個性化推薦系統綜述

張宇航 姚文娟 姜姍

摘要：隨著信息時代的不斷發展，信息過載是目前互聯網用戶面臨的一個嚴重問題，個性化推薦系統就是解決這一問題的重要工具。為了解國內對個性化推薦領域的研究現狀與發展趨勢，通過對相關文獻進行收集處理并借用VOSviewer、Excel對發文量、發文期刊、發文作者、關鍵詞進行現狀分析，同時對個性化推薦系統的關鍵技術用戶興趣模型和推薦算法進行闡述介紹。最后指出了未來個性化推薦系統的挑戰與研究重點。

Abstract： With the continuous development of the information age， information overload is a serious problem faced by Internet users. The personalized recommendation system is an important tool to solve this problem. In order to understand the research status and development trend of the domestic personalized recommendation field， through the collection and processing of related documents and borrowing VOSviewer and Excel to analyze the current situation of the volume of publications， publications， authors and keywords， and at the same time， the personalized recommendation system key technology user interest models and recommendation algorithms are presented. Finally， the challenges and research priorities of the personalized recommendation system in the future are pointed out.

關鍵詞：個性化推薦;用戶興趣;推薦算法

Key words： personalized recommendation;user interest;recommendation algorithm

中圖分類號：TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2020）02-0287-06

0? 引言

隨著信息技術和互聯網的發展，人們逐漸從信息匱乏的時代走入了信息過載的時代。在這個時代，無論是信息消費者還是信息生產者都遇到了很大的挑戰：信息消費者，從大量信息中找到自己感興趣的信息是一件非常困難的事情;對于信息生產者，讓自己生產的信息脫穎而出，受到廣大用戶的關注，也是一件非常困難的事情。推薦系統就是解決這一矛盾的重要工具。推薦系統的任務就是聯系用戶和信息，一方面幫助用戶發現對自己有價值的信息，另一方面讓信息能夠展現對它感興趣的用戶面前，從而實現信息消費者和信息生產者的雙贏[1]。文章對國內個性化推薦領域的發展進行闡述，幫助讀者了解個性化推薦的研究現狀及發展趨勢。

1? 相關研究

一個完整的推薦系統主要由三個模塊組成：用戶建模模塊，推薦對象建模模塊和推薦算法模塊[2]。其中推薦算法是整個系統的核心部分。

對于個性化推薦研究最早開始于上個世紀90年代，隨著互聯網發展，該項技術被逐步應用于不同行業。當簡單引擎搜索結果并不能夠滿足用戶對信息的需求時，路海明等人提出一種基于Agent技術的web主動信息服務的研究應用，利用bookmark中的信息，建立用戶agent，實時跟蹤用戶興趣改變，及時將用戶潛在感興趣的內容進行推薦[3]。這一類方法在一定程度上依賴與用戶互動，如果用戶沒有添加url進入bookmark或者對于agent推薦的url不做評價，對其推薦精度有一定影響。

在電子商務中，個性化推薦幫助解決用戶選購問題，大大推進電子商務進一步發展，這也對于推薦系統的推薦精度以及實時性造成一定影響。鄧愛林通過改進推薦算法，提出了基于項目評分的預測IRPRec的協同過濾算法和基于項聚類的ICRec協同過濾推薦算法，有效緩解上述問題[4]。

近年來，上下文感知推薦系統成為新的研究領域，不同于一般的推薦系統，僅在基于用戶-項目二元關系基礎上進行推薦，而是考慮到上下文信息（如時間、位置、周圍人員、情緒、活動狀態、網絡條件等等），在環境因素下，生成推薦，大大提高推薦的準確性[5]。

為了緩解推薦系統中的冷啟動和稀疏性問題，一種社會化推薦方法被提出[6]。建立用戶的社會關系網絡圖，通過用戶之間的信任度，根據已有的興趣模型，對新用戶進行推薦。

2? 數據來源與處理

2.1 數據來源

《中國學術期刊（網絡版）》是世界上最大的連續動態更新的中國學術期刊全文數據庫。文章以中國知網（CNKI）的中國學術期刊網絡出版總庫為數據源。以“個性化推薦”為主題，時間范圍設置為2000年1月1日-2018年12月31日，剔除無關文獻，共檢索得到相關文獻2604篇。

