基于用戶動(dòng)態(tài)興趣標(biāo)簽的推薦模型研究

周樸雄 宮楚凡

摘 要 隨著網(wǎng)絡(luò)交互性的增強(qiáng)，用戶偏好會(huì)隨主客觀條件的變化而轉(zhuǎn)變，因此準(zhǔn)確把握用戶的動(dòng)態(tài)興趣是互聯(lián)網(wǎng)信息平臺(tái)需要不斷探索的問(wèn)題。本文運(yùn)用標(biāo)簽描繪用戶興趣，結(jié)合興趣強(qiáng)化和興趣衰減兩方面因素，構(gòu)建用戶動(dòng)態(tài)興趣模型，以流程圖的方式表示推薦模型，并將豆瓣讀書(shū)的標(biāo)簽資源作為實(shí)驗(yàn)對(duì)象驗(yàn)證模型的可行性。

關(guān)鍵詞 動(dòng)態(tài)興趣? 社會(huì)化標(biāo)簽? 聚類分析? 推薦模型

分類號(hào) G251

DOI 10.16810/j.cnki.1672-514X.2021.09.010

Abstract With the enhancement of network interactivity， user preferences will change with the changes of subjective and objective conditions. Therefore， accurately grasping the dynamic interests of users is a problem that needs to be explored continuously by the Internet information platform. This paper uses tags to describe users interests， combines the two factors of interest enhancement and interest decay to build a user dynamic interest model， and expresses the recommendation model in the form of flow chart. It also takes the label resources of Douban reading as the experimental object to verify the feasibility of the model.

KeywordsDynamic interest. Social tags. Cluster analysis. Recommendation model.

隨著互聯(lián)網(wǎng)的不斷發(fā)展，在線生活方式逐漸滲透到大眾生活的方方面面，大眾開(kāi)始在網(wǎng)絡(luò)上進(jìn)行言論發(fā)表、在線購(gòu)物、瀏覽器訪問(wèn)等行為。這些網(wǎng)絡(luò)行為屬于用戶的特征資源，在很大程度上折射出了用戶的興趣偏好。用戶的興趣處于一個(gè)動(dòng)態(tài)變化的過(guò)程中，用戶的年齡、婚姻狀況、所處環(huán)境等客觀條件以及用戶受教育程度、自身性格、個(gè)人喜好等主觀條件都會(huì)對(duì)用戶興趣產(chǎn)生影響，這就使得用戶在網(wǎng)絡(luò)上所產(chǎn)生的屬于個(gè)體表征的信息資源不僅數(shù)量龐大而且具有一定的時(shí)效性。因此，怎樣從數(shù)量龐大的這些信息資源中更加精確地識(shí)別出用戶當(dāng)下的興趣，提供滿足用戶興趣需求的信息資源是互聯(lián)網(wǎng)信息平臺(tái)需要不斷探索的問(wèn)題。

1 用戶興趣推薦研究及其社會(huì)化標(biāo)簽應(yīng)用

用戶興趣會(huì)隨著主觀條件和客觀條件的改變而發(fā)生轉(zhuǎn)變，學(xué)者們將這種轉(zhuǎn)變定義為興趣遷移，又稱用戶興趣漂移。在互聯(lián)網(wǎng)平臺(tái)上，用戶興趣的轉(zhuǎn)變通?？梢杂糜脩粜畔⑿袨榈霓D(zhuǎn)變來(lái)體現(xiàn)，即通過(guò)分析用戶表征的信息（例如用戶自定義標(biāo)簽、用戶搜索歷史等）來(lái)識(shí)別用戶興趣偏好。同時(shí)這些信息與用戶興趣的衰減、 增強(qiáng)也是相互關(guān)聯(lián)的[1]。

1.1 用戶興趣推薦研究

目前國(guó)內(nèi)外的興趣推薦研究主要基于用戶在某一領(lǐng)域的興趣來(lái)推薦相應(yīng)的資源，且側(cè)重于相應(yīng)的理論和算法的研究。

