全網(wǎng)興趣圖譜下電子商務(wù)推薦理論研究現(xiàn)狀

陳媛媛，聶規(guī)劃，陳冬林，桂雁軍

（1.武漢理工大學(xué)經(jīng)濟(jì)學(xué)院，湖北 武漢 430070；2.武漢理工大學(xué)電子商務(wù)與智能服務(wù)研究中心，湖北 武漢 430070；3.新奇特車業(yè)服務(wù)股份有限公司，上海 201824）

1 國內(nèi)外電子商務(wù)推薦技術(shù)及系統(tǒng)

1.1 電子商務(wù)推薦技術(shù)

1.1.1 基于內(nèi)容的推薦

基于內(nèi)容的推薦方法源自信息檢索領(lǐng)域，其基本思路是從用戶已訪問或已選擇的對象中獲取用戶興趣，將其與候選對象的特征進(jìn)行比較，為用戶推薦特征最為相似的對象，屬于Schafer劃分中的Item－to－Item Correlation方法。該算法的關(guān)鍵在于考察用戶資料與項(xiàng)目的匹配程度，用戶資料通過機(jī)器學(xué)習(xí)獲取，常用的算法有決策樹、貝葉斯分類算法和神經(jīng)網(wǎng)絡(luò)等?；趦?nèi)容推薦的局限性在于內(nèi)容分析有限，只能推薦文本資源，無法處理圖像、視頻和音樂等結(jié)構(gòu)復(fù)雜、難以體現(xiàn)內(nèi)容質(zhì)量等特征的項(xiàng)目，并且無法提供新異推薦，即推薦的結(jié)果僅限于與用戶以往熟悉內(nèi)容相似的項(xiàng)目上［1］，不利于挖掘用戶潛在興趣。

1.1.2 基于協(xié)同過濾的推薦

基于協(xié)同過濾推薦的基本思想是基于與目標(biāo)用戶具有相同或相似興趣偏好的用戶的觀點(diǎn)來向目標(biāo)用戶推薦項(xiàng)目。協(xié)同過濾推薦算法可以分為基于記憶的協(xié)同過濾和基于模型的協(xié)同過濾?；谟洃浀乃惴ㄒ蕾囉谧罱徦惴?，計(jì)算用戶/項(xiàng)目之間的相似度，產(chǎn)生推薦?；谟洃浀乃惴梢苑譃榛谟脩舻乃惴ê突陧?xiàng)目的算法?；谀Ｐ偷乃惴ㄖ饕谢谪惾~斯的網(wǎng)絡(luò)算法、基于馬爾科夫決策過程的算法等。協(xié)同過濾算法存在的問題有:冷啟動(dòng)問題，由于算法必須依賴用戶與項(xiàng)目的歷史數(shù)據(jù)進(jìn)行推薦，因而無法對新的用戶或項(xiàng)目進(jìn)行推薦；數(shù)據(jù)稀疏性問題，即由于用戶數(shù)量與項(xiàng)目數(shù)量懸殊，導(dǎo)致評分覆蓋率低，只有少量的商品能夠得到推薦。目前這方面的研究重點(diǎn)在于對協(xié)同過濾算法的改進(jìn)，如嚴(yán)冬梅［2］等引入了用戶對項(xiàng)目的興趣度，并用貝葉斯算法分析了用戶在具有不同特征時(shí)對項(xiàng)目的喜好程度，提高了最近鄰集合的有效性和準(zhǔn)確度，推薦算法的質(zhì)量也有很大改善。CHIH－FONG等在協(xié)同過濾系統(tǒng)中混合采用了兩種聚類方法和3種融合方法，利用MovieLens數(shù)據(jù)集的實(shí)驗(yàn)證實(shí)，采用聚類融合的方法可以提高協(xié)同過濾的推薦效果［3］。

1.1.3 基于知識的推薦

基于知識的推薦也稱為基于規(guī)則的推薦，通過手動(dòng)或自動(dòng)生成一系列的決策規(guī)則來推薦商品?；谥R的推薦強(qiáng)調(diào)關(guān)于商品的明確的領(lǐng)域知識以及關(guān)于用戶的隱式知識（如心理的、人口統(tǒng)計(jì)學(xué)的或用戶的其他個(gè)性化屬性），并從中提取出相關(guān)的推薦規(guī)則?；谥R的推薦系統(tǒng)依賴于知識增強(qiáng)規(guī)則的開發(fā)，向用戶推薦的項(xiàng)目需要精確地符合規(guī)則中定義的要求。推薦系統(tǒng)中手動(dòng)規(guī)則的開發(fā)極其依賴于與目標(biāo)領(lǐng)域特殊屬性相關(guān)的規(guī)則知識工程技術(shù)，如WALTER［4］等提出了在電影推薦系統(tǒng)中應(yīng)用領(lǐng)域知識推薦和社交網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果證明新的推薦方法增強(qiáng)了系統(tǒng)的推薦效率。

