面向移動(dòng)APP的個(gè)性化推薦算法

尚燕飛 陳德運(yùn) 楊海陸

摘?要：針對(duì)移動(dòng)互聯(lián)網(wǎng)移動(dòng)端的推薦系統(tǒng)推薦滿意度和精度較低問(wèn)題，在分析應(yīng)用信息系統(tǒng)推薦方法的基礎(chǔ)上，提出了一種基于用戶相似度和主題相似度個(gè)性化的移動(dòng)APP信息推薦方法，該方法采用用戶相似度和個(gè)性化加權(quán)組合的方式生成信息推薦，使推薦信息更為個(gè)性化，提高了推薦精度。同時(shí)針對(duì)多用戶公用賬號(hào)和興趣發(fā)生變化的推薦問(wèn)題，提出了一種基于復(fù)雜興趣的推薦算法，該方法通過(guò)挖掘用戶間的相似度、用戶的行為操作及興趣取向，使推薦信息更為準(zhǔn)確。同時(shí)，相比于性能較好的Popular推薦算法，本算法在準(zhǔn)確率上提高了3.91%，召回率提高了3.45%，覆蓋率提高了4.84%，性能明顯提高。因此，文中所提出方法用于移動(dòng)APP的個(gè)性化推薦，為移動(dòng)APP的個(gè)性化推薦提供了一種新方法。

關(guān)鍵詞：移動(dòng)APP;推薦算法;推薦精度;個(gè)性化信息

DOI：10.15938/j.jhust.2018.06.021

中圖分類(lèi)號(hào)： TP393.08

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2018）06-0116-08

Abstract：For the problem of low precision to both experience satisfaction and personalized requirement of Internet mobile terminal?based on the recommendation method of analyzing information system?a method of mobile APP information recommendation based on user similarity and subject similarity is proposed?which generated information recommendation by the weighted combination of user similarity and personalized?that the recommended information is more personalized?and the recommended accuracy is improved. At the same time?a recommendation algorithm based on complex interest is proposed?which makes the recommendation information more accurate by mining the similarity between users?the behavior of users and the orientation of interest for the recommendation problem of multi-user public account and interest change. Compared with the Popular which has better performance?the algorithm improves the accuracy rate by 3.91%?the recall rate is 3.45%?the coverage rate is improved by 4.84%?and the performance is improved obviously. Therefore?the method proposed in this paper is used to the personalized recommendation of APP?which provides a new method for mobile APP′s personalized recommendation.

Keywords：mobile application;recommendation algorithm;the accuracy of recommending;personalized information

0?引?言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，移動(dòng)端與互聯(lián)網(wǎng)的迅速融合，越來(lái)越多的移動(dòng)APP出現(xiàn)在了用戶的移動(dòng)設(shè)備上。隨之而來(lái)的移動(dòng)APP網(wǎng)絡(luò)信息推薦服務(wù)需要響應(yīng)用戶實(shí)時(shí)、連續(xù)、個(gè)性化的服務(wù)需求。目前，推薦類(lèi)的系統(tǒng)主要有基于內(nèi)容的推薦系統(tǒng)、協(xié)同過(guò)濾推薦系統(tǒng)以及混合推薦系統(tǒng)[1]?；趦?nèi)容的推薦是根據(jù)信息的內(nèi)容與用戶偏好之間的相關(guān)性向用戶推薦，比較適用于文本信息推薦[2]。協(xié)同過(guò)濾推薦是根據(jù)具有類(lèi)似觀點(diǎn)用戶的行為對(duì)目標(biāo)用戶進(jìn)行推薦[3]?；旌贤扑]是為了解決單一推薦技術(shù)的不足，按照不同的混合策略（如加權(quán)、特征組合等）將不同的推薦技術(shù)進(jìn)行組合從而完成推薦[4]。

