陳海蛟，努爾布力

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

1 引 言

第一個(gè)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(yīng)用于Tapestry系統(tǒng)[1]，協(xié)同過(guò)濾的概念由此提出，同時(shí)協(xié)同過(guò)濾推薦的相關(guān)期刊和文獻(xiàn)陸續(xù)在國(guó)際學(xué)術(shù)領(lǐng)域被發(fā)表.直至2001年～2002年先后，我國(guó)才漸漸出現(xiàn)協(xié)同推薦的文獻(xiàn)期刊，2001年國(guó)內(nèi)發(fā)表1篇.

從2001年開(kāi)始，我國(guó)開(kāi)始關(guān)注協(xié)同過(guò)濾推薦，積極探索在推薦領(lǐng)域的有效應(yīng)用.運(yùn)用WOS工具分析，發(fā)現(xiàn)近年來(lái)我國(guó)在該領(lǐng)域的文獻(xiàn)期刊等的發(fā)文量在快速增長(zhǎng)，研究隊(duì)伍在不斷壯大，這表明現(xiàn)在的“信息過(guò)載”問(wèn)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(jì)如圖1所示.

圖2、圖3分別以“Collaborative filtering”和“協(xié)同過(guò)濾”為關(guān)鍵詞在Foamtree中查詢，展示前100項(xiàng)結(jié)果.國(guó)內(nèi)對(duì)協(xié)同過(guò)濾算法的研究起步比較晚，對(duì)推薦的關(guān)注點(diǎn)，相比國(guó)外，有著明顯相似共性和局部差異性.

本文研究動(dòng)機(jī)在于，運(yùn)用CiteSpace[2]可視化工具的計(jì)量學(xué)方法指導(dǎo)，對(duì)相關(guān)期刊文獻(xiàn)進(jìn)行分析，整理國(guó)內(nèi)外近15年的推薦算法的研究脈絡(luò)，并構(gòu)建知識(shí)圖譜.我們的目標(biāo)為定量地解決以下問(wèn)題：

1)國(guó)內(nèi)近15年在協(xié)同過(guò)濾算法領(lǐng)域的關(guān)注點(diǎn)有哪些？

2)國(guó)內(nèi)的協(xié)同過(guò)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(guò)濾推薦算法發(fā)文量前10的國(guó)家/地區(qū)Fig.1 WOS collaborative filtering recommendation algorithm number before the 10 country/region

3)國(guó)外近15年的協(xié)同過(guò)濾算法研究與國(guó)內(nèi)的研究的對(duì)比差異性有哪些？

本文的具體工作如下：首先說(shuō)明了數(shù)據(jù)來(lái)源和研究方法，接下來(lái)對(duì)協(xié)同過(guò)濾算法描述分析，得出該領(lǐng)域的研究熱點(diǎn)和研究脈絡(luò).最后，通過(guò)國(guó)內(nèi)國(guó)外近15年在協(xié)同過(guò)濾推薦方面的對(duì)比分析，構(gòu)建知識(shí)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(guó)內(nèi)外研究現(xiàn)狀，為我國(guó)研究人員在該領(lǐng)域進(jìn)一步深層研究提供有力參考.

圖2 基于Foamtree中Web搜索前100項(xiàng)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(xiàng)中文結(jié)果Fig.3 Based on Foamtree Web search in the top 100 chinese results

2 數(shù)據(jù)來(lái)源與研究方法說(shuō)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(guò)主題詞 “協(xié)同過(guò)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(kù)中以“Collaborative filtering recommendation algorithm”為檢索條件的459篇核心合集論文.按年進(jìn)行時(shí)間切片，將知識(shí)圖譜節(jié)點(diǎn)分別設(shè)置“主題”、“關(guān)鍵詞”、“機(jī)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(guó)德雷克塞爾大學(xué)的陳超美教授開(kāi)發(fā)的文獻(xiàn)數(shù)據(jù)處理與可視化軟件CiteSpace[2].

2.2 研究方法說(shuō)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(shí)單元分析的基礎(chǔ)上結(jié)合并集成起來(lái)，實(shí)現(xiàn)了主題詞共現(xiàn)網(wǎng)絡(luò)分析、作者和國(guó)家的共現(xiàn)網(wǎng)絡(luò)分析等，探測(cè)和分析推薦領(lǐng)域的關(guān)鍵技術(shù)、前沿與熱點(diǎn)及發(fā)展態(tài)勢(shì).

