協(xié)同推薦研究前沿與發(fā)展趨勢的知識圖譜分析

陳海蛟，努爾布力

(新疆大學 信息科學與工程學院，烏魯木齊 830046) E-mail ：1179919160@qq.com

1 引 言

第一個真正意義上的推薦系統(tǒng)由Goldberg、Nichols、Oki以及Terry在1992年首次提出的，應用于Tapestry系統(tǒng)[1]，協(xié)同過濾的概念由此提出，同時協(xié)同過濾推薦的相關(guān)期刊和文獻陸續(xù)在國際學術(shù)領(lǐng)域被發(fā)表.直至2001年～2002年先后，我國才漸漸出現(xiàn)協(xié)同推薦的文獻期刊，2001年國內(nèi)發(fā)表1篇.

從2001年開始，我國開始關(guān)注協(xié)同過濾推薦，積極探索在推薦領(lǐng)域的有效應用.運用WOS工具分析，發(fā)現(xiàn)近年來我國在該領(lǐng)域的文獻期刊等的發(fā)文量在快速增長，研究隊伍在不斷壯大，這表明現(xiàn)在的“信息過載”問題不斷加劇，推薦系統(tǒng)的關(guān)注度在不斷上升.其中，WOS發(fā)文量統(tǒng)計如圖1所示.

圖2、圖3分別以“Collaborative filtering”和“協(xié)同過濾”為關(guān)鍵詞在Foamtree中查詢，展示前100項結(jié)果.國內(nèi)對協(xié)同過濾算法的研究起步比較晚，對推薦的關(guān)注點，相比國外，有著明顯相似共性和局部差異性.

本文研究動機在于，運用CiteSpace[2]可視化工具的計量學方法指導，對相關(guān)期刊文獻進行分析，整理國內(nèi)外近15年的推薦算法的研究脈絡(luò)，并構(gòu)建知識圖譜.我們的目標為定量地解決以下問題：

1)國內(nèi)近15年在協(xié)同過濾算法領(lǐng)域的關(guān)注點有哪些？

2)國內(nèi)的協(xié)同過濾算法的研究脈絡(luò)的發(fā)展有什么規(guī)律？

圖1 WOS協(xié)同過濾推薦算法發(fā)文量前10的國家/地區(qū)Fig.1 WOS collaborative filtering recommendation algorithm number before the 10 country/region

3)國外近15年的協(xié)同過濾算法研究與國內(nèi)的研究的對比差異性有哪些？

本文的具體工作如下：首先說明了數(shù)據(jù)來源和研究方法，接下來對協(xié)同過濾算法描述分析，得出該領(lǐng)域的研究熱點和研究脈絡(luò).最后，通過國內(nèi)國外近15年在協(xié)同過濾推薦方面的對比分析，構(gòu)建知識圖譜，有力論述二者存在的共性和差異性，力圖客觀形象地展示國內(nèi)外研究現(xiàn)狀，為我國研究人員在該領(lǐng)域進一步深層研究提供有力參考.

圖2 基于Foamtree中Web搜索前100項英文結(jié)果Fig.2 Based on Foamtree Web search Top 100 english results

圖3 基于Foamtree中Web搜索前100項中文結(jié)果Fig.3 Based on Foamtree Web search in the top 100 chinese results

2 數(shù)據(jù)來源與研究方法說明

2.1 數(shù)據(jù)源與可視化工具

本文數(shù)據(jù)分中文英文兩部分，中文數(shù)據(jù)取自CNKI的核心期刊，通過主題詞 “協(xié)同過濾推薦算法”，檢索區(qū)間為2002年-2016年，得到核心期刊260篇.以及WOS數(shù)據(jù)庫中以“Collaborative filtering recommendation algorithm”為檢索條件的459篇核心合集論文.按年進行時間切片，將知識圖譜節(jié)點分別設(shè)置“主題”、“關(guān)鍵詞”、“機構(gòu)”、“作者”等.目前用于可視化的軟件有很多，本研究選用美國德雷克塞爾大學的陳超美教授開發(fā)的文獻數(shù)據(jù)處理與可視化軟件CiteSpace[2].

