基于三維協(xié)同過(guò)濾的C2C電子商務(wù)推薦系統(tǒng)

艾丹祥，左 暉，楊 君

(1.廣東工業(yè)大學(xué)管理學(xué)院，廣東廣州510520;2.廣東工業(yè)大學(xué)經(jīng)濟(jì)與貿(mào)易學(xué)院，廣東廣州510520)

0 引言

電子商務(wù)推薦系統(tǒng)是互聯(lián)網(wǎng)環(huán)境下解決信息過(guò)載和吸引客戶(hù)的有效途徑，已廣泛應(yīng)用于各種電子商務(wù)網(wǎng)站［1-2］。它通過(guò)分析用戶(hù)的歷史行為，發(fā)現(xiàn)用戶(hù)的興趣需求和購(gòu)買(mǎi)模式，有針對(duì)性地進(jìn)行商品或服務(wù)推薦。協(xié)同過(guò)濾是目前最成功的推薦技術(shù)之一［3］。傳統(tǒng)的協(xié)同過(guò)濾推薦主要針對(duì)B2C(business to customer)電子商務(wù)模式設(shè)計(jì)，推薦過(guò)程只涉及兩個(gè)維度: “用戶(hù)和商品”，推薦的基本任務(wù)為:“計(jì)算用戶(hù)和商品的相關(guān)度，并從商品集合中選擇與用戶(hù)相關(guān)度最高的若干商品進(jìn)行推薦”［4］。然而這種二維協(xié)同過(guò)濾方法并不能較好地適用于C2C(customer to customer)電子商務(wù)中的推薦問(wèn)題。C2C電子商務(wù)網(wǎng)站中不但存在大量的商品，還存在大量的賣(mài)家，且同一商品被多個(gè)賣(mài)家同時(shí)銷(xiāo)售的情況非常普遍。這使得C2C網(wǎng)站中的買(mǎi)家面臨的不僅是一組商品，而是一個(gè)由賣(mài)家和商品形成的銷(xiāo)售網(wǎng)絡(luò)。買(mǎi)家既要選擇喜愛(ài)的商品，也要選擇合適的賣(mài)家。因此C2C網(wǎng)站中的推薦問(wèn)題變得更為復(fù)雜，涉及到買(mǎi)家、賣(mài)家和商品三個(gè)維度，推薦任務(wù)也變?yōu)?“計(jì)算買(mǎi)家、賣(mài)家和商品三者間的相關(guān)度，并從銷(xiāo)售網(wǎng)絡(luò)中選擇與買(mǎi)家相關(guān)度最高的若干商品及銷(xiāo)售該商品的賣(mài)家進(jìn)行推薦?！庇捎诙S協(xié)同過(guò)濾方法只能推薦商品而不能同時(shí)推薦賣(mài)家，因此其用于C2C網(wǎng)站時(shí)具有較大的局限性。通常C2C網(wǎng)站會(huì)提供一些簡(jiǎn)單的賣(mài)家篩選策略，如根據(jù)價(jià)格高低、信用度大小、銷(xiāo)售量大小等屬性對(duì)賣(mài)家進(jìn)行排序。簡(jiǎn)單篩選策略雖然可以在一定程度上彌補(bǔ)二維協(xié)同過(guò)濾推薦的缺陷，輔助買(mǎi)家對(duì)賣(mài)家進(jìn)行選擇，但是它沒(méi)有考慮買(mǎi)家選擇商品和選擇賣(mài)家的相關(guān)性，也沒(méi)有考慮買(mǎi)家對(duì)賣(mài)家的個(gè)性化要求。

針對(duì)上述問(wèn)題，本文對(duì)傳統(tǒng)的二維協(xié)同過(guò)濾方法進(jìn)行擴(kuò)展，使其適用于C2C中“買(mǎi)家×賣(mài)家×商品”的三維推薦空間，并以此為基礎(chǔ)設(shè)計(jì)基于三維協(xié)同過(guò)濾［5］的C2C電子商務(wù)推薦系統(tǒng)，為C2C買(mǎi)家推薦個(gè)性化的賣(mài)家和商品組合。

1 二維協(xié)同過(guò)濾推薦

傳統(tǒng)的二維協(xié)同過(guò)濾技術(shù)依據(jù)“相似用戶(hù)具有相似興趣”的基本假設(shè)，在用戶(hù)群中找到目標(biāo)用戶(hù)的相似用戶(hù)，綜合這些相似用戶(hù)對(duì)某一商品的評(píng)價(jià)，形成目標(biāo)用戶(hù)對(duì)此商品的喜好程度預(yù)測(cè)［6］。相似用戶(hù)通常被稱(chēng)為目標(biāo)用戶(hù)的“最近鄰”，通過(guò)計(jì)算用戶(hù)相似度來(lái)進(jìn)行識(shí)別。協(xié)同過(guò)濾的基本過(guò)程包括以下3步［7］:

