基于主題和多重信任關(guān)系的微博推薦方法研究

王戰(zhàn)平 夏榕

摘?要：[目的/意義]全面把握和理解用戶興趣偏好，準(zhǔn)確為用戶推薦相近興趣領(lǐng)域的微博，是提升用戶對微博平臺依賴程度的關(guān)鍵。針對當(dāng)前微博推薦方法存在的用戶興趣漂移、用戶間信任關(guān)系利用不充分等導(dǎo)致的推薦質(zhì)量不高的問題，提出了基于主題和多重信任關(guān)系的微博個(gè)性化推薦方法。[方法/過程]首先，利用HDP主題模型進(jìn)行目標(biāo)用戶及其關(guān)注用戶的主題挖掘，獲取目標(biāo)用戶及其關(guān)注用戶個(gè)體興趣偏好;其次，通過計(jì)算目標(biāo)用戶及其關(guān)注用戶的相似度和多重信任關(guān)系強(qiáng)度，獲取目標(biāo)用戶群體興趣偏好;第三，通過將目標(biāo)用戶個(gè)體興趣偏好與群體興趣偏好進(jìn)行線性加權(quán)，得到目標(biāo)用戶對微博主題的綜合興趣度;最后，根據(jù)新發(fā)布微博的主題概率分布和目標(biāo)用戶對微博主題的綜合興趣度，計(jì)算目標(biāo)用戶對新微博的興趣度并降序排列，得到前Top-N個(gè)推薦結(jié)果。[結(jié)果/結(jié)論]實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于傳統(tǒng)的推薦方法，充分利用了用戶間的信任關(guān)系，能夠有效解決用戶興趣漂移問題，提高了微博推薦的精準(zhǔn)性和質(zhì)量。

關(guān)鍵詞：微博推薦;多重信任關(guān)系;HDP主題挖掘

DOI：10.3969/j.issn.1008-0821.2021.02.001

〔中圖分類號〕G203?〔文獻(xiàn)標(biāo)識碼〕A?〔文章編號〕1008-0821（2021）02-0003-07

Abstract：[Purpose/Significance]To fully grasp and understand users'?interests preferences，and to accurately recommend microblogs of similar interests to users，is the key to improve users'?dependence on the microblog platform.In order to solve the problems of low quality of the current microblog recommendation methods，such as user interest drift and insufficient use of trust relationship among users，a personalized recommendation method based on topic and multiple trust relationship is proposed.[Methods/Process]First of all，this paper used HDP subject model to mine the subjects of the target users and their concerned users，and obtained the interests preferences of the target users and their concerned users.Secondly，by calculating the similarity and multiple trust relationship strength of the target users and their concerned users，the interests preferences of the target users was obtained.Thirdly，the target users'?individual interest and group interest were weighted linearly to get the target users'?comprehensive interest.Finally，according to thedistribution probabilityof the newly-published topics and the comprehensive interest degree of the target users，the interest degree of the target users was calculated and ranked in descending order，and the first Top-N recommended results were obtained.[Results/Conclusions]Experimental results showed that the method was superior to the traditional one，fully utilized the trust relationship between users，could effectively solve the problem of user interest drift，and improve the accuracy and quality of recommendation.

Key words：microblog recommendation;multiple trust relationship;topic mining

Web2.0技術(shù)的日趨成熟與快速發(fā)展，推動(dòng)著全球互聯(lián)網(wǎng)進(jìn)入網(wǎng)絡(luò)交互時(shí)代。微博作為Web2.0時(shí)代的典型代表，它的發(fā)展和應(yīng)用給互聯(lián)網(wǎng)信息傳播和社會生產(chǎn)生活方式帶來巨大的影響，逐漸成為社會信息共享和情感表達(dá)的交流互動(dòng)平臺。用戶可以通過微博平臺獲取海量實(shí)時(shí)信息，滿足信息需求，同時(shí)可以拓展社交網(wǎng)絡(luò)，擴(kuò)大人際交往范圍，建立新的社會關(guān)系[1]。根據(jù)2019年3月15日微博數(shù)據(jù)中心發(fā)布的《2018微博用戶發(fā)展報(bào)告》顯示，截至2018年12月，微博月活躍用戶已達(dá)4.62億，日活躍用戶增至2億[2]。隨著微博用戶和微博信息爆炸性增長，少量有用關(guān)鍵信息淹沒在海量信息海洋中，信息過載和知識缺乏現(xiàn)象越加突出，用戶在海量微博信息中找到自己感興趣的內(nèi)容變得越發(fā)困難。如何在海量微博信息中為用戶推薦高質(zhì)量的信息內(nèi)容，降低用戶獲取有用信息的成本，解決“信息迷航”問題，滿足用戶個(gè)性化信息需求，提高信息消費(fèi)和利用效率，成為當(dāng)前微博平臺運(yùn)營管理面臨的首要問題。