2.2 數據處理

VOS（visualization of similarities）viewer是在CWTS資助下開發完成的科學圖譜工具，支持大規模數據處理。VOSviewer可以用于生成多種基于文獻計量關系的圖譜：如作者或期刊的共引關系圖，關鍵詞共現關系圖。與其它可視化軟件相比，其主要特點為圖形化展現的方式較為豐富，顯示清晰，使得文獻計量學的分析結果易于解釋。文章利用VOSviewer可形象地對個性化推薦發展現狀進行分析展示，以便得出有用結論供讀者參考。數據處理具體操作步驟如下：①將在數據庫中檢索得到的文獻以EndNote格式導出，由于VOSviewer無法識別由CNKI直接獲取的所有文件格式，所以要將導出的.txt文件進行轉換。②將得到的.txt文件導入到文獻管理工具EndNote中，對文獻進行粗略篩選，刪去重復文章，將篩選后的文獻選中以RIS格式導出，此時則變成VOSviewer可識別的文件格式。③將得到的RIS文獻導入VOSviewer中，統計作者發文數和關鍵詞數并進行相應的圖形繪制得到可視化圖譜。④借用Python程序，將得到的.txt文件轉換為.xls文件，使用Excel對發文量和發文機構進行相關分析。

3? 研究現狀

3.1 發文量分析

2000年至2018年，在CNKI的中國學術期刊數據庫中，關于個性化推薦的文獻總量為2064篇（年度分布和變化趨勢如圖1所示）。如圖所示，2000年～2018年，在個性化推薦領域發表論文數量逐年增高，大致呈現線性上升趨勢。其中，自2009年后，年發文量均在100篇以上，2009年至2018年的發文總量是2000年至2008年發文總量的6.8倍。這種現象的出現，與2009年7月，我國首個個性化推薦系統科研團隊北京百分點信息科技有限公司成立密不可分。在標榜著多人貢獻的Web2.0時代，信息過載尤其明顯，于是催生了一系列解決方法，人們對于個性化推薦的研究論文數量的逐年遞增，也正說明國內對于信息過載解決方法的不斷探索，個性化推薦系統受到了越來越多的關注和研究。

3.2 發文期刊分析

分析文獻期刊來源可以了解到一個研究領域的核心關注群體所在。由分析結果可知，到目前為止，共有749種期刊發表了個性化推薦的相關論文。期刊種類大致屬于計算機技術領域，占到了總體的90%以上。由表1可知《電腦知識與技術》、《計算機科學》、《計算機工程》、《圖書情報工作》、《計算機應用研究》等為個性化推薦研究的熱門期刊。在個性化推薦領域，國內發文高產前三名分別為：《電腦知識與技術》、《計算機科學》、《計算機工程》。其中計算機科學與計算機工程期刊均為核心期刊，在計算機中文核心期刊的影響因子分別為：0.61和0.492。由此可見，國內不少研究者一直都在關注著個性化推薦給信息過載帶來的契機與變革。

3.3 作者分析

由圖2可看出作者群呈現的一種分布狀態，高發文作者之間具有強合作關系，合作群中的作者人數多且發文量多。代表作者是劉建國（12篇）和郭強（7篇），這兩位作者不僅發文量多，并且由他們構成的群體也有著密切的聯系。雖然在網絡中，周濤、程學旗、張亮等人的發文量少，但他們所在的小群體通過他們與高發文作者所組成的合作群建立了間接的關聯。以高發文作者為核心，合作群眾作者人數少，在網絡中不與其他作者群相連，代表作者有田偉（12篇）和韓海濤（9篇）。此外，分析可以發現，高產作者如：劉建國、李樹青、田偉、武慧娟、韓海濤等人文獻的主要產出重要集中在2015年以前。因此，除了繼續支持關注他們的作品外，亦可以關注近幾年來在個性化推薦研究領域新生的作者群體，這樣更有利于推動個性化推薦研究的發展。