目前的諸多研究工作都是基于單一指標(biāo)，在對(duì)關(guān)鍵節(jié)點(diǎn)的精確分析和計(jì)量存在一定的不準(zhǔn)確性.為了使研究計(jì)量更加準(zhǔn)確，接下來(lái)要綜合分析多項(xiàng)指標(biāo)，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(diǎn)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(huì)網(wǎng)絡(luò)分析的主要指標(biāo)之一，是由Freeman提出用于測(cè)量網(wǎng)絡(luò)中個(gè)體地位的計(jì)量指標(biāo).激增指數(shù)[2]：Burst Detection算法被用于判斷節(jié)點(diǎn)在某時(shí)段內(nèi)的突發(fā)增長(zhǎng)率，依據(jù)其數(shù)值的波動(dòng)變化，判斷某一節(jié)點(diǎn)的激增時(shí)段和激增程度.Σ指數(shù)[2]：Σ是由陳超美于2009年提出來(lái)的測(cè)度科學(xué)創(chuàng)新能力的一個(gè)計(jì)量指標(biāo)，用于確定有創(chuàng)新性的科學(xué)文獻(xiàn).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(jìn)展分析

3.1 國(guó)內(nèi)協(xié)同過(guò)濾算法研究脈絡(luò)分析

3.1.1 主要研究機(jī)構(gòu)及研究作者網(wǎng)絡(luò)分析

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

圖5 研究機(jī)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(yīng)作者對(duì)研究領(lǐng)域的貢獻(xiàn)及合作情況，通過(guò)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(shí)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?jǐn)?shù)據(jù)，從年度分布上來(lái)看，高產(chǎn)作者的集中發(fā)文時(shí)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(guò)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(diǎn)

研究熱點(diǎn)[2]反應(yīng)了主流研究?jī)?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(guó)內(nèi)協(xié)同過(guò)濾推薦領(lǐng)域的研究熱點(diǎn)，通過(guò)設(shè)定工具閾值和相關(guān)系數(shù)后，進(jìn)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(kāi)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(guò)濾、推薦算法、推薦系統(tǒng)、個(gè)性化推薦等，由此看出，國(guó)內(nèi)的研究熱點(diǎn)大都集中在協(xié)同過(guò)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(gè)性化推薦等等.其中數(shù)據(jù)稀疏性、冷啟動(dòng)、相似性、平均絕對(duì)偏差等關(guān)鍵詞凸顯，這些凸顯的關(guān)鍵詞正是協(xié)同過(guò)濾推薦本身存在的問(wèn)題，也正是研究者們?yōu)橹π枰鉀Q的問(wèn)題.

1)頻數(shù)(Freq)指標(biāo)計(jì)量分析

近15年推薦領(lǐng)域研究頻度較高前15個(gè)主題見(jiàn)表2，從2003年開(kāi)始，國(guó)內(nèi)開(kāi)始關(guān)注電子商務(wù)，它最早起步在1990年，直到2003年開(kāi)始興起.隨之協(xié)同過(guò)濾推薦技術(shù)逐漸成了電子商務(wù)領(lǐng)域應(yīng)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(guó)內(nèi)研究人員關(guān)注相似度算法的理論細(xì)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(shí)代的產(chǎn)物，新用戶新項(xiàng)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(chǔ)和計(jì)算的速度帶來(lái)極大的挑戰(zhàn)，已有研究者在Hadoop平臺(tái)設(shè)計(jì)分布式的協(xié)同過(guò)濾推薦算法.“平均絕對(duì)偏差”、“平均絕對(duì)誤差”均屬于系統(tǒng)性能評(píng)測(cè)指標(biāo)，研究人員在關(guān)注算法本身的同時(shí)，也要考慮推薦系統(tǒng)的性能.

2)中介中心性(Centrality)指標(biāo)計(jì)量分析

主要描繪的是某個(gè)節(jié)點(diǎn)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(shuō)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(jì)算，平均絕對(duì)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(wèn)題的研究，如冷啟動(dòng)、數(shù)據(jù)稀疏性、可擴(kuò)展性、相似性度量等問(wèn)題的提出，接下來(lái)會(huì)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(gè)性化推薦，個(gè)性化推薦理論、個(gè)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(yàn)良好的推薦結(jié)果清單.

