馮文杰,熊 翱

(北京郵電大學(xué) 網(wǎng)絡(luò)技術(shù)研究院,北京 100876)

隨著移動(dòng)網(wǎng)絡(luò)技術(shù)的高速發(fā)展,網(wǎng)絡(luò)新聞生產(chǎn)、傳播速度都呈爆炸性的增長,人們逐漸從新聞信息匱乏的時(shí)代進(jìn)入了新聞信息過載的時(shí)代.無論是新聞消費(fèi)者還是新聞生產(chǎn)者都遇到了很大的挑戰(zhàn): 從消費(fèi)者角度來看,如何從大量新聞中發(fā)現(xiàn)自己感興趣的新聞是一件非常困難的事情; 從生產(chǎn)者角度來看,如何提高新聞瀏覽量和受眾規(guī)模,也是一件很困難的事情.與此同時(shí),隨著社會(huì)節(jié)奏的加快,新聞消費(fèi)者傾向于在更加碎片化的時(shí)間內(nèi)瀏覽新聞,因此新聞消費(fèi)者主動(dòng)搜索新聞以解決信息過載問題的意愿也就更低,換言之,用戶希望在花費(fèi)更少時(shí)間的前提下得到更適合自己的新聞.

個(gè)性化推薦系統(tǒng)[1]就是解決這一問題的重要工具.在新聞推薦領(lǐng)域,個(gè)性化新聞推薦系統(tǒng)通過聯(lián)系用戶和新聞,一方面幫助用戶發(fā)現(xiàn)對(duì)自己有價(jià)值的新聞,另一方面讓新聞能夠展現(xiàn)在對(duì)它感興趣的用戶面前,從而實(shí)現(xiàn)新聞消費(fèi)者和新聞生產(chǎn)者的雙贏.其中協(xié)同過濾算法[2]是推薦系統(tǒng)中應(yīng)用較為廣泛的推薦算法,該算法基于鄰域; 根據(jù)領(lǐng)域選取的區(qū)別,可以分為基于用戶的協(xié)同過濾算法[3]以及基于物品的協(xié)同過濾算法[4].而在新聞推薦算法領(lǐng)域,一般更適合使用基于用戶的協(xié)同過濾推薦算法,因?yàn)樵谝粋€(gè)新聞系統(tǒng)中,用戶量是相對(duì)固定且變化不明顯的,維護(hù)基于用戶的協(xié)同過濾算法在性能上有更好的表現(xiàn).

但基于用戶的協(xié)同過濾算法容易忽視新聞信息的特性,導(dǎo)致推薦新聞的時(shí)效性不足,降低了新聞推薦的實(shí)際接受率; 并且需要不斷調(diào)整相似用戶的新聞信息表,在數(shù)據(jù)量大時(shí),算法時(shí)間開銷會(huì)非常大.

本文針對(duì)上述問題,提出了基于新聞時(shí)效性的協(xié)同過濾推薦算法,該方法充分考慮到了新聞信息老化[5]的特點(diǎn),通過建立新聞的時(shí)效性模型,改進(jìn)了基于用戶的協(xié)同過濾系統(tǒng)中對(duì)最近鄰用戶的選擇; 在維護(hù)用戶相似度的矩陣時(shí),將新聞集進(jìn)行提前過濾,保留時(shí)效性較高的新聞信息.在新聞信息量較大的情況下也能維持算法的高性能,本文利用該改進(jìn)的算法,對(duì)某網(wǎng)絡(luò)新聞系統(tǒng)的新聞、用戶行為數(shù)據(jù)集進(jìn)行了仿真實(shí)驗(yàn),證明了本文所提方法的有效性.

1 新聞時(shí)效性模型和基于用戶的協(xié)同過濾推薦算法

1.1 新聞時(shí)效性模型

對(duì)于推薦系統(tǒng)而言,不同類型的物品具有不同的生命周期,即它們的時(shí)效性會(huì)有很大的差別.例如新聞信息就要比電影的生命周期短很多; 用戶可能會(huì)滿意對(duì)很久之前電影的推薦,因?yàn)殡娪暗男畔㈧夭⒉粫?huì)因?yàn)闀r(shí)間的推移而減少; 而對(duì)用戶推薦老舊新聞,很多時(shí)候都是無效的,因?yàn)樾侣劦臅r(shí)效性非常重要; 即使是比較重要的歷史性新聞信息,實(shí)質(zhì)上也算是過期信息,對(duì)用戶瀏覽新聞并無幫助.

