張素智，趙亞楠，楊 芮

(鄭州輕工業(yè)學院計算機與通信工程學院，河南鄭州450002)

推薦系統(tǒng)研究

張素智，趙亞楠，楊 芮

(鄭州輕工業(yè)學院計算機與通信工程學院，河南鄭州450002)

隨著信息產(chǎn)業(yè)的飛速發(fā)展，信息資源的規(guī)模呈現(xiàn)出幾何級的擴增，如何在這海量的數(shù)據(jù)中找出對用戶有幫助的信息成為急需解決的問題.推薦系統(tǒng)作為解決互聯(lián)網(wǎng)信息過載的主要途徑之一，雖然經(jīng)過多年的研究已存在多種推薦算法，也建立出了更為智能推薦系統(tǒng)，但是仍存面臨著許多的難題，推薦算法仍是研究的熱點.介紹了當前主要的推薦算法，指出了存在的不足，并說明了將來可能的研究方向.

信息過載；推薦算法；深度學習；數(shù)據(jù)挖掘

信息產(chǎn)業(yè)快速發(fā)展造成的信息過載是當前互聯(lián)網(wǎng)面臨的主要挑戰(zhàn)[1].各大網(wǎng)上商城為了顧客的方便添加了大量的商品，比如淘寶網(wǎng)，人們可以根據(jù)自己的意愿購買自己喜歡的產(chǎn)品.然而正是因為商品種類太多，造成用戶自身的選擇困難，不知道該購買哪些商品.根據(jù)Amazon[2]統(tǒng)計，在該網(wǎng)站購買物品的用戶中，有明確購買意愿的占比不足16%，如果這個時候商店通過一定的方法獲知了這部分顧客的模糊需求，然后適時地推薦給顧客一些合適的物品，則有可能將用戶猶豫不決的想法轉(zhuǎn)變成實際的購買行為，這樣不僅能提升網(wǎng)站的銷售業(yè)績，還給顧客帶來了好的購物體驗，這些都促使人們?nèi)パ芯咳绾胃玫剡M行個性化商務推薦.

1 主要算法

1.1 協(xié)同過濾算法

“協(xié)同過濾(CF)”是最為學者廣泛使用并深化研究的算法之一，該思想的提出極大地推動了推薦算法的研究和發(fā)展[3].協(xié)同過濾推薦算法整體大致可以總結(jié)為下列表述:依據(jù)集體智慧，借助與目標用戶有相似行為特征的其他的大量用戶的數(shù)據(jù)，來預測該用戶對某一產(chǎn)品是否有興趣，從而給用戶進行推薦.經(jīng)過多年的發(fā)展，根據(jù)不同的處理方式主要分為如下幾種主要類型[4－6].

基于記憶方法主要是采用類似與表1這樣的評價矩陣，對目標用戶可能感興趣某一項目的進行評分或建立一個推薦列表.如表1所示，在這個矩陣中存在一系列的數(shù)字、空白等等，數(shù)值是對物品的評分，需要去進行預測或待評分的目標對象用“?”表示.

表1 用戶－項目評分矩陣Tab.1 User－item scoring matrix

基于模型方法采用統(tǒng)計、數(shù)據(jù)檢索及挖掘和深度學習等方法，根據(jù)目標用戶的過去一段時期的行為數(shù)據(jù)挖掘出用戶潛在的行為特征然后建立用戶模型(user model)，再根據(jù)此模型進行推薦.

1.1.1 基于記憶的推薦算法.該推薦算法[7]在經(jīng)過大量研究者的優(yōu)化后有如下過程:①首先就是建立相似度矩陣或表格，這是一個數(shù)據(jù)的收集與整理過程；②使用對應的算法在步驟①建立的相似度矩陣的基礎上進行評估，然后由此進行推薦.這類算法不僅能對單一目標進行評估也可產(chǎn)生一個推薦列表供用戶參考.