2.2 研究方法說明

本文基于可視化理論基礎(chǔ)，借助信息可視化軟件，將引文分析、聚類分析、網(wǎng)絡(luò)分析等在知識單元分析的基礎(chǔ)上結(jié)合并集成起來，實現(xiàn)了主題詞共現(xiàn)網(wǎng)絡(luò)分析、作者和國家的共現(xiàn)網(wǎng)絡(luò)分析等，探測和分析推薦領(lǐng)域的關(guān)鍵技術(shù)、前沿與熱點及發(fā)展態(tài)勢.

目前的諸多研究工作都是基于單一指標，在對關(guān)鍵節(jié)點的精確分析和計量存在一定的不準確性.為了使研究計量更加準確，接下來要綜合分析多項指標，如：頻數(shù)(Freq)、中介中心性(Centrality)、激增(Burst)指數(shù)、Σ(Sigma).頻數(shù)[2]：指不同節(jié)點類型在某一領(lǐng)域的分析數(shù)據(jù)中出現(xiàn)的次數(shù).中介中心性[2]：社會網(wǎng)絡(luò)分析的主要指標之一，是由Freeman提出用于測量網(wǎng)絡(luò)中個體地位的計量指標.激增指數(shù)[2]：Burst Detection算法被用于判斷節(jié)點在某時段內(nèi)的突發(fā)增長率，依據(jù)其數(shù)值的波動變化，判斷某一節(jié)點的激增時段和激增程度.Σ指數(shù)[2]：Σ是由陳超美于2009年提出來的測度科學創(chuàng)新能力的一個計量指標，用于確定有創(chuàng)新性的科學文獻.研究方法流程如圖4所示.

圖4 研究方法流程Fig.4 Research method process

3 研究進展分析

3.1 國內(nèi)協(xié)同過濾算法研究脈絡(luò)分析

3.1.1 主要研究機構(gòu)及研究作者網(wǎng)絡(luò)分析

通過研究機構(gòu)聚類分析，國內(nèi)對于協(xié)同過濾算法的研究起步比較晚，從2001～2002年才正式開始研究，且相互之間合作比較少，研究機構(gòu)分布相對分散，發(fā)文量前10 的研究機構(gòu)分別為重慶大學(13)、中山大學(9)、燕山大學(8)、南京航空航天大學(6)、大連理工大學(6)、上海理工大學(5)、中國科學技術(shù)大學(5)、同濟大學(5)、重慶郵電大學(5)、上海第二工業(yè)大學(4)，如圖5，其中節(jié)點的大小表示頻度，冷色調(diào)表示時間越早，暖色調(diào)表明時間越近.

圖5 研究機構(gòu)合作網(wǎng)絡(luò)共現(xiàn)分析Fig.5 Co-occurrence analysis research cooperation network

作者合作網(wǎng)絡(luò)分析反應作者對研究領(lǐng)域的貢獻及合作情況，通過分析得到了網(wǎng)絡(luò)基本布局和作者論文的產(chǎn)量分布，研

表1 高頻作者及首次發(fā)文時間Table 1 High frequency authors and dispatch time for the first time

究論文共涉及作者中，發(fā)文量4篇及以上的有36位，發(fā)文量5篇以上的有13位，表格僅收集部分數(shù)據(jù)，從年度分布上來看，高產(chǎn)作者的集中發(fā)文時間在2010年左右，2002-2010年之間屬于研究人員慢慢摸索的階段，協(xié)同過濾推薦算法的研究熱度在不斷升高.

