選中的結(jié)點(diǎn)，即SA技術(shù)可以發(fā)現(xiàn)更多滿足用戶需要的資源。為了能夠進(jìn)一步加強(qiáng)推理能力，還可以利用神經(jīng)網(wǎng)中的Hopfield Net算法幫助我們進(jìn)行擴(kuò)展過程，具體可參考文獻(xiàn)［18］。由最初結(jié)點(diǎn)的活躍水平擴(kuò)展鄰居結(jié)點(diǎn)直至遍歷完網(wǎng)狀圖中的所有結(jié)點(diǎn)，最后具有較高活躍水平的結(jié)點(diǎn)（對應(yīng)被推薦的書籍）會(huì)被作為最終結(jié)果推薦給用戶。

3 實(shí)例模型

這里，本文采用的學(xué)習(xí)資源本體模型如圖1所示（該學(xué)習(xí)資源本體模型僅適合本文的理論說明需要），用戶偏好模型如表1所示。這張表包括了用戶喜歡與不喜歡的書籍、該書籍的DOI指數(shù)以及它們在領(lǐng)域本體中所屬的類，這就符合了第二部分對用戶模型的論述。

表1 用戶偏好模型

根據(jù)表1的用戶偏好模型，結(jié)合圖1中的學(xué)習(xí)資源本體模型，傳統(tǒng)的推薦方法向用戶U推薦的結(jié)果只有D2＿book和C1＿book，因?yàn)樗鼈兒陀脩裟Ｐ椭械挠脩羝肈1＿book、C3＿book有相同的屬性（屬性Author＿a將書籍D2＿book和D1＿book聯(lián)系起來，屬性Subject＿a將書籍C1＿book和C3＿book聯(lián)系起來）。

為了能改善這種推薦，發(fā)現(xiàn)更多與用戶需要有“潛在”聯(lián)系的內(nèi)容。本文借助于本體、語義網(wǎng)等相關(guān)技術(shù)，對用戶的興趣偏好進(jìn)行語義推理，爭取獲得更多與用戶偏好相關(guān)的推薦結(jié)果。

3.1 選擇與用戶偏好相關(guān)的實(shí)例

（1）根據(jù)上文語義聯(lián)系標(biāo)準(zhǔn)，實(shí)例Subject＿a、Author＿a、Subject＿c將被選中。它們與用戶偏好都有直接的聯(lián)系，具體參見實(shí)例屬性示意圖2。

（2）實(shí)例Subject＿b同樣與用戶偏好是有聯(lián)系的。因?yàn)樗c用戶偏好C3＿book的屬性實(shí)例

Subject＿a都是主題Theme＿1類的實(shí)例。

（3）結(jié)合圖1、2，因?yàn)橛脩羝肈1＿book屬性實(shí)例People＿d的存在，實(shí)例People＿a、People＿b、People＿c也會(huì)出現(xiàn)在圖6中。

通過以上論述，本文為用戶選擇的內(nèi)容可形成如下結(jié)點(diǎn)圖。

3.2 推斷語義聯(lián)系

結(jié)合圖1的學(xué)習(xí)資源本體圖，推理與用戶偏好有語義聯(lián)系書籍的過程如下:

首先，C2＿book與用戶的興趣偏好存在語義聯(lián)系。一方面，C2＿book與C3＿book都是Resource＿3類的實(shí)例，這符合語義聯(lián)系的第一條標(biāo)準(zhǔn)；另一方面，我們還可以發(fā)現(xiàn)C2＿book與C3＿book、D1＿book之間都存在ρ－join聯(lián)系（C2＿book的屬性Subject＿b、People＿c與C3＿book的屬性Subject＿c、D1＿book的屬性People＿d分別是Theme＿1類、Job＿1類的實(shí)例，這符合語義聯(lián)系的第三條標(biāo)準(zhǔn)）。

圖6 與用戶偏好相關(guān)的結(jié)點(diǎn)