1.1.4 基于復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測的推薦

鏈路預(yù)測是指如何通過已知的網(wǎng)絡(luò)結(jié)構(gòu)等信息評估預(yù)測網(wǎng)絡(luò)中尚未鏈接的兩個(gè)節(jié)點(diǎn)之間存在或產(chǎn)生鏈接的可能性［5］。鏈接預(yù)測包括:①預(yù)測已存在但尚未被發(fā)現(xiàn)的鏈接，即預(yù)測未知鏈接；②預(yù)測現(xiàn)在未存在但未來可能新產(chǎn)生的鏈接，即預(yù)測未來鏈接［6］。鏈路預(yù)測一直被應(yīng)用于個(gè)性化推薦系統(tǒng)的設(shè)計(jì)中，鏈路預(yù)測可以作為準(zhǔn)確分析社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)的有力輔助工具［7－8］，其原理是基于網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測哪些現(xiàn)在尚未結(jié)交的用戶“應(yīng)該是朋友”，并將此結(jié)果作為“朋友推薦”發(fā)送給用戶。在融合信任網(wǎng)絡(luò)的推薦方面，CHEN［9］等引進(jìn)用戶之間的信任關(guān)系數(shù)據(jù)，由用戶之間的信任關(guān)系和用戶對項(xiàng)目的評分信息分別構(gòu)造用戶之間的信任圖和偏好相似度圖，進(jìn)而將這兩類關(guān)系圖融合到一個(gè)圖模型中，并采用國際公認(rèn)的Epinions數(shù)據(jù)集進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該推薦算法能夠較好地解決冷啟動(dòng)問題而不會(huì)對推薦的準(zhǔn)確性造成很大影響。

1.1.5 混合推薦算法

混合推薦算法通過不同的方式結(jié)合了上述兩種或兩種以上的方法來改善推薦的性能，以解決基礎(chǔ)算法中存在的冷啟動(dòng)和數(shù)據(jù)稀疏性等問題。例如，將基于內(nèi)容的算法與協(xié)同過濾算法相結(jié)合，推薦系統(tǒng)的健壯性會(huì)較單個(gè)算法時(shí)有所增強(qiáng)；基于內(nèi)容的算法可以為用戶興趣偏好缺少的新用戶獲取有用信息進(jìn)行推薦，而協(xié)同過濾模塊可以幫助查找領(lǐng)域中擁有相似偏好的用戶從而進(jìn)行推薦，這樣，推薦系統(tǒng)中的冷啟動(dòng)問題和數(shù)據(jù)稀疏性問題可以得到緩解?；旌纤惴ㄖ袘?yīng)用最廣的方法是基于內(nèi)容和協(xié)同過濾方法。另外，混合推薦根據(jù)不同的方式分為7種:權(quán)重組合、條件轉(zhuǎn)換、混合、基于特征（基于屬性）、特征組合、級聯(lián)和元層次［10］。然而，現(xiàn)有的混合算法依舊面臨著一些瓶頸［11］:①在用戶和項(xiàng)目建模上情境信息不足，因此在復(fù)雜領(lǐng)域?qū)τ脩舻钠妙A(yù)測較弱；②目前還不支持需要用戶根據(jù)多因素（如質(zhì)量和用戶環(huán)境）進(jìn)行決策的多標(biāo)準(zhǔn)評分。

1.2 電子商務(wù)推薦系統(tǒng)

在做理論研究的同時(shí)，也有很多電子商務(wù)推薦系統(tǒng)被開發(fā)出來。典型的基于內(nèi)容的推薦系統(tǒng)有Personal WebWatcher，該系統(tǒng)可以根據(jù)用戶的瀏覽記錄自動(dòng)構(gòu)建用戶模型，無需用戶提供任何內(nèi)容，系統(tǒng)通過比較資源與用戶模型的相似度來推薦信息?；趨f(xié)同過濾的推薦系統(tǒng)有新聞推薦系統(tǒng)GroupLens，系統(tǒng)收集了用戶對文章的評分，通過預(yù)測用戶對其他文章的評分進(jìn)行推薦?；诨旌贤扑]的推薦系統(tǒng)有Web頁面推薦系統(tǒng)Fab，該系統(tǒng)結(jié)合了基于內(nèi)容的推薦與協(xié)同過濾推薦，克服了兩種推薦技術(shù)的缺點(diǎn)，同時(shí)提高了推薦精度。目前推薦系統(tǒng)的研究方向和存在的問題有:

（1）用戶興趣挖掘研究。推薦系統(tǒng)無法完全掌握用戶的興趣與偏好，導(dǎo)致推薦的結(jié)果與用戶需求太接近或者太相反，造成系統(tǒng)的過擬合問題。

（2）推薦精度與實(shí)時(shí)性研究。推薦系統(tǒng)實(shí)時(shí)性的提升是以降低推薦精度為前提的。隨著商品與用戶數(shù)量的不斷增加，推薦精度與實(shí)時(shí)性都受到了極大的挑戰(zhàn)。如何在滿足推薦精度的同時(shí)提高推薦的實(shí)時(shí)性則越來越受關(guān)注。

（3）安全性研究?，F(xiàn)有推薦系統(tǒng)普遍忽略的問題是如何保護(hù)用戶的隱私。個(gè)性化推薦技術(shù)必須有合理的用戶隱私保護(hù)機(jī)制，只有保障系統(tǒng)的安全性，才能更大程度地發(fā)揮推薦系統(tǒng)的作用。

2 全網(wǎng)環(huán)境與興趣圖譜

2.1 興趣圖譜及基于興趣圖譜的推薦

在網(wǎng)絡(luò)購物環(huán)境下，用戶的各種行為會(huì)在一定程度上反映其個(gè)性化信息，即用戶的興趣。不同于表示人與人之間關(guān)系的社交圖譜，興趣圖譜關(guān)心的是事物而不是人。此外，社交圖譜基本是靜態(tài)的，而興趣圖譜對于單個(gè)用戶來說是靈活、動(dòng)態(tài)、易變的。興趣圖譜的涵義有兩點(diǎn):①標(biāo)識個(gè)人身份特定的、多樣的興趣；②試圖基于這些興趣將人們連接起來。用戶的興趣由用戶的描述模型來表示，建立用戶描述模型需要建立興趣概念層次模型，明確興趣概念的范圍，研究興趣概念之間的關(guān)系，探索興趣分類方法，建立興趣分類標(biāo)準(zhǔn)。以興趣概念為對象的推薦可以有效改善現(xiàn)有推薦算法單純以商品實(shí)例為對象推薦，導(dǎo)致算法復(fù)雜度過高的問題。不同于通用的、相對靜態(tài)的興趣領(lǐng)域本體，興趣圖譜反映用戶個(gè)體對不同興趣概念的關(guān)聯(lián)以及喜愛程度，興趣圖譜具有個(gè)性化、動(dòng)態(tài)化的特征。通過用戶興趣圖譜的動(dòng)態(tài)演化可以發(fā)現(xiàn)和預(yù)測用戶的未知興趣，及時(shí)有效地更新推薦結(jié)果。另外，通過用戶的采納與購買商品行為調(diào)節(jié)感興趣程度，及時(shí)更新用戶的興趣圖譜?；谂d趣圖譜的個(gè)性化推薦原理如圖1所示。

圖1 基于興趣圖譜的個(gè)性化推薦原理

基于用戶興趣圖譜的推薦是以更新后用戶興趣圖譜為根據(jù)，先推薦商品概念，再根據(jù)用戶的偏好推薦具體的商品實(shí)例，以實(shí)現(xiàn)高效率和精確性的推薦。首先，在用戶興趣圖譜中，興趣是按樹形結(jié)構(gòu)從上到下分類，用戶與興趣概念喜愛程度采用［0～1］之間興趣度權(quán)重表示，通過興趣度權(quán)值計(jì)算用戶的語義相似度，同時(shí)分別研究用戶、興趣和商品重要性權(quán)值，即研究活躍的用戶對其他用戶的影響要大于不活躍的用戶。其次，根據(jù)構(gòu)建含權(quán)的用戶－興趣－商品概念三部圖計(jì)算用戶語義相似度，向目標(biāo)用戶推薦候選興趣集，再采用貝葉斯分類算法，基于興趣－商品概念的二維矩陣向目標(biāo)用戶推薦商品概念。最后以推薦給用戶的商品概念為基礎(chǔ)，基于用戶偏好向用戶推薦商品。