1)基于用戶的協(xié)同過濾推薦.該型的協(xié)同過濾推薦算法[8]是對基于記憶算法的一個深度延伸，以用戶作為主要的考量，不去關(guān)注項目的具體情況.如表1中的數(shù)據(jù)，對評分數(shù)據(jù)整理后很容易得到各個用戶I的評分狀態(tài)，如下面表達式所示用余弦相似度方法[9]計算用戶Ui和其他用戶之間的相似度，將Ij評過分的用戶組成集合對結(jié)果然排序得到最相關(guān)的評分，這里計算的是U1對I3的預估值.

同理，sim(U1，U3)＝0；sim(U1，U4)＝1；sim(U1，U5)＝0.894.

那么就易得:

該算法是應用較廣的推薦算法之一，因為其自身的簡單性很容易被人接受，然而其靈活性較差，無法解決冷啟動問題，一旦用戶數(shù)量增加迅速，就會使其的擴展性受到限制.

2)基于項目的協(xié)同過濾推薦算法.該類型推薦算法[9]所針對的對象是項目數(shù).因項目數(shù)不常變化，那么基于項目的相似度矩陣就隨之較為穩(wěn)定，利用已經(jīng)被用戶評分的項目推測未知的目標項目.以表1為例，該方法計算P1，3的過程如下:

類似地，假如其項目的數(shù)目發(fā)生了劇烈的變化，其復雜度也會急速上升，也面臨著擴展性較差的問題.

3)基于內(nèi)存的Top－K推薦算法.該算法的目的是按照用戶的偏好度高低選取排行前N的項目構(gòu)成列表然后推薦給用戶，文獻[10－14]按照不同的側(cè)重點基于內(nèi)存的Top－N推薦算法也分成如下兩種形式.

A.基于用戶的Top－K推薦算法.基于用戶的Top－K推薦算法[15]的基本思路與上述基于記憶方法有很大的相似，在后者的基礎上對項目進行排序，找出最相關(guān)的前K個用戶組成U?，然后再從中進行統(tǒng)計，選出前N個顯示給用戶.具有的過程如下面表述的，其中參數(shù)K、N根據(jù)實驗數(shù)據(jù)的大小按需求而定.

該算法為用戶U1進行推薦的過程如下所述(K＝2，N＝2):使用余弦相似算法計算后得出得出各用戶之間的相似程度，然后對這些系數(shù)進行排序得到最大的兩個數(shù)值即與U1行為最接近的兩個其他用戶，那么就有U?為{U2，U4}，I?則包含{I3，I4，I5，I6}，對I?中的四個用戶的評分記錄進行統(tǒng)計，得到評分不小于3出現(xiàn)的頻數(shù)，其相應依次為1、2、1、0.因為存在出現(xiàn)頻次相同的項，那么就需要利用相似度算法計算出評分的均值.由此易得用戶U1得到的推薦項為I4、I5.但是在實際應用中，用戶的數(shù)量可能是巨大的而且用戶數(shù)量的流動情況也是不確定，所以該算法的可擴展性不高.

B.基于項目的Top－K推薦算法.基于項目的Top－K推薦算法[15－17]以項目作出主參考對象，其可擴展性相對有所提升.整體上其推薦過程歸納為:①計算出每個項目的相似鄰居集合，然后排序并為每一個項目都構(gòu)建出一個包含有K個對象的最相鄰集合②從該鄰居集合中刪除目標用戶已經(jīng)評分過的項目，得到候選推薦集I?；③最后在I?中分別計算出每個項目與目標用戶的項目之間的相似度，對結(jié)果排序，把前N個顯示并推薦給用戶.以表1的數(shù)據(jù)為例，為用戶U1進行推薦(K＝2和N＝2).用余弦相似度算法對表內(nèi)的所有數(shù)據(jù)進行計算然后排序易得與I1最相似的2個近鄰為I5、I3，與I2最相似的2個近鄰為I3、I5.其中{I1，I2}，I?＝{I5，I3，I4，I6}.I5與的相似度為(sim(I1，I5)＋sim(I2，I5))/2＝1，同理可得余下各項與的相似度分別為0.999，0.874，因此為用戶U1產(chǎn)生的推薦列表為

上述幾種基于記憶的推薦算法相較都比較簡單易懂，但是都存在一些缺陷，比如用戶的評分矩陣往往都是高稀疏的，不利于計算相似度，所以還需要對數(shù)據(jù)進行預處理并對算法進行優(yōu)化.