3.1.2 基于共詞分析的研究熱點

研究熱點[2]反應了主流研究內(nèi)容，主題詞是一篇文章的核心內(nèi)容的高度概括和提煉.為了直觀地了解2002-2016年期間國內(nèi)協(xié)同過濾推薦領(lǐng)域的研究熱點，通過設(shè)定工具閾值和相關(guān)系數(shù)后，進行關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)聚類歸并，如圖6，其中多層分色同心圓表示共引關(guān)鍵詞，深淺層次不同的圓環(huán)表示在不同年份被引，同心圓中心出現(xiàn)深色的圓代表凸顯關(guān)鍵詞，即從檢索年份開始新興研究領(lǐng)域或是重要領(lǐng)域.比如，圖6中比較明顯的同心圓分別有協(xié)同過濾、推薦算法、推薦系統(tǒng)、個性化推薦等，由此看出，國內(nèi)的研究熱點大都集中在協(xié)同過濾

圖6 關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖譜Fig.6 Keywords co-occurrence network graph

推薦算法、推薦算法、個性化推薦等等.其中數(shù)據(jù)稀疏性、冷啟動、相似性、平均絕對偏差等關(guān)鍵詞凸顯，這些凸顯的關(guān)鍵詞正是協(xié)同過濾推薦本身存在的問題，也正是研究者們?yōu)橹π枰鉀Q的問題.

1)頻數(shù)(Freq)指標計量分析

近15年推薦領(lǐng)域研究頻度較高前15個主題見表2，從2003年開始，國內(nèi)開始關(guān)注電子商務，它最早起步在1990年，直到2003年開始興起.隨之協(xié)同過濾推薦技術(shù)逐漸成了電子商務領(lǐng)域應用最重要的技術(shù)之一.“相似度”、“相似性”等的關(guān)注，可以發(fā)現(xiàn)國內(nèi)研究人員關(guān)注相似度算法的理論細節(jié)的研究；“云模型”由李德毅[3]院士提出的一種定性定量轉(zhuǎn)換模型，在此基礎(chǔ)上，張光衛(wèi)[4]等提出一系列基于云模型的相似度度量方法；“hadoop”作為大數(shù)據(jù)時代的產(chǎn)物，新用戶新項目不斷加入系統(tǒng)，產(chǎn)生海量數(shù)據(jù)，給數(shù)據(jù)的存儲和計算的速度帶來極大的挑戰(zhàn)，已有研究者在Hadoop平臺設(shè)計分布式的協(xié)同過濾推薦算法.“平均絕對偏差”、“平均絕對誤差”均屬于系統(tǒng)性能評測指標，研究人員在關(guān)注算法本身的同時，也要考慮推薦系統(tǒng)的性能.

2)中介中心性(Centrality)指標計量分析

主要描繪的是某個節(jié)點在網(wǎng)絡(luò)圖譜中的影響力及重要程度.排名越高的關(guān)鍵詞說明其越重要，影響力越大.其中，2003、2004年是關(guān)鍵詞出現(xiàn)比較集中的年份，推薦相關(guān)的算法研究，相似度計算，平均絕對誤差等凸顯重要程度；2010年之前的2007、2008、2009年更加注重具體問題的研究，如冷啟動、數(shù)據(jù)稀疏性、可擴展性、相似性度量等問題的提出，接下來會具體闡述作者們提出的良好的解決方法；近幾年的研究側(cè)重于個性化推薦，個性化推薦理論、個性化技術(shù)、推薦策略等等，更加注重用戶行為的分析，從中挖掘有用而高效的信息，為用戶提供體驗良好的推薦結(jié)果清單.

3)Burst指標計量分析

頻數(shù)描繪了主題詞的增長勢頭.而激增( Burst)指數(shù)的關(guān)注點是單個主題的自身發(fā)展變化過程，可以很容易的展示熱點主題的凸顯性和關(guān)鍵技術(shù)的識別.表2中激增指數(shù)的統(tǒng)計表明2010年以后，研究重點在用戶群體上，關(guān)注“用戶興趣”、“用戶特征”、“用戶等級”、“用戶行為”等，更好地實現(xiàn)個性化推薦，同時用戶興趣的時效性成為有待解決的關(guān)鍵性問題.2013年開始，突發(fā)新詞涌現(xiàn)，“相異度”、“判斷力”、“局部活躍指數(shù)”等，這些突發(fā)詞來自一篇融合多因素的專家組評分協(xié)同過濾推薦算法[5]，該算法綜合考慮全局專業(yè)指數(shù)和局部活躍指數(shù)，用以定義專家的條件，再按照一定的比例從中抽取組成專家組，然后根據(jù)專家的判斷以及與目標用戶的相異度來分配評分權(quán)重，最后定義預測評分選出最佳推薦.