在用戶興趣建模方面，有兩種通用方法：一種是顯示方法，即用戶自發(fā)性標(biāo)記感興趣的內(nèi)容或者用戶自主加入資源的評(píng)估反饋活動(dòng)，強(qiáng)調(diào)用戶的自發(fā)性;另一種是隱式方法，不需要用戶自發(fā)參與，而是通過(guò)分析用戶的歷史行為來(lái)獲取用戶的喜惡，從而構(gòu)建用戶興趣模型。Pazzani等將頁(yè)面的標(biāo)注信息作為訓(xùn)練樣本，進(jìn)一步分析每個(gè)詞語(yǔ)的信息增益值，并選擇其中的最大值來(lái)表示用戶興趣[2]。Adomavicious等利用數(shù)據(jù)挖掘技術(shù)分析用戶在互聯(lián)網(wǎng)平臺(tái)上的行為信息，得到用戶間的關(guān)聯(lián)，最終形成一個(gè)網(wǎng)狀的用戶興趣模型[3]。王科將兩種建模方法相結(jié)合，提出顯隱式興趣漂移檢測(cè)模型，從而精準(zhǔn)判斷用戶當(dāng)前的興趣偏好[4]。李志隆等通過(guò)構(gòu)建領(lǐng)域本體來(lái)對(duì)用戶建立興趣模型，并結(jié)合興趣度和傳遞調(diào)整的方法對(duì)興趣模型進(jìn)行更新[5]。

在興趣遷移推薦方面，主要有時(shí)間窗口法、遺忘函數(shù)法兩種方法。于洪等引用心理學(xué)領(lǐng)域的艾賓浩斯遺忘曲線將用戶興趣劃分為長(zhǎng)期興趣和短期興趣，提出了基于遺忘曲線的協(xié)同過(guò)濾推薦算法[6]。張艷芳等將指數(shù)遺忘權(quán)重與時(shí)間窗相結(jié)合，在強(qiáng)調(diào)了近期興趣的同時(shí)也突出了重復(fù)出現(xiàn)的早期數(shù)據(jù)的重要性[7]。Ding等將時(shí)間衰減因子引入到評(píng)分公式中，提出了一種基于項(xiàng)目的協(xié)同過(guò)濾算法[8]。葉錫君等將用戶興趣權(quán)重、項(xiàng)目時(shí)間等因素結(jié)合起來(lái)，提出了一種基于用戶興趣和項(xiàng)目周期的推薦算法，并利用融合因子將信息綜合起來(lái)，從而獲得推薦列表[9]。

1.2 社會(huì)化標(biāo)簽應(yīng)用

隨著網(wǎng)絡(luò)交互性的增強(qiáng)，主客觀條件的轉(zhuǎn)變會(huì)導(dǎo)致用戶偏好發(fā)生轉(zhuǎn)變，因此準(zhǔn)確把握用戶的動(dòng)態(tài)興趣是精準(zhǔn)推薦的關(guān)鍵，因此，本文結(jié)合社會(huì)化標(biāo)簽提出一種面向用戶動(dòng)態(tài)興趣的推薦模型，并進(jìn)行實(shí)證研究。

社會(huì)化標(biāo)簽是用來(lái)標(biāo)注信息資源的非線性組織的關(guān)鍵詞或術(shù)語(yǔ)[10]，用戶可以根據(jù)自身的喜好和語(yǔ)言習(xí)慣對(duì)虛擬社區(qū)如豆瓣、貼吧等中的信息資源進(jìn)行標(biāo)注，同時(shí)用戶也可以使用系統(tǒng)中已有的標(biāo)簽對(duì)信息資源進(jìn)行標(biāo)注，且所有用戶的標(biāo)注都相互可見(jiàn)?？偟膩?lái)說(shuō)，用戶一方面可以運(yùn)用標(biāo)簽來(lái)管理自己的信息資源，另一方面可以通過(guò)查找關(guān)鍵詞以獲得其他人分享的資源。

隨著Web2.0時(shí)代的到來(lái)，標(biāo)簽云系統(tǒng)應(yīng)運(yùn)而生。標(biāo)簽云系統(tǒng)是由用戶、信息資源和社會(huì)化標(biāo)簽三個(gè)部分組成，具有開(kāi)放多元、動(dòng)態(tài)多變的特點(diǎn)，用戶可以通過(guò)社會(huì)化標(biāo)簽個(gè)性化地定義、組合、分享和應(yīng)用信息資源，因此三個(gè)部分可以看作是一個(gè)整體[11]。