1.1.2 基于模型的協(xié)同過濾算法.在基于模型的方法[18]中，經(jīng)過長期的實踐研究按數(shù)據(jù)類型漸分為兩個類型處理方法:離散型和數(shù)值型.前者則可以用深度學習[19]的方法來從松散的數(shù)據(jù)集中挖掘出潛在的特征以此建立特征模型[20－21]；后者則因是固定數(shù)值就可以用使用聚類等方式來處理.基于模型的方法是為了克服數(shù)據(jù)稀疏的影響而建立的，但隨著數(shù)據(jù)挖掘技術(shù)的提高以此同時也提高了該類型推薦算法的準確度.

1)基于線性回歸的協(xié)同過濾方法.該算法對用戶的歷史評價數(shù)據(jù)使用線性回歸的方法[22－23]建立模型，然后根據(jù)模型對用戶行為進行預測.例如，設U＝(X1，X2，…，Xn)，表示用戶對n種項目的評分，那么如果去預測該用戶對下一個項目的評分，需要設p＝(a1，a2，…，an)，表示各項的評分系數(shù)，那么其模型可是系統(tǒng)化表示化為:

M是補償(偏差)系數(shù)，由表1的數(shù)據(jù)可以計算出各參數(shù)的值或是最近似值.但是也正是因為要用到評分矩陣，那么其自帶的稀疏性、噪音等外部因素也必將干擾模型的工作，為此需要對數(shù)據(jù)進行預處理，常用的方法有奇異值分解[24]、稀疏因子分解[25]等.

2)基于馬爾科夫決策過程(MDP)的協(xié)同過濾算法.深度學習的推廣，使得MDP[26－27]的思想被應用到推薦系統(tǒng)之上，因為MDP考慮了動作，使得下個狀態(tài)既和當前狀態(tài)相關(guān)也和當前的動作相關(guān).文獻[28－30]把推薦過程轉(zhuǎn)化為MDP最優(yōu)選擇問題，即找出一個讓用戶利益最大化的推薦列表.它將MDP模型模式化表示為(S，A，R，Pr).推薦過程對應的MDP過程可描述如下:

s∈S表示當前狀態(tài)，πi＋1(s)是在狀態(tài)s下為獲得最大收益而應執(zhí)行的動作，vi(s)是做出該動作獲得的收益值，即最應該向用戶推薦哪個項目.從初始活動開始，重復計算該表達式，直至出現(xiàn)一組結(jié)果，對結(jié)果排序然后以此推薦給用戶.

除了上述的方法，還存在許多其他形式基于模型的推薦許比如:極大熵方法[31]、概率相關(guān)方法[32]等，雖然該類型的方法在一定程度上緩解了基于記憶方法的缺點、推薦效果也更好但是其算法較為復雜，所占時間開銷也較大.還有一個比較大的問題協(xié)同過濾方法不能對新加入的項目進行推薦，必須在用戶對該新項目評價之后才能被納入相似度計算的范圍之內(nèi).

1.2 基于內(nèi)容的推薦

與協(xié)同過濾推薦相比較兩者最大的不同點在于，基于內(nèi)容的推薦[33]考慮的參考因子更多，不僅僅有用戶對項目的評分，還包含用戶發(fā)出評價的時間、地點以及用戶的性別、年齡、身份等等.多因素被納入?yún)⒖挤秶鷰硇Ч峭扑]更加的準確，也更具個性化.