3.4 關鍵詞分析

利用VOSviewer軟件統計2000年至2018年刊發的2064篇文獻，關鍵詞出現總頻次為3850次（詞頻在100次以上的見表3），關鍵詞共現網絡如圖3所示。

從整體上看，關鍵詞共現網絡構成的詞簇十分集中，大多數節點之間都存在直接的關聯關系，這表明個性化推薦領域的相關論文關注的研究熱點之間聯系緊密，研究的系統性與集中度較高。個性化推薦首次出現在期刊中是2000年路海明、盧增祥和李衍達在《計算機科學》雜志上刊登的《基于多Agent混合智能實現個性化網絡信息推薦》他們提出將單信息Agent的智能與多信息Agent合作形成的智能進行結合，形成混合智能，將有利于信息Agent智能水平的提高，提高個性化服務質量[7]。到2018年的2064篇文獻，研究關注內容仍以個性化推薦的技術優化與實現為主，個性化推薦系統的推薦算法模塊依舊是個性化領域的研究重點和熱點。

4? 用戶興趣模型

用戶興趣模型的準確性直接影響了個性化推薦結果的精確度，因此用戶興趣模型的優劣對個性化推薦至關重要。通過對相關文獻的篩選，最終選取了81篇具有代表性的重點文獻，并對這些文獻進行系統梳理。文章將從獲取用戶偏好信息和用戶興趣建模兩方面進行梳理和總結。

4.1 獲取用戶偏好信息

用戶的偏好信息的獲取方式主要有兩種：顯式獲取和隱式獲取。

顯式獲取：顯式獲取主要通過獲取用戶注冊時主動填寫的信息或者是用戶對于特定網絡資源的顯式反饋;顯式獲取的用戶偏好信息直接反應了用戶對特定網絡資源的興趣描述，這種獲取方法直接、簡單，用戶偏好信息的準確率和可用率較高。但這也增加了用戶的負擔，用戶也有可能為保護個人隱私而不選擇填寫或填寫虛假信息。用戶的興趣可能隨著時間的推移發生改變，此時用戶偏好信息需要手動更改，因此這一方法的準確性和及時性難以保證。

隱式獲取：隱式獲取主要利用web數據挖掘和其他數據挖掘技術用來獲取用戶的隱式反饋信息，例如用戶頁面瀏覽行為、內容，用戶的眼動跟蹤數據。隱式獲取不需要用戶參與，可以減少由用戶參與帶來的系統噪聲，能夠獲得更多用戶偏好信息。但因為不是用戶主動填寫的信息，這會導致得到的用戶信息存在一定隨機性和不確定性，造成用戶偏好信息收集出現誤差，而且隱式獲取需要進行大量計算。

兩種獲取方式各有利弊，若兩種獲取方式綜合應用能夠得到更加準確、可用的用戶興趣偏好信息。因此一般情況下研究人員會選擇同時應用兩種方法。

4.2 用戶興趣建模

用戶興趣建模是進行個性化推薦的重要組成部分，用戶興趣模型的建模過程分為興趣模型的建立和更新。

4.2.1 用戶興趣模型的表示

比較常用的用戶興趣模型的表示方法包括關鍵詞列表法，主題法、基于本體論表示方法和基于向量空間模型表示法。其中基于向量空間模型表示方法是該領域經典和廣泛應用的計算模型。關鍵詞列表法是通過提取用戶對資源的興趣偏好的關鍵詞來描述用戶興趣的模型。主題表示法只是以用戶偏好信息的相關主題來表示用戶興趣模型。基于本體論表示方法是通過對本體的描述來表示用戶的興趣喜好的領域;基于向量空間模型表示方法是以文本內容中的關鍵字或主題作為向量，加權計算得出頻率，選定權值高的前幾個關鍵字或主題作為空間向量。

4.2.2 用戶興趣模型的建立

用戶興趣模型的建立是對面向算法的、具有特定數據結構進行的形式化描述[8]。國內外傳統常用的建立用戶興趣模型方法包括加權矢量模型，層次結構模型、基于本體論和基于向量空間模型。其中最為廣泛應用，最受歡迎是基于向量空間模型表示法，基于本體論的用戶模型也被廣泛應用。基于本體論的用戶模型是基于向量空間模型的一種完善和擴充，這種用戶模型相對于基于向量空間的用戶模型能夠獲得用戶更準確的偏好信息。以基于標簽向量空間模型為基礎，構建用戶層次興趣模型，首先根據用戶的標簽頻率和其他相關數據，將用戶興趣分為具有兩個層次的標簽樹形結構，分別為興趣主題層，興趣標簽層[9]。這種模型不僅可以準確地反映各標簽之間，標簽用戶之間的關系，也可以從中看出用戶對于各主題的偏好。

