基于作者共引分析的推薦系統(tǒng)研究知識(shí)圖譜構(gòu)建

黃文彬 張惟愷 徐 揚(yáng)

隨著互聯(lián)網(wǎng)的普及和發(fā)展，網(wǎng)絡(luò)上的信息呈現(xiàn)爆炸式的增長(zhǎng)，用戶在利用互聯(lián)網(wǎng)搜索時(shí)，往往會(huì)檢索出過度冗雜的信息，而推薦系統(tǒng)的目的則是根據(jù)用戶需求和個(gè)性偏好等特征，利用相關(guān)算法為用戶推薦最有可能需要的信息［1－2］。自90年代中期關(guān)于協(xié)同過濾的研究成果出現(xiàn)以來，推薦系統(tǒng)已成為一個(gè)重要的研究領(lǐng)域［3］。目前，推薦系統(tǒng)廣泛應(yīng)用于諸多領(lǐng)域，例如音樂、電視、書籍、文檔、電子學(xué)習(xí)、電子商務(wù)、移動(dòng)應(yīng)用和網(wǎng)絡(luò)搜索等［4］。無論是應(yīng)用層面還是理論層面，關(guān)于推薦系統(tǒng)的研究都在不斷深入。本文利用作者共引分析 (Author Co－citation Analysis，下文簡(jiǎn)稱ACA) 的方法，構(gòu)建國(guó)際期刊上推薦系統(tǒng)研究的知識(shí)圖譜。

White和Griffith于1981年正式提出作者共引分析(ACA)［5］，該方法假定兩個(gè)作者的文章同時(shí)被后繼的研究引用則表明這兩個(gè)作者之間具有聯(lián)系性，且共同被引用的次數(shù)越多，他們之間的關(guān)系就越緊密。一組相關(guān)作者的共引頻次模式分析能揭示出作者間突出的鏈接，并能解釋他們各自或共同代表的主題領(lǐng)域［6－7］。ACA分析方法通過映射圖揭示研究領(lǐng)域內(nèi)部專業(yè)人員之間的聯(lián)系與結(jié)構(gòu)特點(diǎn)，進(jìn)而反映他們從事的專業(yè)間的聯(lián)系與發(fā)展。此外，著作相關(guān)的作者在之后的文獻(xiàn)中被重復(fù)引用的，將傾向于聚集在映射圖中，而很少或從未被共同引用的作者會(huì)偏離且分散［8－9］?？茖W(xué)知識(shí)圖譜 (簡(jiǎn)稱知識(shí)圖譜) 是顯示科學(xué)知識(shí)的發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一種圖形，利用可視化技術(shù)描述人類隨時(shí)間積累的知識(shí)資源及其載體，繪制、挖掘、分析和顯示科學(xué)技術(shù)知識(shí)以及它們之間的相互聯(lián)系［10－11］。知識(shí)圖譜是對(duì)科學(xué)知識(shí)及其之間的關(guān)系可視化所得出的結(jié)果，具有直觀、定量、簡(jiǎn)單與客觀等諸多優(yōu)點(diǎn)［12－13］。知識(shí)圖譜是一種綜合性的、有效的知識(shí)可視化分析方法和工具，被廣泛應(yīng)用，并取得了可靠結(jié)論［14］。在情報(bào)分析領(lǐng)域中，有許多基于ACA與知識(shí)圖譜的研究［15－19］，但針對(duì)推薦系統(tǒng)的分析研究較少，主要原因在于推薦系統(tǒng)的發(fā)展在近年來才成為亮點(diǎn)議題。

本文主要提取Web of Science數(shù)據(jù)庫中1997－2014年的推薦系統(tǒng)相關(guān)論文，利用作者共引分析構(gòu)建推薦系統(tǒng)研究領(lǐng)域的知識(shí)圖譜，使用SPSS軟件從因子分析、聚類分析與多維尺度分析3個(gè)角度分別進(jìn)行分析探討［20］。本文的因子分析采用主成分方法和方差極大正交旋轉(zhuǎn)，聚類分析采用層次聚類，選擇離差平方和法與歐氏距離平方法，二維圖由多維尺度分析生成。最后，利用相關(guān)知識(shí)結(jié)合上述方法對(duì)結(jié)果進(jìn)行分析解釋。通過將數(shù)據(jù)源切分為1997－2002年、2003－2008年、2009－2014年3個(gè)時(shí)段分別進(jìn)行上述方法的知識(shí)圖譜構(gòu)建與分析，發(fā)現(xiàn)該領(lǐng)域研究熱點(diǎn)的發(fā)展趨勢(shì)。