1.2.1 基于文本的推薦.基于文本的推薦[34]的基本思想是收集該用戶在過去的一段時間中做出的所有的行為，然后對收集的資料進行預處理，通過一定的方法得到用戶的行為規(guī)律，比如收集用戶在微博或貼吧中發(fā)過的評論或者是該用戶關(guān)注的人或物品等，從而可以得出用戶的興趣偏向.基于這一思想，收集用戶數(shù)據(jù)從而建立用戶興趣模型.對于那些想推薦給用戶的項目，先對其項目的文本信息先進行預處理，降緯除燥[35]之后再提取特征，然后將物品特征與用戶興趣模型相比較，按相似度高低加入推薦列表中，更理性的說這屬于數(shù)據(jù)挖掘[36]的范疇，但是現(xiàn)在已是多與推薦系統(tǒng)融合在一起.關(guān)鍵詞的特征提取使用優(yōu)化之后的TF－IDF模型[37]進行處理，根據(jù)不同的權(quán)重，對關(guān)鍵詞進行排序提取.

其中:tfw，d表示查詢詞在數(shù)據(jù)集中出現(xiàn)次數(shù)，權(quán)重值與出現(xiàn)次數(shù)成正比，idfw，d，s表示在僅查詢詞組｜D，S｜中某個關(guān)鍵詞出現(xiàn)次數(shù)的倒數(shù)；wmax表示該組關(guān)鍵詞中最大權(quán)重值.

但是建立用戶模型首先得有一定數(shù)量的歷史數(shù)據(jù)且質(zhì)量比較高，而實際狀態(tài)是從網(wǎng)絡上直接抓取數(shù)據(jù)是不可靠的，個人隱私使得獲取數(shù)據(jù)十分困難.隨著挖掘算法技術(shù)的發(fā)展以及在線數(shù)據(jù)質(zhì)量和數(shù)量的提高，可使得該類型方法得到更好的發(fā)展.而在計算相似度時，使用最簡單余弦相似度算法基本就可滿足需求.

1.2.2 基于語義分析的推薦.使用基于內(nèi)容的推薦時需要進行特征提取也就是找出某幾項關(guān)鍵詞，然后進行匹配，但是在用戶評論或是產(chǎn)品描述時不可避免的會有同義詞或多義詞的出現(xiàn)，如此就會在相似度計算時產(chǎn)生評估不合實際的情況.為了解決這些問題，經(jīng)過大量的研究者一些學者提出潛在語義分析方法[38]，簡單的說就是建立數(shù)個相似子數(shù)據(jù)集，通過引入并使用編輯距離這一概念，對哪些經(jīng)常出現(xiàn)的詞匯進行歸類，計算他們之間的編輯距離，找出相似度較高的關(guān)鍵詞然后存入最小堆中，這樣就獲得了大量相似的關(guān)鍵詞，然后把用戶輸入的關(guān)鍵詞與相似詞集比較，從而避免有誤詞的進入，然后對矩陣進行奇異值分解從而找到相關(guān)的推薦項目，采用這種措施后使得該算法具有了一定的容錯性，更利于被用來做推薦研究.但是隨著數(shù)據(jù)矩陣的變大，奇異值分解的運算效率會明顯下降，無法滿足高效的要求.文獻[39]中提出了概率潛在語義分析模型不設置固定閾值，且將相似矩陣分塊運算，相當程度上克服了LSA算法的不足.

當然還有一些其他的基于內(nèi)容的推薦算法，尤其是隨著計算機技術(shù)的發(fā)展計算速度及運行內(nèi)存的急速上升，各種大數(shù)據(jù)挖掘技術(shù)相互融合，通過歸類擬合獲得一些更好的特征模型.綜合分析后可以得出，相較于協(xié)同過濾推薦方法不能對新進入的項目進行推薦，基于內(nèi)容的推薦不存在這方面的問題，因為基于內(nèi)容的推薦方法是先對項目處理，所以新加入的項目將被進行特征提取建立特征向量然后才可以進行相似度計算，根據(jù)計算結(jié)果進行排序，然后將最合適的項目推薦給其他可能對此項目有興趣用戶.但是該類型的推薦也存在著許多且無法忽視的問題，比如許多用戶評論內(nèi)容的語法是很不規(guī)范的，一些網(wǎng)絡詞匯也可能被使用，這就導致特征提取的難度呈指數(shù)級上升.另外雖然這種方法受信息稀疏性的影響較小，也可以處理冷啟動問題，但卻受到信息獲取技術(shù)的限制.