從新聞信息的產(chǎn)生,推薦,成為熱點(diǎn),衰退到最后的消失,新聞信息在時(shí)間軸上總是呈現(xiàn)一定的規(guī)律; 這一點(diǎn)和應(yīng)用信息計(jì)量學(xué)中的文獻(xiàn)老化理論是相似的,例如文獻(xiàn)[6,7]就通過文獻(xiàn)老化模型來描述網(wǎng)絡(luò)信息的效用變化.因此我們可以根據(jù)信息老化的特點(diǎn),建立新聞推薦系統(tǒng)的時(shí)效性模型,定義如下:

定義1.新聞發(fā)布時(shí)刻新聞發(fā)布時(shí)刻是指當(dāng)新聞被生產(chǎn)完畢并正式發(fā)布的時(shí)間節(jié)點(diǎn),但還沒被個(gè)性化推薦系統(tǒng)加入相似新聞集.一般而言,這個(gè)時(shí)刻與推薦系統(tǒng)更新時(shí)刻越近則說明新聞越新,在經(jīng)過初級(jí)過濾系統(tǒng)時(shí),它被過濾的可能性越低.

定義2.推薦算法更新時(shí)刻由于新聞會(huì)不斷發(fā)布,因此推薦算法更新新聞信息庫的時(shí)間也要根據(jù)系統(tǒng)的計(jì)算能力與實(shí)際新聞發(fā)布數(shù)量來設(shè)定,一般而言,兩次更新間隔越短,推薦效果越好,但會(huì)消耗很大的系統(tǒng)性能,需要根據(jù)實(shí)際系統(tǒng)來設(shè)定這個(gè)參數(shù).

定義3.新聞生命周期生命周期是指在新聞發(fā)布后,自某個(gè)時(shí)刻起不再有新聞消費(fèi)者對(duì)其做出消費(fèi)行為,從這個(gè)時(shí)刻起,零星的閱讀行為可以認(rèn)為是系統(tǒng)噪聲不予考慮.

根據(jù)文獻(xiàn)信息老化規(guī)律模型,即貝爾納在1958年提出的信息老化的負(fù)指數(shù)模型:

公式(1)中,t為文獻(xiàn)的出版年齡,表示t年時(shí)文獻(xiàn)被引用頻率.是一個(gè)與文獻(xiàn)分類有關(guān)的常數(shù),為文獻(xiàn)的老化率.

將此模型應(yīng)用于新聞信息,可以用公式(2)定義,將在后面驗(yàn)證負(fù)指數(shù)模型對(duì)新聞老化規(guī)律模型的適用性.

其中,t表示當(dāng)前時(shí)刻,為新聞發(fā)布時(shí)刻表示新聞在t時(shí)刻時(shí)的用戶反饋統(tǒng)計(jì)數(shù)量,需要根據(jù)新聞系統(tǒng)設(shè)定合適的時(shí)間粒度,來統(tǒng)計(jì)該時(shí)刻分段的用戶反饋數(shù)量.是該新聞的老化系數(shù),表示該新聞隨著時(shí)間推移其效果的衰減系數(shù),越小,說明這條新聞的時(shí)效性越強(qiáng);則為某一個(gè)常數(shù),和新聞在發(fā)布后的初始統(tǒng)計(jì)時(shí)間粒度內(nèi)的用戶反饋統(tǒng)計(jì)數(shù)量有關(guān),以第一個(gè)統(tǒng)計(jì)時(shí)間段為例,在第一個(gè)時(shí)間粒度內(nèi),用戶反饋統(tǒng)計(jì)數(shù)量參數(shù)受新聞初始閱讀量影響較大,但不會(huì)表現(xiàn)新聞時(shí)效性的變化趨勢; 即較大的新聞會(huì)擁有比較大的初始閱讀量,但不能保證衰減速度慢; 在本文研究的時(shí)效性改進(jìn)算法中,更關(guān)心新聞本身的時(shí)效性變化趨勢,所以進(jìn)行線性回歸分析,計(jì)算出、后,主要采取作為推薦算法的輸入,實(shí)際上對(duì)公式(2)變形后,可以在公式(3)中更清楚的認(rèn)識(shí)到老化參數(shù)與時(shí)間推移之間的關(guān)系:

變形后,對(duì)老化曲線擬合更貼近于常見的負(fù)指數(shù)模型,在數(shù)學(xué)表達(dá)上也更加直觀.只要求出老化系數(shù)即可.