但是，當(dāng)前多數(shù)移動(dòng)APP的信息推薦并未充分考慮用戶的個(gè)性化服務(wù)需求，只是根據(jù)用戶的歷史瀏覽記錄和選擇標(biāo)簽的形式來(lái)向用戶推薦相關(guān)信息，使得信息推薦的精度和用戶使用滿意度達(dá)不到較高的水平，特別是在復(fù)雜興趣推薦方面難以達(dá)到用戶的需求。目前比較出名的Applause推薦系統(tǒng)是基于位置上下文的個(gè)性化推薦系統(tǒng)，其位置信息主要通過(guò)移動(dòng)設(shè)備自動(dòng)感知或人為設(shè)定獲取，但是該系統(tǒng)沒(méi)有考慮新用戶的個(gè)人興趣，只是根據(jù)當(dāng)前位置附近APP的使用頻繁程度向用戶進(jìn)行推薦[5]。因此，本文通過(guò)挖掘用戶間的相似度，以及用戶的行為操作，并結(jié)合興趣取向，設(shè)計(jì)了一種具有較好推薦精度并滿足用戶需求的移動(dòng)APP推薦算法。

在推薦系統(tǒng)中，冷啟動(dòng)一直是一個(gè)很重要的問(wèn)題。由于很多移動(dòng)APP目前都支持使用第三方登陸，此處的冷啟動(dòng)用戶興趣偏好主要通過(guò)第三方獲取偏好模型，在此不再贅述。

1?離線狀態(tài)下的信息推薦

1.1?用戶相似度的定義及計(jì)算

在具有推薦系統(tǒng)的移動(dòng)APP中，用戶為了得到更加豐富、更加符合自己興趣的信息之前，往往需要注冊(cè)個(gè)人信息來(lái)使系統(tǒng)推薦給自己喜歡的數(shù)據(jù)，例如豆瓣中需要用戶選擇類(lèi)型標(biāo)簽，書(shū)單推薦類(lèi)軟件需要讓用戶輸入自己喜歡的書(shū)籍類(lèi)型或者讀過(guò)的書(shū)籍名稱，還有招聘類(lèi)的軟件需要用戶輸入條件信息來(lái)篩選自己想要的信息。以上信息無(wú)非分為兩類(lèi)，即名稱型的用戶屬性（比如專業(yè)、學(xué)歷等）和數(shù)值型的用戶屬性（比如年齡、身高、健身頻率等）。

1）對(duì)于用戶屬性中的數(shù)值型屬性，主要是計(jì)算不同用戶之間屬性的絕對(duì)差值‖d‖=DA-DB。目前，有的學(xué)者將不同屬性絕對(duì)差值的最小和最大組成差值區(qū)間，在得到用戶的數(shù)值型屬性絕對(duì)差以后，差值落到某個(gè)小區(qū)間，對(duì)以上屬性值區(qū)間給定相應(yīng)的距離，并以此差值作為用戶個(gè)人信息數(shù)值屬性的度量距離Lnum[6]。但是，這種方法在統(tǒng)計(jì)用戶的數(shù)值屬性的時(shí)候，存在著數(shù)據(jù)顆粒度大小差距過(guò)大的問(wèn)題，并且沒(méi)有考慮到數(shù)據(jù)的多個(gè)屬性使用的是不同的度量單位（比如，用戶A的身高為170cm，用戶B的身高為175cm，則Lnum=5cm;同樣，用戶A的工資為3000RMB，用戶B的工資為4000RMB，則Lnum=1000RMB），這將直接影響聚類(lèi)分析的結(jié)果。為此，首先將數(shù)值型屬性進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化的方法主要使用數(shù)值屬性標(biāo)準(zhǔn)化方法[7]。

對(duì)于一個(gè)用戶u，其屬性有n個(gè)，則將全部屬性定義為一個(gè)n維向量f（x1，x2，…，xn），xi為第i個(gè)屬性，則采用平均絕對(duì)差：