表2 關(guān)鍵詞top15排名統(tǒng)計和首次出現(xiàn)年份Table 2 Keywords top15 rank statistics，and for the first time in years

4)∑指標計量分析

從統(tǒng)計結(jié)果分析，近幾年，“hadoop”、“mapreduce”等詞成為創(chuàng)造性較強的關(guān)鍵詞，分布式計算，提高推薦效率成為現(xiàn)在的研究主流.圖7為2002-2016年主題詞共現(xiàn)網(wǎng)絡(luò)圖譜，通過共現(xiàn)聚類，產(chǎn)生11個協(xié)同過濾算法的改進算法.每種改進算法的立足點各不相同，分別在一定領(lǐng)域提高了推薦的準確度，并一定程度上解決了推薦算法存在的問題.

圖7 主題詞共現(xiàn)網(wǎng)絡(luò)圖譜Fig.7 Keywords co-occurrence network graph

基于貝葉斯理論的協(xié)同過濾算法[6]，對用戶愛好進行學習，分析用戶對項目的固有特征的愛好度，采用一種新穎的相似度度量方法計算項目相似度，得到更有效的鄰居集合，能夠獲得較好的推薦精度；利用社交關(guān)系的實值條件受限玻爾茲曼機協(xié)同過濾推薦算法，利用社交網(wǎng)絡(luò)中的好友信任關(guān)系有助于緩解評分數(shù)據(jù)的稀疏性問題；基于矩陣分解的協(xié)同過濾算法[5]，通過對傳統(tǒng)的矩陣分解模型進行正則化約束來防止模型過度擬合訓練數(shù)據(jù)，并通過迭代最小二乘法來訓練分解模型，有效緩解可擴展性和稀疏性問題.

3.1.3 基于關(guān)鍵詞、主題詞共現(xiàn)的國內(nèi)研究趨勢分析

為了解協(xié)同過濾算法的研究熱點的發(fā)展脈絡(luò)和發(fā)展趨勢，我們在共現(xiàn)網(wǎng)絡(luò)分析的基礎(chǔ)上，按照時間序列統(tǒng)計關(guān)鍵詞、主題詞詞頻，利用CiteSpace軟件的關(guān)鍵詞時區(qū)視圖.視圖的演進路徑是學科知識領(lǐng)域中知識基礎(chǔ)和前沿隨時間演進的動態(tài)過程.其中，關(guān)鍵詞、主題詞聚類時區(qū)圖如圖8所示.

圖8 關(guān)鍵詞、主題詞聚類時區(qū)圖Fig.8 Keywords，keywords clustering time zone map

國內(nèi)對于協(xié)同推薦的研究更加注重理論，通過對算法本身的不斷改進，用以更好地緩解數(shù)據(jù)稀疏性、冷啟動和可擴展等問題.2010年前后，大家把關(guān)注點瞄準了個性化需求，為了更好地實現(xiàn)個性化，用戶特征、用戶行為等因素的研究變得舉足輕重.“信息過載”不斷加劇，數(shù)據(jù)量劇增，基于分布式的推薦研究變得尤為重要.推薦研究不斷深入，多學科多分支的結(jié)合成為可能，將人工智能、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘等相結(jié)合，實現(xiàn)基于優(yōu)化模型的可訓練的智能推薦系統(tǒng)將成為未來研究的主流方向.