1 數(shù)據(jù)來源與數(shù)據(jù)處理

1.1 數(shù)據(jù)來源

本文的數(shù)據(jù)來自 ISIWeb of Science的數(shù)據(jù)庫，以“Recommender Systems”為關(guān)鍵詞在數(shù)據(jù)庫中進(jìn)行檢索，共獲得3 218篇文獻(xiàn) (檢索期限至2014年4月) ，進(jìn)而獲得這些文獻(xiàn)共79 734篇的參考文獻(xiàn)記錄和21 349位參考文獻(xiàn)的第一作者。本文將這些作者之間的共引關(guān)系作為重點(diǎn)分析對(duì)象，統(tǒng)計(jì)了這些文獻(xiàn)的年度分布情況，如圖1所示。推薦系統(tǒng)領(lǐng)域的論文大約從1997年開始出現(xiàn)，到2008年一直呈逐年遞增的趨勢(shì)，2008年之后發(fā)文量較為穩(wěn)定 (注:2014年的文獻(xiàn)只統(tǒng)計(jì)到2014年4月) 。

圖1 W eb of Science數(shù)據(jù)庫推薦系統(tǒng)領(lǐng)域年度文獻(xiàn)篇數(shù)統(tǒng)計(jì)

1.2 數(shù)據(jù)處理

從ISIWeb of Science數(shù)據(jù)庫中檢索出推薦系統(tǒng)領(lǐng)域相關(guān)文獻(xiàn)后，提取該文獻(xiàn)以及其參考文獻(xiàn)的作者，選取被引頻次大于等于100的71位作者作為ACA分析對(duì)象，如表1所示。通過統(tǒng)計(jì)這些作者之間的共引頻次生成71×71共引矩陣，如表2所示，將其轉(zhuǎn)換成Pearson相關(guān)系數(shù)矩陣，作為因子分析、聚類分析和多維尺度分析的基礎(chǔ)，并綜合這些分析方法得到推薦系統(tǒng)領(lǐng)域的知識(shí)圖譜。

表1 作者被引頻次大于等于100的71位作者及其被引頻次

表1 (續(xù))

表2 部分作者共引矩陣示例表

2 作者共引矩陣的數(shù)據(jù)分析

2.1 因子分析

因子分析是利用少數(shù)因子去描述多個(gè)指標(biāo)或因素之間的聯(lián)系，從多個(gè)變量指標(biāo)中選取少數(shù)綜合變量指標(biāo)降維的多元統(tǒng)計(jì)方法。該方法將密切相關(guān)的變量歸為同一類，每一類變量成為一個(gè)因子，以較少的因子反映原始資料的大部分信息［8］。通過因子分析，作者共引矩陣的因子數(shù)為8個(gè)，累計(jì)貢獻(xiàn)率為77.171%，其中前4個(gè)因子累計(jì)貢獻(xiàn)率達(dá)到65.958%，說明其所代表的學(xué)術(shù)團(tuán)體是推薦系統(tǒng)領(lǐng)域的主要研究力量，如表3所示。

表3 全時(shí)段因子分析結(jié)果 (著者因子負(fù)載值＞0.3)

表3 (續(xù))

表3 (續(xù))

根據(jù)以上的因子分析結(jié)果以及該因子所屬學(xué)者的研究方向，可將這8個(gè)因子解釋為:基于協(xié)同過濾的推薦算法(因子1) 、基于內(nèi)容的推薦算法 (因子2、7) 、基于數(shù)據(jù)挖掘的推薦算法 (因子3、8) 、基于信任的推薦系統(tǒng) (因子4) 、個(gè)性化推薦 (因子5) 、基于模糊語言處理的推薦算法 (因子6) 。其中，多位學(xué)者在多個(gè)因子中都有較高的負(fù)載值。例如HERLOCKER JL與BREESE JS在因子1和2中的負(fù)載值均大于0.4，說明這兩位學(xué)者在這兩個(gè)分支領(lǐng)域中均有一定的學(xué)術(shù)影響。

