大數(shù)據(jù)在音樂(lè)推薦質(zhì)量提升中的實(shí)踐及應(yīng)用

張玉忠，方 艾，金 鐸，袁立宇

（中國(guó)電信股份有限公司廣東研究院 廣州510630）

1 引言

大數(shù)據(jù)時(shí)代下，每個(gè)人都是數(shù)據(jù)的消費(fèi)者，也是數(shù)據(jù)的貢獻(xiàn)者。IDC（International Data Corporation，國(guó)際數(shù)據(jù)公司）的調(diào)查數(shù)據(jù)顯示，全球產(chǎn)生和復(fù)制的數(shù)據(jù)量到2015年將達(dá)到8 ZB，2020年甚至有望達(dá)到40 ZB[1]。以具體的例子來(lái)看，百度的大數(shù)據(jù)當(dāng)前雖然已經(jīng)達(dá)到EB級(jí)別，但其信息量占比卻不足全人類所掌握信息量的百分之一。即使在游戲、電子商務(wù)、音樂(lè)應(yīng)用等垂直領(lǐng)域，數(shù)據(jù)量級(jí)別雖然大大減少，但數(shù)據(jù)量依然非常驚人。因此如何高效地組織和利用大數(shù)據(jù)的分析結(jié)果，挖掘大數(shù)據(jù)蘊(yùn)含的潛在價(jià)值，為用戶提供個(gè)性化的精確推薦服務(wù)以避免大海撈針式的搜尋，在當(dāng)前信息技術(shù)產(chǎn)業(yè)中掀起了一個(gè)大數(shù)據(jù)的熱潮。正如《大數(shù)據(jù)時(shí)代》的作者維克托·邁爾·舍恩伯對(duì)大數(shù)據(jù)的洞見(jiàn)：“大數(shù)據(jù)時(shí)代最大的轉(zhuǎn)變，就是放棄對(duì)因果關(guān)系的渴求，取而代之的是關(guān)注相關(guān)關(guān)系?！?/p>

數(shù)據(jù)推薦作為大數(shù)據(jù)應(yīng)用的方向之一，其目的就是通過(guò)收集和整理用戶的歷史行為、消費(fèi)習(xí)慣、社會(huì)屬性等，把看似分散的、無(wú)關(guān)的、多樣性的底層數(shù)據(jù)轉(zhuǎn)化為用戶知識(shí)圖譜和用戶興趣畫像，這些綜合的、格式化的知識(shí)庫(kù)提供了觀察用戶的立體化、全方位的視角，并通過(guò)應(yīng)用平臺(tái)以功能組件模式向終端用戶輸出。這些充分組合包裝的信息，盡力避免了用戶和產(chǎn)品之間不必要的交互，進(jìn)而把信息向著用戶服務(wù)的“私人定制”智能化目標(biāo)推進(jìn)，使得信息消費(fèi)者只需知道“是什么”，而不需要知道“為什么”。

2 音樂(lè)推薦的框架及實(shí)踐

音樂(lè)推薦是一種比較典型的互聯(lián)網(wǎng)應(yīng)用，但因?yàn)橐魳?lè)類軟件產(chǎn)品眾多，各產(chǎn)品在功能、UI（用戶界面）設(shè)計(jì)等方面相互借鑒和競(jìng)爭(zhēng)，同質(zhì)化現(xiàn)象越來(lái)越普遍。在這種音樂(lè)“紅海市場(chǎng)”的互聯(lián)網(wǎng)環(huán)境下，如何最大程度地發(fā)展和挽留用戶？個(gè)性化的內(nèi)容推薦服務(wù)和完美的用戶體驗(yàn)無(wú)疑是重要的解決途徑之一。