圖7 與用戶偏好相關(guān)的網(wǎng)狀

其次，Job＿1類的存在使得書籍A2＿book與D1＿book之間存在ρ－join聯(lián)系（通過Job＿1類的實(shí)例People＿a，People＿d）；此外，根據(jù)學(xué)習(xí)資源本體圖1，A2＿book與用戶偏好A1＿book、A3＿book都是類Resource＿1的實(shí)例，這是語義聯(lián)系的第一條標(biāo)準(zhǔn)。

最后，與用戶不喜歡書籍有語義聯(lián)系的內(nèi)容也會(huì)被發(fā)現(xiàn)。在用戶模型中，用戶不喜歡書籍B1＿book的DOI指數(shù)為－0.9，B3＿book的DOI指數(shù)為－1。因?yàn)?語義聯(lián)系第一條標(biāo)準(zhǔn)，書籍B2＿book與B1＿book、B3＿book都是Resource＿2類的實(shí)例；屬性實(shí)例Subject＿c的存在使得書籍B2＿book與B1＿book、B3＿book之間存在ρ－path聯(lián)系，根據(jù)語義聯(lián)系第二條標(biāo)準(zhǔn)；這說明書籍B2＿book應(yīng)該不會(huì)被用戶喜歡。然而，Job＿1類使得書籍B2＿book與用戶喜歡的書籍D1＿book之間存在ρ－join的語義聯(lián)系（書籍B2＿book、D1＿book的屬性實(shí)例people＿b、people＿d分別是Job＿1類的實(shí)例）。這種情況下，SA技術(shù)必須對這種“模棱兩可”的關(guān)系進(jìn)行抉擇，確定B2＿book最終是否推薦給用戶。為了能實(shí)現(xiàn)這個(gè)目的，我們需要構(gòu)建所有與用戶偏好有語義聯(lián)系內(nèi)容的網(wǎng)狀圖，如圖7所示。

3.3 推理階段:通過SA進(jìn)行語義推理

如圖7所示，網(wǎng)狀圖7中包括了所有與用戶偏好相關(guān)的結(jié)點(diǎn)，接下來就要運(yùn)用SA技術(shù)找出與用戶偏好相關(guān)、活躍水平最大的結(jié)點(diǎn)作為推薦結(jié)果。

首先，在用戶模型中，用戶偏好C3＿book、D1＿book的DOI指數(shù)分別為1和0.9，這說明了它們的初始化活躍水平相應(yīng)也比較大；而通過圖7可以知道，書籍C2＿book與C3＿book、D1＿book之間的聯(lián)系比較緊密（即權(quán)重值較大）。那么根據(jù)結(jié)點(diǎn)活躍水平計(jì)算式（3），可知C2＿book在網(wǎng)狀圖中的活躍水平很高。

同理我們可以得出書籍A2＿book也會(huì)作為一個(gè)推薦結(jié)果呈現(xiàn)給用戶。結(jié)合圖7，與A2＿book存在語義聯(lián)系的3種書籍分別是A1＿book（DOI指數(shù)為0.85）、A3＿book（DOI指數(shù)為0.8）和D1＿book（DOI指數(shù)為0.9），這3種書籍的初始活躍水平都比較大；通過圖7，我們可知A2＿book與它們之間的權(quán)重值也比較大。因此，根據(jù)式（3），A2＿book在網(wǎng)狀圖中活躍水平也很高。

最后是對書籍B2＿book的選擇。根據(jù)本文第3階段論述，書籍B2＿book與用戶偏好D1＿book（DOI指數(shù)為0.9）之間存在ρ－join的語義聯(lián)系。如網(wǎng)狀圖7所示，結(jié)點(diǎn)B2＿book的鄰居結(jié)點(diǎn)除了結(jié)點(diǎn)D1＿book外，還有結(jié)點(diǎn)B1＿book、B3＿book。而用戶偏好B1＿book、B3＿book在表1中的DOI指數(shù)分別是－0.9，－1，這說明了結(jié)點(diǎn)B1＿book、B3＿book在網(wǎng)狀圖中活躍水平很低，也可以認(rèn)為它們的存在會(huì)降低其鄰居結(jié)點(diǎn)B2＿book的活躍水平。這里我們參考Hopfield Net算法，為系統(tǒng)中SA技術(shù)的運(yùn)用設(shè)定一個(gè)閾值，當(dāng)對某個(gè)結(jié)點(diǎn)計(jì)算所得的活躍水平低于該值時(shí)，則該結(jié)點(diǎn)不作為推薦結(jié)果，同時(shí)該結(jié)點(diǎn)在網(wǎng)狀圖沒有能力擴(kuò)展其鄰居結(jié)點(diǎn)，從而保證推薦的效率。系統(tǒng)設(shè)定閾值后，書籍B2＿book自然就被排除在最終的推薦集之外。

