電子商務(wù)中基于客戶偏好和情感評(píng)估的個(gè)性化推薦算法

楊茂保

文章編號(hào)： 2095-2163（2018）03-0118-04中圖分類號(hào)： 文獻(xiàn)標(biāo)志碼： A

摘要： 關(guān)鍵詞： customer preference and emotional evaluation in E-commerce

（School of Electronic Commerce， Jiujiang University， Jiujiang Jiangxi 332005， China）

Abstract： In the era of e-commerce， online customer reviews have become a source of information for the general and valuable customers and businessmen to make business decisions. Based on sentiment evaluation，the paper finds potential customers' preferences， proposes an improved collaborative filtering algorithm， and predicts customers' future needs for enterprise services or products （collectively referred to as entities）. Specifically， the method consists of three main steps： level emotion assessment， customer preference mining and personalized recommendation. First， the level of the structural review of the transformation of optical character recognition is evaluated by the level of emotion. Second， customer preference mining uses the vector to extract the feature words from the emotion， and assigns the polarity to each emotion. Finally， the customer preference and customer similarity are calculated by using characteristic words and emotional polarity score. Personalized recommendation of services and products is utterly generated based on customer similarity. The experimental results show that the method is superior to the traditional collaborative filtering method.

Key words：

基金項(xiàng)目：

作者簡(jiǎn)介：

收稿日期： 引言

隨著電子商務(wù)網(wǎng)站的快速發(fā)展，網(wǎng)上用戶選擇合適的實(shí)體即已成為一個(gè)繁瑣的過(guò)程。為了有效應(yīng)對(duì)這樣一個(gè)廣泛的商業(yè)問(wèn)題，大多數(shù)電子商務(wù)網(wǎng)站將互聯(lián)網(wǎng)技術(shù)和客戶數(shù)據(jù)結(jié)合起來(lái)，開(kāi)發(fā)一個(gè)推薦系統(tǒng)，利用顧客的背景和行為來(lái)預(yù)測(cè)其興趣偏好，再借此助力零售站點(diǎn)做出適當(dāng)和個(gè)性化的建議。這些個(gè)性化的推薦系統(tǒng)可以有利于提升信息處理和現(xiàn)場(chǎng)互動(dòng)效果，并且運(yùn)用了多種技術(shù)，最終目的是向客戶展示最相關(guān)和最吸引人的信息。

到目前為止，各種推薦的方法已獲提出，包括基于內(nèi)容的推薦、基于規(guī)則的推薦和協(xié)同過(guò)濾等方法。其中，協(xié)同過(guò)濾算法還可細(xì)分為基于用戶的推薦、基于項(xiàng)目的推薦和基于模型的推薦。只是在每一種方法中，仍然存在一些不足，削弱了推薦的實(shí)效性，必須引入后續(xù)的研究改進(jìn)。例如，基于項(xiàng)目的推薦只考慮Web頁(yè)面的內(nèi)容而非客戶的興趣或需求，這將導(dǎo)致推薦結(jié)果與客戶期望之間存在差距?；谝?guī)則的推薦使用基于信息屬性或客戶興趣的規(guī)則，但是當(dāng)面對(duì)大量規(guī)則時(shí)，特別是當(dāng)某些規(guī)則發(fā)生沖突時(shí)，很難選出適當(dāng)?shù)囊?guī)則并確保推薦質(zhì)量。根據(jù)用戶對(duì)物品或者信息的偏好，發(fā)現(xiàn)物品或者內(nèi)容本身的相關(guān)性，或者是發(fā)現(xiàn)用戶的相關(guān)性，而后再基于這些關(guān)聯(lián)性進(jìn)行推薦。一般來(lái)說(shuō)，傳統(tǒng)的方法通常只注重某一方面，如客戶的需求或客戶的行為，并沒(méi)有充分利用客戶呈現(xiàn)的一些主體信息，特別是在線客戶評(píng)論時(shí)的情緒因素。而在各類實(shí)踐中，消費(fèi)者對(duì)某一實(shí)體不同方面的偏好和情感極性在生成個(gè)性化推薦中將具有重要的學(xué)術(shù)研究?jī)r(jià)值。