3.2 國內(nèi)外協(xié)同過濾算法研究熱點、研究趨勢對比分析

為了清晰了解國內(nèi)外在研究熱點和研究趨勢的差異性，使用CiteSpace工具對中英文期刊進行相關(guān)聚類，結(jié)合關(guān)鍵詞、主題詞共現(xiàn)和聚類分析，爆發(fā)詞分析，得到國內(nèi)外在協(xié)同過濾算法方面研究的基本圖譜.綜合圖9(a)、圖9(b)、表3，可發(fā)現(xiàn)，國內(nèi)對于協(xié)同過濾推薦算法的研究起步比較晚，對比國外關(guān)注熱點和研究方向，兩者作為知識基礎(chǔ)比較相似，國內(nèi)更加注重理論創(chuàng)新，對算法的改進上更加側(cè)重，而國外更加關(guān)心實際應用中的問題的分析和解決，不斷地推出新模型，強調(diào)用戶體驗，提升個性化定制需求，注重用戶偏好的實證研究.對比分析國內(nèi)外靠前的主題詞和爆發(fā)詞(見圖10)，可以發(fā)現(xiàn)，目前典型的主要有兩大類協(xié)同過濾算法：基于記憶的和基于模型的.基于記憶的協(xié)同過濾算法又包括基于用戶的和基于項目的.其中基于用戶的推薦更社會化一點，在一些社交網(wǎng)絡(luò)中有重要應用；而基于項目的推薦更加側(cè)重于個性化，因此多被應用于電子商務網(wǎng)站等.隨著移動互聯(lián)網(wǎng)的快速發(fā)展，非結(jié)構(gòu)化的數(shù)據(jù)比例逐漸提升，面對海量的信息資源，協(xié)同過濾推薦面臨著一些難以解決的問題，國外同樣面臨著這樣的問題：數(shù)據(jù)稀疏性、冷啟動、算法的可擴展性、用戶興趣的時效性、信任計算、隱私保護等等.

圖9 中文/英文主題詞共現(xiàn)聚類圖譜Fig.9 Chinese/English keywords co-occurrence clustering map

表3 主題詞top15的頻度排名和首次出現(xiàn)年份Table 3 Subject headings top15 frequency ranking and for the first time in years

目前，國內(nèi)外為解決數(shù)據(jù)稀疏性等問題的有效方法有采用預測評分填充用戶-項目評分矩陣，主要有：BP神經(jīng)網(wǎng)絡(luò)、Na?ve Bayesian分類方法等.還有基于矩陣降維技術(shù)—奇異值分解.另外冷亞軍[8]等總結(jié)出空值填補、新相似性方法、結(jié)合基于內(nèi)容的推薦、推薦結(jié)果融合、圖論和其他方法.為了解決冷啟動問題，普遍采用基于內(nèi)容的最近鄰居查找技術(shù).而可擴展性問題通常采用聚類技術(shù)來解決，典型方法有：K-means聚類算法、EM(Expectation-Maximization)算法、Gibbs Sampling方法和模糊聚類等，當然還有數(shù)據(jù)集縮減、矩陣分解、主成分分析、增量更新等.個性化推薦系統(tǒng)的性能評價是根據(jù)用戶對推薦結(jié)果的滿意度來決定的.而對于推薦質(zhì)量的評價標準主要有統(tǒng)計精度度量和決策支持精度度量兩類，統(tǒng)計精度度量方法中常用的是平均絕對偏差；決策支持精度度量方法中主要有召回率、準確率等方法.

圖10 國內(nèi)外爆發(fā)的熱點主題詞和起始時間區(qū)間對比圖Fig.10 Outbreak of the hot subject at home and abroad and starting time interval comparison chart

4 總 結(jié)

本文基于分析研究簡單闡述了國內(nèi)外近15年在推薦領(lǐng)域的相關(guān)算法的關(guān)注點，以及國內(nèi)在協(xié)同過濾算法領(lǐng)域的研究脈絡(luò)和研究趨勢，并通過國外研究的對比分析，我們總結(jié)如下：

