基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法研究

摘要：為了解決協(xié)同過(guò)濾推薦方法中的數(shù)據(jù)稀疏性與冷啟動(dòng)問(wèn)題，提出了一個(gè)新的方法叫“基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法”，把學(xué)習(xí)者信任的學(xué)習(xí)者的評(píng)價(jià)也合并補(bǔ)充進(jìn)來(lái)以代表該學(xué)習(xí)者的偏好，同時(shí)也可以找到其他具有相似偏好的學(xué)習(xí)者。

關(guān)鍵詞：協(xié)同過(guò)濾；信任；在線學(xué)習(xí)；推薦

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）03-0177-03

1 概述

對(duì)學(xué)習(xí)推薦系統(tǒng)而言，提供高品質(zhì)的學(xué)習(xí)建議用來(lái)幫助學(xué)習(xí)者從過(guò)多的學(xué)習(xí)內(nèi)容中選擇出自己需要的內(nèi)容是非常重要的。協(xié)同過(guò)濾推薦方法是一種被廣泛接受的推薦方法，它是基于相似的學(xué)習(xí)內(nèi)容而生成的一種推薦。同時(shí)，它又存在著幾個(gè)固有的問(wèn)題，如數(shù)據(jù)的稀疏性與冷啟動(dòng)問(wèn)題。為了解決這些問(wèn)題，我們提出了一個(gè)新的方法叫“基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法”。簡(jiǎn)單說(shuō)，就是由把學(xué)習(xí)者信任的學(xué)習(xí)者的評(píng)價(jià)也合并補(bǔ)充進(jìn)來(lái)以代表該學(xué)習(xí)者的偏好，同時(shí)也可以找到其他具有相似偏好的學(xué)習(xí)者。

2 相關(guān)研究

Web2.0應(yīng)用的出現(xiàn)，極大地改變了用戶的網(wǎng)絡(luò)學(xué)習(xí)風(fēng)格，從搜索和瀏覽轉(zhuǎn)換為交互和分享，大數(shù)據(jù)的到來(lái)使可用的選擇呈指數(shù)增長(zhǎng)，但這也給學(xué)習(xí)者在搜索有用的信息時(shí)帶來(lái)了挑戰(zhàn)，這就是眾所周知的超載信息問(wèn)題。協(xié)同過(guò)濾（CF）是最熟知的常用推薦技術(shù)之一。它的原理是基于相似學(xué)習(xí)興趣的學(xué)習(xí)者評(píng)價(jià)的學(xué)習(xí)內(nèi)容也會(huì)得到其他學(xué)習(xí)者的認(rèn)可。然而，CF存在幾個(gè)固有的問(wèn)題，如數(shù)據(jù)稀疏性和冷啟動(dòng)。前者的問(wèn)題是學(xué)習(xí)者一般只根據(jù)部分學(xué)習(xí)內(nèi)容評(píng)價(jià)，而后者是根據(jù)少部分評(píng)價(jià)來(lái)判斷學(xué)習(xí)者的喜好是非常困難的。

為了更準(zhǔn)確地解決這些問(wèn)題并模擬學(xué)習(xí)者偏好，我們將其他來(lái)源的附加信息納入到協(xié)同過(guò)濾（CF）方法進(jìn)行研究。在本文中，提出了信任機(jī)制。信任是指一個(gè)活躍學(xué)習(xí)者對(duì)他人提供的與自己喜好相關(guān)的精準(zhǔn)評(píng)價(jià)。基于此，我們提出了一個(gè)新穎的基于信任的方法叫做基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法，旨在提高推薦的整體性能并且能夠改善協(xié)同過(guò)濾（CF）中數(shù)據(jù)稀疏性與冷啟動(dòng)的問(wèn)題。具體來(lái)說(shuō)，我們根據(jù)受信任的學(xué)習(xí)者與活躍學(xué)習(xí)者的相似程度將他們對(duì)學(xué)習(xí)內(nèi)容所做的評(píng)價(jià)做平均運(yùn)算合并起來(lái)，然后合并的評(píng)價(jià)集就可以用來(lái)表示學(xué)習(xí)者的喜好并且可以去發(fā)現(xiàn)基于此喜好的新的學(xué)習(xí)者，最后，合并方法被并入到常規(guī)協(xié)同過(guò)濾（CF）中去生成建議。

