亓 晉，許 斌，胡筱旋，徐匾珈，肖星琳

（南京郵電大學(xué) 南京210003）

1 引言

隨著移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展，F(xiàn)acebook、Twitter、微博、微信、社交網(wǎng)站等構(gòu)成的在線社會(huì)網(wǎng)絡(luò)[1]（online social network,OSN）成為人們生活不可或缺的信息共享與溝通工具，并逐漸成為社會(huì)輿論傳播的新興主流途徑。一方面，OSN是連接現(xiàn)實(shí)社會(huì)和虛擬網(wǎng)絡(luò)空間的紐帶，匯聚了大量的關(guān)系、行為等可感知和可計(jì)算的人類(lèi)社會(huì)的數(shù)字足跡。各種類(lèi)型的OSN中產(chǎn)生的網(wǎng)絡(luò)行為已經(jīng)能夠在很大程度上反映現(xiàn)實(shí)世界以及宏觀輿論導(dǎo)向的真實(shí)狀況，因而受到從政府機(jī)關(guān)到商業(yè)企業(yè)等各個(gè)領(lǐng)域的廣泛關(guān)注；另一方面，OSN快速崛起，已發(fā)展為規(guī)模異常龐大且具有實(shí)時(shí)隨機(jī)動(dòng)態(tài)變化特征的行為載體，呈現(xiàn)出多源異構(gòu)、信息傳播突發(fā)涌現(xiàn)、用戶和網(wǎng)絡(luò)行為陣發(fā)性等特點(diǎn)，其上聚集的海量龐雜、多源異構(gòu)、大范圍時(shí)空關(guān)聯(lián)的用戶及網(wǎng)絡(luò)行為信息的認(rèn)知及個(gè)性化推薦正在成為社會(huì)科學(xué)和自然科學(xué)領(lǐng)域的研究熱點(diǎn)。

2 相關(guān)工作

推薦系統(tǒng)在20世紀(jì)90年代中期成為一個(gè)獨(dú)立的研究領(lǐng)域，被認(rèn)為是應(yīng)對(duì)“信息過(guò)載”的一個(gè)有效手段，現(xiàn)有的推薦系統(tǒng)可以分為3類(lèi):基于內(nèi)容的推薦、協(xié)同過(guò)濾推薦（collaborative filtering recommendation，CFR）和混合推薦[2～4]，其中協(xié)同過(guò)濾推薦是應(yīng)用最為廣泛的推薦算法，它通過(guò)先推測(cè)出所有用戶的偏好，再根據(jù)互為鄰居的使用情況向其推薦相應(yīng)的項(xiàng)目。

目前，國(guó)內(nèi)外的學(xué)者和研究團(tuán)隊(duì)已經(jīng)對(duì)面向OSN的推薦系統(tǒng)展開(kāi)了一系列相關(guān)的研究工作[5,6]，并取得了一定成果。Sanchez等人結(jié)合協(xié)同過(guò)濾與基于內(nèi)容的技術(shù)，提出了一種混合圖像推薦系統(tǒng)，以創(chuàng)造一種高度適應(yīng)任何類(lèi)型用戶的移動(dòng)社交網(wǎng)絡(luò)[7]。Zanda等人設(shè)計(jì)和實(shí)現(xiàn)了一種移動(dòng)社交活動(dòng)推薦系統(tǒng)，整合Facebook社交網(wǎng)絡(luò)移動(dòng)數(shù)據(jù)和傳感器數(shù)據(jù)向用戶提出活動(dòng)推薦[8]。Lara等人將社交網(wǎng)絡(luò)中的組推薦系統(tǒng)通過(guò)模型的實(shí)例化，應(yīng)用于Facebook的電影推薦中[9]。上述3篇參考文獻(xiàn)分別從算法、數(shù)據(jù)來(lái)源、模型等各方面改善了OSN推薦系統(tǒng)，豐富了OSN推薦系統(tǒng)的內(nèi)容。Sun Z B等人考慮到用戶之間的社會(huì)關(guān)系，提出了一種社會(huì)正則化方法來(lái)提高推薦的準(zhǔn)確性[10]。Kardan等人基于社交網(wǎng)絡(luò)上的信息及過(guò)去的廣告和狀態(tài)，提出了一種在社交網(wǎng)絡(luò)平臺(tái)上更具針對(duì)性的廣告推薦框架，為用戶提供更精確的信息推薦[11]。上述兩篇參考文獻(xiàn)利用用戶的社會(huì)關(guān)系OSN上的用戶信息來(lái)提高信息推薦的準(zhǔn)確性，但總體來(lái)說(shuō)，以上方法對(duì)于如何充分挖掘OSN上用戶行為并進(jìn)行更為有效的個(gè)性化推薦，仍存在一定的局限性。