1.3 基于圖結(jié)構(gòu)的推薦算法

為了不受信息獲取技術(shù)的限制，克服評價數(shù)據(jù)稀疏性的影響，一些研究者開始使用基于二部圖網(wǎng)絡結(jié)構(gòu)[36]的推薦算法.這種算法把用戶和產(chǎn)品作為節(jié)點，把用戶與項目串聯(lián)起來的邊表示用戶的評價.該算法的基本思路如下:

1)構(gòu)建二部圖.設在有M個項目和N個用戶的系統(tǒng)中，用戶Ui對項目Ij有偏好，那么aij＝1，否則aij＝0，從而得出一個如圖1所示的簡化后的二部圖框架.

2)計算資源分配矩陣W.使用下面的公式計算項目Ii到Ij的資源分配的權(quán)重值wij:

Dj是二部圖節(jié)點的度.

3)計算目標用戶各項目的資源分配策略.用戶Ui的對m個項目最初的資源分配策略表示為fi＝(ai1，ai2，…，aim)，fi′表示最終資源分配策略，即fi′＝W×fi.

4)按照fi′的結(jié)果，依照從大到小的順序產(chǎn)生一個推薦列表.

如圖1所示，有3個用戶U1、U2、U3和5個項目I1到I5，以用戶U1為例構(gòu)成對應的二部圖.

那么初始的資源f1為(1，0，1，0，0)，經(jīng)過權(quán)重公式計算后可的W，然后可以由此計算出用戶U1對應的資源矩陣fi′.

刪除用戶U1原來已經(jīng)關(guān)注過的項目即I1，I3，那么排序后I4，I2，I5就是其最后得到的推薦項目.至于會有多少個項目被推薦可以根據(jù)實際需要在排序算法中進行設置.

雖然基于圖結(jié)構(gòu)的推薦算法，解決了數(shù)據(jù)的稀疏性的影響但是其在興趣點的關(guān)注上有較大的問題，例如對項目有興趣就設置aij＝1，而不去考慮用戶對改項目的喜歡程度，這樣就可能造成推薦結(jié)果不合實際的情況發(fā)生，所以給aij設計一個參考系數(shù)是很有必要的，而該參考系數(shù)如何設置且設置為多少就需要進一步研究了.

圖1 二部圖Fig.1 The bipartite graph

1.4 基于位置的社會化網(wǎng)絡推薦

近年來智能移動設備應用日益普及，使得用戶對位置服務的要求也愈加旺盛，位置服務與社交網(wǎng)絡的融合也是越來越深，兩者結(jié)合形成基于位置的社會化網(wǎng)絡[40].它通過用戶的簽到把線下的真實世界與網(wǎng)絡上的虛擬社會串聯(lián)起來，從而使得用戶在簽到的時候，將自己的位置信息在線上虛擬社會的傳播，以此獲得樣式繁多的位置服務，而推薦系統(tǒng)由于自身的天然屬性，很自然地被用來進行信息的過濾與推薦.該系統(tǒng)的基本框架如圖2所示.

文獻[41]分析用戶分析一個周期內(nèi)(24h)用戶的活動軌跡，使用概率分布模型，從而得到用戶的活動規(guī)律然后由此進行推薦.Saleem等人對處于同一范圍的用戶通過聚類結(jié)合在一起，然后使用協(xié)同過濾、基于內(nèi)容的推薦等算法實現(xiàn)把有共同愛好的用戶的推薦給對方.