3 核心算法

基于合并信任的協(xié)同過(guò)濾學(xué)習(xí)推薦方法的基本原理是將受信任學(xué)習(xí)者的評(píng)價(jià)補(bǔ)充進(jìn)來(lái)并代表活躍學(xué)習(xí)者的喜好，因此采取三個(gè)措施來(lái)做出推薦。首先，發(fā)現(xiàn)和匯總受活躍學(xué)習(xí)者信任的學(xué)習(xí)者。第二，將信任學(xué)習(xí)者的評(píng)價(jià)合并，使得每個(gè)學(xué)習(xí)內(nèi)容至少被一個(gè)信任學(xué)習(xí)者評(píng)價(jià)過(guò)，從而每個(gè)學(xué)習(xí)內(nèi)容都有一個(gè)單一的值，由此，形成一個(gè)新的評(píng)價(jià)文件，來(lái)代表活躍學(xué)習(xí)者的喜好。第三，基于所合并的評(píng)價(jià)分布文件，相似的用戶將被探測(cè)，然后再和常規(guī)的CF方法一樣，生成推薦。

3.1 合并過(guò)程

我們引入了一些符號(hào)來(lái)建立推薦問(wèn)題的模型。具體而言，我們用U、I、R分別表示所有的學(xué)習(xí)者、所有的學(xué)習(xí)內(nèi)容、所有學(xué)習(xí)評(píng)價(jià)。我們用符號(hào)u，v表示某個(gè)學(xué)習(xí)者，用i，j表示學(xué)習(xí)內(nèi)容。然后用[ru，i]表示學(xué)習(xí)者u對(duì)學(xué)習(xí)內(nèi)容i給予的評(píng)價(jià)，在一定的評(píng)價(jià)范圍取一個(gè)值，如從1到5的整數(shù)（通過(guò)推薦系統(tǒng)預(yù)定義的）。因此，一個(gè)推薦系統(tǒng)的任務(wù)可以建模為：給定一組學(xué)習(xí)評(píng)價(jià)[u，i，ru，i]，為學(xué)習(xí)者u對(duì)一個(gè)未知的學(xué)習(xí)容j提供一個(gè)最好的預(yù)測(cè)。預(yù)測(cè)的評(píng)價(jià)表示為[ru，j]，在基于信任機(jī)制的推薦系統(tǒng)中，學(xué)習(xí)者u已經(jīng)定義了一個(gè)信任用戶集[TNu]，對(duì)于集合[TNu]中的每個(gè)受信任的學(xué)習(xí)者v，學(xué)習(xí)者u也定義了一個(gè)信任值[tu，v]在[0，1]之間，表示學(xué)習(xí)者u對(duì)學(xué)習(xí)者v的精準(zhǔn)推薦能力的信任程度。我們假定學(xué)習(xí)者u總是信任他自己提供的準(zhǔn)確評(píng)價(jià)。因此學(xué)習(xí)者u也被包括到TN中，此時(shí)[tu，u=1]。

此外，[Iu=i|ru，i∈R，i∈I]表示學(xué)習(xí)者U評(píng)價(jià)過(guò)的學(xué)習(xí)內(nèi)容集合，[Ui=u|ru，i∈R，u∈U]表示對(duì)學(xué)習(xí)內(nèi)容i做出評(píng)價(jià)的所有學(xué)習(xí)者集合。因此，建議問(wèn)題可以重新描述為：給定一個(gè)評(píng)價(jià)集合[u，i，r（u，i）]和一個(gè)學(xué)習(xí)者信任集合[u，i，t（u，v）]，活躍學(xué)習(xí)者u對(duì)于目標(biāo)學(xué)習(xí)內(nèi)容j做出的最好預(yù)測(cè)[u，j，Uj]。我們最關(guān)心的是：和真實(shí)的喜好相比，我們?cè)u(píng)價(jià)預(yù)測(cè)的精度，以及可以被預(yù)測(cè)的目標(biāo)學(xué)習(xí)內(nèi)容的覆蓋范圍。