社會(huì)化標(biāo)簽開(kāi)拓了用戶興趣模型構(gòu)建的新領(lǐng)域。標(biāo)簽象征著用戶對(duì)所標(biāo)記資源的喜惡，代表了用戶的偏好。運(yùn)用標(biāo)簽描繪用戶興趣具有以下幾個(gè)優(yōu)勢(shì)[12]：（1）粒度更細(xì)。因?yàn)闃?biāo)記標(biāo)簽是用戶的自發(fā)行為，標(biāo)簽是用戶對(duì)所標(biāo)記資源的摘要和說(shuō)明，所以可以將用戶對(duì)標(biāo)簽的喜惡視為用戶對(duì)所標(biāo)注資源的喜惡。（2）解釋性更好。標(biāo)簽具有豐富的語(yǔ)義信息且標(biāo)簽間還可能存在一定的語(yǔ)義關(guān)聯(lián)，因此具有更好的解釋性和接受度。（3）話題性更強(qiáng)。標(biāo)簽之間存在一定的關(guān)聯(lián)性可以組成多種興趣群，用戶可以通過(guò)標(biāo)簽加入所需的興趣群或話題社區(qū)。

2 用戶動(dòng)態(tài)興趣模型及其指數(shù)

本文運(yùn)用社會(huì)化標(biāo)簽來(lái)描繪用戶興趣，參考李媛媛[13]的方法將用戶的社會(huì)化標(biāo)簽看作用戶的若干個(gè)興趣量，這些興趣量共同構(gòu)成了用戶完整的興趣空間，通過(guò)計(jì)算用戶興趣量的興趣權(quán)重構(gòu)建模型。本文將用戶動(dòng)態(tài)興趣模型表示為：

其中向量C為用戶存在的所有興趣量，Ci為第i個(gè)興趣量;Wi為Ci的興趣權(quán)重。興趣權(quán)重代表著用戶對(duì)某一興趣量的喜惡程度。同時(shí)，通過(guò)分析用戶的標(biāo)簽行為，計(jì)算用戶的興趣強(qiáng)度指數(shù)和穩(wěn)定性指數(shù)，進(jìn)而得出用戶的興趣權(quán)重，建立模型。

2.1 用戶興趣強(qiáng)度指數(shù)

用戶興趣強(qiáng)度指數(shù)可以在一定程度上反映用戶對(duì)已標(biāo)注資源的興趣情況，可以通過(guò)計(jì)算用戶使用標(biāo)簽的頻次來(lái)確定。即用戶使用相同標(biāo)簽標(biāo)注資源的頻次越高，表明用戶越偏好運(yùn)用這一標(biāo)簽來(lái)解釋和概括信息資源，也就是說(shuō)用戶的興趣就是這一標(biāo)簽。由于標(biāo)簽系統(tǒng)是一個(gè)不斷更新的系統(tǒng)，隨著用戶的不斷參與，系統(tǒng)中的標(biāo)簽量不斷擴(kuò)大，而用戶興趣強(qiáng)度指數(shù)又與用戶使用的標(biāo)簽總量有關(guān)。因此，對(duì)于用戶所用的每個(gè)標(biāo)簽，其強(qiáng)度指數(shù)可以通過(guò)公式（2）來(lái)表示。

其中，f（u，tk）表示用戶u運(yùn)用的標(biāo)簽tk的用戶興趣強(qiáng)度指數(shù);freq（u，tk）表示tk被運(yùn)用的頻次;n表示所用標(biāo)簽的總量。由公式（2）可以看出，f（u，tk）越大，代表用戶越喜歡運(yùn)用標(biāo)簽tk，因此標(biāo)簽tk也就越能體現(xiàn)用戶的偏好。

2.2 用戶興趣穩(wěn)定性指數(shù)

用戶興趣穩(wěn)定性指數(shù)體現(xiàn)了在時(shí)間的影響下用戶興趣的動(dòng)態(tài)變化。本文采用謝夢(mèng)瑤[11]的計(jì)算方法，利用用戶的每個(gè)興趣都具有遺忘衰減與記憶強(qiáng)化的過(guò)程，并以此來(lái)表征時(shí)間要素與標(biāo)簽興趣權(quán)重的作用關(guān)系，進(jìn)一步得出穩(wěn)定性指數(shù)。

對(duì)于時(shí)間點(diǎn)上的標(biāo)簽權(quán)重，本文采用TF（詞頻）方法進(jìn)行計(jì)算，即計(jì)算用戶u運(yùn)用標(biāo)簽tk的頻次占某一時(shí)間點(diǎn)上（通常為一天）用戶使用的所有標(biāo)簽頻次的比重，從而得到標(biāo)簽tk在某一時(shí)間點(diǎn)T上的權(quán)重WT（u，tk），計(jì)算公式如（3）所示。

其中，標(biāo)簽tk在某一時(shí)間點(diǎn)T上的權(quán)重用 WT（u，tk）來(lái)表示，tf（u，tk）表示 tk 在T上出現(xiàn)的頻次，n表示為T上的標(biāo)簽總量。