2.2 聚類分析

聚類分析是把分析對(duì)象分類，根據(jù)彼此之間的相關(guān)程度形成群，群間的關(guān)系具有一定的相異程度。共引聚類分析可以反映某學(xué)科或?qū)ｎ}的研究情況［8］。本文通過聚類分析方法得出推薦系統(tǒng)研究專題相關(guān)的結(jié)果，如圖2所示，縱軸為文獻(xiàn)作者名字，具有關(guān)聯(lián)性的作者相互連接。結(jié)果顯示，該研究群聚出6類，通過檢索相關(guān)學(xué)者的研究方向發(fā)現(xiàn)，這6類有許多交叉，第1類與第3類為基于協(xié)同過濾的推薦算法;第2類中包含了基于數(shù)據(jù)挖掘的推薦算法和基于模糊語言處理的推薦算法，同時(shí)第5類也是基于數(shù)據(jù)挖掘的推薦算法;第4類為基于內(nèi)容的推薦算法，而第6類中包含了基于信任的推薦系統(tǒng)、個(gè)性化推薦和基于內(nèi)容的推薦算法。由此可見，推薦系統(tǒng)領(lǐng)域的研究熱點(diǎn)之間有許多關(guān)聯(lián)，每一個(gè)研究熱點(diǎn)本身也有許多單獨(dú)的分支方向。這也反映出該領(lǐng)域仍然是目前新興的研究領(lǐng)域。

2.3 多維尺度分析

雖然因子分析可以把原本數(shù)量眾多的變量用少數(shù)幾個(gè)因子表示出來，并通過這些因子來分析作者之間的關(guān)系，但由于前2個(gè)主因子只能反映較少的全部變量的信息，很難直觀地表示變量間的內(nèi)在聯(lián)系，不便于分析解釋，因此必須取2個(gè)以上的因子進(jìn)行分析。此外，利用聚類分析的樹狀圖雖然能夠反映分類過程的細(xì)節(jié)信息，但無法反映最終類群之間的相異程度。多維尺度分析可以解決上述問題，其產(chǎn)生的散點(diǎn)圖可以反映一定的類群關(guān)系。結(jié)合聚類分析和因子分析結(jié)果，把分析對(duì)象的點(diǎn)用線圈成點(diǎn)群，最后根據(jù)點(diǎn)、群之間的相關(guān)位置進(jìn)行分析研究。本文通過多維尺度分析結(jié)果得到了推薦系統(tǒng)研究的知識(shí)圖譜，如圖3所示。其中Stress值為0.09721，RSQ值為0.96607，說明模型的擬合效果較好。根據(jù)因子分析和聚類分析的結(jié)果，并結(jié)合在

Web of Science中檢索出的相關(guān)作者的研究方向與著作，可將多維尺度分析結(jié)果劃分為6片區(qū)域。由于每個(gè)區(qū)域的作者數(shù)量甚多，以下只列代表作者與至多5位相關(guān)作者。這6片區(qū)域分別為:

圖2 聚類分析樹狀圖結(jié)果

區(qū)域1:基于協(xié)同過濾的推薦算法:以HERLOCKER JL、BALABANOVIC M 為代表，包括 MIDDLETON SE、ADOMAVICIUS G、 RESNICK P、 GOLDBERG D、SHARDANBAND U等學(xué)者。

區(qū)域2:個(gè)性化推薦:以BREESE JS、JOACHIMS T為代 表，包 括 MOBASHER B、JAMESON A、RICCI F、SMYTH B等學(xué)者。

區(qū)域3:基于數(shù)據(jù)挖掘的推薦算法:以BAEZAYATES RA、PU P為代表，包括 MCGINTY L、MCSHERRY D、BURKE RD、MCCARTHY KK、HAN JW等學(xué)者。

區(qū)域4:基于內(nèi)容的推薦算法:以SARWAR BM、FELFERNIG A為代表，包括BRUSILOVSKY P、NEWMAN MEJ、LIU JG、ZHOU T等學(xué)者。

