智能推薦算法研究綜述

張松蘭(蕪湖職業(yè)技術(shù)學(xué)院，安徽蕪湖 241006)

智能推薦算法研究綜述

張松蘭
(蕪湖職業(yè)技術(shù)學(xué)院，安徽蕪湖 241006)

隨著網(wǎng)絡(luò)技術(shù)和信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中的信息資源大量增長(zhǎng)，如何在海量的信息資源中找到用戶(hù)需要的信息成為一大研究熱點(diǎn)，智能推薦技術(shù)為此問(wèn)題提供了便捷手段。本文概述了智能推薦系統(tǒng)組成，重點(diǎn)介紹了幾種智能推薦算法及其優(yōu)缺點(diǎn)，最后對(duì)該領(lǐng)域的發(fā)展方向進(jìn)行了展望。

智能推薦；協(xié)同過(guò)濾；關(guān)聯(lián)規(guī)則

隨著互聯(lián)網(wǎng)的廣泛應(yīng)用，網(wǎng)絡(luò)化和信息化技術(shù)不斷推進(jìn)，網(wǎng)絡(luò)中的信息資源呈爆炸性增長(zhǎng)[1]，同時(shí)計(jì)算機(jī)、移動(dòng)終端及多媒體技術(shù)也在不斷更新，人們可以便捷地利用電腦或手機(jī)訪問(wèn)網(wǎng)絡(luò)獲取自己想要的信息資源。豐富的信息資源為人們帶來(lái)極大便利的同時(shí)，一方面產(chǎn)生了信息的嚴(yán)重過(guò)載問(wèn)題[2]，另一方面用戶(hù)很難從眾多的網(wǎng)絡(luò)資源中及時(shí)準(zhǔn)確地獲取所需要的信息。如何幫助用戶(hù)快速高效地在浩瀚的網(wǎng)絡(luò)資源中找到有用信息，縮短查詢(xún)時(shí)間，提高效用性?xún)r(jià)比，智能推薦技術(shù)為解決此問(wèn)題開(kāi)辟了新途徑，為用戶(hù)提供自動(dòng)“信息找人”的便捷通道。

1 智能推薦概念

推薦技術(shù)分為主動(dòng)式推薦和被動(dòng)式推薦[3]。被動(dòng)式推薦的技術(shù)有分類(lèi)瀏覽和關(guān)鍵詞搜索。分類(lèi)瀏覽用樹(shù)型結(jié)構(gòu)表示商品或信息的分類(lèi)，如果商品或信息分類(lèi)不唯一或不易準(zhǔn)確歸類(lèi)，用戶(hù)使用這種推薦方式查詢(xún)信息花費(fèi)時(shí)間多、推薦效率低。關(guān)鍵詞查詢(xún)需要用戶(hù)給出待查找的關(guān)鍵詞，在系統(tǒng)范圍內(nèi)尋找與關(guān)鍵詞相匹配的內(nèi)容，如果關(guān)鍵詞選擇不當(dāng)，推薦出來(lái)的商品或信息量會(huì)很大，因此這種方法對(duì)關(guān)鍵詞的準(zhǔn)確度要求較高。被動(dòng)式推薦自動(dòng)化程度低，不易發(fā)現(xiàn)不同用戶(hù)的內(nèi)在需求；針對(duì)性差，要求用戶(hù)具備相應(yīng)的技能。主動(dòng)式推薦，又稱(chēng)智能推薦技術(shù)，實(shí)質(zhì)上是一種信息過(guò)濾技術(shù)，從眾多信息中提取出有用的信息，以數(shù)據(jù)挖掘理論為工具，通過(guò)收集用戶(hù)的行為日志，分析用戶(hù)的偏好并向其推薦感興趣的信息，為用戶(hù)和信息生產(chǎn)者雙方提供便利。

2 智能推薦系統(tǒng)