如果標(biāo)簽tk在一定時(shí)間內(nèi)沒(méi)有被用戶反復(fù)使用，隨著時(shí)間的持續(xù)延長(zhǎng)用戶對(duì)標(biāo)簽tk的興趣權(quán)重Wtk將會(huì)下降，標(biāo)簽權(quán)重的遺忘衰減，可以使用指數(shù)遺忘函數(shù)來(lái)計(jì)算，Wtk遺忘函數(shù)如（4）所示。

用戶對(duì)已用標(biāo)簽的再次使用是該標(biāo)簽的記憶強(qiáng)化，根據(jù)興趣衰減規(guī)律，每個(gè)遺忘階段的初始興趣度由上一階段標(biāo)簽tk興趣度衰減后的余量和再次使用同一標(biāo)簽tk進(jìn)行標(biāo)注所帶來(lái)的興趣的增量相加而成，如公式（5）所示。

用戶運(yùn)用標(biāo)簽進(jìn)行標(biāo)注的行為既存在遺忘衰減的環(huán)節(jié)也存在強(qiáng)化學(xué)習(xí)的環(huán)節(jié)，綜合考量用戶興趣的衰退和增強(qiáng)，利用公式（6）動(dòng)態(tài)地計(jì)算不同標(biāo)簽的權(quán)重，從而構(gòu)建用戶興趣穩(wěn)定性指數(shù)。

2.3 用戶興趣權(quán)重計(jì)算

上述兩個(gè)指數(shù)分別從不同角度來(lái)表征用戶興趣，興趣強(qiáng)度指數(shù)在標(biāo)簽數(shù)量上反映出用戶的興趣偏好，穩(wěn)定性指數(shù)從興趣衰減和興趣強(qiáng)化方面反映出用戶興趣的動(dòng)態(tài)變化，因此結(jié)合這兩個(gè)指數(shù)就可以得到用戶標(biāo)簽興趣權(quán)值，計(jì)算如公式（7）所示。

3 用戶興趣推薦模型及陳述

本文結(jié)合用戶動(dòng)態(tài)興趣與社會(huì)化標(biāo)簽進(jìn)行研究，在計(jì)算每個(gè)興趣量權(quán)重的基礎(chǔ)上，按照權(quán)重值的大小對(duì)標(biāo)簽進(jìn)行排序，選擇權(quán)重值大的標(biāo)簽作為強(qiáng)興趣標(biāo)簽，對(duì)強(qiáng)興趣標(biāo)簽進(jìn)行聚類分析進(jìn)一步篩選出最能代表用戶興趣的推薦標(biāo)簽，推薦模型如圖1所示。推薦模型分為數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)分析兩大模塊，其中數(shù)據(jù)分析包括用戶動(dòng)態(tài)興趣模型構(gòu)建和聚類分析兩部分。

3.1 數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備包括對(duì)數(shù)據(jù)篩選和數(shù)據(jù)預(yù)處理。由于本文選用標(biāo)簽刻畫(huà)用戶興趣，所以數(shù)據(jù)準(zhǔn)備在本文中就是標(biāo)簽的篩選和標(biāo)簽的預(yù)處理。在數(shù)據(jù)篩選方面，首先選取足量的用戶標(biāo)簽;其次標(biāo)簽可以來(lái)源于具有標(biāo)注系統(tǒng)的某一網(wǎng)站或某一社交平臺(tái)。用戶標(biāo)簽的獲取方式分為顯性獲取和隱性獲取兩種，本文采用顯性獲取方式來(lái)獲取標(biāo)簽，即獲取用戶自定義標(biāo)簽、用戶間接引用其他用戶的標(biāo)簽、用戶注冊(cè)信息等。

在標(biāo)簽預(yù)處理方面，一是選擇名詞作為標(biāo)簽，剔除數(shù)字、特殊符號(hào)等不能充分表征用戶興趣的無(wú)用標(biāo)簽;二是提取標(biāo)簽特征。本文采用中文分詞工具 ICTCLAS 切分語(yǔ)句類標(biāo)簽，以提取標(biāo)簽語(yǔ)句中的關(guān)鍵名詞;針對(duì)英文標(biāo)簽，選取詞根作為標(biāo)簽詞，并將其統(tǒng)一翻譯為中文標(biāo)簽詞語(yǔ)。三是規(guī)范標(biāo)簽語(yǔ)義。由于標(biāo)簽含有豐富的語(yǔ)義使得標(biāo)簽間存在各種關(guān)聯(lián)，如等同、整部、邏輯關(guān)系等，因此本文中的標(biāo)簽語(yǔ)義規(guī)范就是加強(qiáng)對(duì)標(biāo)簽間的屬性、關(guān)系的挖掘，實(shí)現(xiàn)標(biāo)簽的優(yōu)化重組，例如同義詞合并處理等。