推薦系統(tǒng)作為緩解“信息迷航”的有效手段，目前已被廣泛應(yīng)用于各商業(yè)網(wǎng)絡(luò)及互聯(lián)網(wǎng)相關(guān)領(lǐng)域[3]。實(shí)現(xiàn)個(gè)性化推薦，準(zhǔn)確把握和理解用戶興趣偏好或需求是關(guān)鍵[4]。概率主題模型能夠從海量文檔中挖掘隱藏的主題結(jié)構(gòu)，將文檔從高維的詞向量空間映射到低維的主題向量空間，因此，利用概率主題模型進(jìn)行微博主題挖掘，獲取用戶興趣偏好，進(jìn)而推薦與用戶興趣偏好最為相似的微博集合，是目前常用的微博個(gè)性化推薦方法，如Ramage D等[5]利用WordNet、Wikipedia等外部知識庫進(jìn)行微博語義擴(kuò)充，利用LDA主題模型進(jìn)行用戶興趣偏好主題建模，實(shí)現(xiàn)用戶興趣偏好的語義表達(dá);Alkhodair S A等[6]利用LDA主題模型進(jìn)行Twitter的主題興趣挖掘，利用WordNet、Twitter-LDA進(jìn)行主題興趣的特征詞擴(kuò)充，實(shí)現(xiàn)了用戶興趣偏好的準(zhǔn)確表達(dá);崔金棟等[7]提出的基于LDA主題模型的微博信息推薦方法，利用大數(shù)據(jù)技術(shù)進(jìn)行海量微博文本的預(yù)處理，提高了微博信息推薦的查全率和查準(zhǔn)率。王涵等[8]提出結(jié)合LDA主題模型和列表排序的協(xié)同過濾方法，利用LDA主題模型進(jìn)行用戶—項(xiàng)目評分矩陣建模，實(shí)現(xiàn)用戶興趣偏好的表達(dá)。利用LDA主題模型進(jìn)行用戶興趣偏好主題挖掘，需要預(yù)先設(shè)置生成主題K值，K值的設(shè)置具有很大的隨機(jī)性和主觀性，影響了最終生成主題的質(zhì)量。同時(shí)，微博內(nèi)容形式多樣，隨意性和碎片化嚴(yán)重，僅利用LDA主題模型進(jìn)行用戶興趣偏好挖掘難以解決用戶興趣偏好漂移問題，主要不足在于深層次的用戶興趣偏好難以被表達(dá)。

事實(shí)上，依據(jù)社會學(xué)中的同質(zhì)理論，社會化環(huán)境下微博用戶的興趣偏好更易受到其信任的社交好友的影響[9]。除了利用LDA主題模型進(jìn)行微博用戶興趣偏好主題挖掘外，用戶間通過社交行為形成的信任關(guān)系更能體現(xiàn)出用戶的興趣偏好特征，是衡量用戶興趣偏好或需求的重要內(nèi)容。現(xiàn)有的基于信任關(guān)系的微博推薦方法，如SocialMF[10]、RSTE[11]等，大都將用戶間信任關(guān)系視為單一、同質(zhì)的關(guān)系，簡單地利用用戶間的關(guān)注/被關(guān)注關(guān)系進(jìn)行信任強(qiáng)度計(jì)算，較少考慮用戶間信任強(qiáng)度的差異和潛在影響，致使推薦效果很不理想。針對上述問題，本文在深入研究微博主題特征和用戶間社交行為的基礎(chǔ)上，將概率主題模型、用戶間信任關(guān)系與微博個(gè)性化推薦方法相結(jié)合，提出了基于主題和多重信任關(guān)系的微博個(gè)性化推薦方法。首先，利用HDP主題模型進(jìn)行目標(biāo)用戶及其關(guān)注用戶的主題挖掘，得到目標(biāo)用戶及其關(guān)注用戶的興趣偏好主題概率分布，實(shí)現(xiàn)目標(biāo)用戶及其關(guān)注用戶的個(gè)體興趣偏好表達(dá);其次，通過計(jì)算目標(biāo)用戶及其關(guān)注用戶的相似度和多重信任關(guān)系強(qiáng)度，得到目標(biāo)用戶感興趣的群體用戶，實(shí)現(xiàn)目標(biāo)用戶群體興趣偏好的表達(dá);第三，通過將目標(biāo)用戶的個(gè)體興趣偏好與群體興趣偏好進(jìn)行線性加權(quán)，得到目標(biāo)用戶對微博主題的綜合興趣度，解決用戶興趣偏移問題;最后，根據(jù)新發(fā)布微博的主題概率分布和目標(biāo)用戶對微博主題的綜合興趣度，計(jì)算目標(biāo)用戶對新微博的興趣度并降序排列，得到排序前Top-N個(gè)推薦結(jié)果。