4.2.3 用戶興趣模型的更新

由于用戶興趣并不是一直不變的，隨著時間推移，用戶興趣會發生改變。例如產生新的興趣，對原來的興趣加強或減少，用戶的某些興趣會從最初的興趣模型里剔除。同時有可能在獲取用戶初始偏好信息時因某些原因導致信息采集不準確。因此用戶的興趣模型需要在一定的時間周期內進行更新以保證個性化推薦的有效。目前比較常用的幾種更新方法有：窗口控制法、信息增補法、遺傳控制法、神經網絡法[10]。

興趣模型的更新可分為顯式更新和隱式更新。顯式更新會強制用戶對目前的興趣信息進行反饋，這種更新方式最為有效、直接，但由于會影響用戶的一些正常瀏覽行為，因此使用范圍很小。隱式更新通過跟蹤用戶瀏覽行為，搜索詞和操作行為來獲取用戶興趣。通過這些來獲取最新的用戶偏好信息來不斷更新用戶興趣模型。這兩種更新方式主要是根據用戶偏好信息獲取的不同方式進行區分。

以上是關于用戶興趣模型各個部分的簡單介紹，上面介紹的用戶興趣模型并未考慮多個社交網站的信息整合和社交網路中其他中有用的知識源[11]。

5? 推薦算法

在個性化推薦系統平臺中，對相關推薦算法的挑選十分的重要通過閱讀相關資料對下列四種個性化推薦算法進行分析：基于內容的推薦算法、基于協同過濾的推薦算法、基于網絡結構的推薦算法、混合型推薦算法。

5.1 基于內容的推薦算法

基于內容推薦算法主要應用于文本推薦，最初應用在Fab系統中解決個性化推薦問題;而后逐步應用于音樂推薦系統，電子商務推薦系統、新聞推薦系統等，但僅從文本內容考慮個性化推薦，并不適用于圖片、音頻、視頻等多媒體數據進行推薦。王嫣然等人將基于內容的推薦算法中應用在科技文獻的推薦系統中，在傳統的基于內容的推薦算法中，引入時間的權重函數和文獻重要度的方法，解決了傳統推薦算法無法考慮用戶信息動態變化的問題，并且在一定程度上對于文獻的質量進行區分[12]。利用用戶瀏覽記錄和購買的產品，不能給出較為明顯項目分類時，容易導致預測推薦結果不能達到理想的目標，閆東東等人在傳統的個性化推薦系統中，加入用戶的特征文件，根據最終目標用戶與項目間相似性進行推薦[13]。耿立校等人利用余弦值和匹配度值改進原有的內容過濾模型，進行推薦，能夠有效提高運算效率和推薦精度[14]。

5.2 基于協同過濾的算法

協同過濾算法主要分為兩類，一類是基于用戶的協同過濾算法，另一類是基于項目的協同過濾算法。即使協同過濾算法目前被廣泛應用于圖片、音頻、視頻等數據來源的個性化推薦系統，但是仍然存在一些不可避免的問題，使其推薦準確度有待于進一步提高，如以下幾點：

5.2.1 數據稀疏性

2018年零售商銷售業績63%的交易均來自于線上購物。在一些大型購物網站，例如淘寶在2018年雙十一成交額就有2135億元，而用戶評價數目卻遠小于項目成交數目。缺少用戶評價，容易導致用戶-項目評分矩陣極度稀疏，進而影響推薦系統的質量。針對這一問題，解決方法有多種，最簡單的是將一個固定的數值填入評分矩陣的為評分項，數值可以是評分均值或者眾數[14]。在大規模數據庫，這種方法就存在一定缺陷，容易使用戶或者項目失去特性。鄧愛林等人通過項目間相似性，預測未評分項目評分，計算用戶間相似性[15]。周軍鋒等人利用條件概率提出一種優化算法，求解top-n集[14，16]。徐德智等人利用云模型的相似性度量方法，預測未評分項目的評分，解決數據稀疏條件下，用戶之間共同評分項目少的問題[17]。賀懷清等人將Support Vector Regression與IBCF算法結合解決評分項目缺失的問題[18]。李遠博等人依據主成分分析法本質是保留大部分方差的維度特征，去除項目空間中不明顯的特征，從而實現降維[19]。