離線狀態(tài)下，選取喜好程度比較高的前N條信息推薦給用戶。

2?在線個(gè)性化的信息推薦

2.1?在線用戶行為權(quán)重特征求解算法

LDA是一種非監(jiān)督學(xué)習(xí)技術(shù)，可以用來(lái)識(shí)別大規(guī)模文檔集或語(yǔ)料庫(kù)中潛藏的主題信息[8]。它采用了詞袋的方法，這種方法將每一篇文檔視為一個(gè)詞頻向量，從而將文本信息轉(zhuǎn)化為了易于建模的數(shù)字信息。但是詞袋方法沒(méi)有考慮詞與詞之間的順序，這簡(jiǎn)化了問(wèn)題的復(fù)雜性，同時(shí)也為模型的改進(jìn)提供了契機(jī)[9]。每一篇文檔代表了一些主題所構(gòu)成的一個(gè)概率分布，而每一個(gè)主題又代表了很多單詞所構(gòu)成的一個(gè)概率分布。C-LDA主題模型是在三層LDA算法的文檔主題層之前增加用戶選擇層形成四層C-LDA算法，在選擇主題概率向量時(shí)考慮其關(guān)注者的影響[10]。基于移動(dòng)APP的個(gè)性化推薦算法主要運(yùn)用LDA主題模型判斷用戶關(guān)注項(xiàng)目的主題分布和用戶的興趣偏好。

目前很多移動(dòng)APP為了挖掘用戶的喜好和習(xí)慣，通常有很多體現(xiàn)用戶喜好的行為操作選項(xiàng)，例如對(duì)于某些信息，用戶可以點(diǎn)贊、分享、評(píng)論、轉(zhuǎn)發(fā)、收藏等操作，反應(yīng)了用戶對(duì)于此信息不同的喜好程度[11]。通常情況下，點(diǎn)贊比較簡(jiǎn)單，用戶一般對(duì)于自己喜歡的或者有共鳴的信息進(jìn)行點(diǎn)贊操作;相比之下，評(píng)論操作比點(diǎn)贊操作更為復(fù)雜，用戶需要將自己的情感和思想用文字的形式表示出來(lái)，因此權(quán)重比點(diǎn)贊更高;而分享操作一般在用戶認(rèn)為此條信息對(duì)自己有很高的價(jià)值，并且對(duì)身邊的朋友有很高的價(jià)值的情況下才會(huì)發(fā)生，權(quán)重最高。因此將這些能夠反應(yīng)用戶情感喜好程度的行為操作進(jìn)行抽象，并賦予相應(yīng)的權(quán)重，累計(jì)到用戶的興趣偏好中。

算法基本思想是：首先對(duì)用戶具有行為操作的項(xiàng)目使用LDA提取用戶偏好。如果用戶對(duì)某一模塊的某一條信息具有能夠體現(xiàn)用戶喜好的行為操作（點(diǎn)贊、評(píng)論、分享，此處只列舉這三項(xiàng)操作），那么我們有理由認(rèn)為，這條信息對(duì)用戶是有價(jià)值的。由于本算法主要應(yīng)用于創(chuàng)業(yè)幫APP的個(gè)性化項(xiàng)目信息推薦模塊，模塊的用戶交互功能主要有點(diǎn)贊、評(píng)論與分享，基于項(xiàng)目中用戶操作頻率與喜好之間的對(duì)應(yīng)關(guān)系，對(duì)這三項(xiàng)操作分別賦予2，3，5的權(quán)重（不同APP下的權(quán)重可以根據(jù)情況另行賦予），即將行為操作轉(zhuǎn)化為評(píng)分操作。于是我們?cè)谟?jì)算用戶的興趣偏好的時(shí)候，將此類(lèi)的興趣偏好的權(quán)重按照一定的規(guī)則提高。

算法流程如下：

首先對(duì)用戶的偏好評(píng)分集進(jìn)行初始化（1～2行），然后迭代循環(huán)判斷用戶的偏好集合（3～10行）。對(duì)于某一信息的評(píng)分是否超過(guò)一個(gè)閾值n，然后判斷該用戶在歷史偏好中的評(píng)分是不是超過(guò)了閾值n，如果都超過(guò)了，則相應(yīng)地提高用戶對(duì)于該興趣的權(quán)重值（4～8行）。反之，則降低用戶對(duì)于該興趣的權(quán)重值。最后規(guī)范化并返回S（u）。因?yàn)榇怂惴ㄖ槐闅v一次信息源，所以算法復(fù)雜度為O（N）。