對(duì)于一條特定的新聞而言,老化系數(shù)代表了其在發(fā)布后傳播效果的衰減速度,發(fā)布后衰減不明顯的新聞是時(shí)效性較強(qiáng)的新聞,新聞消費(fèi)者認(rèn)為其有很高的時(shí)效價(jià)值; 而當(dāng)一條新聞到達(dá)自己的生命周期后,那么此新聞就沒有時(shí)效價(jià)值了.

1.2 基于用戶的協(xié)同過濾算法原理

基于用戶的協(xié)同過濾算法(以下簡稱UserCF算法)是推薦系統(tǒng)中最常見的算法之一,應(yīng)用十分廣泛;主要包括兩個(gè)步驟,首先尋找與目標(biāo)用戶興趣度相似的用戶集合.然后找出在這個(gè)用戶集合中的用戶喜歡而目標(biāo)用戶尚未關(guān)注的物品信息,將其推薦給目標(biāo)用戶.

在計(jì)算兩個(gè)用戶的興趣相似度時(shí),主要利用行為的相似度來計(jì)算興趣的相似度.給定用戶和用戶,集合表示用戶曾經(jīng)有過正反饋的物品集合,集合為用戶曾經(jīng)有過正反饋的物品集合,就可以計(jì)算和的興趣相似度常見的相似度計(jì)算公式有兩種,第一種是杰卡德相似度計(jì)算公式[8]:

第二種是余弦相似度計(jì)算公式:

根據(jù)用戶之間的興趣相似度,可以給用戶推薦和他興趣最相似的個(gè)用戶喜歡的新聞,公式(6)度量了UserCF算法中用戶對(duì)新聞的感興趣程度.

在此式中包含了與用戶興趣最為接近的個(gè)用戶是對(duì)新聞n有過行為的用戶集合是用戶和用戶的興趣相似度代表用戶對(duì)新聞的交互評(píng)分,由其閱讀時(shí)長、新聞長度、點(diǎn)贊、評(píng)論等正反饋行為歸一化得出,以衡量用戶對(duì)新聞的興趣度.計(jì)算出后,比較通用的做法是根據(jù)某個(gè)用戶對(duì)新聞的預(yù)測評(píng)分做Top-N推薦,即推薦出前個(gè)高評(píng)分結(jié)果.

2 基于新聞時(shí)效性的協(xié)同過濾算法

2.1 算法設(shè)計(jì)

傳統(tǒng)的UserCF算法中沒有考慮信息時(shí)效性的問題,這種做法可能適合電影、電商類系統(tǒng),但卻忽略了新聞信息的時(shí)效性.為了解決這個(gè)問題,本文結(jié)合上文中的新聞時(shí)效性模型,根據(jù)新聞衰老系數(shù)與生命周期,對(duì)推薦新聞?lì)A(yù)測評(píng)分進(jìn)行加權(quán),同時(shí)過濾過時(shí)新聞,降低了算法輸入數(shù)據(jù)的規(guī)模,從而提高了推薦的效果.

2.2 數(shù)據(jù)模型

(1)新聞信息集合,表示新聞系統(tǒng)中的新聞集合,會(huì)根據(jù)生產(chǎn)者的輸出而更新,加入新的新聞.用集合來表示i條新聞的集合,這個(gè)集合用來計(jì)算用戶相似度.

(2)推薦系統(tǒng)輸入新聞集合,表示新上架的新聞,作為推薦系統(tǒng)在選取推薦新聞時(shí)的輸入集;同時(shí)也用來計(jì)算新聞時(shí)效性.用集合來表示.集合包含了那些在推薦算法更新輸入時(shí)刻仍然較為活躍,并未消耗完生命周期的新聞,這些新聞仍然有不少用戶在閱讀;由于UserCF算法要進(jìn)行比較復(fù)雜的用戶偏好度計(jì)算,同時(shí)要進(jìn)行時(shí)效性模型的檢驗(yàn),所以將輸入集限定在仍然在生命周期內(nèi)的新聞,可以大幅降低算法復(fù)雜度.

(3)用戶信息集合,表示新聞系統(tǒng)中的用戶集合,會(huì)根據(jù)系統(tǒng)用戶的增加而更新,但變化很緩慢.用集合來表示個(gè)用戶的集合.