為了更加直觀地了解國內(nèi)外研究的差異，現(xiàn)總結(jié)概括為(如表4所示)：

1)近年來國內(nèi)對協(xié)同過濾算法存在的數(shù)據(jù)稀疏性、冷啟動、可擴展性等問題進行著深入的研究，并提出了諸多改進方法.為解決數(shù)據(jù)稀疏性問題的有效方法是采用預測評分對用戶-項目評分矩陣進行填充，主要有：BP神經(jīng)網(wǎng)絡(luò)、Na?ve Bayesian分類方法等.另一種方法是基于矩陣的降維技術(shù).為了解決冷啟動問題，普遍采用基于內(nèi)容的最近鄰居查找技術(shù).而可擴展性問題通常采用聚類技術(shù)來解決，典型方法有：K-means聚類算法、EM(Expectation-Maximization)算法、Gibbs Sampling方法和模糊聚類等.這些方法只是在特定場合特定領(lǐng)域行之有效，并且這些問題會隨著“信息過載”的加劇而更加凸顯.而且協(xié)同過濾還會面臨一些新的問題和挑戰(zhàn)，例如隱私保護問題，安全問題等等.另外隨著改進算法的不斷增多，對算法的評估標準的研究也會越來越重要.

2)推薦技術(shù)的應用涉及電子商務、社交網(wǎng)絡(luò)、廣告、視頻領(lǐng)域等方方面面，推薦系統(tǒng)面臨的諸多未被很好解決的問題或難題，成為信息檢索、數(shù)據(jù)挖掘、機器學習和人工智能等領(lǐng)域的研究熱點.研究者們提出了的多種方案解決協(xié)同過濾算法面臨的數(shù)據(jù)稀疏、冷啟動、可擴展性等問題，針對這些難題，

研究領(lǐng)域的一個明顯的趨勢是其他領(lǐng)域的一些技術(shù)正被

表4 國內(nèi)外研究對比Table 4 Research at home and abroad

應用到推薦技術(shù)中來并將進一步長久地被應用，BP神經(jīng)網(wǎng)絡(luò)技術(shù)很好地解決數(shù)據(jù)稀疏性問題，但是隨著數(shù)據(jù)量的不斷增加，這些問題會更加凸顯，分布式的應用將成為一種趨勢，領(lǐng)域外技術(shù)的結(jié)合使用會變得更加地普遍和重要.

3)國內(nèi)對協(xié)同過濾推薦的研究晚于國外，但二者研究的知識基礎(chǔ)比較相似，只是側(cè)重點存在差異性，國內(nèi)更加注重理論研究和算法改進，國外更加關(guān)心實際應用中的問題的分析和解決.通過國內(nèi)外爆發(fā)熱點主題詞的對比分析，推測出未來數(shù)年的推薦研究將更加關(guān)注于個性化推薦和智能化推薦.多學科的交叉結(jié)合，人工智能、數(shù)據(jù)挖掘、機器學習、推薦技術(shù)等的結(jié)合會促進推薦領(lǐng)域的革新.

推薦系統(tǒng)的應用領(lǐng)域會愈加廣泛，推薦技術(shù)面臨的應用難題會愈加艱巨和復雜，技術(shù)革新的推動作用，使得推薦技術(shù)的研究存在巨大的價值和廣闊的發(fā)展空間.

[1] Goldberg D，Nichols D，Oki B M，et al.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM.December，1992，35(12)：61-70.

[2] Chen C M.CiteSpace II：detecting and visualizing emerge-ng trends and transient patterns in scientific literature[J].Journal of the American Society for Information Science and Technology，2006，57(3)：359-377.

[3] Li De-yi，Liu Chang-yi，Du Yi，et al.Artificial intelligence with u-Ncertainty[J].Journal of Software，2004，15(11)：1583-1594.

[4] Zhang Guang-wei，Kang Jian-chu，Li He-song，et al.Context based collaborative filtering recomm-endation algorithm[J].Journal of System Simulation，2006，18(S2)：595-601.