2.2?推斷用戶興趣取向

用戶發(fā)布的每一條信息或者項(xiàng)目通常會(huì)涉及一個(gè)或多個(gè)主題，此類(lèi)信息發(fā)布的特征正好和LDA主題模型相匹配?；诖?，在判斷用戶發(fā)布的信息所屬的主題分布時(shí)主要使用LDA主題模型，根據(jù)此模型可以初步判斷用戶的興趣取向[12]。

戶興趣會(huì)發(fā)生變化，這里需要在離線狀態(tài)下周期性地構(gòu)建訓(xùn)練集來(lái)更新φjwi，從而更新用戶的興趣數(shù)據(jù)集。

2.3?復(fù)雜興趣下的用戶偏好推薦

在很多推薦算法中，對(duì)于用戶興趣突然發(fā)生變化或者多人公用一個(gè)賬戶的復(fù)雜興趣推薦，目前還沒(méi)有比較有效的在線計(jì)算方法解決[14]。基于此，提出一種基于復(fù)雜興趣推薦的算法，用來(lái)判斷用戶興趣突然變化或者多個(gè)人公用一個(gè)賬戶的情況。

其基本思想是：首先根據(jù)用戶在一個(gè)時(shí)間周期內(nèi)的地理位置信息的變化，構(gòu)造用戶自己的時(shí)間和行為偏好模型，因?yàn)樵诙鄠€(gè)時(shí)間周期內(nèi)，移動(dòng)用戶的位置變化往往有一定的規(guī)律性，這是我們進(jìn)一步挖掘用戶的行為偏好的前提條件[15]。以此偏好模型作為基礎(chǔ)，計(jì)算下一個(gè)周期內(nèi)的用戶偏好模型。設(shè)定一個(gè)周期閾值，以M個(gè)周期為基礎(chǔ)，計(jì)算每一個(gè)偏好的相似度，取平均值作為基礎(chǔ)偏好模型，此時(shí)再設(shè)定一個(gè)合適的偏好閾值，作為判斷用戶興趣突然發(fā)生變化或者多用戶共同使用一個(gè)賬戶的情況。為了提高判斷的精度，根據(jù)用戶在一個(gè)時(shí)間周期內(nèi)的行為操作屬性的變化加入到相似度判斷中，并將用戶對(duì)于移動(dòng)APP的使用頻率加入到數(shù)據(jù)集中，定義如下：

算法流程如下：首先，初始化用戶U的推薦列表為空，并令simtool初始化為空（1～2行），然后根據(jù)用戶的每個(gè)周期的偏好矩陣uk，通過(guò)循環(huán)迭代，計(jì)算相近的兩個(gè)周期內(nèi)的偏好矩陣的相似度，并將前k個(gè)相似度依次加入到simtool中（3～5行）。當(dāng)k=M-1時(shí)，將第M個(gè)周期的用戶偏好矩陣與前M-1個(gè)周期的總體平均相似度對(duì)比，若相似度之差小于閾值σ，則說(shuō)明第M個(gè)周期的用戶行為偏好與之前的用戶行為偏好相似度很低，重新根據(jù)推薦算法生成推薦列表;若相似度大于閾值σ，則說(shuō)明相似度穩(wěn)定，按照原來(lái)的用戶偏好算法生成推薦列表（6～12行）。

在計(jì)算用戶臨近周期偏好相似度時(shí)，我們采取余弦相似度計(jì)算方法：

3?實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)運(yùn)行在有用戶基礎(chǔ)的移動(dòng)APP軟件中，實(shí)驗(yàn)代碼采用Java語(yǔ)言實(shí)現(xiàn)，開(kāi)發(fā)環(huán)境為MyEclipse10和Android Studio1.3，數(shù)據(jù)庫(kù)使用的是MySQL，實(shí)驗(yàn)環(huán)境是由Windows7操作系統(tǒng)、雙核英特爾處理器、4GB內(nèi)存的PC組建。

3.1?實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)主要來(lái)自創(chuàng)業(yè)幫APP項(xiàng)目2016年3月份到8月份的部分?jǐn)?shù)據(jù)，包括1000位用戶以及他們?cè)谶@段時(shí)間中發(fā)布的所有項(xiàng)目信息，約3000條，這些數(shù)據(jù)保存于MySQL數(shù)據(jù)庫(kù)系統(tǒng)中。