5.2.2 冷啟動

當項目進入系統獲得較少評價或從來沒有被評價過，由于缺乏有效信息，而不能精確的推薦給某類用戶，就屬于新項目問題。當用戶第一次進入某個社交媒體軟件，系統沒有記錄過用戶任何一次評價信息，缺少足夠的信息去獲取用戶的興趣愛好，則無法將用戶劃分到某一類中，就屬于新用戶問題。新項目和新用戶問題，均屬于冷啟動問題。目前大部分系統通過讓新用戶注冊時，在指定的類別范圍中選取感興趣的項目，將用戶歸分到某一類并進行推薦，這種方法對于用戶可選擇數目是有一定限制，并且只是一定程度上解決新用戶問題，并沒有解決新項目問題。孫小華利用平均數、眾數和信息熵分別代替新項目預測值進行推薦[20]。郭艷紅等人提出基于內容預測未被用戶評價過的項目評分，過濾掉不準確的數據并產生推薦[21]。李改等人考慮項目特征與用戶屬性，從特征向量角度出發，運用基于矩陣分解的ALS-WR協同過濾算法解決冷啟動問題[22]。上述幾種方法，都是建立在擁有一些用戶對項目的評分信息基礎上優化算法，并不是完全針對一個全新項目（不存在任何一個用戶對項目進行過評價），于洪等人結合項目屬性和用戶評價時間信息提出解決新項目冷啟動問題的CUTATime個性化推薦算法[23]。隨著技術革新，機器學習也逐步被運用于改進協同過濾算法，解決新用戶和新項目推薦問題，肖文杰利用k-modes聚類算法將用戶進行分類，根據新用戶注冊信息判斷其所屬類別，基于同類用戶的評分信息對其進行推薦[24]。

5.2.3 實時性（一種對軟件系統計算處理能力的設計指標）

大數據時代下信息爆發，用戶和項目數據激增并且一直處于動態變化狀態。傳統的個性化推薦系統面對海量數據處理，運用knn在用戶空間尋找目標用戶最近鄰居集是一個大工程，其運行效率也會大大降低。如何提高算法運行效率，是個性化推薦算法目前主要問題之一。目前，最常用的解決方案是利用聚類算法優化協同過濾算法，大部分聚類算法具有伸縮性較高，適用于數值型或混合型數據，時間復雜度較低等優點，能夠在一定程度上提高推薦的效率。鄧愛林等人運用K-Means聚類算法將項目按照相似性進行聚類，依據聚類結果中與目標項目最相似的聚類，產生top-n集[25]。張海燕等人基于項目的屬性特征利用模糊聚類算法的等價關系產生模糊相似矩陣，對項目進行分類，然后與用戶項目評分空間結合為目標用戶推薦項目[26]。李濤等人提出一種基于用戶聚類的協同過濾推薦算法，首先在離線時，根據已有用戶數據信息處理后，得到用戶之間相似性，運用聚類算法將其分類，然后，根據已有類別通過KNN尋找目標用戶最近鄰居集產生推薦[27]。上述方法均是基于項目或者用戶間相似性進行聚類，沒有將項目和用戶結合聚類產生產生推薦。何建民根據用戶和項目相似性利用K-Means聚類算法，將用戶和項目分別進行聚類產生推薦[28]。關志芳等人利用加權 Slope One 算法對項目和用戶聚類結果產生的類別進行預測產生推薦[29]。除了聚類算法，分布式算法也被逐步用于優化推薦算法，不僅在模型預測精度取得一定成效，也進一步提高推薦的實時性。李文海等人將分布式平臺應用在電子商務的個性化推薦，設計出一種融合MapReduce和多種推薦技術的推薦模型，提高推薦系統運行效率[30]。

5.3 基于網絡結構的算法

近年來，將網絡結構的推薦算法應用于個性化推薦系統成為一個新的研究方向。這類算法優點是無需考慮用戶和內容的屬性特征，而把它們看成抽象的節點，利用其關系中所包含的信息。但是該算法在一定程度上仍無法解決冷啟動問題。對于該領域研究，周濤等人基于用戶-項目二分圖提出一種資源分配的算法，本質是將目標用戶沒有選擇過的項目按照其喜歡的程度進行排序并且把排名靠前的那些項目推薦給目標用戶，該算法并沒有有效解決冷啟動問題[31]。吳效葵等人加入項目特征屬性，通過項目間的相似性計算資源配額矩陣，與改進后的初始資源向量結合，形成最終的資源分配向量并進行推薦，在一定程度上解決新項目推薦的問題[32]。肖揚等利用加權的項目-用戶-標簽三部圖，在三部圖網絡模型基礎上提出一種新的網絡結構的推薦算法[33]。隨著推薦系統研究深入，物理學逐步應用于推薦算法中，張子柯等人基于熱傳導的原理，將目標用戶比較喜歡的項目看做溫度較高的點，不喜愛的項目看做溫度較低的點，推薦過程的本質就是平衡節點間的溫度[34]。胡吉明等人在熱傳導算法基礎上，提出一種與物質擴散通過加權方式結合的推薦算法[35]。不同于大部分算法推薦較為熱門項目，張子柯，胡吉明等人的算法能適當地向用戶推薦不夠熱門的項目[34-35]。