2.1 智能推薦系統(tǒng)組成

智能推薦系統(tǒng)一般由三個(gè)部分組成[4]，即信息存儲(chǔ)、信息處理和智能推薦。(1)信息存儲(chǔ)：記載用戶(hù)登錄網(wǎng)站的相關(guān)信息，如登錄信息、瀏覽內(nèi)容、操作信息等。(2)信息處理：從信息存儲(chǔ)部分得到數(shù)據(jù)內(nèi)容進(jìn)行數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清洗[5]、數(shù)據(jù)過(guò)濾、數(shù)據(jù)選擇、數(shù)據(jù)集成等，并將清洗后的數(shù)據(jù)整理成符合要求的數(shù)據(jù)記錄，根據(jù)研究問(wèn)題的需要選擇是否導(dǎo)入數(shù)據(jù)庫(kù)。(3)智能推薦：把處理后的數(shù)據(jù)按照推薦算法實(shí)施推薦過(guò)程并將結(jié)果反饋給用戶(hù)。在整個(gè)系統(tǒng)中智能推薦算法是系統(tǒng)的核心，對(duì)推薦的結(jié)果起著至關(guān)重要的作用。

2.2 智能推薦算法

智能推薦算法主要有基于關(guān)聯(lián)規(guī)則的推薦、協(xié)同過(guò)濾推薦、基于內(nèi)容的推薦、基于效用的推薦等算法[6]。

2.2.1 基于關(guān)聯(lián)規(guī)則的推薦

關(guān)聯(lián)推薦法，在數(shù)據(jù)分析的基礎(chǔ)上為尋找數(shù)據(jù)集間的相關(guān)性，首先找出事件中頻繁發(fā)生的項(xiàng)目之間的關(guān)聯(lián)性，形成X→Y形式的關(guān)聯(lián)規(guī)則，得到用戶(hù)感興趣的事件，然后進(jìn)行智能推薦，關(guān)聯(lián)推薦法屬于無(wú)監(jiān)督的學(xué)習(xí)方法。

如果某一規(guī)則同時(shí)滿(mǎn)足最小支持度(事件X和事件Y同時(shí)發(fā)生的概率稱(chēng)為支持度)和最小置信度(在發(fā)生事件X的基礎(chǔ)上發(fā)生事件Y的概率稱(chēng)為置信度)，則稱(chēng)此規(guī)則為強(qiáng)規(guī)則。

關(guān)聯(lián)規(guī)則推薦過(guò)程：首先設(shè)定最小支持度和最小置信度，然后從數(shù)據(jù)集中找到不低于最小支持度的頻繁項(xiàng)集，再利用前一步中得到的高頻項(xiàng)集來(lái)產(chǎn)生滿(mǎn)足最小置信度的強(qiáng)規(guī)則，最后根據(jù)強(qiáng)規(guī)則實(shí)施推薦[7]。關(guān)聯(lián)規(guī)則挖掘的相關(guān)算法有以下3種。

2.2.1.1 Apriori算法

Apriori算法是挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的典型算法，其核心思想是基于兩個(gè)階段頻繁集的遞推。首先基于先驗(yàn)知識(shí)設(shè)定最小支持度和最小置信度，通過(guò)掃描事件集找出所有的頻繁1項(xiàng)集，在此基礎(chǔ)上找出頻繁2項(xiàng)集，如此迭代找出滿(mǎn)足最小支持度的所有頻繁集，由頻繁集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，然后使用前面找到的頻繁集產(chǎn)生滿(mǎn)足最小置信度的強(qiáng)規(guī)則，從而推薦出用戶(hù)感興趣的事件。在數(shù)據(jù)集比較大時(shí)使用遞推方法掃描數(shù)據(jù)集會(huì)比較耗時(shí)，效率比較低，另外在實(shí)時(shí)多變的知識(shí)推薦中可能難以產(chǎn)生規(guī)則，這是Apriori算法的兩大缺點(diǎn)。

2.2.1.2 基于劃分的算法

為避免Apriori算法掃描大數(shù)據(jù)集的低效問(wèn)題，Savasere等設(shè)計(jì)了基于劃分的算法。該算法先把整個(gè)數(shù)據(jù)集分為相互無(wú)交集的多個(gè)小塊，每次僅掃描其中的一個(gè)塊生成頻繁集，再組合前面所產(chǎn)生的頻繁集，最后計(jì)算這些項(xiàng)集的支持度。該算法是一種并行算法，一個(gè)處理器掃描一個(gè)子塊產(chǎn)生頻繁集，處理器之間相互通信來(lái)產(chǎn)生全局的頻繁項(xiàng)集。此算法中處理器間的通信及處理器生成頻繁項(xiàng)集制約算法的效率。