3)Burst指標(biāo)計(jì)量分析

頻數(shù)描繪了主題詞的增長(zhǎng)勢(shì)頭.而激增( Burst)指數(shù)的關(guān)注點(diǎn)是單個(gè)主題的自身發(fā)展變化過(guò)程，可以很容易的展示熱點(diǎn)主題的凸顯性和關(guān)鍵技術(shù)的識(shí)別.表2中激增指數(shù)的統(tǒng)計(jì)表明2010年以后，研究重點(diǎn)在用戶群體上，關(guān)注“用戶興趣”、“用戶特征”、“用戶等級(jí)”、“用戶行為”等，更好地實(shí)現(xiàn)個(gè)性化推薦，同時(shí)用戶興趣的時(shí)效性成為有待解決的關(guān)鍵性問(wèn)題.2013年開(kāi)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(lái)自一篇融合多因素的專家組評(píng)分協(xié)同過(guò)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(biāo)用戶的相異度來(lái)分配評(píng)分權(quán)重，最后定義預(yù)測(cè)評(píng)分選出最佳推薦.

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

4)∑指標(biāo)計(jì)量分析

從統(tǒng)計(jì)結(jié)果分析，近幾年，“hadoop”、“mapreduce”等詞成為創(chuàng)造性較強(qiáng)的關(guān)鍵詞，分布式計(jì)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(guò)共現(xiàn)聚類，產(chǎn)生11個(gè)協(xié)同過(guò)濾算法的改進(jìn)算法.每種改進(jìn)算法的立足點(diǎn)各不相同，分別在一定領(lǐng)域提高了推薦的準(zhǔn)確度，并一定程度上解決了推薦算法存在的問(wèn)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(guò)濾算法[6]，對(duì)用戶愛(ài)好進(jìn)行學(xué)習(xí)，分析用戶對(duì)項(xiàng)目的固有特征的愛(ài)好度，采用一種新穎的相似度度量方法計(jì)算項(xiàng)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(shí)值條件受限玻爾茲曼機(jī)協(xié)同過(guò)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(píng)分?jǐn)?shù)據(jù)的稀疏性問(wèn)題；基于矩陣分解的協(xié)同過(guò)濾算法[5]，通過(guò)對(duì)傳統(tǒng)的矩陣分解模型進(jìn)行正則化約束來(lái)防止模型過(guò)度擬合訓(xùn)練數(shù)據(jù)，并通過(guò)迭代最小二乘法來(lái)訓(xùn)練分解模型，有效緩解可擴(kuò)展性和稀疏性問(wèn)題.

3.1.3 基于關(guān)鍵詞、主題詞共現(xiàn)的國(guó)內(nèi)研究趨勢(shì)分析

為了解協(xié)同過(guò)濾算法的研究熱點(diǎn)的發(fā)展脈絡(luò)和發(fā)展趨勢(shì)，我們?cè)诠铂F(xiàn)網(wǎng)絡(luò)分析的基礎(chǔ)上，按照時(shí)間序列統(tǒng)計(jì)關(guān)鍵詞、主題詞詞頻，利用CiteSpace軟件的關(guān)鍵詞時(shí)區(qū)視圖.視圖的演進(jìn)路徑是學(xué)科知識(shí)領(lǐng)域中知識(shí)基礎(chǔ)和前沿隨時(shí)間演進(jìn)的動(dòng)態(tài)過(guò)程.其中，關(guān)鍵詞、主題詞聚類時(shí)區(qū)圖如圖8所示.

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

國(guó)內(nèi)對(duì)于協(xié)同推薦的研究更加注重理論，通過(guò)對(duì)算法本身的不斷改進(jìn)，用以更好地緩解數(shù)據(jù)稀疏性、冷啟動(dòng)和可擴(kuò)展等問(wèn)題.2010年前后，大家把關(guān)注點(diǎn)瞄準(zhǔn)了個(gè)性化需求，為了更好地實(shí)現(xiàn)個(gè)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(guò)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(xué)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(shí)現(xiàn)基于優(yōu)化模型的可訓(xùn)練的智能推薦系統(tǒng)將成為未來(lái)研究的主流方向.