數(shù)據(jù)集中一條項(xiàng)目信息的數(shù)據(jù)項(xiàng)有：項(xiàng)目編號(hào)、項(xiàng)目名稱、項(xiàng)目發(fā)起人、項(xiàng)目類(lèi)型、發(fā)起時(shí)間、項(xiàng)目簡(jiǎn)介、項(xiàng)目詳細(xì)介紹、項(xiàng)目需求、項(xiàng)目進(jìn)展、點(diǎn)贊數(shù)、評(píng)論、轉(zhuǎn)發(fā)、被關(guān)注數(shù)、瀏覽量。其中項(xiàng)目發(fā)起人已做匿名化處理，防止泄露用戶隱私。將實(shí)驗(yàn)數(shù)據(jù)分為兩大部分，一部分為訓(xùn)練集，占70%，剩余的30%作為測(cè)試集。首先設(shè)置為用戶推薦的個(gè)性化項(xiàng)目信息為20條。以下將根據(jù)測(cè)評(píng)方法對(duì)項(xiàng)目進(jìn)行測(cè)評(píng)，最后展示實(shí)驗(yàn)結(jié)果數(shù)據(jù)。

3.2?LDA模型對(duì)比

對(duì)C-LDA算法進(jìn)行改進(jìn)，現(xiàn)將改進(jìn)之后的算法與C-LDA、LDA進(jìn)行比較。比較方法通過(guò)計(jì)算Perplexity方法計(jì)算各模型的泛化程度來(lái)評(píng)估性能的優(yōu)劣。Perplexity值越低，模型的性能越好。實(shí)驗(yàn)數(shù)據(jù)主要來(lái)自張磊等人的實(shí)驗(yàn)結(jié)果，然后計(jì)算改進(jìn)后的C-LDA算法，具體數(shù)據(jù)如表1所示。

以上實(shí)驗(yàn)表明，收斂后改進(jìn)的C-LDA算法的Perplexity值要小于C-LDA和LDA，證明了改進(jìn)后的算法性能較好。

3.3?離線計(jì)算推薦實(shí)驗(yàn)

目前很多學(xué)者都對(duì)推薦類(lèi)的算法進(jìn)行了研究[16]，評(píng)測(cè)算法的指標(biāo)主要以召回率和準(zhǔn)確率作為主要的指標(biāo)。對(duì)于用戶的交互數(shù)據(jù)，主要選取了所有用戶的真實(shí)歷史數(shù)據(jù)，這些數(shù)據(jù)集包含不記名的用戶屬性以及互動(dòng)信息，同時(shí)剔除了那些受歡迎用戶的互動(dòng)，測(cè)試集中選擇的是在訓(xùn)練期內(nèi)與其他用戶產(chǎn)生了互動(dòng)信息的用戶。其中，召回率和準(zhǔn)確率的數(shù)據(jù)表主要包括用戶感興趣的項(xiàng)目、不感興趣的項(xiàng)目、向用戶推薦的項(xiàng)目及沒(méi)給用戶推薦的項(xiàng)目數(shù)。其中，記推薦的新聞是用戶感興趣的新聞為N，推薦的新聞總數(shù)記為M，沒(méi)有被推薦的項(xiàng)目但用戶卻感興趣的項(xiàng)目數(shù)為N′，則準(zhǔn)確率和召回率公式為：

p=NM，p′=NN+N′

同時(shí)，用戶鄰居數(shù)即相似用戶的個(gè)數(shù)K是一個(gè)很重要的參數(shù)，通過(guò)對(duì)K取不同的值，進(jìn)行對(duì)比實(shí)驗(yàn)，得到表2。

由表2可知，有80個(gè)相似度較高的用戶時(shí)，對(duì)于推薦的準(zhǔn)確率和召回率是最好的。

在實(shí)驗(yàn)中，針對(duì)相似度計(jì)算中3個(gè)權(quán)重α，β，χ，需要滿足條件為：α+β+χ=1，根據(jù)實(shí)際測(cè)試數(shù)據(jù)及現(xiàn)行規(guī)劃的最小二乘擬合法，不斷去調(diào)整α，β，χ的值，獲得最佳的實(shí)驗(yàn)結(jié)果，最終通過(guò)多次試驗(yàn)α=0.46，β=0.32，χ=0.22時(shí)，算法取得較好的推薦效果。