《埃森哲2014年技術(shù)展望》報(bào)告提出“無(wú)邊界企業(yè)的崛起”概念：企業(yè)的勞動(dòng)力資源不再只是企業(yè)的員工，還包括互聯(lián)網(wǎng)上的所有用戶，因?yàn)榛ヂ?lián)網(wǎng)時(shí)代的企業(yè)可以利用大數(shù)據(jù)技術(shù)把自己產(chǎn)品的用戶（更廣泛意義上還包含整個(gè)網(wǎng)絡(luò)用戶）視為自己的編外員工。充分發(fā)掘產(chǎn)品相關(guān)的“互聯(lián)網(wǎng)用戶”產(chǎn)生的數(shù)據(jù)價(jià)值，有助于從群體規(guī)律中提煉出用戶的個(gè)性特點(diǎn)，以個(gè)性化和差異化的服務(wù)來(lái)幫助企業(yè)擴(kuò)大用戶規(guī)模，延長(zhǎng)用戶的產(chǎn)品生命周期。協(xié)同過(guò)濾正是上述“集體智慧”應(yīng)用的典型推薦方法之一，主要分為基于用戶（user-based）和基于項(xiàng)目（item-based）兩類算法。協(xié)同過(guò)濾推薦算法在內(nèi)容分類信息缺乏（如標(biāo)簽體系不完善）、具體內(nèi)容難于量化表達(dá)（如用戶音樂(lè)品味）等情境下的推薦效果較好，但是它面臨的缺點(diǎn)也是很明顯的，如系統(tǒng)規(guī)模過(guò)大時(shí)，系統(tǒng)性能會(huì)變差；項(xiàng)目數(shù)量變多后，會(huì)造成評(píng)分矩陣稀疏度過(guò)低、新用戶的冷啟動(dòng)等問(wèn)題[2,3]。

本文以音樂(lè)產(chǎn)品的歌曲推薦為例，介紹大數(shù)據(jù)技術(shù)如何應(yīng)用在音樂(lè)產(chǎn)品中，特別是如何通過(guò)多種推薦方式的組合以提高推薦質(zhì)量的過(guò)程和方法。與眾多關(guān)注具體單一算法的實(shí)現(xiàn)及準(zhǔn)確度的推薦系統(tǒng)不同，本文所述的推薦系統(tǒng)側(cè)重于解決準(zhǔn)實(shí)時(shí)的在線運(yùn)營(yíng)產(chǎn)品面臨的如下困難：既要考慮推薦的準(zhǔn)確性，也要考慮算法的復(fù)雜度和高效率，從業(yè)務(wù)角度還要考慮系統(tǒng)維護(hù)和內(nèi)容調(diào)整的方便性、實(shí)時(shí)性。因此在解決方案上采用“協(xié)同過(guò)濾+業(yè)務(wù)規(guī)則+標(biāo)簽內(nèi)容體系等”多種模式相結(jié)合的混合推薦算法，經(jīng)過(guò)一年左右的線上運(yùn)營(yíng)，相比于單一的推薦算法和推薦方式，本方案的推薦效果要理想很多。

系統(tǒng)運(yùn)行的邏輯框架如圖1所示。本推薦系統(tǒng)以Cloudera提供的CDH開(kāi)源分布式計(jì)算框架作ETL處理平臺(tái)，以Mahout工具集作為協(xié)同過(guò)濾算法的實(shí)現(xiàn)框架，通過(guò)海量原始數(shù)據(jù)的收集和處理、用戶音樂(lè)評(píng)分歸一化、初步歌曲推薦列表產(chǎn)生、內(nèi)容標(biāo)簽體系建立和二次過(guò)濾規(guī)則等多個(gè)步驟搭建了一個(gè)實(shí)時(shí)歌曲推薦系統(tǒng)。

圖1 系統(tǒng)運(yùn)行的邏輯框架

在推薦模型的算法調(diào)整和優(yōu)化時(shí)采用如下方法：在用戶歌曲評(píng)分上參考RFM（指最近一次消費(fèi)（recency）、消費(fèi)頻次（frequency）、消費(fèi)金額（monetary））模 型，建立考慮多個(gè)維度的綜合評(píng)分；在推薦算法上，引入項(xiàng)目稀疏度、重疊度、可信度概念；混合推薦時(shí)引入飆升詞、內(nèi)容標(biāo)簽和二次規(guī)則過(guò)濾等方式，具體分為以下5個(gè)步驟。

2.1 收集大數(shù)據(jù)

用戶的音樂(lè)數(shù)據(jù)從形式上來(lái)說(shuō)有格式化/半格式化數(shù)據(jù)，甚至有非格式化數(shù)據(jù)；從來(lái)源來(lái)看有歌曲的瀏覽、試聽(tīng)、下載、購(gòu)買、搜索、收藏等純粹的音樂(lè)偏好行為，還有評(píng)論、分享、轉(zhuǎn)發(fā)等社交性質(zhì)的行為，這些信息可以從產(chǎn)品平臺(tái)日志或通過(guò)互聯(lián)網(wǎng)設(shè)備捕捉用戶上網(wǎng)的URL清單獲得。