2.2.1.3 FP-樹(shù)頻集算法

在頻繁項(xiàng)集產(chǎn)生過(guò)程中，J.Han等采用分而治之的策略，提出了FP-樹(shù)頻集算法?；舅枷霝椋涸诘谝淮螔呙钄?shù)據(jù)集之后，將數(shù)據(jù)集中的頻繁集壓縮到一棵頻繁模式樹(shù)(FP-tree)上，再按決策樹(shù)的思想將FP-tree分解成一些條件子樹(shù)，每個(gè)子樹(shù)與一個(gè)長(zhǎng)度為1的頻繁集相關(guān)，最后對(duì)這些條件樹(shù)進(jìn)行挖掘。此算法對(duì)長(zhǎng)度不同的規(guī)則適應(yīng)性比較強(qiáng)，同時(shí)，效率也較Apriori算法高。

2.2.2 協(xié)同過(guò)濾推薦

協(xié)同過(guò)濾推薦算法的基本思想為：通過(guò)研究用戶(hù)的網(wǎng)絡(luò)行為，尋找有相似行為的用戶(hù)或有共同興趣的事件，找到用戶(hù)或事件間的關(guān)聯(lián)性，然后根據(jù)相關(guān)性實(shí)施推薦[8]。協(xié)同過(guò)濾算法主要分為基于用戶(hù)的協(xié)同過(guò)濾算法、基于項(xiàng)目的協(xié)同過(guò)濾算法和基于模型的協(xié)同過(guò)濾算法[9]。

2.2.2.1 基于用戶(hù)的協(xié)同過(guò)濾

基本思想為：利用用戶(hù)對(duì)商品或事件的評(píng)分來(lái)計(jì)算出不同用戶(hù)間的距離，將彼此間距離小的用戶(hù)定義為最近鄰來(lái)尋找有相似興趣的用戶(hù)，然后根據(jù)目標(biāo)用戶(hù)的最近鄰來(lái)預(yù)測(cè)目標(biāo)用戶(hù)可能感興趣的商品或事件，最終完成推薦過(guò)程?；谟脩?hù)的協(xié)同過(guò)濾技術(shù)的推薦步驟[10]如下。

步驟一：計(jì)算不同用戶(hù)間的距離或相似度。用戶(hù)上網(wǎng)對(duì)商品或事件的關(guān)注程度用距離這一參數(shù)來(lái)表示，選定的距離閾值會(huì)影響推薦系統(tǒng)的準(zhǔn)確性，這是此算法的一個(gè)關(guān)鍵參量。計(jì)算相似度的方法有：首先對(duì)各隱性或顯性評(píng)分進(jìn)行量化處理，選擇歐式距離、皮爾遜相關(guān)系數(shù)或余弦相似度作為向量模型的距離；選擇Latent Semantic Analysis(LSA)、Probabilitistic Latent Semantic Analysis(PLSA)、Latent Dirichlet Allocation(LDA)方法作為主題分析方法的距離。

步驟二：形成最近鄰。對(duì)目標(biāo)用戶(hù)根據(jù)第一步計(jì)算出的距離找出其興趣相近的最近鄰集合。

步驟三：實(shí)施目標(biāo)推薦。根據(jù)目標(biāo)用戶(hù)的最近鄰集合預(yù)測(cè)目標(biāo)用戶(hù)對(duì)不同商品或事件的評(píng)分，取其前N個(gè)較高的商品或事件反饋給目標(biāo)用戶(hù)完成推薦過(guò)程[2]。