隨著對(duì)于認(rèn)知科學(xué)研究的深入，將認(rèn)知科學(xué)與信息科學(xué)相融合已經(jīng)成為目前研究的熱點(diǎn)之一。目前國(guó)內(nèi)外研究多是集中在信息檢索上[12]，形成了許多具有代表性的認(rèn)知信息檢索模型。如果能結(jié)合OSN用戶特征、文本信息及興趣偏好等可認(rèn)知的用戶行為與推薦系統(tǒng)相結(jié)合，并實(shí)現(xiàn)高效、個(gè)性化的推薦服務(wù)，將會(huì)是有意義的研究方向。因此，本文設(shè)計(jì)了一種基于用戶行為認(rèn)知的OSN協(xié)同推薦框架，在數(shù)據(jù)感知基礎(chǔ)上實(shí)現(xiàn)微博用戶特征、文本特征和用戶興趣偏好的行為認(rèn)知，利用協(xié)同過(guò)濾算法，給出預(yù)測(cè)結(jié)果，實(shí)現(xiàn)個(gè)性化的電影推薦服務(wù)。

3 基于用戶行為認(rèn)知的在線社交網(wǎng)絡(luò)協(xié)同推薦框架

基于用戶行為認(rèn)知的在線社交網(wǎng)絡(luò)協(xié)同推薦框架分為3層，如圖1所示。

第一層是數(shù)據(jù)感知層，負(fù)責(zé)從數(shù)據(jù)源感知相關(guān)數(shù)據(jù)，包括用戶信息以及用戶相關(guān)的文本信息數(shù)據(jù)，并將數(shù)據(jù)存入數(shù)據(jù)庫(kù)中，方便行為認(rèn)知層計(jì)算；第二層為行為認(rèn)知層，是框架的核心，負(fù)責(zé)將第二層感知到的初始數(shù)據(jù)進(jìn)行處理，包括用戶特征分析、文本信息分析和用戶興趣建模3部分，認(rèn)知結(jié)果將為上層的協(xié)同推薦提供支撐；第三層是協(xié)同推薦層，通過(guò)分析行為認(rèn)知層所提交的認(rèn)知結(jié)果，利用協(xié)同過(guò)濾算法，實(shí)現(xiàn)對(duì)用戶的個(gè)性化推薦。

3.1 數(shù)據(jù)感知層

數(shù)據(jù)感知層主要負(fù)責(zé)感知數(shù)據(jù)源的特定信息，包括：用戶信息，包括用戶的基本信息、用戶關(guān)注的好友等；用戶發(fā)布的文本信息，包括用戶發(fā)布的信息、用戶轉(zhuǎn)發(fā)的信息、用戶評(píng)論和點(diǎn)贊等信息。常用的數(shù)據(jù)感知方式有網(wǎng)絡(luò)爬蟲(chóng)以及OSN提供的API。

·網(wǎng)絡(luò)爬蟲(chóng)。最常用的數(shù)據(jù)感知方式是網(wǎng)絡(luò)爬蟲(chóng)，負(fù)責(zé)從OSN獲取用戶及其文本信息以便后續(xù)的數(shù)據(jù)處理。以新浪微博為例，網(wǎng)絡(luò)爬蟲(chóng)首先需要模擬用戶的登錄過(guò)程進(jìn)行相關(guān)數(shù)據(jù)的爬取，登錄成功后即可獲取相關(guān)信息：一種是以文件的形式將用戶及其微博信息進(jìn)行記錄；另一種是預(yù)先設(shè)定關(guān)鍵詞，根據(jù)關(guān)鍵詞匹配進(jìn)行抓取數(shù)據(jù)。

圖1 基于用戶行為認(rèn)知的在線社交網(wǎng)絡(luò)協(xié)同推薦框架

·OSN開(kāi)放API。除網(wǎng)絡(luò)爬蟲(chóng)的方式外，部分OSN向企業(yè)及個(gè)人提供開(kāi)放API以滿足開(kāi)發(fā)需求。該方法比網(wǎng)絡(luò)爬蟲(chóng)更為簡(jiǎn)單高效，但對(duì)單次獲取的信息量有一定的限制。