1?基于主題和多重信任關(guān)系的微博推薦方法

基于主題和多重信任關(guān)系的微博推薦方法（Microblog Recommendation Method Based on Topic and Multiple Trust Relationship，MR-TMTR）總體架構(gòu)如圖1所示，主要包括4個(gè)模塊：主題挖掘模塊、多重信任關(guān)系計(jì)算模塊、加權(quán)主題興趣度計(jì)算模塊、微博個(gè)性化推薦模塊。

1.1?主題挖掘模塊

主題挖掘模塊的主要功能是利用HDP（Hierarchical Dirichlet Processes，分層狄利克雷過程）主題模型進(jìn)行目標(biāo)用戶U及其關(guān)注用戶V的微博主題挖掘，得到目標(biāo)用戶U及其關(guān)注用戶V的主題概率分布，實(shí)現(xiàn)目標(biāo)用戶U及其關(guān)注用戶V的個(gè)體興趣偏好表達(dá)。由于利用LDA主題模型進(jìn)行微博主題挖掘時(shí)，需要預(yù)先設(shè)置生成主題的K值，隨機(jī)性和主觀性較大，影響了最終生成主題的質(zhì)量;同時(shí)，利用Dirichlet分布進(jìn)行LDA主題采樣，前提是各生成主題間是相互獨(dú)立的，使得主題間的相關(guān)性得不到有效表達(dá)。HDP主題模型是一種在DP（Dirichlet Processes，狄利克雷過程）的基礎(chǔ)上，使用Stick-breaking、Polya Ura或Chinese Restaurant Process構(gòu)造狄利克雷過程的主題生成模型，主要特點(diǎn)是可以通過自動(dòng)學(xué)習(xí)主題數(shù)目，挖掘文檔內(nèi)部深層次的語義信息，得到文檔—主題—特征三層模型，無需預(yù)先設(shè)置生成主題K值，提高了最后生成主題的質(zhì)量;同時(shí)，通過趨于無限的概率計(jì)算進(jìn)行主題混合，能夠根據(jù)不同的混合比例進(jìn)行新的DP生成和新生主題共享，使得主題間的相關(guān)性得到表達(dá)[12]。因此，選擇HDP主題模型進(jìn)行微博用戶主題挖掘，圖2給出了利用HDP主題模型生成用戶主題分布向量的圖模型，表1對HDP圖模型中的符號進(jìn)行了說明。利用HDP主題模型進(jìn)行微博主題挖掘的實(shí)現(xiàn)過程，主要分為4步：

Step1：初始化微博主題分布向量θk，利用Stick-breaking構(gòu)造方法進(jìn)行HDP模型采樣，抽樣生成微

博主題在語料庫層的分布率Gk，采樣方法為：

Step2：隨機(jī)選取任意微博文本m，利用Multinomial分布函數(shù)進(jìn)行微博主題的抽樣生成，即Sm，i～Multinomial（σ（G））;再利用Beta（α）分布函數(shù)進(jìn)行微博文本Stick-breaking概率的抽樣生成，即Gk～Beta（1，γ）。

Step3：針對微博文本m中的任意詞n進(jìn)行主題分配，即Tm，n～Multinomial（σ（Dm，i），在此基礎(chǔ)上進(jìn)行詞wm，n的抽樣生成，即wm，n～Multinomial（θm，Tm，n。