3.1.1 聚集信任的學(xué)習(xí)者

冷淡學(xué)習(xí)者通常被定義為評(píng)價(jià)學(xué)習(xí)內(nèi)容不到五個(gè)的學(xué)習(xí)者。因此，為了更好的模擬學(xué)習(xí)者的喜好，附加信息被采用。由于冷淡學(xué)習(xí)者通常都不太活躍，他們可能不會(huì)有大量值得信賴的學(xué)習(xí)者，具體來(lái)說(shuō)，多數(shù)冷淡學(xué)習(xí)者只有幾個(gè)信任學(xué)習(xí)者，少數(shù)冷淡用戶有許多信任學(xué)習(xí)者。因此，雖然社會(huì)信任可以被視為一個(gè)模擬學(xué)習(xí)者喜好的強(qiáng)有力的信息來(lái)源，但冷淡學(xué)習(xí)者的信任信息卻是相當(dāng)難獲得的。幸運(yùn)地是，信任可以沿著信任網(wǎng)絡(luò)傳播。也就是說(shuō)，如果學(xué)習(xí)者A信任B，B信任C，可以推斷在某種程度上學(xué)習(xí)者A信任C。為了更好地利用信任信息，有必要傳播信任，以便找到更多（間接）值得信賴的學(xué)習(xí)者。因此，我們采用一個(gè)加權(quán)因子給遠(yuǎn)距離推斷信任值：

[TU，V=1d*T'U，V] （1）

其中[TU，V]在表示推斷的信任值，d為學(xué)習(xí)者之間的最短距離，u，v由優(yōu)先搜索算法決定，[TU，V∈（0，1）]表示學(xué)習(xí)者U對(duì)其他學(xué)習(xí)者v的信任值。我們限制[d≤3]，以避免在大規(guī)模數(shù)據(jù)中做無(wú)謂的搜索，節(jié)省計(jì)算成本。因此，當(dāng)學(xué)習(xí)者u對(duì)v的信任值大于臨界值時(shí)，一組學(xué)習(xí)者可認(rèn)定為可信任的學(xué)習(xí)者，臨界值[TNU={v|tu，v>臨界值，v∈u}]，（2）我們把距離d限制小于等于3，假定所有連接的受信任學(xué)習(xí)者都是有用的，因此簡(jiǎn)單把臨界值設(shè)為0。雖然臨界值是靈活可調(diào)的，但在實(shí)踐中沒(méi)有必要這樣做。此外，活躍學(xué)習(xí)者u本人也被視為她自己的信任學(xué)習(xí)者，[tu，u=1]。換言之，我們推測(cè)學(xué)習(xí)者U將永遠(yuǎn)相信自己的評(píng)價(jià)，因?yàn)樗鼈兪菧?zhǔn)確反映自己的真實(shí)偏好。

3.1.2 合并信任學(xué)習(xí)者的評(píng)價(jià)

確定信任學(xué)習(xí)者后，確定一組候選學(xué)習(xí)內(nèi)容

[Iu=i|rv，i∈R，?v∈TNU，i∈I] （3）

這些學(xué)習(xí)內(nèi)容至少已被信任學(xué)習(xí)者中的一位評(píng)價(jià)過(guò)，然后再根據(jù)信任學(xué)習(xí)者的重要性權(quán)重將學(xué)習(xí)評(píng)價(jià)合并成一個(gè)值。

[ru，j=v∈TNuwU，V?rv，jv∈TNu|wU，V|] （4）

我們認(rèn)為重要性權(quán)重[wu，v]由三部分組成：信任值[tu，v]、評(píng)價(jià)相似度[su，v]以及社會(huì)相似度[ju，v]。因此計(jì)算三個(gè)部分的線性組合：

[wu，v=α?su，v+β?tu，v+1-α-β?ju，v] （5）

其中參數(shù)[α]和[β]分別表示依賴于評(píng)價(jià)相似性和信任度的程度。這個(gè)計(jì)算背后的合理性在于：學(xué)習(xí)者彼此信任并不意味著喜好相同，所以綜合三個(gè)因素遠(yuǎn)比單考慮信任值好。信任學(xué)習(xí)者之間的相似性可能很低，因此，除了社會(huì)相似性外，同時(shí)有必要考慮評(píng)價(jià)相似性和信任度。