(1)用戶(hù)建模［8］

協(xié)同過(guò)濾中典型的用戶(hù)模型為“用戶(hù)——項(xiàng)目”評(píng)分矩陣 (如表1所示)，通過(guò)采集所有用戶(hù)對(duì)所有項(xiàng)目的歷史評(píng)分形成。

表1 “用戶(hù)——項(xiàng)目”評(píng)分矩陣

評(píng)分值通常會(huì)被歸一化，取值范圍為 ［0，1］或 ［-1，1］之間，分值大小反映用戶(hù)對(duì)項(xiàng)目感興趣的程度，NULL表示用戶(hù)沒(méi)有對(duì)項(xiàng)目進(jìn)行過(guò)評(píng)分。

(2)最近鄰計(jì)算

最近鄰是指與目標(biāo)用戶(hù)興趣相似度最高的N個(gè)用戶(hù)。獲得最近鄰的關(guān)鍵在于計(jì)算用戶(hù)間的相似度。在協(xié)同過(guò)濾系統(tǒng)中，相似度通?；趦蓚€(gè)用戶(hù)對(duì)項(xiàng)目的共同評(píng)分來(lái)計(jì)算。測(cè)量用戶(hù)相似度的方法有很多，其中最常用的兩種是皮爾遜相關(guān)系數(shù)相似度和余弦相似度［9］。

(3)評(píng)分預(yù)測(cè)

一旦獲得目標(biāo)用戶(hù)的最近鄰，即可根據(jù)最近鄰的歷史評(píng)分計(jì)算目標(biāo)用戶(hù)對(duì)某項(xiàng)目的未知評(píng)分［10］。假設(shè)用戶(hù)u對(duì)項(xiàng)目i的未知評(píng)分為r(u，i)，則r(u，i)是N個(gè)最近鄰對(duì)項(xiàng)目i的評(píng)分的聚合值

2 基于三維協(xié)同過(guò)濾的推薦系統(tǒng)

2.1 三維協(xié)同過(guò)濾基本思想

一種將二維協(xié)同過(guò)濾方法直接擴(kuò)展到“買(mǎi)家×賣(mài)家×商品”三維推薦空間的方法是:將賣(mài)家和商品的組合視作一個(gè)項(xiàng)目，根據(jù)買(mǎi)家對(duì)此“項(xiàng)目”的共同評(píng)分計(jì)算買(mǎi)家最近鄰并預(yù)測(cè)未知評(píng)分。但此方法在實(shí)際計(jì)算時(shí)的效果很難保證。由于同時(shí)涉及到賣(mài)家和商品兩個(gè)維度，且C2C網(wǎng)站中可選的賣(mài)家和商品數(shù)通常都很龐大，使得兩個(gè)買(mǎi)家對(duì)同一賣(mài)家的同一商品進(jìn)行評(píng)分的情況較少出現(xiàn)，共同評(píng)分?jǐn)?shù)據(jù)由此變得非常稀疏，影響了相似度和未知評(píng)分的計(jì)算。為此，本文不僅僅對(duì)二維協(xié)同過(guò)濾方法進(jìn)行三維擴(kuò)展，而且依據(jù)“同一買(mǎi)家選擇的賣(mài)家應(yīng)彼此相似”的原則，引入對(duì)賣(mài)家相似度的計(jì)算，并依據(jù)賣(mài)家相似度以及賣(mài)家和商品間的銷(xiāo)售關(guān)系對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行適當(dāng)?shù)赝茢嗪吞钛a(bǔ)，減少三維數(shù)據(jù)的稀疏程度，保證推薦計(jì)算的有效性。

2.2 基于三維協(xié)同過(guò)濾的推薦系統(tǒng)架構(gòu)

圖1顯示了基于三維協(xié)同過(guò)濾的電子商務(wù)推薦系統(tǒng)的基本架構(gòu)。系統(tǒng)由用戶(hù)界面、數(shù)據(jù)存儲(chǔ)模塊和三維協(xié)同過(guò)濾推薦模塊3個(gè)部分構(gòu)成。

