黃文彬+徐揚(yáng)++張惟愷

摘 要 者共引分析是文獻(xiàn)研究中所采用的重要和有效方法。本文針對(duì)推薦系統(tǒng)領(lǐng)域的研究，用基于作者共引分析的方法構(gòu)建知識(shí)圖譜。利用Web of Science數(shù)據(jù)庫(kù)作為數(shù)據(jù)來源，提取1997-2014年的推薦系統(tǒng)研究文章，生成作者共引矩陣后轉(zhuǎn)化為Pearson相關(guān)系數(shù)矩陣，再進(jìn)行因子分析、聚類分析與多維尺度分析，構(gòu)建推薦系統(tǒng)研究領(lǐng)域的知識(shí)圖譜。分析表明，推薦系統(tǒng)研究目前處于快速發(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?jī)?nèi)容，個(gè)性化推薦、基于內(nèi)容的推薦算法和基于數(shù)據(jù)挖掘的推薦算法等方向是目前該領(lǐng)域的研究熱點(diǎn)。

〔關(guān)鍵詞〕推薦系統(tǒng)；作者共引分析；知識(shí)圖譜；科學(xué)研究；論文

DOI：10.3969/j.issn.1008-0821.2015.11.001

〔中圖分類號(hào)〕G250252 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2015）11-0003-10

Mapping the Intellectual Structure of Recommender System

Studies Based on Author Co-citation Analysis

Huang Wenbin Zhang Weikai Xu Yang

（Department of Information Management，Peking University，Beijing 100871，China）

〔Abstract〕ACA，Author Co-citation Analysis（ACA）is an important and effective research approach in literature analysis.This paper mapped the intellectual structure of recommendation system studies using author co-citation analysis.In this paper，Web of Science database was used as the data source to filter out the set of core authors from the research articles in 1997-2014.This paper calculated these authors co-citation matrix and transformed it to Pearson correlation coefficient matrix.Furthermore，the results were then processed by using factor analysis，cluster analysis and multidimensional scaling analysis.The intellectual structure of recommendation system studies was finally mapped.The study showed that recommendation system was currently in rapid development period，and the number of scholars and research scope were expanding rapidly.Collaborative filtering algorithm was the most critical topic in this field.Personalized recommendation，content-based recommendation algorithm，and recommendation algorithm based on data mining were the hotspots in this field.

〔Key words〕recommender systems；author co-citation analysis；intellectual structure；scientific research；paper

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。endprint

本文主要提取Web of Science數(shù)據(jù)庫(kù)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)。

2015年11月 第35卷第11期 現(xiàn)?"代?"情?"報(bào) Journal of Modern Information Nov，2015 Vol35 No11

2015年11月 第35卷第11期 基于作者共引分析的推薦系統(tǒng)研究知識(shí)圖譜構(gòu)建 Nov，2015 Vol35 No11

1 數(shù)據(jù)來源與數(shù)據(jù)處理

11 數(shù)據(jù)來源

本文的數(shù)據(jù)來自ISI Web of Science的數(shù)據(jù)庫(kù)，以“Recommender Systems”為關(guān)鍵詞在數(shù)據(jù)庫(kù)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）。

12 數(shù)據(jù)處理

從ISI Web of Science數(shù)據(jù)庫(kù)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。

2 作者共引矩陣的數(shù)據(jù)分析

21 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77171%，其中前4個(gè)因子累計(jì)貢獻(xiàn)率達(dá)到65958%，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。

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(yǔ)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04，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。

22 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(yǔ)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。

23 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009721，RSQ值為096607，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：

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。endprint

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(yǔ)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、ODONOVAN J、JOSANG A為代表。

由此可見，基于內(nèi)容的推薦算法、基于模糊語(yǔ)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、BAEZAYATES RA與基于模糊語(yǔ)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。

24 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。

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010804，RSQ值為095755。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、BALABANOVIC M、KONSTAN JA、HERLOCKER JL、SALTON G、JOACHIMS T、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、PAZZANI MJ、MCSHERRY D、QUINLAN JR、COOLEY R等學(xué)者。

區(qū)域3：多準(zhǔn)則推薦。以BURKE RD、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、HOUSTIS EN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005791，RSQ值為099013。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、BRIDGE DG、YAGER RR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012304，RSQ值為095122。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(yǔ)言處理的推薦算法。以HERRERA F、HERRERA-VIEDMA E、PORCEL C、YAGER RR、ZADEH LA為代表。endprint

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PAZZANI MJ、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(yǔ)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(yǔ)

31 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(yǔ)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。

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。

32 結(jié) 語(yǔ)

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(yǔ)言處理的推薦算法方向?qū)⑤^為穩(wěn)定地發(fā)展。基于信任的推薦系統(tǒng)有可能被逐漸弱化。基于其他方式的推薦系統(tǒng)研究以及應(yīng)用將會(huì)出現(xiàn)。

參考文獻(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]GAdomavicius，ATuzhilin.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]JBobadilla，F(xiàn)Ortega，AHernando，AGutierrez.Recommender systems survey[J].Knowledge-Based Systems，2013，（46）：109-132.

[5]HDWhite，KWMcCain.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]HDWhite，BCGriffith.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.

（本文責(zé)任編輯：馬 卓）endprint