3.2 行為認(rèn)知層

行為認(rèn)知層主要負(fù)責(zé)將數(shù)據(jù)感知層獲取的初始數(shù)據(jù)進(jìn)行處理，通過(guò)對(duì)用戶、文本信息分析，獲取用戶及文本特征，建立用戶興趣模型，為推薦層的協(xié)同推薦提供支撐。

3.2.1 用戶特征

特征1（年齡特征）用戶的年齡是一個(gè)自然數(shù)。為了避免數(shù)據(jù)稀疏的問(wèn)題，將用戶年齡以15歲為起始點(diǎn)（即高一學(xué)生的平均年齡）進(jìn)行分組，每6年為一組<15～20>、<21～26>、<27～32>、<33～38>、<39～44>、<45～50>、<50以上>?？紤]個(gè)人隱私問(wèn)題，將部分不填寫(xiě)或錯(cuò)誤填寫(xiě)信息的用戶劃為無(wú)年齡組，每組的編號(hào)為用戶的年齡特征，即年齡特征=<15～20，21～26，27～32，33～38，39～44，45～50，50以上，無(wú)年齡>。

特征2（性別特征）用戶的性別特征分3類(lèi)，即性別特征=<男性、女性、保密>。

特征3（個(gè)人標(biāo)簽特征）OSN向用戶提供自定義標(biāo)簽的功能或興趣標(biāo)簽功能，用戶可根據(jù)自己的喜好設(shè)置相關(guān)標(biāo)簽。本系統(tǒng)采用隱含狄利克雷分配LDA來(lái)分析用戶的興趣類(lèi)別，通過(guò)計(jì)算用戶潛在的興趣向量，選擇權(quán)重最好的一個(gè)作為用戶的興趣類(lèi)別，指定30類(lèi)興趣，再加上部分用戶不使用自定義標(biāo)簽，則共分31類(lèi)。

特征4（組合特征）這是特征生成中較為常見(jiàn)的一種方式。本框架采用的組合特征包括<年齡×性別>、<年齡×標(biāo)簽>、<性別×標(biāo)簽>及<年齡×性別×標(biāo)簽>。

3.2.2 文本信息

本系統(tǒng)采用中國(guó)科學(xué)院開(kāi)發(fā)的分詞系統(tǒng)ICTCLAS系統(tǒng)進(jìn)行文本信息分析，可有效進(jìn)行中文分詞、詞性標(biāo)注、未登錄詞識(shí)別等功能。

中文分詞和詞性標(biāo)注后，需要進(jìn)行關(guān)鍵詞的提取。關(guān)鍵詞的提取是文本處理過(guò)程中的關(guān)鍵步驟，選詞的結(jié)果將會(huì)直接影響最終的分類(lèi)結(jié)果。文本特征抽取算法各有優(yōu)缺點(diǎn)，考慮到OSN用戶行為認(rèn)知中保留重要的詞語(yǔ)的特點(diǎn)，該框架采用改進(jìn)的TF-IDF算法[13]。

首先，在TF-IDF中引入了置信度conf(wj,cm)：

其 中，0＜conf(wj,cm)≤1，cm為一個(gè)特定的類(lèi)別，wj為 特征詞，N(wj,cm)表示cm中包含特征詞wj的文檔總數(shù)，N(wj,all)表示的所有類(lèi)別中包含特征詞wj的文檔總數(shù)。

其次，引入特征詞wj的支持度sup(wj)：

其中，0＜sup(wj)≤1，N(all)表示全部訓(xùn)練文檔集中文檔的總數(shù)，N(wj,all)表示的所有類(lèi)別中包含特征詞wj的文檔總數(shù)。

由式（1）、式（2）可以得到一個(gè)主導(dǎo)度量：

滿足閾值dom(wj,cm)=1的特征詞被當(dāng)作關(guān)鍵詞。若文檔dj中特征詞集合包含關(guān)鍵詞cw(wj,cm)，文檔dj就會(huì)被劃分至cm中。即關(guān)鍵詞可以用于確定文檔是否被分至一個(gè)特定的類(lèi)別。