為了說(shuō)明本離線算法的優(yōu)越性，我們選擇K=80，α=0.46，β=0.32，χ=0.22，并與現(xiàn)有的推薦算法UPCC[17]、IPCC[18]、PMF[19]做了對(duì)比實(shí)驗(yàn)。對(duì)比數(shù)據(jù)如表3所示。

由實(shí)驗(yàn)數(shù)據(jù)得出，本相似度算法和其他算法相比，優(yōu)于其他推薦算法，召回率和準(zhǔn)確率都有提高。

3.4?在線個(gè)性化推薦實(shí)驗(yàn)

在線個(gè)性化推薦實(shí)驗(yàn)主要結(jié)合離線計(jì)算的結(jié)果，同時(shí)調(diào)用在線推薦算法，為用戶在線狀態(tài)下注冊(cè)個(gè)人信息、多個(gè)用戶共用同一賬號(hào)以及用戶興趣突然發(fā)生變化的情況下進(jìn)行個(gè)性化信息推薦，為用戶解決復(fù)雜情況下的信息推薦。

數(shù)據(jù)集同樣選取創(chuàng)業(yè)幫APP中1000個(gè)注冊(cè)用戶，通過(guò)數(shù)據(jù)預(yù)處理將點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)這三項(xiàng)數(shù)據(jù)轉(zhuǎn)化為相應(yīng)的興趣偏好評(píng)分信息集作為測(cè)試集，清除用戶在數(shù)據(jù)集中的評(píng)分信息，但保留基本的注冊(cè)信息，剩余的數(shù)據(jù)作為訓(xùn)練集。將1000個(gè)用戶看做新用戶，當(dāng)這些用戶登陸到APP系統(tǒng)以后，將這些用戶的行為操作轉(zhuǎn)化為評(píng)分行為后輸入到系統(tǒng)來(lái)表示當(dāng)前的興趣偏好，最后調(diào)用在線個(gè)性化推薦算法，更新用戶的興趣數(shù)據(jù)集，進(jìn)行項(xiàng)目信息推薦。 準(zhǔn)確率、召回率公式同離線計(jì)算公式相同。在這里，加入覆蓋率作為對(duì)比依據(jù)，覆蓋率指標(biāo)是指算法向用戶推薦的信息能覆蓋全部信息的比例[20]。覆蓋率公式如下：

計(jì)算1000個(gè)用戶的平均準(zhǔn)確率、召回率和覆蓋率。與本算法做對(duì)比的是離線計(jì)算推薦算法、Radom推薦算法（每次為用戶隨機(jī)推薦20條項(xiàng)目信息）、Popular推薦算法（每次為用戶推薦點(diǎn)贊等用戶操作量最高的熱門(mén)項(xiàng)目信息）。各算法性能對(duì)比見(jiàn)表4。

通過(guò)表3數(shù)據(jù)比較，可以得出本算法在性能上與Radom推薦算法和Popular推薦算法以及離線推薦算法相比，明顯要優(yōu)于這幾類(lèi)算法。

通過(guò)以上實(shí)驗(yàn)，證明了本算法相對(duì)于相關(guān)算法在用戶滿意度方面更高，同時(shí)在準(zhǔn)確率、召回率及覆蓋率方面有很好的表現(xiàn)，進(jìn)一步證明了本算法的合理性。