用戶(hù)界面部分負(fù)責(zé)實(shí)現(xiàn)與C2C買(mǎi)家的交互，一方面觀察和記錄買(mǎi)家的交易或評(píng)價(jià)行為，形成買(mǎi)家對(duì)賣(mài)家和商品的評(píng)分;另一方面為買(mǎi)家提供推薦的結(jié)果。

數(shù)據(jù)存儲(chǔ)模塊包含三個(gè)數(shù)據(jù)庫(kù):買(mǎi)家評(píng)分?jǐn)?shù)據(jù)庫(kù)存儲(chǔ)買(mǎi)家對(duì)所購(gòu)買(mǎi)的商品以及銷(xiāo)售商品的賣(mài)家的歷史評(píng)分;賣(mài)家-商品銷(xiāo)售關(guān)系數(shù)據(jù)庫(kù)記錄當(dāng)前賣(mài)家銷(xiāo)售商品的狀況;賣(mài)家屬性數(shù)據(jù)庫(kù)存儲(chǔ)賣(mài)家的各種特征屬性。C2C網(wǎng)站為了使買(mǎi)賣(mài)雙方的信息更加對(duì)稱(chēng)，通常會(huì)展示賣(mài)家各方面的屬性，如信用度、銷(xiāo)售量、銷(xiāo)售價(jià)格、物流速度等，這些屬性是買(mǎi)家選擇賣(mài)家時(shí)的決定性因素，也是計(jì)算賣(mài)家相似度的主要依據(jù)。

圖1 基于三維協(xié)同過(guò)濾的電子商務(wù)推薦系統(tǒng)架構(gòu)

三維協(xié)同過(guò)濾推薦模塊是推薦系統(tǒng)的核心模塊，它與數(shù)據(jù)存儲(chǔ)模塊交互，完成三維協(xié)同過(guò)濾的運(yùn)算，最終形成推薦結(jié)果，具體的推薦過(guò)程如下:

(1)根據(jù)賣(mài)家的屬性值，計(jì)算賣(mài)家間的相似度;

(2)利用賣(mài)家相似度對(duì)具有相似賣(mài)家的商品的評(píng)分進(jìn)行推斷，并對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行填補(bǔ);

(3)利用協(xié)同過(guò)濾技術(shù)，依據(jù)買(mǎi)家對(duì)＜賣(mài)家，商品＞組合的共同評(píng)分，計(jì)算買(mǎi)家間的相似度，并將與目標(biāo)買(mǎi)家相似度最高的若干買(mǎi)家確定為目標(biāo)買(mǎi)家的最近鄰。

(4)以買(mǎi)家相似度和賣(mài)家相似度為權(quán)值，聚合前N個(gè)最近鄰的評(píng)分，預(yù)測(cè)目標(biāo)買(mǎi)家對(duì)＜賣(mài)家，商品＞組合的未知評(píng)分。

(5)將預(yù)測(cè)評(píng)分最高的若干＜賣(mài)家，商品＞組合推薦給目標(biāo)買(mǎi)家。

下一節(jié)將詳細(xì)描述三維協(xié)同過(guò)濾推薦中涉及到的4個(gè)關(guān)鍵運(yùn)算:賣(mài)家相似度計(jì)算、買(mǎi)家評(píng)分?jǐn)?shù)據(jù)填補(bǔ)、買(mǎi)家相似度計(jì)算和買(mǎi)家未知評(píng)分預(yù)測(cè)。

2.3 三維協(xié)同過(guò)濾推薦的關(guān)鍵運(yùn)算

2.3.1 賣(mài)家相似度計(jì)算

賣(mài)家之間的相似度由賣(mài)家的屬性 (信用度、好評(píng)率、價(jià)格水平等)決定，具有類(lèi)似屬性值的賣(mài)家相似度較高。我們利用余弦相似度計(jì)算賣(mài)家相似度，假定賣(mài)家s和s'的相似度為sim(s，s')，其計(jì)算方法為

式中:fk(s)和 fk(s')——賣(mài)家 s和 s'的第 k個(gè)屬性值，n——屬性的數(shù)目。

2.3.2 買(mǎi)家評(píng)分?jǐn)?shù)據(jù)填補(bǔ)

對(duì)買(mǎi)家評(píng)分?jǐn)?shù)據(jù)進(jìn)行推斷和填補(bǔ)的基本思想為:假設(shè)賣(mài)家s和s'均銷(xiāo)售商品p，買(mǎi)家b從未對(duì)s和p進(jìn)行過(guò)評(píng)分，但曾對(duì)s'和 p給出過(guò)評(píng)分r(b，s'，p)，則根據(jù) r(b，s'，p)以及賣(mài)家s和s'的相似度可推斷b對(duì)s和p的評(píng)分r(b，s，p)，可以認(rèn)為賣(mài)家s和賣(mài)家s'越相似，r(b，s，p)和r(b，s'，p)的值也越接近。