此外，雖然協(xié)同過(guò)濾已成為學(xué)界常用的信息推薦方法之一，但卻仍然存在一些問(wèn)題。研究發(fā)現(xiàn)，協(xié)同過(guò)濾在計(jì)算客戶相似度時(shí)總是使用客戶的背景信息。背景信息通常是在客戶注冊(cè)過(guò)程中提供的。然而，由于其準(zhǔn)確性和完整性有限，這些信息不足以支持生成有效推薦。為了收集更多有用的數(shù)據(jù)，在線網(wǎng)站試圖收集互聯(lián)網(wǎng)上客戶的所有活動(dòng)信息，不僅是采購(gòu)記錄，還包括搜索的短語(yǔ)和瀏覽的產(chǎn)品。然而，當(dāng)網(wǎng)站建成歷史較短時(shí)，關(guān)于這些活動(dòng)的信息采集就很難達(dá)到設(shè)計(jì)預(yù)期。

通過(guò)整合客戶偏好和情感轉(zhuǎn)化為推薦的驅(qū)動(dòng)，以在線客戶評(píng)價(jià)來(lái)考慮推薦的方法來(lái)分析客戶的情緒對(duì)其購(gòu)買產(chǎn)品的影響。具體來(lái)說(shuō)，這種方法是將光學(xué)字符識(shí)別的內(nèi)容，以水平向量，從情感方面的特征詞提取和分配進(jìn)行極性評(píng)價(jià)每一份感情。此后，再利用特征詞和情感極性評(píng)分計(jì)算顧客偏好和顧客相似性。通過(guò)這種分析，電子商務(wù)網(wǎng)站可以在一定程度上避免客戶背景信息不足，解決冷啟動(dòng)和數(shù)據(jù)稀疏問(wèn)題。此外，電子商務(wù)網(wǎng)站還可以出臺(tái)高度靈活策略來(lái)向客戶推薦更多相關(guān)信息，提高推薦算法的性能。

1基于情感評(píng)估的協(xié)同過(guò)濾

協(xié)同過(guò)濾技術(shù)在傳統(tǒng)的推薦算法中得到了廣泛的應(yīng)用，其優(yōu)勢(shì)顯而易見(jiàn)。然而，如前所述，協(xié)同過(guò)濾也存在一些問(wèn)題，如冷啟動(dòng)和數(shù)據(jù)稀疏。為此，研究提出一種情感評(píng)估與協(xié)同過(guò)濾相結(jié)合的新方法，該方法優(yōu)化了基于光學(xué)字符識(shí)別和研究致力解決的個(gè)性化推薦的準(zhǔn)確度。

情感評(píng)價(jià)是對(duì)語(yǔ)境中的主觀信息進(jìn)行識(shí)別和提取，如觀點(diǎn)和情感，針對(duì)協(xié)同推薦中的協(xié)同過(guò)濾問(wèn)題，研究者擬將更加重視情感評(píng)價(jià)，產(chǎn)生意見(jiàn)挖掘和實(shí)體推薦。迄今為止，對(duì)不同文化背景和語(yǔ)言背景的顧客情感進(jìn)行了廣泛的研究，如漢語(yǔ)、英語(yǔ)和歐洲語(yǔ)言。