區(qū)域5:基于模糊語言處理的推薦算法:以ZADEH LA、HERRERA F、HERRERA －VIEDMA E、YAGER RR、BRIDGE DG為代表。

區(qū)域 6:基于信任的推薦系統(tǒng):以 GOLBECK J、O'DONOVAN J、JOSANG A為代表。

圖3 全時(shí)段多維尺度分析結(jié)果

由此可見，基于內(nèi)容的推薦算法、基于模糊語言處理的推薦算法和基于信任的推薦系統(tǒng)這3個(gè)方向的研究相對(duì)獨(dú)立，研究人數(shù)也較少?；趨f(xié)同過濾的推薦算法研究人數(shù)眾多，是推薦系統(tǒng)領(lǐng)域最為核心的研究方向，其次是個(gè)性化推薦研究。另外，部分作者之間的距離非常接近，例如基于數(shù)據(jù)挖掘的推薦算法研究的TERVEEN LG、BAEZAYATESRA與基于模糊語言處理的推薦算法研究的HERRERA F、HERRERA－VIEDMA E、BRIDGE DG，表明這兩個(gè)方向的研究關(guān)系密切，這些作者也開展了一定的交叉研究。不過，從這個(gè)圖上無法了解推薦系統(tǒng)領(lǐng)域研究熱點(diǎn)的發(fā)展變化情況，因此本文又分別繪制了3個(gè)時(shí)間段的知識(shí)圖譜(如圖4、圖5、圖6所示) ，從中可以發(fā)現(xiàn)一些趨勢(shì)及變化。

2.4 分時(shí)段知識(shí)圖譜

為了分析推薦系統(tǒng)領(lǐng)域研究熱點(diǎn)的發(fā)展變化，本文采用相同的圖譜構(gòu)建方式與分析方法，分別生成3個(gè)分時(shí)段內(nèi)的知識(shí)圖譜來進(jìn)行領(lǐng)域分析，分別為1997－2002年、2003－2008年、2009－2014年。由于各時(shí)間段內(nèi)的文獻(xiàn)篇數(shù)相較于總篇數(shù)會(huì)減少很多，所以在觀察各時(shí)間段的作者被引頻次后，分別選擇被引頻次大于10、50、80的作者作為主要分析對(duì)象。

圖4 1997－2002年時(shí)段多維尺度分析結(jié)果

圖5 2003－2008年時(shí)段多維尺度分析結(jié)果

1997－2002年時(shí)段的多維尺度分析結(jié)果如圖4顯示。其中Stress值為0.10804，RSQ值為0.95755。根據(jù)因子和聚類分析的結(jié)果，結(jié)合相關(guān)作者的研究方向，將結(jié)果劃分為4片區(qū)域，分別為:

區(qū)域1:基于協(xié)同過濾的推薦算法。以RESNICK P、SHARDANAND U為代表，包括 BILLSUS D、SHARDANBAND U、GOLDBERG D、BASU C、HILL W、BALABANOVICM、KONSTAN JA、HERLOCKER JL、SALTON G、JOACHIMST、DELGADO J等學(xué)者。

區(qū)域2:基于數(shù)據(jù)挖掘的推薦算法。以BREESE JS、AGRAWAL R為代表，包括 SARWAR BM、MOBASHER B、PAZZANIMJ、MCSHERRY D、QUINLAN JR、COOLEY R等學(xué)者。

區(qū)域3:多準(zhǔn)則推薦。以BURKERD、SMYTH B為代表。

圖6 2009－2014年時(shí)段多維尺度分析結(jié)果

區(qū)域4:基于知識(shí)的推薦系統(tǒng)。以RAMAKRISHNAN N、HOUSTISEN為代表。

綜合以上結(jié)果，1997－2002年時(shí)段作為推薦系統(tǒng)領(lǐng)域研究的初始階段，學(xué)者們的研究方向相對(duì)集中，大多數(shù)學(xué)者圍繞基于協(xié)同過濾的推薦算法這一核心方向，也有部分學(xué)者研究基于數(shù)據(jù)挖掘的推薦算法，還有一小部分學(xué)者研究多準(zhǔn)則推薦與基于知識(shí)的推薦算法，但是人數(shù)較少。