Pearson相關(guān)系數(shù)通常被用來(lái)計(jì)算學(xué)習(xí)者基于評(píng)價(jià)的相似性：

[su，v=i?Iu，v（ru，j-ru）rv，i-rvi?Iu，v（ru，i-ru）2i?Iu，v（rv，i-rv）2] （6）

s[u，v∈-1，1]是兩個(gè)學(xué)習(xí)者u和v之間的相似度，[Iuv=Iu∩Iv]表示學(xué)習(xí)內(nèi)容既被學(xué)習(xí)者u評(píng)價(jià)，也被學(xué)習(xí)者v評(píng)價(jià)。由于活躍學(xué)習(xí)者[u∈TNu]，為目標(biāo)的一致性，我們讓[Su，u=1]。[ Su，u>0]意味著正相似，[Su，u<0]意味著負(fù)相似，0表示無(wú)相似性。相似性的變化函數(shù)可以是余弦相似性，貝葉斯相似性，等等。

此外，信任的學(xué)習(xí)者之間可能不會(huì)有相似的喜好，所以不會(huì)有社會(huì)相似性。換句話說(shuō)，信任和社會(huì)的相似性可能是錯(cuò)誤和不準(zhǔn)確的?？紤]到積極信任和社會(huì)相似，消極的相似性可能沒(méi)有意義。因此，我們只考慮正相關(guān)用戶，即，[s>0]。另一個(gè)原因是信任的范圍值和社會(huì)相似性在方程上要一致（1）和（7）。

第三部分是兩個(gè)學(xué)習(xí)者u和v存在共同信任學(xué)習(xí)者的比率。如果他們之間有一些共同信任的學(xué)習(xí)者，這兩個(gè)學(xué)習(xí)者就是社交密切的。因此，有許多社會(huì)朋友的信任學(xué)習(xí)者比沒(méi)有朋友的學(xué)習(xí)者更為重要。社會(huì)相似性被定義為在所有信任學(xué)習(xí)者中共享學(xué)習(xí)者的比例。這可由杰卡德指數(shù)計(jì)算得來(lái)：

[ju，v=|TNu∩TNv||TNu∪TNv|] （7）

[ju，v∈0，1]表示兩個(gè)學(xué)習(xí)者u和v基于共同信任學(xué)習(xí)者的社會(huì)相似性，可由由方程（1），（6）和（7）得出重要性權(quán)重[wu，v=α?su，v+β?tu，v+（1-α-β）?ju，v]。以這種方式，將信任學(xué)習(xí)者對(duì)某一個(gè)學(xué)習(xí)內(nèi)容的所有評(píng)價(jià)由方程（4）合并成單個(gè)值。

更進(jìn)一步，由于學(xué)習(xí)者u從他自己那獲得的評(píng)價(jià)總是準(zhǔn)確的，他所有的評(píng)價(jià)將被保留，并在合并過(guò)程中保持不變，我們需要強(qiáng)調(diào)，當(dāng)學(xué)習(xí)者u自己沒(méi)評(píng)價(jià)，而其他信任學(xué)習(xí)者評(píng)價(jià)時(shí)，這種評(píng)價(jià)才會(huì)合并。簡(jiǎn)單來(lái)說(shuō)，該學(xué)習(xí)者將保留所有他自己的評(píng)價(jià)，值得信賴的學(xué)習(xí)者的評(píng)價(jià)將被用來(lái)補(bǔ)充他自己的喜好，這樣一個(gè)更完整、準(zhǔn)確的評(píng)價(jià)系統(tǒng)就用來(lái)表示活躍學(xué)習(xí)者的喜好。

3.2 協(xié)同過(guò)濾合并化

在合并評(píng)價(jià)后給出了對(duì)學(xué)習(xí)內(nèi)容集的新的評(píng)價(jià)文件，有了這個(gè)文件，我們就知道學(xué)習(xí)者的喜好，繼而我們?cè)儆脗鹘y(tǒng)的CF協(xié)同過(guò)濾技術(shù)預(yù)測(cè)還沒(méi)有被學(xué)習(xí)者u評(píng)價(jià)過(guò)的目標(biāo)學(xué)習(xí)內(nèi)容j。具體而言，我們首先為學(xué)習(xí)者u找到與他具有相似喜好的（曾評(píng)價(jià)學(xué)習(xí)內(nèi)容j）學(xué)習(xí)者，形成一個(gè)相似用戶集NN，為學(xué)習(xí)者u和學(xué)習(xí)者v之間的相似性。