推薦算法是最為核心的部分，單用某一種方法必然無法滿足系統(tǒng)的需要，上述的各種算法相結(jié)合進行混合推薦才可能產(chǎn)生實用性較好的結(jié)果.而且基于位置的社會化網(wǎng)絡推薦研究還處于初步階段，數(shù)據(jù)的稀疏性、用戶的隱私保護、合適的推薦算法等等一系列的問題亟待解決.

圖2 基于位置的社會化網(wǎng)絡推薦基本框架Fig.2 The basic framework of the location－based social network recommendation system

2 研究熱點和難點

涉及到數(shù)據(jù)挖掘研究，首先想到的問題就是數(shù)據(jù)的稀疏性.協(xié)同過濾算法其本質(zhì)就是基于用戶－項目的評分矩陣進行相似計算，但是實際情形是很難找到較為密集的數(shù)據(jù)源，要找出目標用戶和其它用戶共同評分的項目是比較困難的，因而大部分用的還是用稀疏的數(shù)據(jù)進行研究，這樣就會造成推薦結(jié)果的不準確.所以如何降低數(shù)據(jù)的稀疏性仍是當前研究的重點之一.

其次是擴展性，推薦技術(shù)發(fā)展給民眾帶來了巨大的便利，所以無論是普通用戶或商家都樂于使用推薦系統(tǒng)，那么商業(yè)推薦系統(tǒng)的用戶數(shù)量亦或是項目數(shù)量很容易就達到百萬級以上，這時其擴展性就成了一個大問題.因為其實時性無法得到滿足，在百萬級的數(shù)據(jù)中計算其花費的時間是很大的，例如協(xié)同過濾算法時間復雜度為O(n2m)，一旦用戶數(shù)量n和項目m過大，其時間花銷是難以想象的.

還有就是特征提取，各主要推薦算法都離不開對特征的挖掘與匹配，可以說特征提取的結(jié)果直接影響到推薦算法的準確性.目前對文本特征的挖掘技術(shù)較為成熟，但是隨著互聯(lián)網(wǎng)的發(fā)展圖片、視頻等多媒體數(shù)據(jù)增長迅速，而與之對應的挖掘算法就顯得相對落后，比如優(yōu)酷土豆等視頻網(wǎng)站給其用戶推薦視頻時是根據(jù)用戶所看過視頻類型(經(jīng)過人工標注的)進行相關(guān)推薦，而不是根據(jù)視頻內(nèi)容自動推薦，這樣一旦出現(xiàn)人工標注的視頻名字和視頻內(nèi)容不匹配的現(xiàn)象就可能發(fā)生推薦不合實際需要的情況.

當然還有許多其他的問題需要解決，上述的研究多是建立在顯示反饋的基礎上，但是現(xiàn)實情形是許多人為了個人隱私，是不會特意去評價商品或提交歷史記錄，這樣獲取數(shù)據(jù)的完整性就很難得到保證.而且對于項目不僅僅有正面的評價還可能有負面的評價，如何綜合利用這些數(shù)據(jù)也是一個問題.

3 結(jié)論

推薦系統(tǒng)作為能有效解決信息過載的手段之一，越來越受到人們的重視，經(jīng)過長時間的研究其算法能解決的問題越來越多，推薦結(jié)果也越來越來符合人們的期望.但是問題仍然存在，比如數(shù)據(jù)的稀疏性、過擬合、特征提取困難等等，隨著推薦系統(tǒng)應用范圍的擴展，相關(guān)技術(shù)如深度學習、信息檢索、特征提取等仍將是研究的熱點.

[1] ZHAO Z D，SHANG M S.User－based collaborative－filtering recom－mendation algorithms on hadoop[C]//Knowledge Discovery and Data Mining，WKDD'10 Third International Conference on IEEE，2010:478－481.

[2] 吳顏，沈潔，顧天竺，等.協(xié)同過濾推薦系統(tǒng)中數(shù)據(jù)稀疏問題的解決[J].計算機應用研究，2007，24(6):94－97.