2.2 基于全網(wǎng)數(shù)據(jù)的交叉領(lǐng)域多維數(shù)據(jù)推薦

已有的個(gè)性化推薦所用數(shù)據(jù)都來自單個(gè)的網(wǎng)站，存在數(shù)據(jù)稀疏性、缺乏用戶完整興趣信息等帶來的冷啟動(dòng)問題與推薦精度低的問題，導(dǎo)致推薦的效率過低。從NIEDERéE［12］等2004年提出跨網(wǎng)的個(gè)性化推薦以來，眾多學(xué)者做了相關(guān)的研究，研究的熱點(diǎn)問題為跨系統(tǒng)的用戶建模。從單個(gè)網(wǎng)站環(huán)境延伸到全網(wǎng)環(huán)境可以全面了解用戶的興趣，綜合利用用戶數(shù)據(jù)庫、社交網(wǎng)絡(luò)、關(guān)聯(lián)開放數(shù)據(jù)等來構(gòu)建用戶模型，構(gòu)建基于全網(wǎng)數(shù)據(jù)的用戶興趣圖譜，可以解決全網(wǎng)環(huán)境跨系統(tǒng)之間的互操作問題。建立基于全網(wǎng)數(shù)據(jù)的用戶興趣圖譜，首先要以興趣圖譜本體為模板，從數(shù)據(jù)庫、結(jié)構(gòu)化和半結(jié)構(gòu)化文檔中獲取用戶感興趣的興趣概念，分析用戶網(wǎng)上購物、博客、微博、BBS論壇過程中是否對某興趣概念真正喜歡，計(jì)算用戶對某興趣概念的感興趣程度。其次，在基于全網(wǎng)數(shù)據(jù)的用戶興趣圖譜本體模型和建模方法的研究基礎(chǔ)上，基于用戶消費(fèi)數(shù)據(jù)庫、微博數(shù)據(jù)資源、社會(huì)化標(biāo)簽資源、關(guān)聯(lián)數(shù)據(jù)云LDB（linked data cloud）開展用戶興趣的挖掘和局部興趣圖譜的生成。最后，參照Gravity公司在新聞?lì)I(lǐng)域建立用戶興趣圖譜的方法，借鑒本體映射方法，通過來自不同網(wǎng)站的興趣概念、興趣關(guān)系、興趣度權(quán)重和規(guī)則的集成，生成全局興趣圖譜，并可基于復(fù)雜網(wǎng)絡(luò)實(shí)現(xiàn)用戶興趣圖譜的演化，利用用戶的興趣采納機(jī)制，通過用戶興趣采納的反饋，實(shí)現(xiàn)用戶興趣圖譜的更新。