3.2 數(shù)據(jù)分析

本文對(duì)用戶興趣標(biāo)簽采用聚類分析。聚類是將數(shù)據(jù)集分為多個(gè)相似對(duì)象組成的多個(gè)組或簇的過(guò)程，使得同一組中對(duì)象間的相似度最大化，不同組中對(duì)象間的相似度最小化。聚類組代表某個(gè)緊密相連的組合，組內(nèi)對(duì)象在興趣上具有一定的相關(guān)性;類的大小體現(xiàn)了聚類組的聚集程度[10]。由此進(jìn)一步可從得到的聚類組中篩選出最能代表用戶興趣的推薦標(biāo)簽。

推薦標(biāo)簽的選擇規(guī)則是：若某一聚類組中有且只有一個(gè)標(biāo)簽，則該標(biāo)簽為該聚類組的推薦標(biāo)簽;若某一聚類組中有兩個(gè)或兩個(gè)以上標(biāo)簽，則選擇該聚類組中標(biāo)簽興趣權(quán)重最大的一個(gè)標(biāo)簽作為該聚類組的推薦標(biāo)簽。

4 數(shù)據(jù)采集與處理

為了確保研究的可靠性，本研究選擇豆瓣讀書(shū)平臺(tái)上注冊(cè)年限為10年以上（含10年）的長(zhǎng)期活躍用戶作為實(shí)證研究的對(duì)象，基于此隨機(jī)挑選了 10 名符合條件的近期活躍用戶，并記錄了各用戶的基本信息如用戶名、注冊(cè)時(shí)間、在讀書(shū)籍?dāng)?shù)、想讀書(shū)籍?dāng)?shù)、讀過(guò)書(shū)籍?dāng)?shù)等，如表1所示?？紤]到所選的10名用戶中，用戶Rinna芮娜的數(shù)據(jù)值處于中間位置，所以本文將以用戶Rinna芮娜作為研究對(duì)象。

選擇用戶Rinna芮娜（下文簡(jiǎn)稱芮娜）在2019年9月-11月感興趣的書(shū)目作為實(shí)驗(yàn)樣本，采集用戶感興趣書(shū)目的常用熱門標(biāo)簽作為刻畫(huà)用戶興趣的實(shí)驗(yàn)數(shù)據(jù)，同時(shí)使用漢語(yǔ)詞法分析系統(tǒng)ICTCLAS對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行分詞處理，并將所得數(shù)據(jù)進(jìn)行清洗和整理，得到用戶的標(biāo)準(zhǔn)標(biāo)簽集作為實(shí)驗(yàn)集，如表2所示。

由標(biāo)準(zhǔn)標(biāo)簽集可知，用戶芮娜在2019年9月-11月期間已使用77種標(biāo)簽進(jìn)行標(biāo)注（共計(jì)217個(gè)）。根據(jù)公式（2）計(jì)算其標(biāo)簽強(qiáng)度指數(shù)，得到標(biāo)簽強(qiáng)度指數(shù)散點(diǎn)圖。再利用公式（6）動(dòng)態(tài)地計(jì)算不同標(biāo)簽的權(quán)重，從而構(gòu)建用戶興趣穩(wěn)定性指數(shù)，得到標(biāo)簽穩(wěn)定性指數(shù)散點(diǎn)圖，其中在計(jì)算標(biāo)簽的遺忘衰減時(shí)，取遺忘因子為hlu=10。由于標(biāo)簽的興趣強(qiáng)度指數(shù)和穩(wěn)定性指數(shù)同等重要，因此取調(diào)和因子為0.5，再根據(jù)公式（7）計(jì)算不同標(biāo)簽的興趣權(quán)值，如表3所示。

5 標(biāo)簽相似度計(jì)算及聚類分析結(jié)果

根據(jù)計(jì)算出的標(biāo)簽興趣權(quán)重，選擇興趣權(quán)重較大的前15個(gè)標(biāo)簽作為強(qiáng)興趣標(biāo)簽，并采用《知網(wǎng)》語(yǔ)義詞典計(jì)算強(qiáng)興趣標(biāo)簽的相似度，結(jié)果見(jiàn)表4。