本文在回顧前人工作的基礎(chǔ)上，提出了情感分析中經(jīng)常論及的2個(gè)主要任務(wù)，即情緒極性和情感強(qiáng)度評(píng)價(jià)。首先，情感極性通?？梢曌饕粋€(gè)分類過(guò)程，將在線客戶評(píng)論的極性分類為正、負(fù)或中性。根據(jù)極性，研究人員可以直接顯示顧客的偏好。在該項(xiàng)任務(wù)中，應(yīng)突出表達(dá)評(píng)論，并著重顯示相應(yīng)的實(shí)體特性。其次，情感強(qiáng)度通常被認(rèn)為是特征權(quán)重，因?yàn)榫哂邢嗤瑯O性的情緒可能反映不同程度的情緒強(qiáng)度。測(cè)量情緒強(qiáng)度可以推得顧客對(duì)實(shí)體的偏好。例如，這句話“電腦的圖形真的酷”，表示一種強(qiáng)烈的積極情緒，而“這臺(tái)電腦的圖形是好的”表示部分積極的情緒。因此，有必要對(duì)極性和強(qiáng)度進(jìn)行情感評(píng)估。

電子商務(wù)活動(dòng)中尋找客戶偏好具有重要性，相當(dāng)多的研究工作始終立足于開(kāi)發(fā)商業(yè)智能，其中包括客戶偏好，為個(gè)別在線客戶發(fā)送提供個(gè)性化的建議，然而，忽略了光學(xué)字符識(shí)別效應(yīng)在解釋客戶偏好的原因以及分析客戶偏好的影響因素中的作用，只有少數(shù)研究利用這些信息來(lái)處理產(chǎn)生建議，與本文的工作相比，層面的客戶偏好被全面納入。研究中將重點(diǎn)劃定3個(gè)主要步驟：層面情感評(píng)價(jià)，客戶偏好挖掘和個(gè)性化推薦。一方面，情感評(píng)價(jià)變換光學(xué)字符識(shí)別的結(jié)構(gòu)化審查方面水平向量。另一方面，客戶偏好挖掘使用向量從情感中提取層面特征詞，并將極性分值分配給每個(gè)情感。最后，利用特征詞和情感極性評(píng)分來(lái)衡量顧客偏好和顧客相似性。

2基于客戶偏好和情感評(píng)估的協(xié)同過(guò)濾算法

基于偏好挖掘和情感評(píng)估的擬議推薦方法的研究設(shè)計(jì)由3個(gè)內(nèi)容組成：層面情感評(píng)估、客戶偏好挖掘、個(gè)性化推薦生成，整體研發(fā)結(jié)構(gòu)如圖1所示。其中，層面情感評(píng)價(jià)是客戶偏好挖掘的基礎(chǔ)，可將原始數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化層面的數(shù)據(jù)，如價(jià)格、物流服務(wù)和硬件屬性等；然后，客戶偏好挖掘則綜合考慮了顧客對(duì)各個(gè)層面特征的意見(jiàn)極性和強(qiáng)度。最后，利用層面上的極性和強(qiáng)度數(shù)據(jù)，應(yīng)用增強(qiáng)的協(xié)同過(guò)濾過(guò)程生成推薦結(jié)果。對(duì)此，可展開(kāi)研究論述如下。

2.1層面情感評(píng)價(jià)

層面情感評(píng)價(jià)的主要目的是將原始數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)。層面情感評(píng)價(jià)可分解為如下3個(gè)步驟：預(yù)處理、識(shí)別與還原、情緒評(píng)估。預(yù)處理在設(shè)計(jì)上就是從原始數(shù)據(jù)中刪除重復(fù)的評(píng)論，并對(duì)評(píng)審詞進(jìn)行分段，以獲得一個(gè)精煉的數(shù)據(jù)集。然后，特征識(shí)別步驟從細(xì)化的數(shù)據(jù)集中提取特征詞，特征約簡(jiǎn)步驟則將其轉(zhuǎn)化到實(shí)體識(shí)別的方面。最后，情感評(píng)價(jià)步驟可求得評(píng)審中各方面的情感程度，構(gòu)建了一個(gè)結(jié)構(gòu)化的評(píng)審數(shù)據(jù)集。各部分研究工作可詳見(jiàn)如下。