2003－2008年時(shí)段多維尺度分析的結(jié)果如圖5所示。其中Stress值為0.05791，RSQ值為0.99013。根據(jù)分析結(jié)果與作者的研究方向，將多維尺度分析結(jié)果劃分為5片區(qū)域，分別為:

區(qū)域1:基于協(xié)同過濾的推薦算法。以LIEBERMAN H、RESNICK P為代表，包括 ADOMAVICIUS G、BALABANOVIC M、GOLDBERG D、BILLSUS D、SHARDANBAND U等學(xué)者。

區(qū)域2:個(gè)性化推薦。以MCSHERRY D、SMYTH B為代表，包括 AGRAWAL R、MCGINTY L、PU P、RICCI F、ARDISSONO L、REILLY J等學(xué)者。

區(qū)域3:基于內(nèi)容的推薦算法。以SARWAR BM、BREESE JS、TERVEEN LG、BRIDGEDG、YAGERRR為代表。

區(qū)域4:基于知識(shí)的推薦系統(tǒng)。以 BURKE RD、FELFERNIG A、MCCARTHY KK為代表。

區(qū)域5:基于信任的推薦系統(tǒng)。以 ZIEGLER CN、MASSA P為代表。

綜合上述分析，此時(shí)段研究學(xué)者人數(shù)有所增加，并且出現(xiàn)新的研究熱點(diǎn)。雖然大部分學(xué)者仍在進(jìn)行基于協(xié)同過濾的推薦算法的研究，但也有相當(dāng)數(shù)量的學(xué)者開始研究個(gè)性化推薦。此外，基于內(nèi)容的推薦算法和基于信任的推薦系統(tǒng)開始成為新興熱點(diǎn)，引起了一部分學(xué)者的注意。

2009－2014年時(shí)段多維尺度分析的結(jié)果如圖6所示。其中Stress值為0.12304，RSQ值為0.95122。將分析結(jié)果劃分為6片區(qū)域，分別為:

區(qū)域1:基于協(xié)同過濾的推薦算法。以ADOMAVICIUS G、HERLOCKER JL為代表，包括RESNICK P、KOREN Y、SCHAFER JB、LINDEN G、HOFMANN T等學(xué)者。

區(qū)域2:個(gè)性化推薦。以BREESE JS、MOBASHER B為代表，包括 FELFERNIG A、RICCI F、BOBADILLA J、SALTON G、AGRAWAL R等學(xué)者。

區(qū)域3:基于內(nèi)容的推薦算法。以 SARWAR BM、BURKE RD為代表，包括 ZHOU T、LIU JG、O＇DONOVAN J、SALAKHUTDINOV R、BRUSILOVSKY P等學(xué)者。

區(qū)域4:基于模糊語言處理的推薦算法。以HERRERA F、HERRERA－VIEDMA E、PORCEL C、YAGER RR、ZADEH LA為代表。

區(qū)域5:基于信任的推薦系統(tǒng)。以MASSA P、GOLBECK J、NEWMAN MEJ、JOSANG A為代表。

區(qū)域6:基于數(shù)據(jù)挖掘的推薦算法。以PAZZANIMJ、SCHEIN AI為代表。

分析結(jié)果表明，該時(shí)段研究學(xué)者人數(shù)明顯增加，而相較于2003－2008年時(shí)段，研究熱點(diǎn)也有一定變化，基于模糊語言處理的推薦算法和基于數(shù)據(jù)挖掘的推薦算法的熱點(diǎn)程度已經(jīng)超過基于知識(shí)的推薦系統(tǒng)。這說明目前推薦系統(tǒng)領(lǐng)域中各熱點(diǎn)的研究學(xué)者人數(shù)逐步增加，新興領(lǐng)域也在不斷出現(xiàn)。最為核心的研究熱點(diǎn)依舊是基于協(xié)同過濾的推薦算法。此外，個(gè)性化推薦、基于內(nèi)容的推薦算法與基于信任這3個(gè)方向也正在穩(wěn)步發(fā)展。