(4)用戶,新聞興趣矩陣用戶會(huì)對(duì)新聞做出不同的行為,如閱讀、點(diǎn)贊、分享及評(píng)論等;通過用戶行為偏好向量空間模型來計(jì)算用戶對(duì)新聞興趣值(5)新聞訪問表,用于記錄新聞被閱讀、收藏、贊操作及其具體時(shí)間,用于計(jì)算新聞被訪問隨時(shí)間變化的趨勢,即其時(shí)效性.

2.3 通過時(shí)效性參數(shù)改進(jìn)推薦算法

算法詳細(xì)步驟如下:

1)在推薦算法更新時(shí)刻確定集合,并對(duì)集合中的元素進(jìn)行統(tǒng)計(jì),根據(jù)系統(tǒng)設(shè)定的時(shí)間粒度,從新聞訪問行為表中計(jì)算在每個(gè)時(shí)段內(nèi)新聞被訪問的數(shù)據(jù).通過時(shí)效性模型曲線擬合計(jì)算新聞老化率,并計(jì)算集合中新聞老化率的最大值,記為

2)用戶相似興趣度計(jì)算,可以選擇余弦相似度計(jì)算,也可以選擇杰卡德相似度計(jì)算.在選定相似度公式后,計(jì)算用戶相似興趣度的輸入集包含整個(gè)新聞集合與用戶集合,而非新聞子集合,這是為了獲取用戶完整的歷史興趣愛好,以構(gòu)建正確的用戶相似興趣度矩陣.在這里我們選取杰卡德相似度公式:

3)基于時(shí)效性參數(shù)改良預(yù)測評(píng)分結(jié)果:

對(duì)集合中的新聞應(yīng)用公式(8),計(jì)算出用戶對(duì)集合中新聞的興趣度,通過加入時(shí)效性參數(shù)作為加權(quán),即可得出最終預(yù)測興趣評(píng)分.

4)選取Top-N作為最后的推薦方法,選擇集合中最高興趣評(píng)分的個(gè)元素作為用戶推薦的結(jié)果.

3 實(shí)驗(yàn)分析

本文對(duì)某新聞報(bào)業(yè)集團(tuán)的網(wǎng)絡(luò)新聞數(shù)據(jù)與用戶數(shù)據(jù)進(jìn)行實(shí)驗(yàn).共計(jì) 5436 條新聞,43 187 個(gè)用戶.部分新聞數(shù)據(jù)如表1所示,該表表示某個(gè)新聞的閱讀情況.

表1 實(shí)驗(yàn)部分新聞訪問數(shù)據(jù)

3.1 時(shí)效性模型實(shí)驗(yàn)

首先對(duì)新聞集進(jìn)行時(shí)效性模型檢驗(yàn),根據(jù)其閱讀量變化,使用負(fù)指數(shù)模型進(jìn)行擬合校驗(yàn),以單條新聞為例,圖1即單條新聞閱讀變化量擬合結(jié)果.

圖1 單條新聞擬合結(jié)果

表2為其時(shí)效性模型檢驗(yàn)結(jié)果.對(duì)于本文的時(shí)效性模型而言,SSE與RMSE與模型輸入數(shù)量級(jí)有關(guān),對(duì)結(jié)果沒有太大的解釋意義; R-square與Adjusted R-square則表達(dá)了擬合結(jié)果與目標(biāo)模型的效果,越接近1說明模型越好.表2中對(duì)應(yīng)新聞瀏覽量變化趨勢比較符合時(shí)效性模型曲線,即閱讀量與時(shí)間之間有較強(qiáng)的相關(guān)關(guān)系,可以根據(jù)其擬合得到的老化系數(shù)作為推薦模型的輸入.

表2 某新聞擬合結(jié)果

表3所示為對(duì)測試集合中的新聞進(jìn)行時(shí)效性模型檢驗(yàn),從中可以看出,擬合結(jié)果R-square大于0.80的比例為70.7%,即其與負(fù)指數(shù)時(shí)效性模型擬合度較好,有較高的說服度,這些新聞的主要特點(diǎn)是平均總閱讀量比較高,因此噪音表現(xiàn)不明顯; 而剩余的新聞平均總閱讀量比較低,受關(guān)注度低,即使在發(fā)布的第一時(shí)間,也很少有用戶關(guān)注; 對(duì)在發(fā)布后的某個(gè)特定時(shí)間段的抗噪音能力較差,用戶反饋統(tǒng)計(jì)數(shù)量容易受波動(dòng),難以體現(xiàn)時(shí)效性變化的總體趨勢.