Step4：借助變分推斷方法[13]進(jìn)行真實(shí)后驗(yàn)概率分布的近似計(jì)算，得到目標(biāo)用戶U及其關(guān)注用戶V的主題概率分布。

1.2?多重信任關(guān)系計(jì)算模塊

多重信任關(guān)系計(jì)算模塊的主要功能是根據(jù)目標(biāo)用戶U及其關(guān)注用戶V的社交行為，從關(guān)注關(guān)系、共同關(guān)注關(guān)系、共同評論關(guān)系、共同轉(zhuǎn)發(fā)關(guān)系等多重維度進(jìn)行用戶間信任關(guān)系強(qiáng)度計(jì)算，線性加權(quán)得到目標(biāo)用戶U對其關(guān)注用戶V的綜合信任關(guān)系強(qiáng)度，解決目前用戶信任計(jì)算簡單地利用用戶間的關(guān)注/被關(guān)注關(guān)系。該過程主要分為5步：

Step1：計(jì)算目標(biāo)用戶U對其關(guān)注用戶V的關(guān)注關(guān)系信任強(qiáng)度。在微博平臺中，用戶間的關(guān)注/被關(guān)注關(guān)系是微博信息傳播的主要途徑，用戶轉(zhuǎn)發(fā)或收到的微博信息主要來自于其關(guān)注的好友，是一種顯式直接的信任關(guān)系[14]。假設(shè)用戶U關(guān)注了用戶V、w1、w2、w3，說明用戶U可能與用戶V、w1、w2、w3的興趣偏好相似，用戶V、w1、w2、w3可能會對用戶U的興趣偏好產(chǎn)生積極影響。相對于用戶w1、w2、w3，如果用戶U之前多次評論或轉(zhuǎn)發(fā)過用戶V的微博，則說明用戶U和用戶V的興趣偏好更相似，它們之間的信任關(guān)系強(qiáng)度也越大。因此，目標(biāo)用戶U對其關(guān)注用戶V的關(guān)注關(guān)系信任強(qiáng)度計(jì)算方法可定義為：

其中，Nuv表示目標(biāo)用戶U評論或轉(zhuǎn)發(fā)其關(guān)注用戶V的微博總次數(shù)，Nu表示目標(biāo)用戶U評論或轉(zhuǎn)發(fā)的微博總次數(shù)。

Step2：計(jì)算目標(biāo)用戶U對其關(guān)注用戶V的共同關(guān)注關(guān)系信任強(qiáng)度。假設(shè)用戶U關(guān)注了用戶V、w1、w2、w3，用戶V關(guān)注了用戶w2、w4、w5，則用戶U和用戶V共同關(guān)注了用戶w2，這種用戶U與其關(guān)注用戶V都共同關(guān)注了1個(gè)或多個(gè)其他用戶的情況，稱他們之間構(gòu)成共同關(guān)注關(guān)系，即粉絲關(guān)系。由于微博平臺中具有相似興趣偏好的用戶更容易形成粉絲關(guān)系，且用戶間共同關(guān)注的用戶越多，他們之間的興趣偏好越相似，因此，目標(biāo)用戶U對其關(guān)注用戶V的共同關(guān)注關(guān)系信任強(qiáng)度計(jì)算方法可定義為：

其中，F(xiàn)ollowees（U）表示目標(biāo)用戶U的所有關(guān)注好友列表。

Step3：計(jì)算目標(biāo)用戶U對其關(guān)注用戶V的共同評論關(guān)系信任強(qiáng)度。在微博平臺上，用戶可以對任意用戶發(fā)表的微博進(jìn)行評論，多個(gè)用戶經(jīng)常評論相同的微博，表明這些用戶之間存在相似的興趣偏好。假設(shè)目標(biāo)用戶U評論了用戶w6、w7、w8、w9的微博，用戶V評論了w6、w7、w10的微博，則表明目標(biāo)用戶U與其關(guān)注用戶V構(gòu)成了隱式共同評論關(guān)系，且共同評論的微博越多，他們之間的興趣偏好越相似，隱式信任關(guān)系強(qiáng)度也越大。因此，目標(biāo)用戶U對其關(guān)注用戶V的共同評論關(guān)系信任強(qiáng)度計(jì)算方法可定義為：