2.2.2.2 基于項(xiàng)目的協(xié)同過(guò)濾算法

此算法中，用戶(hù)規(guī)模比較大時(shí)，相似度計(jì)算會(huì)呈非線性增加，計(jì)算的時(shí)間復(fù)雜度也會(huì)增加，得到的用戶(hù)間相似度穩(wěn)定性較差。Sarwr[11]于2001年改進(jìn)了相似度的計(jì)算方法，提出了基于項(xiàng)目的協(xié)同過(guò)濾算法，其區(qū)別在基于項(xiàng)目的協(xié)同過(guò)濾算法的相似度計(jì)算環(huán)節(jié)中，計(jì)算的是項(xiàng)目之間的相似度。

2.2.2.3 基于模型的協(xié)同過(guò)濾算法

此算法不需要借助評(píng)分?jǐn)?shù)據(jù)進(jìn)行相似度計(jì)算和評(píng)分預(yù)測(cè)，而是利用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等算法對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行挖掘建立評(píng)分預(yù)測(cè)模型，再根據(jù)模型完成目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分預(yù)測(cè)。常用的基于模型的推薦算法主要有：(1)基于奇異值分解方法，將用戶(hù)—項(xiàng)目評(píng)分矩陣中的用戶(hù)和項(xiàng)目投影到一個(gè)低維空間上，在這個(gè)低維空間上計(jì)算相似度并進(jìn)行推薦。(2)聚類(lèi)算法，按照物以類(lèi)聚的思想，將相似的用戶(hù)(或項(xiàng)目)進(jìn)行聚類(lèi)，在同一個(gè)類(lèi)別中預(yù)測(cè)目標(biāo)用戶(hù)的評(píng)分進(jìn)行推薦。

UA-DLLME用超聲處理代替了DLLME中傳統(tǒng)的分散劑，實(shí)現(xiàn)了更為高效和綠色的萃取過(guò)程。實(shí)驗(yàn)操作程序如下：準(zhǔn)確移取待測(cè)元素標(biāo)準(zhǔn)工作液置于10 mL具塞離心管中，然后加入適量絡(luò)合劑，充分搖蕩后調(diào)節(jié)酸度，加入萃取劑，用純水定容至10 mL，充分搖勻后超聲振蕩5 min，以3 000 r∕min的轉(zhuǎn)速離心5 min。待水相和有機(jī)相完全分離后，棄去水相，用注射器小心抽取有機(jī)相10 μL注入非水相CVG反應(yīng)器進(jìn)行測(cè)定。

協(xié)同過(guò)濾推薦算法適用于復(fù)雜的非結(jié)構(gòu)化信息，但如果系統(tǒng)出現(xiàn)了新用戶(hù)，由于沒(méi)有該用戶(hù)信息無(wú)法計(jì)算與其他用戶(hù)間的相似度，從而不能完成推薦工作。隨著系統(tǒng)規(guī)模擴(kuò)大，系統(tǒng)復(fù)雜度和開(kāi)銷(xiāo)也會(huì)越大，可擴(kuò)展性較差，因而存在“冷啟動(dòng)”、稀疏性等問(wèn)題。

2.2.3 基于效用的推薦

基于效用的推薦建立在對(duì)用戶(hù)使用項(xiàng)目的效用情況上，其關(guān)鍵問(wèn)題是如何為用戶(hù)創(chuàng)建一個(gè)效用函數(shù)，因而推薦模型很大程度上依賴(lài)于效用函數(shù)。此推薦方法的優(yōu)點(diǎn)是能把非產(chǎn)品的屬性考慮到效用計(jì)算中，不存在冷啟動(dòng)和稀疏問(wèn)題，對(duì)用戶(hù)的偏好變化敏感。

2.2.4 基于內(nèi)容的推薦

基于內(nèi)容的推薦不需要根據(jù)用戶(hù)對(duì)項(xiàng)目的評(píng)價(jià)意見(jiàn)，而是利用機(jī)器學(xué)習(xí)方法根據(jù)用戶(hù)評(píng)價(jià)對(duì)象的內(nèi)容來(lái)學(xué)習(xí)用戶(hù)的偏好，計(jì)算其與待預(yù)測(cè)項(xiàng)目的相似程度，從而實(shí)施推薦，推薦過(guò)程所用的機(jī)器學(xué)習(xí)方法有決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等。