一般來(lái)說(shuō)，Pearson相關(guān)系數(shù)（PCC）經(jīng)常用來(lái)測(cè)量?jī)蓚€(gè)學(xué)習(xí)者之間的相似性（參見(jiàn)方程（6），根據(jù)他們通常的學(xué)習(xí)評(píng)價(jià)。在我們的研究情況中，除了合并后的評(píng)價(jià)之外，置信度用來(lái)表示合并評(píng)價(jià)的質(zhì)量也很重要。由于公式（6）不考慮評(píng)價(jià)的置信度，我們引入一個(gè)信任感知Pearson相關(guān)系數(shù)簡(jiǎn)稱CPCC，用來(lái)計(jì)算學(xué)習(xí)者之間的相似度。

[s'u，v=i∈Iu，vcu，iru，i-rurv，i-rvi∈Iu，vc2u，iru，i-ru2i∈Iu，vrv，i-rv2] （8）

[Iuv=Iu∩Iv]學(xué)習(xí)內(nèi)容[I]既被學(xué)習(xí)者[u]評(píng)價(jià)，也被學(xué)習(xí)者[v]評(píng)價(jià)。[ru]、[rv]分別表示兩個(gè)學(xué)習(xí)者u和v的平均評(píng)價(jià)。計(jì)算了學(xué)習(xí)者的相似性后，就可以將相似的學(xué)習(xí)者形成一個(gè)群組添加到活躍學(xué)習(xí)者u最近的相似用戶集NN中，然后我們?cè)龠x擇與學(xué)習(xí)者U相似度高于預(yù)定臨界值的其他學(xué)習(xí)者。

[NNu=v|s'u，v>θs，v?u] （9）

[θs]表示預(yù)定的臨界值。

最后，所有評(píng)價(jià)都匯集在一起去預(yù)測(cè)活躍學(xué)習(xí)者u沒(méi)有評(píng)價(jià)過(guò)的商品j。我們使用簡(jiǎn)單加權(quán)平均法，即，計(jì)算由所有信任學(xué)習(xí)者V提供的評(píng)價(jià)按照他們與活躍學(xué)習(xí)者相似度的權(quán)重的平均值。從形式上看，預(yù)測(cè)的計(jì)算方式：

[ru，j=v∈NNus'u，v?rv，iv∈NNu|s'u，v|] （10）

[ru，j]代表對(duì)學(xué)習(xí)內(nèi)容j的預(yù)測(cè)值。因此，它可以確保在預(yù)測(cè)時(shí)，具有相似性高的學(xué)習(xí)者有更大的影響力。

3.3 合并信任方法的優(yōu)勢(shì)

基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法相對(duì)于其它方法有兩個(gè)明顯的優(yōu)點(diǎn)。首先，它可以有效地改善數(shù)據(jù)的稀疏性、冷啟動(dòng)問(wèn)題?；诤喜⑿湃螜C(jī)制的協(xié)同過(guò)濾學(xué)習(xí)推薦方法通過(guò)合并信任學(xué)習(xí)者的評(píng)價(jià)，形成一個(gè)新的能代表用戶喜好的評(píng)價(jià)分布來(lái)處理冷淡學(xué)習(xí)者。因?yàn)閇u∈TNu]，[Iu∈Iu]的關(guān)系可由公式（3）推斷得知，也就是說(shuō)，新形成的評(píng)價(jià)覆蓋的學(xué)習(xí)范圍比原來(lái)的評(píng)價(jià)文件多了很多。因此，可以識(shí)別出更多的相似學(xué)習(xí)者，這對(duì)只有很少甚至沒(méi)有評(píng)價(jià)的冷淡學(xué)習(xí)者很有效，這樣計(jì)算得到的相似性往往是更加可靠，因此，我們的方法可以有效緩解數(shù)據(jù)稀疏性與冷啟動(dòng)問(wèn)題。