表3 新聞集合擬合結(jié)果統(tǒng)計(jì)

針對(duì)時(shí)效性模型的擬合誤差,需要根據(jù)具體情況設(shè)定誤差實(shí)驗(yàn)分析; 總體而言,對(duì)于閱讀量較大的新聞,時(shí)效性模型是比較適用的,擁有比較好的正確率與精度,也可以從中看出新聞閱讀量與時(shí)間的相關(guān)性; 對(duì)于抗噪聲能力較差的非熱門新聞,可以將其剔除出新聞輸入集合,只對(duì)訂閱用戶推送,因此就不會(huì)受到非精確時(shí)效衰減率影響.

3.2 基于時(shí)效性模型改進(jìn)UserCF算法的實(shí)驗(yàn)

根據(jù)實(shí)驗(yàn)(1)的結(jié)果,得出了時(shí)效性模型的新聞老化系數(shù),改進(jìn) UserCF 算法; 本實(shí)驗(yàn)采用 Mahout[9]作為UserCF框架,在計(jì)算用戶興趣度時(shí),考慮時(shí)效性模型中老化系數(shù)的影響.

將實(shí)驗(yàn)(1)中的新聞數(shù)據(jù)集中R-square超過0.80的新聞集單獨(dú)抽出,形成一個(gè)新的新聞集A,與原新聞集N分別作為新聞總集,進(jìn)行兩次實(shí)驗(yàn),實(shí)驗(yàn)步驟相同,輸入不同,其他參數(shù)一致.最后與傳統(tǒng)的 UserCF算法作為對(duì)照比較.

本實(shí)驗(yàn)中,將用戶行為數(shù)據(jù)集隨機(jī)且均勻分成8 份,6 份作為訓(xùn)練集,2 份作為測試集,通過準(zhǔn)確率與召回率來評(píng)價(jià)推薦算法的效果:

式(9)為準(zhǔn)確率的公式:

式(10)為召回率的公式:

其中為推薦新聞集合為用戶實(shí)際喜歡的新聞信息.準(zhǔn)確率用于描述最終推薦列表中實(shí)際發(fā)生的用戶-新聞興趣評(píng)分,召回率用于描述有多少比例的用戶-新聞興趣評(píng)分出現(xiàn)在最后的最終的推薦列表中.

表4 推薦算法實(shí)驗(yàn)結(jié)果

表4為推薦算法實(shí)驗(yàn)結(jié)果,首先對(duì)于不同的輸入新聞集合N與A,A代表那些和時(shí)效性模型擬合程度較好的新聞數(shù)據(jù)集,它們的平均閱讀數(shù)量也較高,抗噪聲能力強(qiáng); 實(shí)際上在一個(gè)推薦系統(tǒng)中,熱門新聞受推薦的概率會(huì)更大,因此其準(zhǔn)確率與召回率都會(huì)更高.在傳統(tǒng)的UserCF算法中,A集合有著更高的推薦準(zhǔn)確率與召回率,但與N集合差別并不大,UserCF算法沒有考慮到時(shí)間推移的影響,只響應(yīng)了高閱讀量新聞的特性,略微提高了推薦準(zhǔn)確率與召回率.

在相同的輸入集合下,改進(jìn)后的UserCF算法有著更好的表現(xiàn),這是因?yàn)榛跁r(shí)效性模型改進(jìn)的UserCF算法考慮到了新聞時(shí)效性衰減的因素,較好地利用了老化系數(shù),降低了衰減較快新聞的權(quán)重; 對(duì)于和時(shí)效性模型擬合較好的新聞集合,改進(jìn)后的UserCF性能還會(huì)有提高,這是因?yàn)檫@類新聞不僅衰減速度慢,時(shí)效性強(qiáng),同時(shí)自身閱讀量高,故而推薦效果還會(huì)有所增強(qiáng).

3.3 時(shí)效性模型誤差分析

在時(shí)效性模型實(shí)驗(yàn)實(shí)驗(yàn)中,針對(duì)擬合誤差較大的新聞集合,即R-square值低于0.80以下的新聞集合B,進(jìn)行誤差分析與算法性能分析.