4?結(jié)?論

本文研究了移動(dòng)APP的個(gè)性化推薦問(wèn)題的難點(diǎn)，同時(shí)提出了基于用戶相似度和用戶行為操作的個(gè)性化推薦算法。離線推薦方面，相比于用戶相似度推薦算法，本算法通過(guò)計(jì)算用戶相似度并結(jié)合用戶間互動(dòng)行為相似度，選取喜好程度比較高的信息推薦給用戶，提高了推薦精度。在線推薦方面，通過(guò)在線用戶行為權(quán)重特征求解算法，結(jié)合LDA主題模型提取用戶偏好，進(jìn)而判斷用戶興趣取向，推薦個(gè)性化信息。在復(fù)雜興趣推薦方面，由于目前還沒(méi)有比較有效的在線計(jì)算方法解決，基于此，提出一種基于復(fù)雜興趣推薦的算法，用來(lái)判斷用戶興趣突然變化或者多個(gè)人公用一個(gè)賬戶的情況。最后，通過(guò)實(shí)驗(yàn)證明，本文算法可行，并在信息推薦精度和個(gè)性化方面優(yōu)于其他算法。同時(shí)本文算法還需要在推薦效率和滿足大用戶量的情況下進(jìn)行改進(jìn)，以適應(yīng)更多的移動(dòng)APP推薦系統(tǒng)。

參 考 文 獻(xiàn)：

[1]?ADOMAVICIUS G，TUZHILIN A.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.

[2]?林欽.一種基于網(wǎng)頁(yè)剪輯的信息推薦系統(tǒng)[J].魯東大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，28（4）：319-321.

[3]?李濤.推薦系統(tǒng)中若干關(guān)鍵問(wèn)題研究[D].南京：南京航空航天大學(xué)，2008.

[4]?徐海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009，20（2）：250-362.

[5]?林欽.一種協(xié)同過(guò)濾的移動(dòng)APP推薦算法的設(shè)計(jì)[D].魯東大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，31（4）：309-312.

[6]?榮輝桂，火生旭，胡春華等.基于用戶相似度的協(xié)同過(guò)濾推薦算法[J].通訊學(xué)報(bào)，2014，2：16-24.

[7]?嚴(yán)曉光，褚學(xué)征.聚類(lèi)在網(wǎng)絡(luò)入侵的異常檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2005：34-37.

[8]?EBBINGHAUS H.MEMORY：A Contribution to Experimental Psychology[J].Annals of Neurosciences，2013，204）：155-156.

[9]?CHA M，HADDADI H.Measur-ing User Influence in Twitter： The Million Follower Fallacy[J].Icwsm′10 Proceedings of International Aaai Confer-ence on Weblogs&Social，2010（2）：7-8.

[10]KIM Younghoon.TWITOBI：A Rec-ommendation System for Twitter Using Probabilistic Model-ing[C]//2013 IEEE 13th International Conference on DatMining IEEE，2011：340-349.

[11]KWAK H，LEE C.What is Twitter，as-ocialnetwork or a News Media[C]//Proceedings of the 19th International Conference on World Wide Web.ACM，2010：591-600.

[12]任磊.一種結(jié)合評(píng)分時(shí)間特性的協(xié)同推薦算法[J].計(jì)算機(jī)應(yīng)用與軟件，2015（05）：12-21.

[13]王立才，孟祥武，張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報(bào)，2012，23（1） ： 1-20.

[14]王帥，蘭少華.基于顯式和隱式社交網(wǎng)絡(luò)的混合推薦[J].計(jì)算機(jī)應(yīng)用與軟件，2016（11）：56-57.

[15]高明.面向微博系統(tǒng)的實(shí)時(shí)個(gè)性化推薦[J].計(jì)算機(jī)學(xué)報(bào)，2014（4）：963-975.

[16]朱郁筱.推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J].電子科技大學(xué)報(bào)，2012（3）：163-175.

[17]RESNICK，Paul，Neophytos，Suchak，Mitesh，et al. GroupLens：an Open Architecture for Collaborative Filtering of Netnews[C]∥In Proceedings of the1994 ACM conference on Computer supported cooperative work.Chapel Hill，USA，1994：175-186.

[18]SARWAR B，KARYPIS G，KONSTAN J，et al.Item-based Collaborative Filter Recommendation Algorithms[C]∥Proceedings of the 10th intemational conference on World Wide Web，Hong Kong，China，2001：285-295.

[19]SALAKHUTDINOV R?AndriyMnih.Probabilistic Matrix Factorization.Advances in Neural Information Processing Systems，2008：1257-1264.

[20]孫曉會(huì).基于用戶行為的個(gè)性化新聞推薦系統(tǒng)研究[D].成都：電子科技大學(xué)，2015：22-24.

（編輯：溫澤宇）