5.4 基于混合型推薦的算法

單一推薦算法有各自的優點，但也存在一定缺陷。基于內容推薦算法利用產品內容信息進行推薦，對大量信息處理，容易降低推薦的實時性，而協同過濾算法長期以來存在稀疏性、冷啟動等問題。為了更好解決上述問題，一種混合型推薦的算法成為新的研究方向，將不同算法結合，優勢互補，避免缺點存在。混合型推薦算法，可以通過以下方式結合：加權、場景切換、結果混合與重排序、特征組合等等。具體混合模型如下：

①獨立算法相互結合的推薦系統，分別單獨使用協同過濾算法、基于內容或基于網絡結構的推薦算法，再將幾個算法的預測結果混合進行推薦。混合方法主要分為兩種，一是將預測結果線性組合，二是設定標準，將推薦結果進行對比，選擇評價較高算法下的推薦結果。曹毅等人分別利用內容過濾和協同過濾算法得出的預測推薦結果，進行加權求和，形成最終的推薦[36]。DailyLearner系統依據算法可信度，對預測結果進行選擇。

②基于一種推薦算法，將用戶-項目評分空間未評分項目進行預測，在新的評分矩陣上使用另外一種推薦算法，產生推薦結果。郭艷紅和曾艷等人，基于內容推薦算法，對用戶-項目未評分項目進行填充，在修改后的評分矩陣上，運用協同過濾算法產生推薦[21，37]。

③獨立推薦算法中，融入其它的推薦算法。李忠俊等人通過協同同過濾算法求出目標用戶最近鄰居集，再利用內容過濾算法濾去可信度低的鄰居進行推薦[38]。覃容等人提出一種基于協同過濾和內容的用戶需求混合推薦算法，利用用戶的特征，通過內容過濾算法尋找目標用戶相似性最高鄰居集，運用協同過濾算法產生推薦結果[39]。

6? 結束語

個性化推薦技術雖已進入了成熟階段，但依舊面臨著很大的挑戰，如：數據稀疏性、冷啟動問題、大數據處理實時性問題、多樣性問題、推薦系統效果評估等，如何解決這些問題是研究者需要關注的熱點。隨著互聯網發展，近年來，人們對于推薦系統研究熱情更加高漲。人工智能時代，深度學習的應用、知識圖譜的應用、強化學習的應用、用戶畫像和可解釋推薦將會成為如何搭建推薦系統未來研究熱點和方向。

參考文獻：

[1]戴世超.基于圖計算模型的矩陣分解并行化研究[D].浙江理工大學，2016.

[2]蔣新宇.基于Spark平臺分層協同過濾算法研究[D].河北工業大學，2016.

[3]路海明，盧增祥，徐晉暉，等.基于Agent技術的個性化主動信息服務[J].計算機工程與應用，1999（6）：12-15.

[4]鄧愛林.電子商務推薦系統關鍵技術研究[D].復旦大學，2003.

[5]王立才.上下文感知推薦系統若干關鍵技術研究[D].北京郵電大學，2012.

[6]孟祥武，劉樹棟，張玉潔，等.社會化推薦系統研究[J].軟件學報，2015，26（6）：1356-1372.

[7]路海明，盧增祥，李衍達.基于多Agent混合智能實現個性化網絡信息推薦[J].計算機科學，2000（7）：32-34.

[8]周雪芳.個性化推薦系統用戶偏好獲取及興趣建模[J].知識經濟，2012（18）：106.

[9]秦勤.基于用戶標注興趣模型的個性化信息推薦研究[D].山西醫科大學，2018.