基于內(nèi)容推薦方法的優(yōu)點(diǎn)：(1)不需要其他用戶(hù)數(shù)據(jù)，不存在冷啟動(dòng)問(wèn)題和稀疏問(wèn)題。(2)可以為有特殊興趣愛(ài)好的用戶(hù)或新項(xiàng)目進(jìn)行推薦。(3)對(duì)推薦出的項(xiàng)目具有可解釋性。

缺點(diǎn)是要求內(nèi)容能抽象成有意義的特征，且特征內(nèi)容結(jié)構(gòu)性較好。

基于知識(shí)的推薦交互性很強(qiáng)，可理解成是一種推理技術(shù)，用一種個(gè)性化方法在大量潛在候選項(xiàng)中找到用戶(hù)感興趣或有用的物品。它不需要用戶(hù)評(píng)分?jǐn)?shù)據(jù)，也就不存在啟動(dòng)問(wèn)題。基于知識(shí)的方法因所用的功能知識(shí)而異，效用知識(shí)是項(xiàng)目如何滿(mǎn)足特定用戶(hù)的知識(shí)。用戶(hù)信息可以是任何能支持推理的知識(shí)結(jié)構(gòu)、已規(guī)范化的查詢(xún)或更詳細(xì)的用戶(hù)需要表示。其特點(diǎn)是能將用戶(hù)需求映射到產(chǎn)品上，并能考慮非產(chǎn)品屬性，但推薦是靜態(tài)的。

3 智能推薦技術(shù)應(yīng)用

網(wǎng)絡(luò)技術(shù)和移動(dòng)終端技術(shù)快速發(fā)展，互聯(lián)網(wǎng)呈現(xiàn)出資源過(guò)剩，智能推薦技術(shù)在網(wǎng)絡(luò)信息中的運(yùn)用表現(xiàn)在如下幾個(gè)方面。

3.1 智慧城市

徐小奇[12]在城市公共交通中利用數(shù)據(jù)挖掘和數(shù)據(jù)庫(kù)技術(shù)開(kāi)發(fā)智能推薦系統(tǒng)，為乘客推薦空駛出租車(chē)的地點(diǎn)，為出租車(chē)司機(jī)快速推薦乘客的位置。蔣鴻玲[13]則利用MapReduce算法跟蹤出租車(chē)的GPS位置信息，為出租車(chē)司機(jī)或乘客推薦最佳?？奎c(diǎn)，實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)路況的優(yōu)化推薦。

3.2 廣播電視媒體

陳都、苗方[7]等在廣播電視媒體中根據(jù)用戶(hù)歷史行為以及對(duì)媒體和應(yīng)用內(nèi)容的效用評(píng)估，將用戶(hù)信息與內(nèi)容信息進(jìn)行關(guān)聯(lián)匹配，通過(guò)智能推薦引擎技術(shù)預(yù)測(cè)用戶(hù)可能感興趣的內(nèi)容，輸出個(gè)性推薦列表返回給用戶(hù)，并保持推薦結(jié)果新穎性和多樣性。

3.3 電子商務(wù)

吳振濤[2]針對(duì)電子商務(wù)資源的信息過(guò)載問(wèn)題，開(kāi)發(fā)基于商品評(píng)論的智能推薦，使用戶(hù)能夠從電子商務(wù)網(wǎng)站中快速、準(zhǔn)確、有效地選擇滿(mǎn)足其需要的商品。在電子商務(wù)常用的推薦技術(shù)中，引入社會(huì)關(guān)系因素，對(duì)協(xié)同過(guò)濾方法進(jìn)行優(yōu)化，提高智能推薦的準(zhǔn)確度和可信度，同時(shí)提高了信息的使用效率。

3.4 智慧旅游

黃連盛[14]在旅游產(chǎn)業(yè)中運(yùn)用云計(jì)算、互聯(lián)網(wǎng)等來(lái)實(shí)現(xiàn)對(duì)旅游信息的搜集與發(fā)布，運(yùn)用智能推薦技術(shù)發(fā)揮智慧旅游管理系統(tǒng)的優(yōu)勢(shì)作用，方便客戶(hù)通過(guò)網(wǎng)絡(luò)與移動(dòng)設(shè)備實(shí)現(xiàn)對(duì)旅游資源與相應(yīng)服務(wù)信息的有效獲取。