假定rinference(b，s，p)為買(mǎi)家b對(duì)賣(mài)家s和商品p的評(píng)分推斷值，其計(jì)算方法為

式中:S(b，p)——銷(xiāo)售p且被b評(píng)分過(guò)的所有賣(mài)家。sim(s，s')——賣(mài)家s和s'的相似度。M——S(b，p)中的賣(mài)家數(shù)量。計(jì)算所得的rinference(b，s，p)將作為r(b，s，p)的替代值填入買(mǎi)家評(píng)分?jǐn)?shù)據(jù)中。

2.3.3 買(mǎi)家相似度計(jì)算

計(jì)算買(mǎi)家相似度的方法與二維協(xié)同過(guò)濾方法類(lèi)似，即將＜賣(mài)家，商品＞視作一個(gè)整體項(xiàng)目，以經(jīng)過(guò)填補(bǔ)的買(mǎi)家評(píng)分?jǐn)?shù)據(jù)為基礎(chǔ)，依據(jù)買(mǎi)家對(duì)＜賣(mài)家，商品＞的共同評(píng)分計(jì)算相似度。假設(shè)買(mǎi)家b和b'的相似度為我們采用皮爾森相關(guān)系數(shù)進(jìn)行計(jì)算

2.3.4 買(mǎi)家未知評(píng)分預(yù)測(cè)

與二維協(xié)同過(guò)濾方法類(lèi)似，我們通過(guò)對(duì)最近鄰評(píng)分的聚合來(lái)預(yù)測(cè)目標(biāo)買(mǎi)家b對(duì)賣(mài)家s和商品p的未知評(píng)分r(b，s，p)。聚合函數(shù)采用調(diào)整后的加權(quán)求和，因而有

3 實(shí)驗(yàn)

為了驗(yàn)證本文所提出的C2C電子商務(wù)系統(tǒng)的可行性與有效性，我們?cè)趙indows平臺(tái)上，采用Java語(yǔ)言編程實(shí)現(xiàn)三維協(xié)同過(guò)濾推薦算法，并利用從淘寶網(wǎng)上采集的真實(shí)數(shù)據(jù)進(jìn)行模擬實(shí)驗(yàn)。

3.1 數(shù)據(jù)集

數(shù)據(jù)集為2010年8月到10月佳能數(shù)碼照相機(jī)及其配件在淘寶網(wǎng)的銷(xiāo)售和評(píng)價(jià)記錄，每一條記錄由“買(mǎi)家、賣(mài)家、商品、評(píng)分”4項(xiàng)基本內(nèi)容構(gòu)成。原始數(shù)據(jù)共包含16564條記錄，涉及13183個(gè)買(mǎi)家，419個(gè)賣(mài)家和144個(gè)商品。為了使數(shù)據(jù)更好地適用于實(shí)驗(yàn)驗(yàn)證，我們對(duì)數(shù)據(jù)記錄進(jìn)行了篩選，去掉在該時(shí)間段只購(gòu)買(mǎi)了1個(gè)商品的買(mǎi)家，最終獲得4138條記錄，涉及1557個(gè)買(mǎi)家，268個(gè)賣(mài)家和144個(gè)商品，其中賣(mài)家和商品的銷(xiāo)售關(guān)系共1171條。

根據(jù)淘寶網(wǎng)的信譽(yù)機(jī)制，在每筆交易完成后，買(mǎi)家可以根據(jù)購(gòu)物體驗(yàn)為商品和賣(mài)家進(jìn)行評(píng)分，每一個(gè)評(píng)分具有3個(gè)等級(jí):好評(píng)、中評(píng)、差評(píng)。如果買(mǎi)家沒(méi)有在規(guī)定的時(shí)間內(nèi)進(jìn)行評(píng)分，則淘寶網(wǎng)會(huì)默認(rèn)給出好評(píng)。這種機(jī)制使得每一筆銷(xiāo)售記錄都具有相應(yīng)的評(píng)分。為了便于計(jì)算，我們將好評(píng)、中評(píng)、差評(píng)分別對(duì)應(yīng)于評(píng)分1、0.5和0，由此形成買(mǎi)家評(píng)分?jǐn)?shù)據(jù)。