2.1.1預(yù)處理

預(yù)處理即是指處理重復(fù)的條目、缺失值和拼寫錯(cuò)誤的單詞以及單詞和短語(yǔ)。首先，重復(fù)評(píng)審（通常是在虛假評(píng)審或系統(tǒng)默認(rèn)評(píng)審時(shí)發(fā)生）。其次，漢語(yǔ)詞法分析系統(tǒng)對(duì)原評(píng)論分割成單詞和短語(yǔ)，這意味著大多數(shù)名詞、形容詞、副詞、程度副詞和否定詞都是作為結(jié)構(gòu)化數(shù)據(jù)集來(lái)保存和形成的。此外，根據(jù)漢語(yǔ)的性質(zhì)和習(xí)慣，只需指定每個(gè)復(fù)習(xí)的句型，以確保其意義是公正的?；揪湫桶愂鼍?、感嘆句和疑問(wèn)句，可以通過(guò)復(fù)習(xí)的標(biāo)點(diǎn)符號(hào)來(lái)識(shí)別。如果標(biāo)點(diǎn)符號(hào)是“！”，模式設(shè)置為“感嘆”；如果標(biāo)點(diǎn)符號(hào)為“？”，模式設(shè)置為“詢問(wèn)”；其它設(shè)置為“語(yǔ)句”。具體地說(shuō)，給定一個(gè)原始的在線客戶評(píng)價(jià)數(shù)據(jù)集R=（r1，r2，…，r|R|），研究定義一個(gè)向量S存儲(chǔ)數(shù)據(jù)預(yù)處理的在線客戶評(píng)價(jià)數(shù)據(jù)集，S=（s1，s 2，…，sn）。對(duì)每個(gè)評(píng)審Si，可將其剖分為一些層面的觀點(diǎn)，si=（o1，o2，…，on），例如，“計(jì)算機(jī)非常漂亮！然而，硬盤的大小對(duì)于商業(yè)用途來(lái)說(shuō)實(shí)在是有限的。”可以進(jìn)行如下的預(yù)處理：

O1=（計(jì)算機(jī)，非常漂亮，感嘆）

O2=（大小，硬盤，有限，商業(yè)用途，聲明）

2.1.2識(shí)別與還原

客戶通常提供評(píng)級(jí)和回饋評(píng)論以評(píng)估實(shí)體，然而，不同的客戶可能會(huì)使用不同的特征詞來(lái)意指某一方面。例如，客戶對(duì)個(gè)人電腦的評(píng)論可能會(huì)使用“計(jì)算機(jī)成本非常高”或“產(chǎn)品價(jià)格友好”來(lái)描述價(jià)格的具體方面。因此，為了識(shí)別此類方面級(jí)別的評(píng)論，可從預(yù)處理結(jié)果中提取前100個(gè)常用的層面詞，再通過(guò)人工檢查和總結(jié)這些方面來(lái)創(chuàng)建一個(gè)列表。

此外，上面創(chuàng)建的列表需要減少，因?yàn)榭赡軙?huì)相當(dāng)長(zhǎng)。在此步驟中，刪除初始方面列表，同時(shí)一并刪除一些相似的方面用語(yǔ)，形成規(guī)范的方面列表。首先，每一個(gè)方面都有3～5個(gè)詞作為種子詞匯，這些種子可以根據(jù)實(shí)驗(yàn)運(yùn)行模式產(chǎn)生一個(gè)良好的結(jié)果。然后，其它相關(guān)的特征詞可以根據(jù)候選特征詞f和a的種子之間的依賴關(guān)系來(lái)評(píng)定衡量，數(shù)學(xué)定義如下：

x2f，a=N×（AD-CB）2（A+C）×（B+D）×（A+B）×（C+D）（1）

其中，f表示發(fā)生的一個(gè)短句子種子詞的頻率（短句子之間用標(biāo)點(diǎn)符號(hào)互相分隔的條款）；B是頻率f不同時(shí)出現(xiàn)在同一句的任何種子詞；C是一個(gè)簡(jiǎn)短的句子，包括但不包括f；種子字頻率是短句子不含f和任何一個(gè)種子詞的頻率。對(duì)一個(gè)具有高度依賴性的詞進(jìn)行聚類，以更新相應(yīng)的種子詞匯詞典，用于在下一次迭代中搜索其它高度依賴的特征詞。