[3] 羅奇，余英，趙呈領，等.自適應推薦算法在電子超市個性化服務系統(tǒng)中的應用研究[J].通信學報，2006(11):183－186.

[4] 鄧愛林，朱揚勇，施伯樂.基于項目評分預測的協(xié)同過濾推薦算法[J].軟件學報，2003，14(9):1621－1628.

[5] 趙良輝，熊作貞.電子商務推薦系統(tǒng)綜述及發(fā)展研究[J].電子商務，2013(12):58－60.

[6] Dietmar Jannach Markus Zanker.Recommander Systems[M].北京:人民郵電出版社，2014:8－14.

[7] LIAN D F，ZHAO C，XIE X.Joint geographical modeling and matrix factorization for point－of－interest recommendation//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[M].New York:USA，2014:831－840.

[8] CAO JIN－XIN，DONG YI，YANG PENG－WEI，et al.POI recommendation based on meta－path in LBSN[J].Chinese Journal of Computers，2016，39(4):675－684.

[9] 張亮，趙娜.改進的協(xié)同過濾推薦算法[J].計算機系統(tǒng)應用，2016，25(7):45－52.

[10] 喬亞飛，張霞，張文博.智能圖書系統(tǒng)中的個性化推薦[J].計算機系統(tǒng)應用，2016，25(9):152－159.

[11] 朱郁筱，呂琳媛.推薦系統(tǒng)評價指標綜述[J].電子科技大學學報，2012，41(2):163－175.

[12] 朱揚勇，孫婧.推薦系統(tǒng)研究進展[J].計算機科學與探索，2015，9(5):52－61.

[13] 嚴海兵，劉昊.基于文獻引證關(guān)系的數(shù)字圖書館協(xié)同推薦系統(tǒng)[J].蘇州科技學院學報(自然科學版)，2014，31(3):75－80.

[14] 陳雅茜，劉韜，方詩虹.推薦系統(tǒng)及其相關(guān)技術(shù)研究[J].西南民族大學學報(自然科學版)，2014，40(3):125－128.

[15] 張中峰，李秋丹.社交網(wǎng)站中潛在好友推薦模型研究[J].情報學報，2011，30(12):1319－1325.

[16] PATHAK B，GARFINKEL R，GORAL R D，et al.EmpiricalAnalysis of the Impact of Recommender Systems on Sales[J].Journal of Management Information Systems，2010，27(2):159－188.

[17] 梁昌勇，冷亞軍，王勇勝，等.電子商務推薦系統(tǒng)中群體用戶推薦問題研究[J].中國管理科學，2013，21(3):153－158.

[18] ANAND D，BHARADWAJ K K.Utilizing Various Sparsity Measures forEnhancing Accuracy of Collaborative Recommender Systems Basedon Local and Global Similarities[J].Expert Systems with Applica－tions，2011，38(5):5101－5109.

[19] CHOI K，SUH Y.A New Similarity Function for Selecting Neighborsfor Each Target Item in Collaborative Filtering[J].Knowledge－BasedSystems，2013，37:146－153.

[20] 胡勛，孟祥武，張玉潔.一種融合項目特征和移動用戶信任關(guān)系的推薦算法[J].軟件學報，2014(8):1817－1830.

[21] 陳可寒，韓盼盼，吳健.基于用戶聚類的異構(gòu)社交網(wǎng)絡推薦算法[J].計算機學報，2013，36(2):349－359.

[22] LIU Y，WEI W，SUN A X.Exploiting geographical neighborhood characteristics for location recommendation[C]//Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management，Shanghai，China，2014:739－748.

[23] YIN H Z，CUI B，SUN Y Z，et al.Lcars:a spatial item recommender system[J].Journal of the ACM Transactions on Information Systems，2014，32 (3):1－11，37.

[24] FARRAHI K，GATICA－PEREZ D.Discovering routines from large－scale human locations using probabilistic topic models[J].Journal of the ACM Transactions on Intelligent Systems and Technology，2011，2(1):1－3，27.