3.5 網(wǎng)絡(luò)課程教學(xué)圖書(shū)管理

滕薇、王光明[15]針對(duì)學(xué)習(xí)者社群的特征，將學(xué)習(xí)者的學(xué)習(xí)興趣作為主要屬性，利用自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類(lèi)，然后通過(guò)關(guān)聯(lián)規(guī)則產(chǎn)生個(gè)性化的課程推薦，智能化地為學(xué)習(xí)者進(jìn)行在線選課提供參考。徐杰[16]在網(wǎng)絡(luò)教學(xué)中根據(jù)需要和學(xué)生興趣搜索、選擇學(xué)習(xí)資源，完成網(wǎng)絡(luò)教學(xué)的智能推薦，實(shí)現(xiàn)個(gè)性化教學(xué)，探索網(wǎng)絡(luò)教學(xué)模式的改革。

楊建平[17]利用現(xiàn)有的圖書(shū)管理銷(xiāo)售系統(tǒng)中用戶(hù)對(duì)圖書(shū)借閱、收藏或者購(gòu)買(mǎi)的記錄，通過(guò)關(guān)聯(lián)規(guī)則的原理，分析圖書(shū)之間的關(guān)聯(lián)度。根據(jù)分析結(jié)果向管理者提供圖書(shū)之間的關(guān)系，向借閱者推薦相關(guān)圖書(shū)，增加借閱量或圖書(shū)銷(xiāo)售，使用戶(hù)快速發(fā)現(xiàn)相關(guān)的書(shū)籍。將智能推薦技術(shù)運(yùn)用于互聯(lián)網(wǎng)圖書(shū)銷(xiāo)售，可為用戶(hù)提供更加便捷、有效的圖書(shū)獲取手段。

3.6 網(wǎng)絡(luò)廣告

史雯昱、馬輝民[18]等根據(jù)用戶(hù)的偏好、興趣和行為，將智能推薦技術(shù)用于網(wǎng)絡(luò)廣告中，針對(duì)RSS廣告的個(gè)性化推薦，設(shè)計(jì)了一種基于RSS的個(gè)性化網(wǎng)絡(luò)廣告推薦系統(tǒng)，識(shí)別潛在的廣告用戶(hù)，將符合用戶(hù)需求的廣告?zhèn)鬟f給用戶(hù)。

智能推薦技術(shù)在電子商務(wù)、智慧城市、智慧旅游、廣播電視媒體、圖書(shū)管理銷(xiāo)售系統(tǒng)及網(wǎng)絡(luò)廣告等方面得到了廣泛的應(yīng)用，有效地為用戶(hù)提供了個(gè)性化推薦服務(wù)，提高了網(wǎng)絡(luò)信息資源的利用效率。

4 結(jié)語(yǔ)

隨著網(wǎng)絡(luò)技術(shù)和信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中的信息資源呈爆炸性增長(zhǎng)，如何在海量的信息資源中找到用戶(hù)需要的信息，智能推薦技術(shù)為網(wǎng)絡(luò)用戶(hù)提供了便捷手段。本文概述了智能推薦系統(tǒng)組成及智能推薦算法，而如何根據(jù)用戶(hù)特征準(zhǔn)確、有效地為用戶(hù)推薦所需信息仍需要進(jìn)一步研究。

[1]戎袁杰.基于深度挖掘的個(gè)性化智能推薦方法研究[J].信息技術(shù)與信息化,2016(7):108-111.

[2]吳振濤.基于社會(huì)關(guān)系的智能推薦技術(shù)在電子商務(wù)中的應(yīng)用研究[J].中國(guó)商論,2016(15):56-57.

[3]魏衍君,楚志凱.電子商務(wù)智能推薦技術(shù)研究[J].商丘職業(yè)技術(shù)學(xué)院學(xué)報(bào),2011(2):41-44.