其中，Comments（U）表示目標(biāo)用戶U評論過的所有微博列表。

Step4：計(jì)算目標(biāo)用戶U對其關(guān)注用戶V的共同轉(zhuǎn)發(fā)關(guān)系信任強(qiáng)度。在微博平臺上，用戶可以對任意用戶發(fā)表的微博進(jìn)行轉(zhuǎn)發(fā)，多個(gè)用戶經(jīng)常轉(zhuǎn)發(fā)相同的微博，表明這些用戶之間存在相似的興趣偏好。假設(shè)目標(biāo)用戶U轉(zhuǎn)發(fā)了用戶w11、w12、w13、w14的微博，用戶V轉(zhuǎn)發(fā)了w11、w14、w15的微博，則表明目標(biāo)用戶U與其關(guān)注用戶V構(gòu)成了共同轉(zhuǎn)發(fā)關(guān)系，且共同轉(zhuǎn)發(fā)的微博越多，他們之間的興趣偏好越相似，信任關(guān)系強(qiáng)度也越大。因此，目標(biāo)用戶U對其關(guān)注用戶V的共同轉(zhuǎn)發(fā)關(guān)系信任強(qiáng)度計(jì)算方法可定義為：

T4UV=Retweets（U）∩Retweets（V）Retweets（U）∪Retweets（V）（5）

其中，Retweets（U）表示目標(biāo)用戶U轉(zhuǎn)發(fā)過的所有微博列表。

Step5：計(jì)算目標(biāo)用戶U對其關(guān)注用戶V的綜合信任關(guān)系強(qiáng)度。根據(jù)Step1～Step4的計(jì)算結(jié)果，線性加權(quán)得到目標(biāo)用戶U對其關(guān)注用戶V的綜合

信任關(guān)系強(qiáng)度：

1.3?加權(quán)主題興趣度計(jì)算模塊

加權(quán)主題興趣度計(jì)算模塊的主要功能是：首先，利用KL（Kullback-Leibler，KL）距離函數(shù)[15]進(jìn)行目標(biāo)用戶U與其關(guān)注用戶V的主題相似度計(jì)算，得到目標(biāo)用戶U和用戶V的主題相似度;其次，結(jié)合目標(biāo)用戶U對其關(guān)注用戶V的綜合信任關(guān)系強(qiáng)度，線性加權(quán)得到目標(biāo)用戶U對其關(guān)注用戶V的興趣度并降序排列，選取排名靠前的Top-N個(gè)關(guān)注用戶構(gòu)成目標(biāo)用戶U的興趣群體，得到目標(biāo)用戶U對微博主題的群體興趣分布;最后，將目標(biāo)用戶U的個(gè)體興趣偏好和群體興趣偏好進(jìn)行線性加權(quán)，得到目標(biāo)用戶U對微博主題的綜合主題興趣度。該過程主要分為3步：

Step1：目標(biāo)用戶U與其關(guān)注用戶V的主題相似度計(jì)算。假設(shè)利用HDP主題模型得到的目標(biāo)用戶U及其關(guān)注用戶V的主題概率分布向量分別是UIt、VIt，微博主題集合T={t1，t2，…，tk}，則利用KL距離函數(shù)得到的目標(biāo)用戶U和用戶V的主題相似度為：

Step2：計(jì)算目標(biāo)用戶U對微博主題的群體興趣分布。首先，根據(jù)目標(biāo)用戶U與其關(guān)注用戶V的主題相似度sim（UIt，VIt）、目標(biāo)用戶U對其關(guān)注用戶V的多重信任關(guān)系強(qiáng)度TUV，線性加權(quán)得到目標(biāo)用戶U對其關(guān)注用戶V的興趣度：

其中，φ表示權(quán)重系數(shù)。將R（U，P）的計(jì)算結(jié)果降序排序，選取靠前的Top-N個(gè)關(guān)注用戶構(gòu)成目標(biāo)用戶U的興趣群體Q，計(jì)算目標(biāo)用戶U對微博主題的群體興趣分布：

其中，PIt表示興趣群體Q中任意用戶P的主題概念概率分布。

Step3：計(jì)算目標(biāo)用戶U對微博主題的綜合主題興趣度。線性加權(quán)目標(biāo)用戶U的個(gè)體興趣偏好UIt和群體興趣偏好UQt，得到目標(biāo)用戶U對微博主題的綜合主題興趣度：