2.3 研究現(xiàn)狀

現(xiàn)有推薦算法研究大多是基于顧客的特征或購買與瀏覽行為進(jìn)行推薦的，但事實(shí)上購買與瀏覽行為并不能完美地反映顧客對某件商品的偏好，用戶在很多渠道（包括網(wǎng)絡(luò)購物網(wǎng)站、博客、論壇等）提出的評論信息［13］能夠在一定程度上反映用戶的興趣?；谂d趣圖譜的推薦也由此成為近年來的一個(gè)研究熱點(diǎn)。馬建國［14］等認(rèn)為建立用戶興趣圖譜是實(shí)現(xiàn)智能代理與主動(dòng)服務(wù)的基礎(chǔ)，在這之前要對用戶的閱讀興趣有相當(dāng)?shù)牧私?，并由此建立用戶的描述模型。LYNNE提出了興趣圖譜構(gòu)建方法，包括興趣選擇、興趣分類、基于社交網(wǎng)站和其他物理數(shù)據(jù)的收集以及興趣集成問題［15］。FABRIZIO提出跨網(wǎng)站基于語義的用戶興趣圖譜建模設(shè)想［16］，他們通過將在私有網(wǎng)站分享的用戶信息進(jìn)行整合獲取用戶完整興趣圖譜［17］，并采用混合鏈路預(yù)測和基于內(nèi)容的擴(kuò)散激活方法進(jìn)行推薦［18］。企業(yè)界已開始興趣圖譜的嘗試，Gravity公司通過自己開發(fā)的“興趣圖譜”技術(shù)，同時(shí)為多家網(wǎng)站服務(wù)，它會(huì)跟蹤用戶在其所有服務(wù)網(wǎng)站的行為，通過對閱讀歷史、興趣的分析，形成一個(gè)“興趣圖譜”，向出版商（內(nèi)容提供商）和廣告商提供新聞個(gè)性化服務(wù)。騰訊也提供了興趣圖譜的開發(fā)接口 API（http://wiki.open.t.qq.com），對外提供多種興趣相關(guān)信息，如一鍵轉(zhuǎn)播熱門排行、同話題熱門轉(zhuǎn)播排行和通過標(biāo)簽搜索用戶等。但是，興趣圖譜還處于起步階段，興趣圖譜概念混亂、缺乏統(tǒng)一的標(biāo)準(zhǔn)，既包括用戶對產(chǎn)品的興趣和個(gè)人愛好，也包括其參加的社會(huì)活動(dòng)。綜合而言，將這些元素統(tǒng)統(tǒng)視為鏈路預(yù)測的某個(gè)節(jié)點(diǎn)，不但無法進(jìn)行用戶之間的興趣相似性計(jì)算，還增加了計(jì)算復(fù)雜度。而缺乏統(tǒng)一標(biāo)準(zhǔn)的用戶興趣建模又帶來了互操作性問題，大量的研究著重于解決用戶興趣的模型結(jié)構(gòu)、語法和語義集成［19］。興趣圖譜的另一個(gè)研究難點(diǎn)是從結(jié)構(gòu)和非結(jié)構(gòu)文本中獲取基于語義的用戶興趣。此外，用戶興趣圖譜建模的質(zhì)量直接關(guān)系到個(gè)性化推薦的質(zhì)量［20］，采用何種方法對用戶興趣進(jìn)行建模需要進(jìn)一步的研究。

國內(nèi)外關(guān)于興趣圖譜的電子商務(wù)推薦系統(tǒng)已有很大進(jìn)展，基于跨多個(gè)電商和社交網(wǎng)站數(shù)據(jù)集的全網(wǎng)數(shù)據(jù)挖掘和推薦理論與方法研究也開始被關(guān)注。在跨電商網(wǎng)站方面，YUCHENG等利用集合概率模型（latent dirichlet allocation）將跨網(wǎng)站的用戶興趣集成，實(shí)現(xiàn)了交叉領(lǐng)域的個(gè)性化推薦［21］。在跨社交網(wǎng)絡(luò)方面，SAHEBI采用了一種社區(qū)劃分的方法，從多個(gè)維度對用戶進(jìn)行社區(qū)劃分，如根據(jù)用戶對特定商品的喜好來推薦其他商品，根據(jù)用戶的社區(qū)劃分結(jié)果來度量用戶之間潛在的相似性，再采用協(xié)同過濾的方法為用戶推薦產(chǎn)品［22］；BRACHA總結(jié)了現(xiàn)有社交網(wǎng)絡(luò)中利用用戶之間關(guān)系進(jìn)行相似性推薦（如鏈路預(yù)測推薦方法）的局限性，提出通過集成facebook等社交網(wǎng)站獲取用戶興趣進(jìn)行交叉推薦產(chǎn)品［23］。我國在跨網(wǎng)站的推薦應(yīng)用方面也有探索，如國內(nèi)某電子商務(wù)推薦服務(wù)網(wǎng)已開始基于跨電商行為的交叉推薦算法探索［24］。但是，基于全網(wǎng)興趣圖譜的推薦理論研究與應(yīng)用研究，國內(nèi)外目前還是空白。

3 結(jié)論

在大數(shù)據(jù)時(shí)代到來之時(shí)，高效的電子商務(wù)推薦系統(tǒng)能夠?yàn)槠髽I(yè)帶來客戶，實(shí)現(xiàn)利潤增長?；谌W(wǎng)興趣圖譜的電子商務(wù)推薦系統(tǒng)能夠集成全網(wǎng)的用戶數(shù)據(jù)，全面挖掘用戶興趣，為用戶提供個(gè)性化的推薦，解決傳統(tǒng)推薦系統(tǒng)中的數(shù)據(jù)稀疏性問題和冷啟動(dòng)問題，提高推薦系統(tǒng)的推薦精度。因此，研究基于全網(wǎng)興趣圖譜的電子商務(wù)推薦技術(shù)具有很強(qiáng)的理論意義，在此基礎(chǔ)上開發(fā)電子商務(wù)推薦系統(tǒng)也具有重要的現(xiàn)實(shí)意義。

［1］蘇玉召，趙妍.個(gè)性化關(guān)鍵技術(shù)研究綜述［J］.圖書與情報(bào)，2011，37（1）:59 －65.