[5] Li Gai，Li Lei.Collaborative filtering algorithm based on matrix decomposition[J].Computer Engineering and Applications，2011，47(30)：4-7.

[6] Meng Xian-fu，Chen Li.Collaborative filtering recomm-endation algorithm based on bayesian theory[J].Journal of Computer Applications，2009，29(10)：2733-2735.

[7] Wang Ming-wen,Tao Hong-liang,Xiong Xiao-yong.A collaborative filtering recommendation algorithm based on iterative bidirectional clustering[J].Jiangxi N-ormal University，2008，22(4)：61-65.

[8] Leng Ya-jun，Lu Qing，Liang Chang-yong.Survey of recommendation based on collaborative filtering[J].Pattern Recognition and Artificial Intelligence，2014，27(8)：720-734.

[9] Liu Lu，Ren Xiao-li.Review and perspective of the reco-mmender systems[J].China Journal of Information Systems，2008，2(1)：82-90.

[10] Shi Kun，Yu Qiang，Zhu Qiu-yue.A collaborative filter-ing algorithm of weighted information entropy and rating of us-er interests[J].Computer and Digital Engineering，2017，45(2)：338-342.

[11] Wang Qiao，Xie Ying-hua，Yu Shi-cai.Collaborative filtering algorithm combined with the user clustering and item types[J].Computer Systems &Applications，2016，25(12)：132-137.

[12] Li Zhuang.The design and implementation of collaborat-ive filtering recommendation system based on Hadoop[D].Nanjing：Nanjing University of Posts and Telecommunications，2016.

[13] Li Yi-chen，Chen Li，Shi Chen-chen，et al.Enhanced collaborative filtering adopting trust network[J].Application Research of Computers，2018，35(1)：1-7.

[14] Wang Qiao，Xie Ying-hua，Yu Shi-cai.Collaborative filtering algorithm combined with the user clustering and item types[J].Application of Computer System，2016，25(12)：132-137.

附中文參考文獻：

[3] 李德毅，劉常昱，杜 鹢，等.不確定性人工智能[J].軟件學報，2004，15(11)：1583-1594.

[4] 張光衛(wèi)，康建初，李鶴松，等.面向場景的協(xié)同過濾推薦算法[J].系統(tǒng)仿真學報，2006，18(S2)：595-601.

[5] 李 改，李 磊.基于矩陣分解的協(xié)同過濾算法[J].計算機工程與應用，2011，47(30)：4-7.

[6] 孟憲福，陳 莉.基于貝葉斯理論的協(xié)同過濾推薦算法[J].計算機應用，2009，29(10)：2733-2735.

[7] 王明文，陶紅亮，熊小勇.雙向聚類迭代的協(xié)同過濾推薦算法[J].中文信息學報，2008，22(4)：61-65.

[8] 冷亞軍，陸 青，梁昌勇.協(xié)同過濾推薦技術(shù)綜述[J].模式識別與人工智能，2014，27(8)：720-734.

[9] 劉 魯，任曉麗.推薦系統(tǒng)研究進展及展望[J].信息系統(tǒng)學報，2008，2(1)：82-90.

[10] 石 坤，余 強，朱秋月.融合信息熵與興趣度的協(xié)同過濾算法[J].計算機與數(shù)字工程，2017，45(2)：338-342.

[11] 王 巧，謝穎華，于世彩.結(jié)合用戶聚類和項目類型的協(xié)同過濾算法[J].計算機系統(tǒng)應用，2016，25(12)：132-137.

[12] 李 狀.基于Hadoop的協(xié)同過濾推薦算法的設(shè)計與實現(xiàn)[D].南京：南京郵電大學，2016.

[13] 李熠晨，陳 莉，石晨晨，等.采用信任網(wǎng)絡(luò)增強的協(xié)同過濾算法[J].計算機應用研究，2018，35(1)：1-7.

[14] 王 巧，謝穎華，于世彩.結(jié)合用戶聚類和項目類型的協(xié)同過濾算法[J].計算機系統(tǒng)應用，2016，25(12)：132-137.