還有一些信息如終端信息、消費(fèi)能力、電信套餐及增值業(yè)務(wù)、移動(dòng)支付能力等可以從電信CRM系統(tǒng)獲得，其社交關(guān)系圖譜等可以從電信話單、短信以及SNS類社交軟件日志獲得。

音樂(lè)的內(nèi)容和標(biāo)簽可以從產(chǎn)品的字典庫(kù)獲得，如曲風(fēng)、歌手、歌詞，甚至可以依靠爬蟲軟件從互聯(lián)網(wǎng)補(bǔ)充字典庫(kù)所缺失的必要信息。

2.2 評(píng)分歸一化

用戶的評(píng)分?jǐn)?shù)據(jù)有很多種類：如1～5分的5級(jí)數(shù)字評(píng)分表；差(差評(píng))～好(點(diǎn)贊)的描述性階梯等級(jí)，但這兩種方式的評(píng)分多依賴于用戶個(gè)人的主觀判斷，也就是說(shuō)對(duì)同一首歌曲，評(píng)分為3分的用戶A并不見(jiàn)得比評(píng)分為2分的用戶更欣賞這一首歌曲。要解決這類問(wèn)題，可以采用歸一化的方式，以用戶A對(duì)其所有歌曲的評(píng)分均值為標(biāo)準(zhǔn)，其他分?jǐn)?shù)相對(duì)該均值的比值作有效評(píng)分，并二次轉(zhuǎn)化為相應(yīng)的可度量值。

對(duì)于沒(méi)采用評(píng)分?jǐn)?shù)據(jù)的系統(tǒng)來(lái)說(shuō)，可以通過(guò)用戶在瀏覽歌曲的相對(duì)駐留時(shí)長(zhǎng)、對(duì)歌曲試聽(tīng)或下載的完整程度以及業(yè)務(wù)權(quán)重（如付費(fèi)購(gòu)買>免費(fèi)下載>免費(fèi)試聽(tīng)）相結(jié)合的方式作綜合評(píng)價(jià)。

最終的評(píng)分結(jié)果是對(duì)上述兩類評(píng)分，再做一次處理。因?yàn)橛脩魧?duì)歌曲的偏好，單獨(dú)考慮“用戶評(píng)分”這個(gè)維度并不能完整表述其偏好程度，因此參考數(shù)據(jù)挖掘的RFM模型，以周或天為時(shí)間單位，以離當(dāng)前日期的周期值作R，以該周期內(nèi)對(duì)同一首歌曲的試聽(tīng)次數(shù)作F，以聽(tīng)歌的完整程度或業(yè)務(wù)權(quán)重作M，構(gòu)建用戶對(duì)歌曲的綜合評(píng)分。

2.3 相似度計(jì)算

隨著推薦系統(tǒng)規(guī)模越來(lái)越大（以本音樂(lè)產(chǎn)品為例，僅版權(quán)歌曲數(shù)量就超過(guò)了30萬(wàn)首，互聯(lián)網(wǎng)歌曲達(dá)90萬(wàn)首，更不要說(shuō)淘寶這樣的在線商品數(shù)超過(guò)8億件的巨型系統(tǒng)），龐大的商品數(shù)目必然會(huì)導(dǎo)致兩個(gè)用戶之間選擇的重疊非常少，因此評(píng)分矩陣的稀疏性問(wèn)題也是推薦面臨的難題之一。

目前解決稀疏性通常采用算法改進(jìn)，以提高推薦效果，如矩陣降維、聚類等，本文引入“可信度”概念以調(diào)整用戶相似度取值，具體如下：假設(shè)用戶A和用戶B的歌曲歷史記錄分別為M和N，其歌曲空間維度值為Q，相同歌曲數(shù)目為P，則取可信度為：可信度=稀疏度×重疊度=(M/Q×N/Q)×(P/Q)，因此以前的用戶相似度計(jì)算也要調(diào)整為：可信度×用戶相似度，按照這種修正算法，常用的Pearson模型可變?yōu)槿缦掠?jì)算式：

其中，Dreliability是新引入的可信度值。

“稀疏度”反映了用戶的向量距離遠(yuǎn)近程度，如果兩個(gè)用戶之間的歌曲交集差異越大，那么這兩個(gè)用戶的距離就越遠(yuǎn)，反映在計(jì)算式中，他們的稀疏度值接近于0。