3.2 國(guó)內(nèi)外協(xié)同過(guò)濾算法研究熱點(diǎn)、研究趨勢(shì)對(duì)比分析

為了清晰了解國(guó)內(nèi)外在研究熱點(diǎn)和研究趨勢(shì)的差異性，使用CiteSpace工具對(duì)中英文期刊進(jìn)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(guó)內(nèi)外在協(xié)同過(guò)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(guó)內(nèi)對(duì)于協(xié)同過(guò)濾推薦算法的研究起步比較晚，對(duì)比國(guó)外關(guān)注熱點(diǎn)和研究方向，兩者作為知識(shí)基礎(chǔ)比較相似，國(guó)內(nèi)更加注重理論創(chuàng)新，對(duì)算法的改進(jìn)上更加側(cè)重，而國(guó)外更加關(guān)心實(shí)際應(yīng)用中的問(wèn)題的分析和解決，不斷地推出新模型，強(qiáng)調(diào)用戶體驗(yàn)，提升個(gè)性化定制需求，注重用戶偏好的實(shí)證研究.對(duì)比分析國(guó)內(nèi)外靠前的主題詞和爆發(fā)詞(見(jiàn)圖10)，可以發(fā)現(xiàn)，目前典型的主要有兩大類協(xié)同過(guò)濾算法：基于記憶的和基于模型的.基于記憶的協(xié)同過(guò)濾算法又包括基于用戶的和基于項(xiàng)目的.其中基于用戶的推薦更社會(huì)化一點(diǎn)，在一些社交網(wǎng)絡(luò)中有重要應(yīng)用；而基于項(xiàng)目的推薦更加側(cè)重于個(gè)性化，因此多被應(yīng)用于電子商務(wù)網(wǎng)站等.隨著移動(dòng)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(duì)海量的信息資源，協(xié)同過(guò)濾推薦面臨著一些難以解決的問(wèn)題，國(guó)外同樣面臨著這樣的問(wèn)題：數(shù)據(jù)稀疏性、冷啟動(dòng)、算法的可擴(kuò)展性、用戶興趣的時(shí)效性、信任計(jì)算、隱私保護(hù)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(guó)內(nèi)外為解決數(shù)據(jù)稀疏性等問(wèn)題的有效方法有采用預(yù)測(cè)評(píng)分填充用戶-項(xiàng)目評(píng)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(bǔ)、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(dòng)問(wèn)題，普遍采用基于內(nèi)容的最近鄰居查找技術(shù).而可擴(kuò)展性問(wèn)題通常采用聚類技術(shù)來(lái)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(dāng)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(gè)性化推薦系統(tǒng)的性能評(píng)價(jià)是根據(jù)用戶對(duì)推薦結(jié)果的滿意度來(lái)決定的.而對(duì)于推薦質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)主要有統(tǒng)計(jì)精度度量和決策支持精度度量?jī)深悾y(tǒng)計(jì)精度度量方法中常用的是平均絕對(duì)偏差；決策支持精度度量方法中主要有召回率、準(zhǔn)確率等方法.

圖10 國(guó)內(nèi)外爆發(fā)的熱點(diǎn)主題詞和起始時(shí)間區(qū)間對(duì)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(jiǎn)單闡述了國(guó)內(nèi)外近15年在推薦領(lǐng)域的相關(guān)算法的關(guān)注點(diǎn)，以及國(guó)內(nèi)在協(xié)同過(guò)濾算法領(lǐng)域的研究脈絡(luò)和研究趨勢(shì)，并通過(guò)國(guó)外研究的對(duì)比分析，我們總結(jié)如下：