［2］嚴(yán)冬梅，魯城華.基于用戶興趣度和特征的優(yōu)化協(xié)同過濾推薦［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（2）:497 －500.

［3］CHIH －FONG T，CHIHLI H.Cluster ensembles in collaborative filtering recommendation［J］.Applied Soft Computing，2012（12）:1417 －1425.

［4］WALTER C N，MARIALUISA H A，RAFAEL V G.Social knowledge－based recommender system application to the movies domain［J］.Expert Systems with Applications，2012（39）:10990 －11000.

［5］LISE G.Link mining:a survey［J］.ACM SIGK DD Explorations New sletter，2005，7（2）:3 －12.

［6］Lü L Y，ZHOU T.Link prediction on complex networks:a survey［J］.Physica A:Statistical Mechanics and Its Applications，2011，390（6）:1150 －1170.

［7］SCHAFER L，GRAHAM J W.Missing data:our view of the state of the art［J］.Psychol Methods，2002，7（2）:147－177.

［8］KOSSINETS G.Effects of missing data in social networks［J］.Social Networks，2006，28（3）:247 －268.

［9］CHEN C C，WAN Y H，CHUNG M C.An effective recommendation method for cold start new users using trust and distrust networks［J］.Information Sciences，2013（224）:19－36.

［10］AMIR A，MOHAMMAD S.A hybrid recommendation technique based on product category attributes［J］.Expert Systems with Applications，2009（36）:11480－11488.

［11］GHAZANFAR M A，PR A.An improved switching hybrid recommender system using naive bayes classifier and collaborative filtering［J］.Lecture Notes in Engineering and Computer Science，2010（2180）:493 －502.

［12］NIEDERéE C，STEWART A，MEHTA B.A multidimensional，unified user model for cross － system personalization［C］∥Proceedings of the AVI 2004 Workshop on Environments for Personalized Information Access.Gallipoli:［s.n.］，2004:34 －54.

［13］CHRYASNTHOS D，GAO G D，RITU N.Are customer more likely to contribute online reviews for hit or niche products?［J］.Journal of Management Information System，2010，27（2）:127 －158.

［14］馬建國，邢玲，李幼平.廣播型網(wǎng)格的用戶興趣圖譜［J］.電子學(xué)報(bào)，2005，33（1）:142 －146.

［15］LYNNE G.The interest graph architecture－social modeling and information fusion［C］∥Proceedings of SPIE.［S.l.］:［s.n.］，2012:1 －46.

［16］FABRIZIO O.Multi－source provenance－ aware user interest profiling on the social semantic web［C］∥20th International Conference on User Modeling，Adaptation，and Personalization.［S.l.］:［s.n.］，2012:378－381.

［17］BENJAMIN H.An open framework for multi－source，cross－domain personalisation with semantic interest graphs［C］∥ACM Recommender Systems.Dublin:［s.n.］，2012:313 －316.

［18］BENJAMIN H，MACIEJ D.Personalisation of social webservices in the enterprise using spreading activation for multi－ source，cross － domain recommendations［C］//Association for the Advancement of Artificial Intelligence.［S.l.］:［s.n.］，2012:46 － 51.

［19］FRANCESCA C，F(xiàn)EDERICA C，CRISTINA G.User model interoperability:a survey［J］.User Modeling and User－adapted Interaction，2011（21）:285 －331.

［20］王巧容，趙海燕，曹健.個(gè)性化服務(wù)中的用戶建模技術(shù)［J］.小型微型計(jì)算機(jī)系統(tǒng)，2011，32（1）:39 －46.

［21］YUCHENG L，DEEPAK A，ALEX S.Multiple domain user personalization［C］∥Proceedings of the 17th ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining.［S.l.］:［s.n.］，2011:123 －131.

［22］SAHEBI S，COHEN W W.Community － based recommendations:a solution to the cold start problem［C］∥Workshop on Recommender Systems and the Social Web，RSWEB.［S.l.］:［s.n］，2011:143 －147.

［23］BRACHA S，LIOR R，SHIRLEY F.Facebook single and cross domain data for recommendation systems［J］.User Model User － Adap Inter，2013（23）:211－247.

［24］張亮，柏林森，周濤.基于跨電商行為的交叉推薦算法［J］.電子科技大學(xué)學(xué)報(bào)，2013，42（1）:154 －161.