“重疊度”從另外一個(gè)維度反映了用戶的向量距離遠(yuǎn)近程度，如果重疊度接近于1，則表示兩個(gè)向量都在某些相同的屬性上具有實(shí)際值，那么得到的距離就具有較高的可靠性。

“可信度”是向量的相對(duì)稀疏度和重疊度的乘積，共同影響用戶距離的計(jì)算。可信度的概念實(shí)際是對(duì)現(xiàn)有傳統(tǒng)協(xié)同過(guò)濾算法中計(jì)算距離方法的一種改進(jìn)，可以降低因計(jì)算距離過(guò)程中的隨機(jī)性導(dǎo)致的距離偏差。由于在用戶相似度的計(jì)算中新引入了上述“可信度”變量因子，這使得在計(jì)算用戶鄰居的時(shí)候更準(zhǔn)確，降低原算法中因?yàn)槿笔е祵?dǎo)致的用戶鄰居發(fā)現(xiàn)錯(cuò)誤的可能性，由于計(jì)算這些值都可以在很短的時(shí)間內(nèi)完成，因此對(duì)原算法的性能、計(jì)算速度影響不大，都在可接受的范圍內(nèi)。

2.4 內(nèi)容分類

上述用戶評(píng)分矩陣通過(guò)協(xié)同過(guò)濾算法得到推薦歌曲列表后，有時(shí)效果仍然不是很理想。其中部分原因是用戶在聽(tīng)歌的過(guò)程中被一些外界原因干擾而出現(xiàn)了偏好噪音：若用戶聽(tīng)歌過(guò)程被打斷后忘記進(jìn)行“暫?！辈僮?，但音樂(lè)產(chǎn)品卻隨機(jī)向用戶播放音樂(lè)；也有可能是用戶被動(dòng)地接受了音樂(lè)產(chǎn)品的歌曲列表，而實(shí)際并沒(méi)有按照自己的偏好過(guò)濾和選擇。針對(duì)這種情況，分析歌曲的內(nèi)容分類可以進(jìn)一步提高推薦質(zhì)量。

內(nèi)容分類在數(shù)據(jù)挖掘領(lǐng)域有很多分類算法，對(duì)音樂(lè)產(chǎn)品來(lái)說(shuō)，有基于歌詞分詞的文本內(nèi)容分類，也有基于音符或音律的語(yǔ)音學(xué)分類。本文在實(shí)踐中以歌詞分類的方式，采用樸素貝葉斯算法，以互聯(lián)網(wǎng)音樂(lè)分類較好的典型分類和樣例歌詞歸類為種子，對(duì)字典庫(kù)的所有歌詞做了分類處理，整體效果可以達(dá)到40%～60%的匹配率。

另外一種分類是基于統(tǒng)計(jì)計(jì)數(shù)的分類，例如飆升詞、熱榜等。本文在使用這些統(tǒng)計(jì)數(shù)據(jù)的時(shí)候，沒(méi)有采用簡(jiǎn)單的計(jì)數(shù)方式，而使用了用戶歸一化評(píng)分的累積方式。以飆升詞為例，定時(shí)統(tǒng)計(jì)每個(gè)時(shí)段的統(tǒng)計(jì)指標(biāo)后，跟上一個(gè)時(shí)段的指標(biāo)值相比較，如果相對(duì)比值超過(guò)一定的閾值，則認(rèn)為該指標(biāo)發(fā)生了飆升，從而指導(dǎo)運(yùn)營(yíng)人員快速響應(yīng)，更新產(chǎn)品的相關(guān)推薦列表。

2.5 混合推薦

協(xié)同過(guò)濾推薦算法在滿足個(gè)性化需求方面雖然能起到較好的作用，但是在實(shí)際應(yīng)用時(shí)通常需要混合的方式做歌曲推薦[4]，也就是要采用多種推薦方式相互交叉和補(bǔ)充，這主要是由于以下幾種情況的存在。