2.1.3情感評(píng)估

情感評(píng)估的研發(fā)重點(diǎn)是識(shí)別情緒極性和強(qiáng)度以及每個(gè)客戶評(píng)論的層面級(jí)別特征加權(quán)。針對(duì)這一問(wèn)題，研究定義了向量s={（t1，ω1），（t2，ω2），…，（tn，ωn）}，并且s∈S代表某客戶的評(píng)論，ti是一個(gè)向量，代表一名特定客戶方面的意見(jiàn)。首先，將情感極性和強(qiáng)度信息結(jié)合起來(lái)，用4個(gè)變量表示形容詞的修飾語(yǔ)：形容詞、程度副詞、否定詞和句型。例如，形容詞、如“好”等，可以表達(dá)情感極性的趨勢(shì)。程度副詞、如“太”等，也會(huì)加重意見(jiàn)詞的極性，對(duì)評(píng)論的情感傾向產(chǎn)生強(qiáng)烈的影響。漢語(yǔ)中有30多個(gè)常用的程度副詞可以用來(lái)強(qiáng)調(diào)個(gè)人情感，因此，這些詞是單獨(dú)提取出來(lái)研究的。否定詞可以顛倒意見(jiàn)詞的極性，句型可以表達(dá)觀點(diǎn)的語(yǔ)氣。因此，準(zhǔn)確估計(jì)這4個(gè)變量是測(cè)量情緒極性和極性強(qiáng)度的基礎(chǔ)。每個(gè)基于方面的向量都可以規(guī)整為七元組向量，數(shù)學(xué)形式可表述為：

ti=（f，adj，advd，nadvd，sadvd，neg，p）

其中，f表示前文所述的層面級(jí)特征詞；adj表示修改特征f的意見(jiàn)詞；advd是程度副詞的縮寫；nadvd是程度副詞的數(shù)量；sadvd是程度副詞的平均得分；neg是否定變量，用0或1代表評(píng)價(jià)趨向；p是句型，可以通過(guò)使用標(biāo)點(diǎn)符號(hào)標(biāo)識(shí)客戶評(píng)價(jià)內(nèi)容。例如：“計(jì)算機(jī)非常漂亮！然而，硬盤的大小對(duì)于商業(yè)用途來(lái)說(shuō)實(shí)在是有限的?！边@種檢查可以用向量做出如下表示：

（計(jì)算機(jī)，漂亮，很，1，4，0，感嘆）

（硬盤，有限，真的，1，4，0，聲明）

研究中，運(yùn)用漢語(yǔ)詞匯的屬性關(guān)系和詞句對(duì)程度副詞進(jìn)行分級(jí)，而關(guān)于每個(gè)層面的特征，同時(shí)又測(cè)量了程度副詞的平均得分，并用得分來(lái)表示極性的強(qiáng)度。引入方面級(jí)特征加權(quán)ωi，以往的研究多是集中在特征詞的詞頻測(cè)量意見(jiàn)權(quán)重，也就是研發(fā)得到的基于TF-IDF算法。然而一般情況下，情感并不是通過(guò)重復(fù)相同的特征詞來(lái)宣泄表達(dá)的。在漢語(yǔ)語(yǔ)境中，客戶傾向于使用程度副詞來(lái)表達(dá)其評(píng)判意見(jiàn)。因此，本文提出了一種改進(jìn)的TF-IDF算法，則是基于特征和程度副詞來(lái)測(cè)量方面的水平特征的重要性。對(duì)于某個(gè)特定si中的每個(gè)特性fi，該算法可具體解析為如下公式：TFfi，si=nadvd（fi）×sadvd（fi）∑fnf1nadvd（fi）×sadvd（fi）（2）