[10]熊回香，楊雪萍，高連花.基于用戶興趣主題模型的個性化推薦研究[J].情報學報，2017，36（9）：916-929.

[11]張玨，楊振華，王世琪，等.社交網絡大數據環境下的用戶興趣層次化模型研究[J].教育觀察（上半月），2016，5（8）：127-129，132.

[12]王嫣然，陳梅，王翰虎，等.一種基于內容過濾的科技文獻推薦算法[J].計算機技術與發展，2011，21（2）：66-69.

[13]閆東東，李紅強.一種改進的基于內容的個性化推薦模型[J].軟件導刊，2016，15（4）：11-13.

[14]耿立校，晉高杰，李亞函，等.基于改進內容過濾算法的高校圖書館文獻資源個性化推薦研究[J].圖書情報工作，2018，62（21）：112-117.

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

[16]周軍鋒，湯顯，郭景峰.一種優化的協同過濾推薦算法[J].計算機研究與發展，2004（10）：1842-1847.

[17]徐德智，李小慧.基于云模型的項目評分預測推薦算法[J].計算機工程，2010，36（17）：48-50.

[18]賀懷清，計瑜，惠康華，等.一種基于稀疏分段的協同過濾推薦算法[J].現代電子技術，2019，42（9）：90-94.

[19]李遠博，曹菡.基于PCA降維的協同過濾推薦算法[J].計算機技術與發展，2016，26（2）：26-30.

[20]孫小華.協同過濾系統的稀疏性與冷啟動問題研究[D].浙江大學，2005.

[21]郭艷紅，鄧貴仕.協同過濾系統項目冷啟動的混合推薦算法[J].計算機工程，2008，34（23）：11-13.

[22]李改，李磊.一種解決協同過濾系統冷啟動問題的新算法[J].山東大學學報（工學版），2012，42（2）：11-17，44.

[23]于洪，李俊華.一種解決新項目冷啟動問題的推薦算法[J].軟件學報，2015，26（6）：1395-1408.

[24]肖文杰.一種基于k-modes的冷啟動問題解決算法[J].福建電腦，2018，34（8）：28-29，78.

[25]鄧愛林，左子葉，朱揚勇.基于項目聚類的協同過濾推薦算法[J].小型微型計算機系統，2004（9）：1665-1670.

[26]張海燕，丁峰，姜麗紅.基于模糊聚類的協同過濾推薦方法[J].計算機仿真，2005（8）：144-147.

[27]李濤，王建東，葉飛躍，等.一種基于用戶聚類的協同過濾推薦算法[J].系統工程與電子技術，2007（7）：1178-1182.

[28]張娜，何建民.基于項目與客戶聚類的協同過濾推薦方法[J].合肥工業大學學報（自然科學版），2007（9）：1159-1162.

[29]關志芳，孟海東.融合用戶聚類與項目聚類的加權SlopeOne算法[J].控制工程，2018，25（7）：1297-1302.

[30]李文海，許舒人.基于Hadoop的電子商務推薦系統的設計與實現[J].計算機工程與設計，2014，35（1）：130-136，143.

[31]Zhou T， Ren J ， Medo， Matú？， et al. Bipartite network projection and personal recommendation[J]. PHYSICAL REVIEW E， 2007， 76（4）：46115-0.

[32]呂善國，吳效葵，曹義親.基于網絡結構的推薦算法[J].實驗室研究與探索，2012，31（7）：278-280，368.

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

[34]張子柯，周濤，張翼成.Tag-aware Recommender Systems： a State-of-the-art Survey[J]. Journal of Computer Science & Technology， 2011， 26（5）： 767-777.

[35]胡吉明，林鑫.基于熱傳導能量擴散的社會化小眾推薦融合算法設計[J].情報理論與實踐，2016，39（4）：119-123.

[36]曹毅，賀衛紅.基于用戶興趣的混合推薦模型[J].系統工程，2009，27（6）：68-72.

[37]曾艷，麥永浩.基于內容預測和項目評分的協同過濾推薦[J].計算機應用，2004（1）：111-113.

[38]李忠俊，周啟海，帥青紅.一種基于內容和協同過濾同構化整合的推薦系統模型[J].計算機科學，2009，36（12）：142-145.

[39]覃容，陳建峽.基于協同過濾和內容的用戶需求混合推薦算法[J].企業技術開發，2018，37（2）：67-69.