除此以外，我們采集了淘寶網(wǎng)提供的關(guān)于賣(mài)家的19項(xiàng)屬性值，包括:成交數(shù)量、收藏人氣、瀏覽次數(shù)、價(jià)格等級(jí)、庫(kù)存數(shù)量、賣(mài)家信用度、好評(píng)率、虛擬商品交易比例、實(shí)物商品交易比例、寶貝與描述相符度評(píng)分、賣(mài)家的服務(wù)態(tài)度評(píng)分、賣(mài)家的發(fā)貨速度評(píng)分、是否如實(shí)描述、是否支持7天退換、是否支持正品保障、有無(wú)違規(guī)行為、有無(wú)退款糾紛、有無(wú)處罰情況、是否為淘寶商城。其中前12項(xiàng)為連續(xù)值屬性，在預(yù)處理階段對(duì)其值進(jìn)行分級(jí)排序，用1、2、3、4……表示不同的等級(jí);后7項(xiàng)為二值屬性，取值為1和0。

3.2 評(píng)價(jià)指標(biāo)

為了評(píng)估三維協(xié)同過(guò)濾方法的推薦效果，我們采用了三個(gè)評(píng)價(jià)指標(biāo):召回率 (Recall)、準(zhǔn)確率 (Precision)和F-Measure［11］。其定義分別為

3.3 實(shí)驗(yàn)過(guò)程

我們?cè)跀?shù)據(jù)集上同時(shí)實(shí)現(xiàn)三維協(xié)同過(guò)濾推薦和二維協(xié)同過(guò)濾推薦，并對(duì)其推薦效果進(jìn)行比較。三維方法將直接產(chǎn)生〈賣(mài)家、商品〉組合的推薦，而二維方法在產(chǎn)生商品推薦后，還需要通過(guò)簡(jiǎn)單篩選策略為被推薦的商品組合相應(yīng)的賣(mài)家。具體過(guò)程如下:

實(shí)驗(yàn)1:通過(guò)三維協(xié)同過(guò)濾推薦方法計(jì)算〈賣(mài)家、商品〉組合的推薦。

實(shí)驗(yàn)2:通過(guò)二維協(xié)同過(guò)濾方法計(jì)算商品推薦，并通過(guò)價(jià)格排序?yàn)槊總€(gè)推薦商品組合價(jià)格最低的賣(mài)家

實(shí)驗(yàn)3:通過(guò)二維協(xié)同過(guò)濾方法計(jì)算商品推薦，并通過(guò)信用度排序?yàn)槊總€(gè)推薦商品組合信用度最高的賣(mài)家

實(shí)驗(yàn)4:通過(guò)二維協(xié)同過(guò)濾方法計(jì)算商品推薦，并通過(guò)銷(xiāo)售量排序?yàn)槊總€(gè)推薦商品組合銷(xiāo)售量最高的賣(mài)家

實(shí)驗(yàn)5:通過(guò)二維協(xié)同過(guò)濾方法計(jì)算商品推薦，并為每個(gè)被推薦商品隨機(jī)的組合一個(gè)賣(mài)家。

3.4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)結(jié)果如圖2至圖4所示。

圖2至圖4中的橫坐標(biāo)K表示保留的買(mǎi)家最近鄰數(shù)，取值分別為10、15、20、25、30。從圖中可以看出，當(dāng)需要推薦＜賣(mài)家，商品＞組合時(shí)，三維推薦方法在Recall、Precision和F-measure三個(gè)指標(biāo)上的表現(xiàn)都優(yōu)于二維推薦方法。此外，隨機(jī)選擇賣(mài)家的二維推薦方法表現(xiàn)好于其他幾種二維推薦方法，這從某種意義上說(shuō)明買(mǎi)家對(duì)賣(mài)家的選擇并不是一個(gè)簡(jiǎn)單的行為，可能受到各種因素的綜合影響。不同的買(mǎi)家對(duì)賣(mài)家的要求各不相同，單一的賣(mài)家篩選策略并不能很好的適應(yīng)不同買(mǎi)家的需求。而三維推薦方法的表現(xiàn)優(yōu)于各種二維推薦方法，說(shuō)明通過(guò)計(jì)算賣(mài)家相似度和買(mǎi)家相似度能較好地為買(mǎi)家對(duì)賣(mài)家的個(gè)性化要求建模。

圖4 三維推薦與二維推薦F-measure指標(biāo)結(jié)果比較

4 結(jié)束語(yǔ)