為了避免特征詞的組合爆炸現(xiàn)象，該算法采取分層的方法進(jìn)行選擇，且能夠較好地選擇高頻詞匯作為可選擇的關(guān)鍵詞。

3.2.3 用戶興趣建模

在用戶特征分析和文本特征分析的基礎(chǔ)之上，基于分布估算法的建模方法構(gòu)建用戶興趣模型[14]。

首先找出用戶“感興趣”的項(xiàng)目集合su，定義su中的項(xiàng)目是用戶u評(píng)分高于其平均評(píng)分的項(xiàng)目：

其中，ru,n表示用戶u對(duì)項(xiàng)目n的評(píng)分，tn表示項(xiàng)目n的特征向量：

其中，kj是特征關(guān)鍵字，wj是kj的權(quán)重，而權(quán)重則由TF-IDF計(jì)算得出。

建模過(guò)程如下。

（1）隨機(jī)地從su中抽取n個(gè)關(guān)鍵詞放入Ku中，其中權(quán)重分別賦為0.1、0.3、0.5、0.7、0.9:

（2）初 始 化 群 體B0={profile1,profile2,…,profilen}，其 中，profilen=((ki,wi),(kj,wj),…,(kk,wk))，(ki,wi)按 照 模 型p=(((k1,0.1),c1,1),…,((k1,0.9),c1,5),…,((kn,0.9),cn,5))隨機(jī)采樣。其中cn,i表示(ki,wi)的選取概率。cn,i初始為1/N，N為Ku中元素個(gè)數(shù)。

（3）當(dāng)演化代數(shù)小于Maxgen時(shí)，執(zhí)行下列過(guò)程：

·使用Fitness(profilen)=∑i∈sulog計(jì)算B0中每個(gè)個(gè)體的適應(yīng)值，選擇前M（M

·使用更新后的p對(duì)Ku進(jìn)行N次隨機(jī)采樣，得到新群體，并返回步驟（3）。

（4）選擇適應(yīng)值最好的個(gè)體作為建模結(jié)果。

3.3 協(xié)同推薦層

協(xié)同推薦層通過(guò)使用協(xié)同過(guò)濾算法，對(duì)行為認(rèn)知層處理完成的數(shù)據(jù)進(jìn)行分析，利用修正余弦相似度尋找最近鄰并產(chǎn)生相應(yīng)推薦，實(shí)現(xiàn)對(duì)用戶的個(gè)性化推薦。

常用的相似度計(jì)算有余弦相似性、曼哈頓相似度、修正余弦相似度、Tanimoto相似度和皮爾遜（Pearson）相似度。本框架選擇修正余弦相似度來(lái)查找最近鄰[14]。

對(duì)于任意用戶和，相似度為：

其中，Iij為興趣模型中共有關(guān)鍵詞的集合，是用戶u1關(guān)鍵詞權(quán)重的平均值，wi,c是用戶ui關(guān)鍵詞c的權(quán)重。

得到最近鄰后，產(chǎn)生相應(yīng)推薦。假設(shè)用戶u的最近鄰集合為NNu，則u對(duì)推薦對(duì)象i的評(píng)分可以通過(guò)計(jì)算得出，即：

其中,sim(u,n)指的是用戶u和NNu中的用戶n的相似度，ru指的是用戶u對(duì)推薦項(xiàng)目的評(píng)分，PRu,i則是指預(yù)測(cè)。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)所用的數(shù)據(jù)來(lái)源于GroupLens研究小組提供的MovieLens公開(kāi)數(shù)據(jù)集 （http://movieslens.umn.edu），包括943個(gè)用戶對(duì)1 682個(gè)項(xiàng)目（影片）的10萬(wàn)條投票記錄，其中每個(gè)用戶至少對(duì)20部電影進(jìn)行過(guò)評(píng)價(jià)，評(píng)分區(qū)間為1～5分。并選取其中80 000條作為訓(xùn)練集，剩余460個(gè)用戶的20 000條評(píng)價(jià)作為測(cè)試集。

4.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)硬件環(huán)境為Intel inside CORE-i5系列CPU、2.8 GHz主頻、4 GB內(nèi)存。實(shí)驗(yàn)軟件環(huán)境為Windows7操作系統(tǒng)、MyEclipse、SQL Server 2008數(shù)據(jù)庫(kù)。

4.3 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文所提出的推薦框架的有效性，實(shí)驗(yàn)分別選取成功率、平均絕對(duì)誤差（mean absolute error,MAE）和Pearson積矩相關(guān)系數(shù)（Pearson product-moment correlation coefficient,PCC）作為評(píng)價(jià)系統(tǒng)性能的指標(biāo)，通過(guò)分析3種評(píng)價(jià)指標(biāo)驗(yàn)證框架的優(yōu)越性。