首先，第一次使用音樂(lè)產(chǎn)品的用戶或者信息量過(guò)少的用戶，推薦系統(tǒng)需要處理冷啟動(dòng)問(wèn)題。這類用戶一種常用的解決辦法是利用引導(dǎo)性的文本信息進(jìn)行輔助推薦，亦可通過(guò)在首次使用或者注冊(cè)時(shí)通過(guò)導(dǎo)航機(jī)制獲得用戶的關(guān)鍵屬性信息，如年齡段、居住地/地域方言、教育程度、性別、行業(yè)等；另外音樂(lè)的標(biāo)簽系統(tǒng)（如語(yǔ)種、曲風(fēng)、影視劇、歌手、熱榜榜單、首發(fā)/經(jīng)典）的廣泛應(yīng)用也是解決冷啟動(dòng)問(wèn)題的可選方案，這些標(biāo)簽的分類整理本身就是商品內(nèi)容的萃取，同時(shí)也可以視為收集用戶個(gè)性化偏好的初始種子。

其次，協(xié)同過(guò)濾雖然在推薦算法上效果較好，但也會(huì)碰到多樣性、新穎性和覆蓋率問(wèn)題。具體表現(xiàn)為推薦的歌曲范圍太窄，特別是用戶使用一段時(shí)間之后會(huì)出現(xiàn)重復(fù)推薦，而且容易導(dǎo)致曲庫(kù)字典的大量歌曲成為“僵尸”，這種缺陷帶來(lái)的惡果就是用戶吸引力和滿意度下降，甚至導(dǎo)致用戶的留存率降低或用戶流失。

再次，從業(yè)務(wù)運(yùn)營(yíng)的角度來(lái)看，收費(fèi)歌曲、上線新歌、主推歌曲、節(jié)假日應(yīng)景音樂(lè)也需要一定的人工干預(yù)和展示途徑。這些運(yùn)營(yíng)元素的引入，可以在一定程度上彌補(bǔ)單一算法帶來(lái)的新穎性不夠等缺陷，擴(kuò)大“長(zhǎng)尾”，獲得規(guī)模效應(yīng)。

3 音樂(lè)產(chǎn)品的實(shí)踐應(yīng)用及效果

利用上述的大數(shù)據(jù)平臺(tái)框架及推薦處理流程，項(xiàng)目團(tuán)隊(duì)在實(shí)際的運(yùn)營(yíng)支撐中進(jìn)行了一系列的音樂(lè)產(chǎn)品研發(fā)運(yùn)營(yíng)實(shí)踐，包括建立個(gè)性化用戶知識(shí)庫(kù)、差異化歌曲推薦、開(kāi)發(fā)和運(yùn)營(yíng)流程優(yōu)化、用戶體驗(yàn)及反饋分析等。

以某款手機(jī)的定制播放器為例，它是音樂(lè)運(yùn)營(yíng)中心與手機(jī)終端設(shè)備供應(yīng)商之間約定的應(yīng)用預(yù)裝產(chǎn)品，經(jīng)過(guò)一年半的運(yùn)營(yíng)，到2014年上半年止，該產(chǎn)品的注冊(cè)用戶數(shù)達(dá)到2 500萬(wàn)戶，日UV（unique visitor）突破100萬(wàn)戶，產(chǎn)品功能包括聽(tīng)歌、搜索、收藏、下載、分享、訂購(gòu)等。這些用戶產(chǎn)生的原始日志量每日可達(dá)50 GB，有效數(shù)據(jù)超過(guò)5 000萬(wàn)條，再加上超過(guò)2億條CRM歷史記錄以及其他終端、評(píng)論、SNS數(shù)據(jù)，這些用戶行為數(shù)據(jù)以日為單位，定期經(jīng)過(guò)大數(shù)據(jù)平臺(tái)收集、整理、更新，最終導(dǎo)入用戶歌曲評(píng)分矩陣為推薦備用。

當(dāng)用戶登錄后，首頁(yè)顯示的是一系列通過(guò)復(fù)雜、大規(guī)模、實(shí)時(shí)的算法得到的差異化信息，同時(shí)還有一些熱榜、專輯介紹等信息。以圖2為例，當(dāng)用戶搜索并播放歌曲《高山流水》時(shí)，在用戶界面的左上部以列表的形式顯示經(jīng)過(guò)混合推薦處理過(guò)的Top10歌曲，而在左下部顯示推薦的少量音樂(lè)專輯及圖片，在歌曲的播放過(guò)程中通過(guò)開(kāi)關(guān)切換來(lái)控制是否顯示源于互聯(lián)網(wǎng)的歌詞或者歌手圖片（這些信息是爬蟲定期更新和運(yùn)營(yíng)人員人工整理的）；右半部分的用戶界面以tab bar（選項(xiàng)卡）切換視圖的形式顯示Top10的熱榜/新榜/飆升榜3類不同維度的歌曲以滿足新用戶的選擇。整體來(lái)看，在這個(gè)用戶界面設(shè)計(jì)里，個(gè)性化推薦歌曲、熱榜歌曲、業(yè)務(wù)運(yùn)營(yíng)所需的人工干預(yù)歌曲都體現(xiàn)了出來(lái)，在一定程度上解決了冷啟動(dòng)和新穎性不足等缺點(diǎn)，可以滿足不同用戶的音樂(lè)品味，收到了較好的效果。