IDFfi，si=log （NSNF+0.01）（3）

ωi=TF（fi，si）×IDF（fi，si）（4）其中，NS表示客戶評(píng)價(jià)的總數(shù)，NF表示包含特征fi的客戶評(píng)價(jià)數(shù)。

2.2客戶偏好挖掘和個(gè)性化推薦

客戶相似性是基于協(xié)同過(guò)濾的個(gè)性化推薦方法中的一個(gè)關(guān)鍵因素。在這一步中，將情感極性、情感強(qiáng)度和特征權(quán)重作為衡量客戶偏好和計(jì)算客戶相似性的依據(jù)。大多數(shù)傳統(tǒng)的方法都關(guān)注客戶或?qū)嶓w之間的共性，通常忽略了關(guān)于不同客戶偏好的多樣化信息。利用結(jié)構(gòu)化向量水平來(lái)判定客戶的相似性，并旨在提高個(gè)性化推薦的性能。在單個(gè)客戶的決策過(guò)程中，由于顧客的不同看法和期望，各方面的權(quán)重不同。例如，高消費(fèi)能力的顧客傾向于購(gòu)買具有最佳配置的電子產(chǎn)品，而其它人在購(gòu)買電子產(chǎn)品時(shí)可能更注重成本效率。因此，客戶的購(gòu)買行為在很大程度上取決于吸引其喜歡的重要方面。在這方面，通過(guò)層面的喜好，即客戶的看法和期望，開(kāi)發(fā)一種新的方法來(lái)衡量客戶的相似性。

提出了一種客戶偏好挖掘方法，根據(jù)客戶評(píng)論中重要的程度，分析計(jì)算不同客戶之間的相似性。假定向量s={（t1，ω1），（t2，ω2），…，（tn，ωn）}是客戶對(duì)實(shí)體不同方面的意見(jiàn)的匯總，各方面在聚合中有著不同的貢獻(xiàn)和極性，給定一個(gè)客戶ui和方面fk，客戶偏好可按如下公式進(jìn)行計(jì)算，即：CPui， fk=∑ej∈eiSijsijk∑ej∈EiS2ij∑ej∈Eis2ijk（5）其中，sijk代表客戶的意見(jiàn)，Ei為實(shí)體評(píng)論數(shù)據(jù)集。

協(xié)同過(guò)濾的概念是，一個(gè)單獨(dú)的客戶喜歡與其自身有相同偏好的其它人推薦的實(shí)體。因此，一個(gè)客戶ui，具有較高的候選人評(píng)分實(shí)體ei將選作首席推薦。針對(duì)候選人的數(shù)學(xué)運(yùn)算可推得如下公式：CSui， fk=i+∑un∈UNsin（ui，um）×（smk，m）∑un∈UNsin（ui，um）（6）3結(jié)束語(yǔ)

提出了一種增強(qiáng)的基于偏好挖掘和情感評(píng)價(jià)的協(xié)同過(guò)濾算法。這種方法的主要理論貢獻(xiàn)是從在線客戶評(píng)價(jià)的特征詞提取方面的有效性，并將情感極性以更適合中國(guó)語(yǔ)境的程度副詞進(jìn)行描述，基于特征詞和情感極性，計(jì)算得出客戶偏好和客戶相似度。此后的仿真實(shí)驗(yàn)表明，該方法優(yōu)于傳統(tǒng)的協(xié)同過(guò)濾，未來(lái)的研究將專業(yè)收集更多的數(shù)據(jù)，并進(jìn)一步提高該模型的通用性和可伸縮性。

參考文獻(xiàn)

[1] 張昊，紀(jì)宏超，張紅宇. XGBoost算法在電子商務(wù)商品推薦中的應(yīng)用[J]. 物聯(lián)網(wǎng)技術(shù)，2017，7（2）：102-104.