（1）成功率

成功率r表示系統(tǒng)推薦的N部電影與用戶所有評(píng)分電影里的前N部的吻合程度。

（2）平均絕對(duì)誤差

mae表示某個(gè)用戶的預(yù)測(cè)評(píng)分與實(shí)際評(píng)分之間的偏差程度，而MAE通過(guò)計(jì)算所有用戶mae的均值來(lái)體現(xiàn)推薦系統(tǒng)的整體性能，mae和MAE越小表明推薦系統(tǒng)質(zhì)量越高。設(shè)預(yù)測(cè)的用戶總數(shù)為m，用戶i評(píng)分集為(pi1,pi2,…,pin)，實(shí)際的用戶評(píng)分集(qi1,qi2,…,qin)，則mae的計(jì)算式為：

MAE的計(jì)算式為：

（3）Pearson積矩相關(guān)系數(shù)

Pearson積矩相關(guān)系數(shù)（PCC）衡量的是預(yù)測(cè)評(píng)分和真實(shí)評(píng)分的線性相關(guān)程度，取值區(qū)間為[-1,1]，越接近1，表示系統(tǒng)的預(yù)測(cè)值與實(shí)際值越相近，即系統(tǒng)性能越好。設(shè)rα表示電影α的實(shí)際評(píng)分表示預(yù)測(cè)評(píng)分，則PCC計(jì)算式為：

4.4 實(shí)驗(yàn)結(jié)果及分析

4.4.1 成功率

分別對(duì)460個(gè)用戶進(jìn)行推薦5部電影和推薦10部電影的成功率分析，從中隨機(jī)選取125個(gè)用戶成功率，結(jié)果如圖2所示。

圖2 推薦5部和10部電影的成功率

圖2 中橫坐標(biāo)表示隨機(jī)挑選的125個(gè)用戶，縱坐標(biāo)表示對(duì)某一用戶推薦N部電影的成功率，其中成功率為0的點(diǎn)表示該用戶并未評(píng)價(jià)任何電影，以致無(wú)法評(píng)價(jià)其成功與否。由圖2可知，推薦5部電影的實(shí)線與推薦10部電影的虛線大致吻合，說(shuō)明本文所提出的框架穩(wěn)定性較好。經(jīng)計(jì)算，推薦5部和推薦10部的平均成功率分別為=37.13%、r10=55.84%，均大于30%，屬較高水平。同時(shí)實(shí)驗(yàn)也選取了15部、20部、25部，計(jì)算其平均成功率并與上述實(shí)驗(yàn)結(jié)果一起比較，見(jiàn)表1。

表1 推薦不同部數(shù)平均成功率

由表1可知，推薦系統(tǒng)成功率與推薦部數(shù)密切相關(guān)，推薦部數(shù)越多，成功率越高。但如果推薦太多，用戶反而難以翻閱，且增加系統(tǒng)負(fù)擔(dān)，因此結(jié)合成功率與實(shí)際情況，推薦5部較為合適。

4.4.2 平均絕對(duì)誤差

根據(jù)第4.4.1節(jié)對(duì)于成功率的分析，計(jì)算出當(dāng)推薦5部電影時(shí)，每個(gè)用戶的mae值如圖3所示。

圖3 每個(gè)用戶mae分布

用戶對(duì)電影的評(píng)分是1～5的整數(shù)，當(dāng)用戶未對(duì)電影評(píng)分時(shí)默認(rèn)為0。由圖3可知，在推薦的電影數(shù)量為5部時(shí)，縱坐標(biāo)代表各個(gè)用戶的mae值，mae值的大小表示用戶實(shí)際評(píng)分與預(yù)測(cè)評(píng)分相差的數(shù)值。由式（10）計(jì)算出系統(tǒng)整體的MAE為0.967，表示用戶實(shí)際評(píng)分與預(yù)測(cè)評(píng)分相差為1分左右，說(shuō)明用戶的實(shí)際評(píng)分和系統(tǒng)的預(yù)測(cè)評(píng)分差距不大，預(yù)測(cè)值基本能表示用戶對(duì)該電影的喜惡程度。