3 分析與結(jié)語

3.1 分析

全時(shí)段與各分時(shí)段的分析結(jié)果匯總?cè)绫?所示。在推薦系統(tǒng)領(lǐng)域的發(fā)展過程中不斷涌現(xiàn)出新的核心學(xué)者，說明該領(lǐng)域知識(shí)創(chuàng)新和積累非常迅速，研究十分活躍。在全時(shí)段和各分時(shí)段中，基于協(xié)同過濾的推薦算法與個(gè)性化推薦基本保持在前兩名，說明它們是推薦系統(tǒng)領(lǐng)域的核心熱點(diǎn)，特別是基于協(xié)同過濾的推薦算法。從1997－2002年時(shí)段到2003－2008年時(shí)段，基于知識(shí)的推薦系統(tǒng)一直是研究熱點(diǎn)，而多準(zhǔn)則推薦與基于數(shù)據(jù)挖掘的推薦算法則被個(gè)性化推薦、基于內(nèi)容的推薦算法和基于信任的推薦系統(tǒng)所超越。這說明隨著時(shí)代需求的變化，學(xué)者們逐漸傾向于某些具體類型的推薦系統(tǒng)的研究，更加注重實(shí)際應(yīng)用。從2003－2008年時(shí)段到2009－2014年時(shí)段，個(gè)性化推薦、基于內(nèi)容的推薦算法和基于信任的推薦系統(tǒng)等3個(gè)研究持續(xù)保持熱度，而基于知識(shí)的推薦系統(tǒng)被基于模糊語言處理的推薦算法超越，基于數(shù)據(jù)挖掘的推薦算法也重新出現(xiàn)。這說明隨著用戶對(duì)信息系統(tǒng)的需求提高和網(wǎng)絡(luò)上信息量的爆炸式增長(zhǎng)，如何更好地理解用戶需求和在大量數(shù)據(jù)中挖掘出最有用的信息是學(xué)者們更加關(guān)注的。

表4 各時(shí)段推薦系統(tǒng)領(lǐng)域核心方向與學(xué)者人數(shù)

數(shù)據(jù)顯示，一些學(xué)者隨著研究熱點(diǎn)的變化也在不斷地改變自己的研究方向。例如，SMYTH B在1997－2002年時(shí)段屬于多準(zhǔn)則推薦方向，到了2003－2008年時(shí)段及2009－2014年時(shí)段則屬于個(gè)性化推薦方向，在全時(shí)段中該作者也屬于個(gè)性化推薦方向。這說明該作者在自己最初所處的方向逐漸弱化后能夠迅速調(diào)整研究方向，并且在個(gè)性化推薦方向取得了長(zhǎng)足進(jìn)展。而另一些學(xué)者的研究領(lǐng)域則較為穩(wěn)定，例如很多學(xué)者長(zhǎng)期處于基于協(xié)同過濾推薦算法的研究方向。這說明該方向具有很高的研究?jī)r(jià)值，能夠吸引很多學(xué)者參與其中。而許多后進(jìn)研究人員也不斷參與到基于協(xié)同過濾的推薦算法方向的研究中，使得該方向的研究人數(shù)顯著提高，研究不斷深入。

3.2 結(jié)語

本文針對(duì)推薦系統(tǒng)進(jìn)行了基于ACA分析方法的知識(shí)圖譜構(gòu)建。分析表明，推薦系統(tǒng)研究近年來處于快速發(fā)展時(shí)期，相關(guān)學(xué)者人數(shù)與研究范圍不斷擴(kuò)大。其中基于協(xié)同過濾的推薦算法是最為核心的研究方向，目前已經(jīng)發(fā)展出多個(gè)具體分支;個(gè)性化推薦、基于內(nèi)容的推薦算法、基于數(shù)據(jù)挖掘的推薦算法等方向也是該領(lǐng)域的研究熱點(diǎn)。一些曾經(jīng)的研究熱點(diǎn)由于時(shí)代需求的變化被其他新興方向所超越。綜合上述研究，在今后推薦系統(tǒng)領(lǐng)域的發(fā)展中，基于協(xié)同過濾的推薦算法方向在較長(zhǎng)時(shí)期內(nèi)仍將是該領(lǐng)域的核心研究方向，并且會(huì)進(jìn)一步細(xì)分為更多分支。而個(gè)性化推薦、基于內(nèi)容的推薦算法、基于數(shù)據(jù)挖掘的推薦算法和基于模糊語言處理的推薦算法方向?qū)⑤^為穩(wěn)定地發(fā)展?；谛湃蔚耐扑]系統(tǒng)有可能被逐漸弱化?；谄渌绞降耐扑]系統(tǒng)研究以及應(yīng)用將會(huì)出現(xiàn)。

［1］孫彥超，韓鳳霞.基于協(xié)同過濾算法的個(gè)性化圖書推薦系統(tǒng)的研究［J］.圖書館理論與實(shí)踐，2015，(4) :99－102.