再次，基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法在評(píng)價(jià)非常少或者信任學(xué)習(xí)者很少的情況下都可以運(yùn)作良好。此前，不少以信任為基礎(chǔ)的方法，僅根據(jù)信任學(xué)習(xí)者所提供的評(píng)價(jià)來(lái)推薦學(xué)習(xí)內(nèi)容。因此，當(dāng)其中一些學(xué)習(xí)者只指定少數(shù)學(xué)習(xí)者作為他們的信任學(xué)習(xí)者時(shí)，這些方法可能就遇到類似冷啟動(dòng)問(wèn)題的影響。而對(duì)于在線學(xué)習(xí)系統(tǒng)來(lái)說(shuō)，這個(gè)問(wèn)題是一個(gè)很常見(jiàn)的情況，特別是學(xué)習(xí)者缺乏與其他人主動(dòng)聯(lián)系的激勵(lì)時(shí)，推薦系統(tǒng)就會(huì)受到很大的限制。與此相反，基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法可以通過(guò)使用活躍學(xué)習(xí)者的評(píng)價(jià)來(lái)解決這個(gè)問(wèn)題，特別是當(dāng)活躍學(xué)習(xí)者沒(méi)有指定任何可信任學(xué)習(xí)者但卻對(duì)一定數(shù)量的學(xué)習(xí)內(nèi)容評(píng)價(jià)過(guò)時(shí)，合并后的評(píng)價(jià)將會(huì)和她自己實(shí)際的評(píng)價(jià)文件完全一樣，因?yàn)槲ㄒ皇苄湃蔚膶W(xué)習(xí)者就是自己。這樣，基于合并信任機(jī)制的協(xié)同過(guò)濾學(xué)習(xí)推薦方法將與常規(guī)的CF方法沒(méi)有區(qū)別。另一方面，當(dāng)冷淡學(xué)習(xí)者尚未評(píng)價(jià)任何學(xué)習(xí)內(nèi)容但已指定一些信任學(xué)習(xí)者時(shí)，這些信任學(xué)習(xí)者的評(píng)價(jià)正如我們所描述的那樣可以合并。在任一種情況下，我們的方法都有能力形成新的等級(jí)文件，從而減輕冷啟動(dòng)問(wèn)題。

4 結(jié)論

本文提出了一種新的方法，把信任學(xué)習(xí)者的評(píng)價(jià)合并進(jìn)去以此代表活躍學(xué)習(xí)者的喜好，再融合傳統(tǒng)的協(xié)同過(guò)濾技術(shù)來(lái)解決傳統(tǒng)推薦系統(tǒng)中的數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題并可以識(shí)別出更多相似學(xué)習(xí)者。

參考文獻(xiàn)：

[1] 王劍， 陳濤. 個(gè)性化e-Learning協(xié)作學(xué)習(xí)推薦系統(tǒng)研究[J]. 中國(guó)遠(yuǎn)程教育， 2016（7）.

[2] 高山， 劉煒， 崔勇， 等. 王宗敏一種融合多種用戶行為的協(xié)同過(guò)濾推薦算法[J]. 計(jì)算機(jī)科學(xué)， 2016（9）.

[3] 馬莉. 一種利用用戶學(xué)習(xí)樹改進(jìn)的協(xié)同過(guò)濾推薦方法[J]. 現(xiàn)代圖書情報(bào)技術(shù)， 2016（4）.

[4] 黃粲. 一種改進(jìn)的協(xié)同過(guò)濾推薦算法[J]. 經(jīng)濟(jì)研究導(dǎo)刊， 2016（23）.

[5] 冷亞軍， 陸青， 梁昌勇. 協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 模式識(shí)別與人工智能， 2014（8）.

[6] 孫歆， 王永固， 邱飛岳. 基于協(xié)同過(guò)濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究[J]. 2012（8）.

[7] 張宏亮. 基于協(xié)同過(guò)濾技術(shù)的學(xué)習(xí)資源個(gè)性化推薦研究[J]. 山東工業(yè)技術(shù)， 2016（16）.

[8] 史玉珍， 鄭浩. 基于協(xié)同過(guò)濾技術(shù)的個(gè)性化推薦系統(tǒng)研究[J]. 電子設(shè)計(jì)工程， 2012（11）.

[9] 趙寧， 王學(xué)軍. 推薦系統(tǒng)中協(xié)同過(guò)濾技術(shù)的研究[J]. 河北省科學(xué)院學(xué)報(bào)， 2013（2）.

[10] 姜維龐， 秀麗. 面向數(shù)據(jù)稀疏問(wèn)題的個(gè)性化組合推薦研究[J]. 計(jì)算機(jī)工程與應(yīng)用2012（21）.

[11] 王永固， 邱飛岳， 趙建龍， 等. 基于協(xié)同過(guò)濾技術(shù)的學(xué)習(xí)資源個(gè)性化推薦研究[J]. 遠(yuǎn)程教育雜志， 2011（3）.