圖2 用戶界面示例

4 結(jié)束語(yǔ)

由于Hadoop等開(kāi)源項(xiàng)目的發(fā)展及應(yīng)用，特別是CDH等開(kāi)源平臺(tái)及生態(tài)系統(tǒng)的穩(wěn)定以及相關(guān)工具如Hive、Impala、Machine Learning等的廣泛使用，解決了早期的推薦系統(tǒng)在數(shù)據(jù)量過(guò)大時(shí)面臨的內(nèi)存、CPU等計(jì)算瓶頸的難題。基于分布式并行計(jì)算的算法改良可以充分發(fā)揮云計(jì)算的特點(diǎn)，提高大規(guī)模數(shù)據(jù)分析的效率，推動(dòng)基于大數(shù)據(jù)的推薦系統(tǒng)的發(fā)展[5]；同時(shí)由于分布式計(jì)算架構(gòu)也降低了大數(shù)據(jù)處理的預(yù)算成本和技術(shù)門檻，IT部門可以較高的性價(jià)比進(jìn)行大數(shù)據(jù)項(xiàng)目的研發(fā)和實(shí)踐，近來(lái)以Spark為基礎(chǔ)的基于內(nèi)存的迭代式計(jì)算框架與以MapReduce為基礎(chǔ)的文件流模式的計(jì)算框架互為補(bǔ)充，也為機(jī)器學(xué)習(xí)（ML）和數(shù)據(jù)挖掘（DW）提供了技術(shù)保障。但就目前而言，大數(shù)據(jù)的應(yīng)用及產(chǎn)生的效益還處于起步階段，缺乏成熟的大規(guī)模的商業(yè)模式，信息內(nèi)容最終還是需要轉(zhuǎn)化為以結(jié)構(gòu)化信息為主，未來(lái)隨著挖掘工具和算法的進(jìn)一步發(fā)展和成熟，大數(shù)據(jù)在應(yīng)用智能化和商業(yè)模式創(chuàng)新等方面必定會(huì)起到更大作用。

未來(lái)，互聯(lián)網(wǎng)推薦類應(yīng)用可以通過(guò)跨域行業(yè)應(yīng)用數(shù)據(jù)和互聯(lián)網(wǎng)海量數(shù)據(jù)的深度整合，建立多維的、綜合的統(tǒng)一用戶視圖，勾勒一個(gè)比較全面的用戶畫像。這種360度全方位的客戶洞察系統(tǒng)的建立，可以打造一個(gè)面向用戶本身及其衍生的社會(huì)網(wǎng)絡(luò)、生活消費(fèi)等多層面的個(gè)性化知識(shí)庫(kù)，通過(guò)深入分析用戶在不同業(yè)務(wù)中的行為及關(guān)系并挖掘其中的潛在用戶價(jià)值，可以進(jìn)一步促進(jìn)不同行業(yè)領(lǐng)域的跨域業(yè)務(wù)協(xié)同發(fā)展，同時(shí)也會(huì)為用戶帶來(lái)更好的體驗(yàn)，形成一個(gè)良性循環(huán)的生態(tài)圈。

1 大數(shù)據(jù)就在你身邊.http://info.secu.hc360.com/2014/01/201838764677.shtml,2014

2 大數(shù)據(jù)應(yīng)用之個(gè)性化推薦的十大挑戰(zhàn).http://www.kddchina.com/article-49-1.html,2014

3 個(gè)性化推薦十大挑戰(zhàn).http://blog.sciencenet.cn/blog-3075-588779.html,2014

4 張瑤,陳維斌,傅順開(kāi).協(xié)同過(guò)濾推薦研究綜述.微型機(jī)與應(yīng)用,2013(6)

5 李改,潘嶸,李章鳳等.基于大數(shù)據(jù)集的協(xié)同過(guò)濾算法的并行化研究.計(jì)算機(jī)工程與設(shè)計(jì),2012，33(6)