[4]許夢(mèng)妮,劉晶晶.基于智能推薦的網(wǎng)絡(luò)購(gòu)物系統(tǒng)的設(shè)計(jì)研究[J].軟件工程,2016(4):46-48.

[5]張晗,潘正運(yùn),張燕玲.旅游服務(wù)智能推薦系統(tǒng)的研究與設(shè)計(jì)[J].微計(jì)算機(jī)信息,2006(3):170-173.

[6]李儉霞,孫建.智能推薦技術(shù)在電子商務(wù)中的運(yùn)用[J].中國(guó)電子商務(wù),2010(10):2-3.

[7]張勇杰,楊鵬飛.基于關(guān)聯(lián)規(guī)則的商品智能推薦算法[J].現(xiàn)代計(jì)算機(jī),2016(4):25-27.

[8]陳都,苗方,金立標(biāo).廣電智能推薦系統(tǒng)的應(yīng)用研究[J].電視技術(shù),2016(1):102-105.

[9]付加星,孟佳娜,沈杭春,等.基于智能推薦的電子商城購(gòu)物系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)時(shí)代,2015(6):39-41.

[10]劉樹(shù)棟,孟祥武.一種基于移動(dòng)用戶(hù)位置的網(wǎng)絡(luò)服務(wù)推薦方法[J].軟件學(xué)報(bào),2014(11):2556-2574.

[11]黃傳飛.基于項(xiàng)目的協(xié)同過(guò)濾算法的改進(jìn)[D].南昌:江西師范大學(xué),2015.

[12]徐小奇.基于海量出租車(chē)軌跡數(shù)據(jù)的智能推薦系統(tǒng)研究[J].電子制作,2016(18):27-28.

[13]蔣鴻玲,張楠.基于MapReduce的出租車(chē)停泊點(diǎn)智能推薦算法[J].計(jì)算機(jī)應(yīng)用與軟件,2016(2):254-258.

[14]黃連盛.智慧旅游管理與智能推薦技術(shù)[J].旅游縱覽,2016(4):64.

[15]滕薇,王光明.基于Web的網(wǎng)絡(luò)課程智能推薦機(jī)制[J].鞍山科技大學(xué)學(xué)報(bào),2006(3):274-277.

[16]徐杰,丁振凡.基于搜索引擎結(jié)果由教師過(guò)濾的個(gè)性化教學(xué)推薦[J].電腦知識(shí)與技術(shù),2010(6):9692-9694.

[17]楊建平.基于關(guān)聯(lián)規(guī)則的圖書(shū)智能推薦系統(tǒng)的算法改進(jìn)[J].信息通信,2014(10):13.

[18]史雯昱,馬輝民.基于RSS的個(gè)性化網(wǎng)絡(luò)廣告推薦系統(tǒng)[J].武漢理工大學(xué)學(xué)報(bào):信息與管理工程版,2009(4):569-572.

Algorithm Survey on Intelligent Recommendation

ZHANG Song-lan

(Wuhu Institute of Technology, Wuhu Anhui 241006, China)

With development of internet and information technology and substantial growth of internet resource. How to find needful information on internet resource is one problem. Intelligent recommendation provides convenient method for this question. The constituent of intelligent recommendation system is introduced. Special stress is laid on several kinds of intelligent recommendation algorithm and their merits and drawbacks. Finally, the development tendency is prospected.

intelligent recommendation; collaborative filtering; association rules

2017-03-16

安徽省教育廳自然科學(xué)重點(diǎn)項(xiàng)目“基于大數(shù)據(jù)挖掘的電力系統(tǒng)穩(wěn)定性研究”(KJ2016A767)；蕪湖職業(yè)技術(shù)學(xué)院重點(diǎn)科研項(xiàng)目“基于網(wǎng)絡(luò)化視頻的智能推薦技術(shù)研究與應(yīng)用”(Wzyzrzd201707)。

張松蘭(1973- )，女，副教授，碩士，從事人工智能、復(fù)雜系統(tǒng)建模與仿真研究。

TP301

A

2095-7602(2017)06-0051-04