從以上過程可以看出，本文中的推薦策略在學(xué)習(xí)資源個(gè)性化推薦方面主要有2個(gè)優(yōu)勢:

（1）由于語義聯(lián)系、SA技術(shù)在語義推理過程中的使用，本文的推薦方法能夠發(fā)現(xiàn)與用戶偏好有“隱藏”語義聯(lián)系的內(nèi)容C2＿book和A2＿book。因此，在傳統(tǒng)推薦方法（推薦結(jié)果僅為D2＿book和C1＿book）的基礎(chǔ)上增加了更多與用戶需求相關(guān)的內(nèi)容。

（2）推薦策略中的語義推理過程既考慮到用戶感興趣的內(nèi)容，這些內(nèi)容可以幫助我們發(fā)現(xiàn)用戶的潛在興趣；又考慮到了用戶不感興趣的內(nèi)容，這些內(nèi)容可以幫助我們剔除與之相關(guān)的鄰居結(jié)點(diǎn)，從而保證推薦的質(zhì)量。例如將B2＿book排除在最終的推薦結(jié)果之外。

4 結(jié)束語

傳統(tǒng)基于內(nèi)容的推薦系統(tǒng)由于匹配標(biāo)準(zhǔn)的限制，只有和用戶偏好有極大相似性的內(nèi)容才會(huì)被加入推薦集呈現(xiàn)給用戶，為了克服這一限制，同時(shí)避免出現(xiàn)協(xié)同過濾方法中的數(shù)據(jù)稀疏、冷啟動(dòng)等問題。本文結(jié)合領(lǐng)域本體，利用語義推理去發(fā)現(xiàn)與用戶偏好有隱藏聯(lián)系的內(nèi)容。為了能發(fā)現(xiàn)與用戶偏好有語義聯(lián)系的學(xué)習(xí)資源，語義推理過程中結(jié)合了語義聯(lián)系、SA技術(shù)的應(yīng)用:語義聯(lián)系幫助發(fā)現(xiàn)與用戶偏好有隱藏語義聯(lián)系的內(nèi)容，從而豐富最終的推薦結(jié)果集；SA技術(shù)一方面用于發(fā)現(xiàn)鄰居結(jié)點(diǎn)，另一方面可以根據(jù)用戶偏好的變化更新推薦結(jié)果，增強(qiáng)系統(tǒng)的適應(yīng)性。最后本文中的方法還從用戶的角度保證了推薦的質(zhì)量。當(dāng)然本文中還存在不足之處，如一個(gè)具有更多語義聯(lián)系學(xué)習(xí)資源本體的構(gòu)建以及最初選定結(jié)點(diǎn)活躍水平的初始化等問題都是我們以后研究的方向。

［1］LI Chun，ZHU Zhenmin，YE Jian，et al.Survey on research in personalization service［J］.Application Research of Computers，2009，26（11）:4001－4005（in Chinese）.［李春，朱珍民，葉劍，等.個(gè)性化服務(wù)研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2009，26（11）:4001－4005.］

［2］XIE Fuding，AN Na，HUANG Dan，et al.Trust model based on content similarity and recommendation feedback［J］.Computer Science，2009，36（4）:215－217（in Chinese）.［謝福鼎，安娜，黃丹，等.一種基于內(nèi)容相似度和推薦反饋的信任模［J］.計(jì)算機(jī)科學(xué)，2009，36（4）:215－217.］

［3］Zenebe A，Norcio A.Representation，similarity measures and aggregation methods using fuzzy sets for content－based recommender systems［J］.Fuzzy Sets and Systems，2009，160（1）:76－94.