4.4.3 Pearson積矩相關(guān)系數(shù)

利用電影的評(píng)分向量，計(jì)算每部電影的PCC，以估計(jì)預(yù)測(cè)評(píng)分和實(shí)際評(píng)分的線性相似度，結(jié)果如圖4所示。

圖4 1680部電影的PCC值

圖4 中，PCC指標(biāo)表示越接近1，則系統(tǒng)預(yù)測(cè)評(píng)分與用戶實(shí)際評(píng)分越接近，說(shuō)明該系統(tǒng)性能較好。由圖4可知，1 600部電影對(duì)應(yīng)的PCC值始終位于0.7以上，處于一個(gè)比較高的水平，說(shuō)明本文提出的推薦系統(tǒng)的預(yù)測(cè)值與實(shí)際值較為接近，推薦系統(tǒng)的推薦質(zhì)量較高，性能較好。

5 結(jié)束語(yǔ)

隨著社交網(wǎng)絡(luò)的不斷發(fā)展，用戶與用戶之間的社交關(guān)系也愈加復(fù)雜，社交網(wǎng)絡(luò)每天也會(huì)產(chǎn)生愈加龐大的數(shù)據(jù)信息，如何從中發(fā)掘有用的信息并為用戶提供合適的個(gè)性化推薦有著重要的意義。實(shí)驗(yàn)結(jié)果表明，同時(shí)考慮用戶社交特征以及用戶的數(shù)據(jù)信息能夠更為有效地為服務(wù)推薦提供決策支持，使得成功率以及誤差都有著較好的結(jié)果。本文構(gòu)建了一個(gè)基于協(xié)同過(guò)濾算法的推薦框架，通過(guò)分析用戶的社交特征以及用戶的數(shù)據(jù)信息，為用戶進(jìn)行興趣建模，從而為用戶進(jìn)行合適的推薦。實(shí)驗(yàn)證明，本框架具有較好的成功率和實(shí)驗(yàn)誤差，具有良好的應(yīng)用效果。

1 徐恪,張賽,陳昊等.在線社會(huì)網(wǎng)絡(luò)的測(cè)量與分析.計(jì)算機(jī)學(xué)報(bào)，2014，36（9）:165～188 Xu K,Zhang S,Chen H,et al.Measurement and analysis of online social network.Chinese Journal of computers,2014,36（9）:165～188

2 Burke R.Hybrid recommender systems:survey and experiments.User ModelingandUser-AdaptedInteraction,2002,12（4）:331～370

3 Herlocker,J L,Konstan J A.Terveen K,et al.Evaluating collaborative filtering recommender systems.ACM Transactions on Information Systems,2004,22(1):5～53

4 Hofmann T.Latent semantic models for collaborative filtering.ACM Transactions on Information Systems,2004,22（1）:89～115

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

6 Resnick P, Varian H R. Recommender systems.Communications of the ACM,1997(40):56～58

7 Sanchez G，F(xiàn)austion A,Barrilero G,et al.Social and content hybrid image recommender system for mobile social networks.Mobile Networks and Applications.2012,17（6）:782～795

8 Zanda A,Eibe S,Menasalvas E.SOMAR:a social mobile activity recommender.Expert Systems with Applications,2012,39（9）:8423～8429

9 Quijano-Sanchez L,Diaz-Agudo B,Recio-Garcia J A.Development of a group recommender application in a social network.Knowledge-Based Systems,2014(71):72～85

10 Sun Z,Han L,Huang W,et al.Recommender systems based on social networks.Journal of Systems Software,2015(99):109～119

11 Kardan A A,Hooman M.Targeted advertisement in social networks using recommender systems.Proceedings of 7th International Conference on e-Commerce in Peveloping Countries:With Focus one-Secury(ECDC),Kish Island,Iran,2013

12 Koren J,Zhang Y,Liu X.Personalized interactive faceted search.Proceedings of World Wide Web Conference Series,Beijing,China,2008:477～486

13 Zhang Y T,Gong L,Wang Y C.An improved TF-IDF approach for text classification.Journal of Zhejiang University-Science A:Applied Physics &Engineering,2005,6A（1）:49～55

14 梁天一,梁永全,樊健聰?shù)?基于用戶興趣模型的協(xié)同過(guò)濾推薦算法.計(jì)算機(jī)應(yīng)用與軟件,2014(11)Liang T Y,Liang Y Q,Fan J C,et al.Collaborative filtering recommendation algorithm based on user interest model.Computer Applications and Software,2014(11)