本文使用UCINET6軟件對(duì)用戶的強(qiáng)興趣標(biāo)簽進(jìn)行聚類分析，并將上述相似度結(jié)果導(dǎo)入U(xiǎn)CINET 6中，可獲得7個(gè)組，并將得到的7個(gè)組分別標(biāo)記為組1—組7，結(jié)果如圖2所示。

根據(jù)上述推薦標(biāo)簽的選擇規(guī)則得到最能刻畫(huà)用戶興趣的推薦標(biāo)簽組，即美國(guó)、全球化、倫理學(xué)、文學(xué)、犯罪、小說(shuō)、道德等7個(gè)推薦標(biāo)簽組。之后，平臺(tái)可將使用推薦標(biāo)簽組中的標(biāo)簽進(jìn)行標(biāo)注的書(shū)籍優(yōu)先推薦給用戶，其中滿足7個(gè)推薦標(biāo)簽的書(shū)籍最先推薦，滿足6個(gè)的次之，以此類推，滿足1個(gè)推薦標(biāo)簽的書(shū)籍最后推薦。

可見(jiàn)，此種應(yīng)用社會(huì)化標(biāo)簽進(jìn)行聚類分析的模型，準(zhǔn)確地把握了用戶興趣的動(dòng)態(tài)多變性，實(shí)現(xiàn)了較為精準(zhǔn)的推薦。但本文尚存在兩方面的不足，一是標(biāo)簽相似度計(jì)算的精度不足，二是由于人力物力的限制，本文的實(shí)證研究仍有不足。因此未來(lái)的工作需要著力解決以上兩個(gè)不足，實(shí)現(xiàn)更為精準(zhǔn)的推薦。

參考文獻(xiàn)：

范玉全，陳躍新.基于本體的用戶興趣模型的更新方法[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2013，16（7）：22-23，35.

PAZZANI M， BILLSUS D. Learning and revising user profiles： the identification of interesting web sites [J]. Machine Learning， 1997， 23（3）： 313-331.

ADOMAVICIOUS， TUZHILIN. Learning about user from observation [J]， Information sciences，2008， 178（17）： 3356-3373.

王科. 基于興趣漂移協(xié)同過(guò)濾算法的推薦系統(tǒng)研究與實(shí)現(xiàn)[D].咸陽(yáng)：西北農(nóng)林科技大學(xué)，2017.

李志隆，王道平，關(guān)忠興.基于領(lǐng)域本體的用戶興趣模型構(gòu)建方法研究[J].情報(bào)科學(xué)，2015，33（11）：69-73.

于洪，李轉(zhuǎn)運(yùn).基于遺忘曲線的協(xié)同過(guò)濾推薦算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，46（5）：520-527.

張艷梅，王璐.適應(yīng)用戶興趣變化的社會(huì)化標(biāo)簽推薦算法研究[J].計(jì)算機(jī)工程，2014，40（11）：318-321.

DING Y，LI X. Time weight collaborative filtering[C].Proceedings of the 14thACM international conference on Information and knowledge management.ACM，2005：485-492.

葉錫君，袁培森，郭小清，等.基于用戶興趣和項(xiàng)目周期的協(xié)同過(guò)濾推薦算法[J].南京理工大學(xué)學(xué)報(bào)，2018，42（4）：392-400.

胡昌平，胡吉明，鄧勝利.基于Web2.0的用戶群體交互分析及其服務(wù)拓展研究[J].中國(guó)圖書(shū)館學(xué)報(bào)，2009，35（5）：99-106.

謝夢(mèng)瑤. 社會(huì)化標(biāo)注中用戶動(dòng)態(tài)興趣主題挖掘[D].杭州：浙江理工大學(xué)，2017.

扈維，張堯?qū)W，周悅芝.基于社會(huì)化標(biāo)注的用戶興趣挖掘[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，54（4）：502-507.

李媛媛. 結(jié)合本體與社會(huì)化標(biāo)簽的用戶動(dòng)態(tài)興趣建模研究[D].武漢：武漢大學(xué)，2019.

周樸雄 華南理工大學(xué)電子商務(wù)系碩士生導(dǎo)師。 廣東廣州，510000。

宮楚凡 華南理工大學(xué)大學(xué)電子商務(wù)系碩士生。 廣東廣州，510000。

（收稿日期：2020-07-14 編校：劉 明，謝艷秋）