［2］楊博，趙鵬飛.推薦算法綜述［J］.山西大學(xué)學(xué)報(bào):自然科學(xué)版，2011，(3) :337－350.

［3］G.Adomavicius，A.Tuzhilin.Towards 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.

［4］J.Bobadilla，F(xiàn).Ortega，A.Hernando，A.Gutierrez.Recommender systems survey［J］.Knowledge － Based Systems，2013，(46) :109－132.

［5］H.D.White，K.W.McCain.Visualizing a Discipline:An Author Co－Citation Analysis of Information Science，1972－1995［J］.Journal of the American Society for Information Science，1998，49(4) :327－355.

［6］耿海英.共引分析方法及其應(yīng)用研究［D］.北京:中國(guó)科學(xué)院研究生院，2007.

［7］孟祥保，錢鵬.國(guó)際圖書情報(bào)學(xué)研究群體結(jié)構(gòu)——以核心作者互引分析為視角［J］.情報(bào)科學(xué)，2015，(5) :124－128.

［8］H.D.White， B.C.Griffith. Author Cocitation:A Literature Measure of Intellectual Structure［J］.Journal of the American Society for Information Science，1981，32(3) :163－171.

［9］苑彬成，方曙，劉合艷.作者共被引分析方法進(jìn)展研究［J］.圖書情報(bào)工作，2009，(22) :80－84.

［10］侯海燕.基于知識(shí)圖譜的科學(xué)計(jì)量學(xué)進(jìn)展研究［D］.大連:大連理工大學(xué)，2006.

［11］秦長(zhǎng)江，侯漢清.知識(shí)圖譜——信息管理與知識(shí)管理的新領(lǐng)域［J］.大學(xué)圖書館學(xué)報(bào)，2009，(1) :30－37.

［12］邱均平，呂紅.近五年國(guó)際圖書情報(bào)學(xué)研究熱點(diǎn)、前沿及其知識(shí)基礎(chǔ)——基于17種外文期刊知識(shí)圖譜的可視化分析［J］.圖書情報(bào)知識(shí)，2013，(3) :4－15.

［13］高鵬斌，于渤，吳偉偉，等.基于知識(shí)圖譜的即興領(lǐng)域知識(shí)結(jié)構(gòu)及其演化分析［J］.科技管理研究，2015，(6) :112－117.

［14］楊思洛，韓瑞珍.國(guó)外知識(shí)圖譜繪制的方法與工具分析［J］.圖書情報(bào)知識(shí)，2012，(6) :101－109.

［15］向劍勤，趙蓉英.國(guó)內(nèi)外圖書情報(bào)學(xué)研究主題的知識(shí)圖譜比較研究［J］.情報(bào)雜志，2014，33(2) :86－94.

［16］趙勇，沙勇忠.當(dāng)代情報(bào)學(xué)研究的知識(shí)圖譜:基于ACA的分析［J］.圖書館論壇，2008，(6) :63－69.

［17］奉國(guó)和，梁曉婷.國(guó)內(nèi)推薦引擎學(xué)術(shù)研究知識(shí)圖譜分析［J］.情報(bào)科學(xué)，2012，30(1) :144－148，160.

［18］孫海生.圖書館學(xué)高頻被引論文共被引分析［J］.現(xiàn)代情報(bào)，2012，(1) :107－112.

［19］詹川.大數(shù)據(jù)研究的知識(shí)圖譜分析［J］.圖書館論壇，2015，(4) :84－91.

［20］吳占福，馬旭平，李亞奎.統(tǒng)計(jì)分析軟件SPSS介紹［J］.河北北方學(xué)院學(xué)報(bào):自然科學(xué)版，2006，(6) :67－69.