［4］Yolanda Blanco－Fernández，Martín López－Nores，Alberto Gil－Solla，et al.Exploring synergies between content－based filtering and spreading activation techniques in knowledge－based recommender systems［J］.Information Sciences，2011，181（21）:4823－4846.

［5］ZHENG Hua，PENG Xin.Personalized information recommendation system for third party E－commerce［J］.Computer Engineering and Design，2009，30（12）:2981－2984（in Chinese）.［鄭華，彭欣.第三方電子商務(wù)的個(gè)性化信息推薦系統(tǒng)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（12）:2981－2984.］

［6］HUANG Guoyan，LI Youchao，GAO Jianpei，et al.Collaborative filtering recommendation algorithm based on user clustering of item attributes［J］.Computer Engineering and Design，2010，31（5）:1038－1041（in Chinese）.［黃國言，李有超，高建培，等.基于項(xiàng)目屬性的用戶聚類協(xié)同過濾推薦算法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（5）:1038－1041.］

［7］HUANG ChuangGuang，YIN Jian，WANG Jing，et al.Uncertain neighbors’collaborative filtering recommendation algorithm［J］.Chinese Journal of computer，2010，33（8）:1369－1374（in Chinese）.［黃創(chuàng)光，印鑒，汪靜，等.不確定近鄰的協(xié)同過濾推薦算法［J］.計(jì)算機(jī)學(xué)報(bào)，2010，33（8）:1369－1374.］

［8］WU Yueping，ZHENG Jianguo.Improved collaborative filtering recommendation algorithm［J］.Computer Engineering and Design，2011，32（9）:3019－3021（in Chinese）.［吳月萍，鄭建國.協(xié)同過濾推薦算法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（9）:3019－3021.］

［9］Yolanda Blanco－Fernández，JoséJ Pazos－Arias，Alberto Gil－Solla.Exploiting synergies between semantic reasoning and personalization strategies in intelligent recommender systems:A case study［J］.Journal of Systems and Software，2008，81（12）:2371－2385.

［10］YU Hong，MENG Lingmin.Collaborative filtering recommenda

tion method considering asymmetry of items’dependence level［J］.Computer Engineering and Design，2013，34（1）:299－302（in Chinese）.［于洪，孟令民.考慮項(xiàng)目依賴不對稱性的協(xié)同過濾推薦方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（1）:299－302.］

［11］LI Zhongjun，ZHOU Qihai，SHUAI Qinghong.Recommender system model based on isomorphic integrated to content－based and collaborative filtering［J］.Computer Science，2009，36（12）:142－144（in Chinese）.［李忠俊，周啟海，帥青紅.一種基于內(nèi)容和協(xié)同過濾同構(gòu)化整合的推薦系統(tǒng)模型［J］.計(jì)算機(jī)科學(xué)，2009，36（12）:142－144.］

［12］Salter J，Antonopoulos N.CinemaScrean recommender agent:Combining collaborative and content－based filtering［J］.IEEE Intelligent System，2006，21（1）:35－41.

［13］DU Xiaoyong，LI Man，WANG Shan.A survey on ontology learning research［J］.Journal of Software，2006，17（9）:1837－1847（in Chinese）.［杜小勇，李曼，王珊.本體學(xué)習(xí)研究綜述［J］.軟件學(xué)報(bào)，2006，17（9）:1837－1847.］

［14］CHEN Yuan，GOU Guanglei.Study on user model of personalized service［J］.Computer Engineering and Design，2008，29（9）:2413－2416（in Chinese）.［陳媛，茍光磊.個(gè)性化服務(wù)用戶模型的研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（9）:2413－2416.］

［15］Katifori A，Vassilakis C，Dix A.Ontologies and the brain:Using spreading activation through ontologies to support personal interaction［J］.Cognitive System Research，2010，11（1）:25－41.

［16］Ue－Pyng Wen，Kuen－Ming Lan，Hsu－Shih Shih.A review of Hopfield neural networks for solving mathematical programming problems［J］.European Journal of Operational Research，2009，198（3）:675－687.