為了更加直觀地了解國(guó)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(lái)國(guó)內(nèi)對(duì)協(xié)同過(guò)濾算法存在的數(shù)據(jù)稀疏性、冷啟動(dòng)、可擴(kuò)展性等問(wèn)題進(jìn)行著深入的研究，并提出了諸多改進(jìn)方法.為解決數(shù)據(jù)稀疏性問(wèn)題的有效方法是采用預(yù)測(cè)評(píng)分對(duì)用戶-項(xiàng)目評(píng)分矩陣進(jìn)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(dòng)問(wèn)題，普遍采用基于內(nèi)容的最近鄰居查找技術(shù).而可擴(kuò)展性問(wèn)題通常采用聚類技術(shù)來(lái)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(chǎng)合特定領(lǐng)域行之有效，并且這些問(wèn)題會(huì)隨著“信息過(guò)載”的加劇而更加凸顯.而且協(xié)同過(guò)濾還會(huì)面臨一些新的問(wèn)題和挑戰(zhàn)，例如隱私保護(hù)問(wèn)題，安全問(wèn)題等等.另外隨著改進(jìn)算法的不斷增多，對(duì)算法的評(píng)估標(biāo)準(zhǔn)的研究也會(huì)越來(lái)越重要.

2)推薦技術(shù)的應(yīng)用涉及電子商務(wù)、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(wèn)題或難題，成為信息檢索、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能等領(lǐng)域的研究熱點(diǎn).研究者們提出了的多種方案解決協(xié)同過(guò)濾算法面臨的數(shù)據(jù)稀疏、冷啟動(dòng)、可擴(kuò)展性等問(wèn)題，針對(duì)這些難題，

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

表4 國(guó)內(nèi)外研究對(duì)比Table 4 Research at home and abroad

應(yīng)用到推薦技術(shù)中來(lái)并將進(jìn)一步長(zhǎng)久地被應(yīng)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(wèn)題，但是隨著數(shù)據(jù)量的不斷增加，這些問(wèn)題會(huì)更加凸顯，分布式的應(yīng)用將成為一種趨勢(shì)，領(lǐng)域外技術(shù)的結(jié)合使用會(huì)變得更加地普遍和重要.

3)國(guó)內(nèi)對(duì)協(xié)同過(guò)濾推薦的研究晚于國(guó)外，但二者研究的知識(shí)基礎(chǔ)比較相似，只是側(cè)重點(diǎn)存在差異性，國(guó)內(nèi)更加注重理論研究和算法改進(jìn)，國(guó)外更加關(guān)心實(shí)際應(yīng)用中的問(wèn)題的分析和解決.通過(guò)國(guó)內(nèi)外爆發(fā)熱點(diǎn)主題詞的對(duì)比分析，推測(cè)出未來(lái)數(shù)年的推薦研究將更加關(guān)注于個(gè)性化推薦和智能化推薦.多學(xué)科的交叉結(jié)合，人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、推薦技術(shù)等的結(jié)合會(huì)促進(jìn)推薦領(lǐng)域的革新.

推薦系統(tǒng)的應(yīng)用領(lǐng)域會(huì)愈加廣泛，推薦技術(shù)面臨的應(yīng)用難題會(huì)愈加艱巨和復(fù)雜，技術(shù)革新的推動(dòng)作用，使得推薦技術(shù)的研究存在巨大的價(jià)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(xiàn)：

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

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

[5] 李 改，李 磊.基于矩陣分解的協(xié)同過(guò)濾算法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(30)：4-7.

[6] 孟憲福，陳 莉.基于貝葉斯理論的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)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(guò)濾推薦算法[J].中文信息學(xué)報(bào)，2008，22(4)：61-65.

[8] 冷亞軍，陸 青，梁昌勇.協(xié)同過(guò)濾推薦技術(shù)綜述[J].模式識(shí)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(jìn)展及展望[J].信息系統(tǒng)學(xué)報(bào)，2008，2(1)：82-90.

[10] 石 坤，余 強(qiáng)，朱秋月.融合信息熵與興趣度的協(xié)同過(guò)濾算法[J].計(jì)算機(jī)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(xiàng)目類型的協(xié)同過(guò)濾算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2016，25(12)：132-137.

[12] 李 狀.基于Hadoop的協(xié)同過(guò)濾推薦算法的設(shè)計(jì)與實(shí)現(xiàn)[D].南京：南京郵電大學(xué)，2016.

[13] 李熠晨，陳 莉，石晨晨，等.采用信任網(wǎng)絡(luò)增強(qiáng)的協(xié)同過(guò)濾算法[J].計(jì)算機(jī)應(yīng)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(xiàng)目類型的協(xié)同過(guò)濾算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2016，25(12)：132-137.