本文針對(duì)C2C電子商務(wù)網(wǎng)站中的推薦問(wèn)題，設(shè)計(jì)了一種基于三維協(xié)同過(guò)濾的電子商務(wù)推薦系統(tǒng)。該系統(tǒng)將傳統(tǒng)的二維協(xié)同過(guò)濾方法擴(kuò)展到“買(mǎi)家×賣(mài)家×商品”的三維推薦空間，依據(jù)買(mǎi)家的歷史評(píng)分和網(wǎng)站展示的賣(mài)家屬性，計(jì)算賣(mài)家相似度和買(mǎi)家相似度，在對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行適當(dāng)填補(bǔ)的基礎(chǔ)上，預(yù)測(cè)買(mǎi)家對(duì)＜賣(mài)家，商品＞組合的未知評(píng)分并據(jù)此形成推薦。實(shí)驗(yàn)結(jié)果證明，該系統(tǒng)在C2C電子商務(wù)環(huán)境下能有效發(fā)現(xiàn)買(mǎi)家對(duì)賣(mài)家和商品的個(gè)性化需求，具有較好的推薦效果。

［1］LIU Pingfeng，NIE Guihua，Chen Dongli.A survey:Electronic commerce recommender systems ［J］.Journal of Information，2007，26(9):46-50(in Chinese).［劉平峰，聶規(guī)劃，陳冬林.電子商務(wù)推薦系統(tǒng)研究綜述 ［J］.情報(bào)雜志，2007，26(9):46-50.］

［2］XU Hailing，WUXiao，LIXiaodong，et al.Comparison study of internet recommendation system ［J］.Journal of Software，2009，20(2):350-362(in Chinese).［許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究［J］.軟件學(xué)報(bào)，2009，20(2):350-362.］

［3］Schafer J，F(xiàn)rankowski D，Herlocker J，et al.Collaborative filtering recommender systems［G］.LNCS 4321:Heidelberg:Springer Berlin，2007:291-324.

［4］Adomavicius G，Sankaranarayanan R，Sen S，et al.Incorporating contextual information in recommender systems using a multidimensional approach ［J］.ACM Trans Inf Syst，2005，23(1):103-145.

［5］LI Gai，PAN Rong，LI Lei.CubeALS:A novel approach to 3D collaborative filtering［J］.Journal of Frontiers of Computer Science and Technology，2012，6(2):156-164(in Chinese).［李改，潘嶸，李磊.CubeALS:新的三維協(xié)同過(guò)濾推薦算法［J］.計(jì)算機(jī)科學(xué)與探索，2012，6(2):156-164.］

［6］YU C，XU J R，DU X Y.Recommendation algorithm combining the user-based classified regression and the item-based filtering［C］//Proceedings of the8th International Conference on Electronic Commerce:The New E-commerce:Innovations for Conquering Current Barriers，Obstacles and Limitations to Conducting Successful Business on the Internet.New York:ACM Press，2006:574-578.

［7］GUO Yanhong，DENG Guishi.Improved personalized recommendation algorithm in collaborative filtering［J］.Application Research of Computers，2008，25(1):39-41(in Chinese).［郭艷紅，鄧貴仕.協(xié)同過(guò)濾的一種個(gè)性化推薦算法研究 ［J］.計(jì)算機(jī)應(yīng)用研究，2008，25(1):39-41.］

［8］WU Lihua，LIU Lu.User profiling for personalized recommending systems-a review ［J］.Journal of the China Society for Scientific and Technical Information，2006，25(1):55-62(in Chinese).［吳麗花，劉魯.個(gè)性化推薦系統(tǒng)用戶(hù)建模技術(shù)綜述［J］.情報(bào)學(xué)報(bào)，2006，25(1):55-62.］

［9］Adomavicius G，Tuzhilin A.Toward the next generation of recommender systems:A survey of the state-of-the-art and possible extensions［J］.IEEE Transactions on Knowledge and Data Engineering，2005，17(6):734-749.

［10］Ricci F，Rokach L，Shapira B，et al.Recommender systems handbook［M］.Berlin:Springer-Verlag，2011:1-842.

［11］LIU Jianguo，ZHOU Tao，GUO Qiang，et al.Overview of the evaluated algorithms for the personal recommendation systems ［J］.Complex Systems and Complexity Science，2009，6(3):1-8.(in Chinese).［劉建國(guó)，周濤，郭強(qiáng)，等.個(gè)性化推薦系統(tǒng)評(píng)價(jià)方法綜述.復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2009，6(3):1-8.］