[2] 王許輝，呂肖飛. 電子商務(wù)個(gè)性化推薦系統(tǒng)模型介紹[J]. 信息與電腦（理論版），2017（10）：85-89.

[3] 楊志平，徐騫，馬銘. 基于中間商品興趣度加權(quán)的內(nèi)容推薦算法[J]. 北華大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，18（6）：831-834.

[4] 葉建龍. 基于Mahout的個(gè)性化電子商務(wù)推薦系統(tǒng)研究[J]. 信息通信，2017（10）：129-130.

[5] 陳星星. 基于多最小支持度關(guān)聯(lián)規(guī)則的電子商務(wù)推薦系統(tǒng)的研究與實(shí)現(xiàn)[D]. 廣州：暨南大學(xué)，2017.

[6] 張光. 基于離群數(shù)據(jù)挖掘的電子商務(wù)推薦系統(tǒng)研究[J]. 自動(dòng)化與儀器儀表，2017（8）：21-22，25.

[7] 吳金李，張建明. 基于二分K-means的協(xié)同過(guò)濾推薦算法[J]. 軟件導(dǎo)刊，2017，16（1）：26-29.

[8] 余明艷，郁春蘭. 農(nóng)產(chǎn)品電子商務(wù)推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 經(jīng)濟(jì)研究導(dǎo)刊，2017（28）：21-22.

[9] 戰(zhàn)凱. 基于遺忘函數(shù)和項(xiàng)目流行度的推薦算法研究[D]. 銀川：北方民族大學(xué)，2017.

[10]張航，葉東毅. 一種基于多正則化參數(shù)的矩陣分解推薦算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53（3）：74-79.

[11]王茜，王均波. 一種改進(jìn)的協(xié)同過(guò)濾推薦算法[J]. 計(jì)算機(jī)科學(xué)，2010，37（6）：226-228，243.

[12]文俊浩，袁培雷，曾駿，等. 基于標(biāo)簽主題的協(xié)同過(guò)濾推薦算法研究[J]. 計(jì)算機(jī)工程，2017，43（1）：247-252，258.（上接第117頁(yè)）

[2] 趙越，喬玉燈. 基于嵌入式的人臉識(shí)別考勤系統(tǒng)的研究[J]. 電子技術(shù)與軟件工程，2015（17）：211.

[3] 王威. 基于ARM9硬件平臺(tái)的人臉識(shí)別系統(tǒng)設(shè)計(jì)與研究[D]. 成都：電子科技大學(xué)，2013.

[4] 儲(chǔ)清翠. 復(fù)雜光照條件下人臉跟蹤算法研究[D]. 合肥：安徽大學(xué)，2014.

[5] 王茜，肖國(guó)強(qiáng)，吳松，等. 基于LBP直方圖的復(fù)雜光照下的人臉識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，48（15）：181-186.

[6] 易焱，蔣加伏. 基于LBP和棧式自動(dòng)編碼器的人臉識(shí)別算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2018，54（12）：163-167，245.

[7] 胡沐晗. 基于PCA和SVM的人臉識(shí)別系統(tǒng)[J]. 計(jì)算機(jī)時(shí)代，2017（12）：60-63，67.

[8] 楊梅芳，石義龍. 基于2DPCA+PCA與SVM的人臉識(shí)別[J]. 信息技術(shù)，2018（2）：32-36.

[12] EricA.Meyer. CSS權(quán)威指南[M]. 中國(guó)電力出版社， 2007.

[13]Sbelley Powers. JavaScript學(xué)習(xí)指南[M]. 人民郵電出版社.2009.

[14]Julie C.Meloni Michael Morrison. HTML與CSS入門經(jīng)典[M]. 人民郵電出版社，2011.

[15]Elisabeth Freeman，Eric Freeman. 深入淺出html[M]. 中國(guó)電力出版社.2008.

[16]MATT RICHARDSON，SHAWN_WALLACE.愛(ài)上Raspberry Pi[M]. 科學(xué)出版社，2013.