其中，τ表示權(quán)重系數(shù)。

1.4?微博個(gè)性化推薦模塊

假設(shè)時(shí)間窗口內(nèi)目標(biāo)用戶U的關(guān)注用戶發(fā)布的新微博集合表示為Znew，利用HDP主題模型對每條新微博znew進(jìn)行主題挖掘，得到新微博的主題概率分布zIt，計(jì)算目標(biāo)用戶U對新微博的主題興趣度：

其中，T表示目標(biāo)用戶U感興趣的主題集合。將DI（U，znew計(jì)算結(jié)果降序排序，并將排名靠前的Top-N個(gè)微博推薦給目標(biāo)用戶U。

參考文獻(xiàn)

[1]李吉，黃微，郭蘇琳.一種基于相似度和信任度融合的微博內(nèi)容推薦方法[J].圖書情報(bào)工作，2018，62（11）：112-119.

[2]微博數(shù)據(jù)中心.2018年微博用戶發(fā)展報(bào)告[EB/OL].http：//www.useit.com.cn，2019-06-30.

[3]Winlaw M，Hynes M B，Caterini A，et al.Algorithmic Acceleration of Parallel ALS for Collaborative Filtering：Speeding Up Distributed Big Data Recommendation in Spark[C]//Proceedings of the 2015 IEEE 21st International Conference on Parallel and Distributed Systems，Piscataway，NJ：IEEE，2015：682-691.

[4]Kim Y，Shim K.Twitobi：A Recommendation System for Twitter Using Probabilistic Modeling[C]//IEEE International Conference on Data Mining，Piscataway：IEEE Computer Society，2011：340-349.

[5]Ramage D，Dumais S T，Liebing D J.Characterizing Microblogs with Topic Models[C]//Proceedings of the AAAI Conference on Weblogs and Social Media，Washington：AAAI Press，2010：130-137.

[6]Alkhodair S A，F(xiàn)ung Benjamin C M，Rahman O，et al.Improving Interpretations of Topic Modeling in Microblogs[J].Association for Information Science and Technology，2017，69（4）：528-540.

[7]崔金棟，杜文強(qiáng)，關(guān)楊.基于大數(shù)據(jù)與LDA融合的微博信息推薦方法研究[J].情報(bào)科學(xué)，2018，36（9）：27-31，76.

[8]王涵，夏鴻斌.LDA模型和列表排序混合的協(xié)同過濾推薦算法[J].計(jì)算機(jī)科學(xué)，2019，44（9）：216-222.

[9]王磊，任航，龔凱.基于多維信任和聯(lián)合矩陣分解的社會化推薦方法[J].計(jì)算機(jī)應(yīng)用，2019，39（5）：1269-1274.

[10]Jamali M，Ester M.A Matrix Factorization Technique with Trust Propagation for Recommendation in Social Networks[C]//Proceedings of the 4th ACM Conference on Recommender Systems，New York：ACM，2010：135-142.

[11]Ma H，King I，Lyu M R.Learning to Recommend with Social Trust Ensemble[C]//Proceedings of the 32nd?International ACM SIGIR Conference on Research and Development in Information Retrieval，New York：ACM，2009：203-210.

[12]顏端武，陶志恒，李蘭彬.一種基于HDP模型的主題文獻(xiàn)自動(dòng)推薦方法及應(yīng)用研究[J].情報(bào)理論與實(shí)踐，2016，39（1）：128-132.

[13]Abramson N，Braverman D，Sebestyen G.Pattern Recognition and Machine Learning[J].IEEE Trans.on Information Theory，2003，9（4）：257-261.

[14]張仰森，鄭佳，唐安杰.基于多特征融合的微博用戶權(quán)威度定量評價(jià)方法[J].電子學(xué)報(bào)，2017，45（11）：2800-2809.

[15]Blei D M.Probabilistic Topic Models[J].Communications of the ACM，2012，55（4）：77-84.

[16]Chaney A J B，Blei D M，EliassiRed T.A Probabilistic Model for Using Social Networks in Personalized Item Recommendation[C]//Proceedings of the 9th ACM Conference on Recommender Systems，New York：ACM，2015：43-50.

（責(zé)任編輯：郭沫含）