表5 誤差實(shí)驗(yàn)結(jié)果

表5為誤差新聞集實(shí)驗(yàn)結(jié)果.對(duì)于R-square值較低的新聞集合,由于其和時(shí)效性模型偏差較大,擬合所得的老化率不能完全反應(yīng)新聞實(shí)際失效的速度,在引入U(xiǎn)serCF算法時(shí)并不會(huì)大幅提高UserCF性能; 但從實(shí)際結(jié)果來看,時(shí)效性模型改進(jìn)的UserCF算法仍然有15%的提高.這是因?yàn)楦哒`差新聞集合中的新聞閱讀量較少,這些新聞很容易在算法的第一步時(shí)因?yàn)樯芷谙拇M,從而被提前過濾.沒有進(jìn)入輸入集合中; 但相對(duì)于總新聞集合中的推薦實(shí)驗(yàn)結(jié)果,這些誤差使得時(shí)效性模型改進(jìn)的UserCF算法的提高較為有限.

4 結(jié)論與展望

隨著網(wǎng)絡(luò)新聞量的爆發(fā)式增長,如何在信息過載的情境下為新聞消費(fèi)者提供合理的新聞推薦集成為了重點(diǎn)問題.本文結(jié)合文獻(xiàn)信息老化模型,應(yīng)用于新聞信息上,利用時(shí)效性模型中的老化參數(shù)改進(jìn)了基于用戶的協(xié)同過濾算法,對(duì)新聞-用戶數(shù)據(jù)集進(jìn)行了分析和研究.從實(shí)驗(yàn)結(jié)果上看,這種改進(jìn)型算法適用于抗噪能力強(qiáng)的熱門新聞,能提高新聞推薦算法的準(zhǔn)確率和召回率.

但是本文提出的方法只考慮了協(xié)同過濾算法中興趣評(píng)分處理與新聞時(shí)效性的問題,并沒有解決協(xié)同過濾算法中冷啟動(dòng)[10]問題,同時(shí)也沒有考慮到系統(tǒng)初始狀態(tài)下的用戶稀疏性[11]問題.所以該算法在未來還有很大的改進(jìn)空間.

參考文獻(xiàn)

1Liu JX,Tang MD,Zheng ZB,et al.Location-aware and personalized collaborative filtering for web service recommendation.IEEE Transactions on Services Computing,2016,9(5): 686–699.[doi: 10.1109/TSC.2015.2433251]

2馬宏偉,張光衛(wèi),李鵬.協(xié)同過濾推薦算法綜述.小型微型計(jì)算機(jī)系統(tǒng),2009,30(7): 1282–1288.

3項(xiàng)亮.推薦系統(tǒng)實(shí)踐.北京: 人民郵電出版社,2012: 33–37.

4鄧愛林,朱揚(yáng)勇,施伯樂.基于項(xiàng)目評(píng)分預(yù)測的協(xié)同過濾推薦算法.軟件學(xué)報(bào),2003,14(9): 1621–1628.

5陸研,毛健駿,屠方楠.網(wǎng)絡(luò)信息老化規(guī)律研究——新浪新聞與新浪微博實(shí)證研究.高等函授學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版),2011,24(12): 52 –55.[doi: 10.3969/j.issn.1007-2187.2011.12.021]

6馬費(fèi)成,望俊成.信息生命周期研究述評(píng)(Ⅰ)——價(jià)值視角.情報(bào)學(xué)報(bào),2010,29(5): 939–947.

7鞠菲.網(wǎng)絡(luò)信息老化實(shí)證研究——以新浪新聞為例.情報(bào)雜 志 ,2010,29(10): 41 –45,40.[doi: 10.3969/j.issn.1002-1965.2010.10.010]

8李斌,張博,劉學(xué)軍,等.基于 Jaccard 相似度和位置行為的協(xié)同過濾推薦算法.計(jì)算機(jī)科學(xué),2016,43(12): 200–205.[doi: 10.11896/j.issn.1002-137X.2016.12.036]

9Owen S.MAHOUT 實(shí)戰(zhàn) (圖靈程序設(shè)計(jì)叢書).王斌,韓冀中,萬吉譯.北京: 人民郵電出版社,2014: 28–73.

10孫小華.協(xié)同過濾系統(tǒng)的稀疏性與冷啟動(dòng)問題研究[博士學(xué)位論文].杭州: 浙江大學(xué),2005.

11林建輝,嚴(yán)宣輝,黃波.融合信任用戶的協(xié)同過濾推薦算法.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(6): 124–130.[doi: 10.15888/j.cnki.csa.005805]