[25] 程飛，賈彩燕.一種基于用戶相似性的協(xié)同過濾推薦算法[J].計算機工程與科學，2013，35(5):161－165.

[26] 楊博，趙鵬飛.推薦算法綜述[J].山西大學學報，2011，34(3):337－350.

[27] 胡勛，孟祥武，張玉潔.一種融合項目特征和移動用戶信任關(guān)系的推薦算法[J].軟件學報，2014(8):1817－1830.

[28] YUAN Q，CONG G，SUN A X.Graph－based point－of－interest recommendation with geographical and temporal influences[C]//Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management，Shanghai，China，2014:659－668

[29] 朱郁筱，呂琳媛.推薦系統(tǒng)評價指標綜述[J].電子科技大學學報，2012，41(2):164－175.

[30] ZHANG J D，CHOW C Y，GSLR I.Personalized geo－social location recommendation－a kernel density estimation approach[C]//Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems，Orlando，USA，2013:334－343.

[31] ZHANG J D，CHOW C Y，CO Re.Exploiting the personalized influence of two－dimensional geographic coordinates for location recommendations [J].Journal of Information Sciences，2015，293(1):163－181.

[32] 昝欣，宗鵬，吳祈宗.高等院校教師人才流動的Markov－chain預測模型[J].南京師范大學學報(工程技術(shù)版)，2006(9):75－78.

[33] YING J J C，KUO W N，TSENG V S.Mining user check－in behavior with a random walk for urban point－of－interest recommendations[J].Journal of the ACM Transactions on Intelligent Systems and Technology，2014，5(3):1－26.

[34] 俞琰，邱廣華.基于局部隨機游走的在線社交網(wǎng)絡朋友推薦算法[J].系統(tǒng)工程，2013，2(1):47－54.

[35] 徐建民，張猛，吳樹芳.基于話題的事件相似度計算[J].計算機工程與設計，2014(4):1193－1197.

[36] 劉曉光，謝曉堯.一種結(jié)合遺忘機制與加權(quán)二部圖的推薦算法[J].河南科技大學學報(自然科學版)，2015(3):48－53.

[37] 肖揚，王道平，楊岑.基于三部圖網(wǎng)絡結(jié)構(gòu)的知識推薦算法[J].計算機應用研究，2015，32(2):386－390.

[38] 田芳.基于詞語情感傾向的問句相似度計算[J].安慶師范學院學報(自然科學版)，2014(2):33－36.

[39] RAHIMI S M，WANG X.Location recommendation based on periodicity of human activities and location categories[C]//Proceedingsof the17th Pacific－Asia Conference on KnowledgeDiscovery and Data Mining，Gold Coast，Australia，2013:377－389.

[40] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應用，2012，48(7):66－76.

[41] 劉樹棟，孟祥武.基于位置的社會化網(wǎng)絡推薦系統(tǒng)[J].計算機學報，2015，38(2):322－336.

責任編輯:時 凌

Review of Research on Recommendation System

ZHANG Suzhi，ZHAO Yanan，YANG Rui
(School of Computer and Communication Engineering，Zhengzhou University of Light Industry，Zhengzhou 450002，China)

With the rapid development of information industry，the scale of information resources presents a geometric expansion，how to find useful information in this huge amount of data becomes an urgent problem to be resolved.One of the main ways to solve the overloading of Internet information is recommendation.Although many recommendation algorithms have been developed over the years，more intelligent recommendation system has been built.However，there are still many problems，recommendation algorithm is still a hot topic.This paper introduces the main current recommendation algorithms，points out the shortcomings，and illustrates possible future research directions.

information overload；recommendation algorithm；depth learning；data mining

TP393

A

1008－8423(2017)01－0001－06

10.13501/j.cnki.42－1569/n.2017.03.001

2016－11－24.

國家自然科學基金項目(61201447).

張素智(1965－)，男，博士，教授，主要從事Web數(shù)據(jù)庫、分布式計算和異構(gòu)系統(tǒng)集成的研究.