基于社交網(wǎng)絡(luò)的推薦系統(tǒng)研究

蔡崇超 許華虎

摘要：近年來，基于社交網(wǎng)絡(luò)的推薦系統(tǒng)隨著社交媒體和大數(shù)據(jù)的蓬勃發(fā)展，逐漸成為推薦系統(tǒng)重點研究方向。將社交網(wǎng)絡(luò)用戶社會化屬性信息和評論內(nèi)容與深度學(xué)習(xí)等技術(shù)結(jié)合，可有效解決傳統(tǒng)推薦系統(tǒng)數(shù)據(jù)稀疏和冷啟動等問題。首先回顧傳統(tǒng)推薦系統(tǒng)常用方法，介紹社交網(wǎng)絡(luò)推薦系統(tǒng)主要流程和基本框架，然后介紹最新相關(guān)研究方向和應(yīng)用情況，最后對基于社交網(wǎng)絡(luò)的推薦系統(tǒng)發(fā)展趨勢進行分析與展望。

關(guān)鍵詞：推薦系統(tǒng);社交網(wǎng)絡(luò);深度學(xué)習(xí);矩陣分解;協(xié)同過濾

DOI： 10. 11907/rjdk.192186

開放科學(xué)（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP301

文獻標識碼：A

文章編號：1672-7800（2020）001-0046-04

0 引言

隨著移動互聯(lián)網(wǎng)的發(fā)展，大眾社交方式不斷變化，以微博為代表的社交媒體扮演了越來越重要的角色，作為一種弱關(guān)系社交網(wǎng)絡(luò)，其重要特點是信息快速傳播與分享。2018年底，新浪活躍用戶達3.92億，用戶在使用社交網(wǎng)絡(luò)的過程中產(chǎn)生了大量數(shù)據(jù)，由于數(shù)據(jù)量龐大，用戶很難快速定位到感興趣的信息，因此如何從海量數(shù)據(jù)中挖掘出用戶真正感興趣的內(nèi)容成為業(yè)界關(guān)注焦點。

針對互聯(lián)網(wǎng)出現(xiàn)信息過載的問題，推薦系統(tǒng)根據(jù)用戶訪問信息、關(guān)注內(nèi)容等進行綜合判斷，從而在新聞、影視等領(lǐng)域向個人提供信息推薦。用戶可加速融入社區(qū)，社交網(wǎng)絡(luò)可基于推薦內(nèi)容形成社區(qū)，增強社交網(wǎng)絡(luò)粘性，繼而提高產(chǎn)品打開率。

1 傳統(tǒng)推薦系統(tǒng)研究現(xiàn)狀

協(xié)同過濾算法是推薦系統(tǒng)經(jīng)典算法[1-3]，早在20世紀已引起學(xué)者諸多討論，隨著亞馬遜、Netflix等互聯(lián)網(wǎng)巨頭崛起，推薦算法在工業(yè)界的應(yīng)用也越來越廣泛。推薦算法利用用戶與項目之間的二元關(guān)系，基于用戶歷史行為記錄發(fā)現(xiàn)用戶可能感興趣的項目。

1.1 協(xié)同過濾推薦算法

協(xié)同過濾推薦算法分為兩種，即基于用戶的方法與基于模型的推薦方法。其中基于用戶的算法通過計算用戶之間的相似度[4]，找到與目標用戶最相似的用戶進行預(yù)測。如李琳等[5]將評分矩陣和評論文本相融合提高推薦質(zhì)量。基于模型的推薦方法首先利用評分數(shù)據(jù)估計模型參數(shù)，然后利用已訓(xùn)練好的模型對評價進行預(yù)測。常用的數(shù)學(xué)模型包括貝葉斯網(wǎng)絡(luò)模型、隱語義模型、潛在因子矩陣模型、基于概率的矩陣分解方法等[6-9]。

1.2 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦系統(tǒng)將評分與評論結(jié)合，通過對用戶發(fā)表的內(nèi)容評論進行用戶偏好性估計，進而提高推薦系統(tǒng)準確率。Ganu等[10]發(fā)現(xiàn)社交網(wǎng)絡(luò)中不同的評論文本包含不同層面信息，對針對用戶和內(nèi)容在不同層面上互相權(quán)衡從而產(chǎn)生評分的過程進行了研究，并將評論文本的情感分析加入推薦系統(tǒng)提高預(yù)測精度[11-12]。

1.3 混合推薦算法

混合推薦算法以一種算法為基礎(chǔ)，同時融合另一種推薦算法。Wang等[13]通過融合用戶信任度與評分相似性，提出一種新的推薦算法。隨著社交網(wǎng)絡(luò)的崛起，用戶產(chǎn)生的數(shù)據(jù)不再局限于內(nèi)容。用戶社會關(guān)系、位置信息、標簽等數(shù)據(jù)均可作為推薦系統(tǒng)模型參數(shù)，由此產(chǎn)生了基于社交網(wǎng)絡(luò)和情景感知的推薦方法。

1.4 基于項目的推薦算法

基于項目的過濾推薦算法可有效緩解數(shù)據(jù)稀疏情況，首先計算項目之間的相關(guān)性，然后根據(jù)項目相似性估計用戶對未評分項目的評分分數(shù)，在該過程中利用相似性度量方法計算目標用戶的最近鄰居[14-15j。

1.5 傳統(tǒng)推薦算法面臨的問題

傳統(tǒng)推薦算法在初期主要用于電子商務(wù)商品推薦，如亞馬遜、阿里巴巴、京東、百度等互聯(lián)網(wǎng)公司通過分析用戶購買行為和購物喜好等內(nèi)容為用戶推薦相關(guān)聯(lián)的產(chǎn)品。隨著Facebook、微博、twitter等社交媒體的興起，推薦內(nèi)容不再局限于商品，而需綜合考慮，將傳統(tǒng)推薦技術(shù)應(yīng)用于社交網(wǎng)絡(luò)時往往出現(xiàn)3個問題：①冷啟動問題。在傳統(tǒng)的電子商務(wù)信息系統(tǒng)中，用戶對商品的評分十分關(guān)鍵，但在社交網(wǎng)絡(luò)中，不存在顯式的打分系統(tǒng)，因此社交網(wǎng)絡(luò)推薦系統(tǒng)存在冷啟動問題;②數(shù)據(jù)稀疏問題。對于大規(guī)模社交網(wǎng)絡(luò)，注冊用戶數(shù)量、內(nèi)容信息量往往是天文數(shù)字，若利用U ser-ltem協(xié)同過濾算法，則該矩陣數(shù)據(jù)量非常龐大，在這個數(shù)據(jù)量級上進行協(xié)同過濾計算效果往往不盡如人意;③傳統(tǒng)推薦需在訓(xùn)練集上構(gòu)建大規(guī)模用戶特征模型，這往往導(dǎo)致訓(xùn)練時間長、計算復(fù)雜性高。

2 基于社交網(wǎng)絡(luò)的推薦系統(tǒng)

推薦系統(tǒng)最初主要是幫助電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，使得用戶在決定購買哪些商品時，由其協(xié)助客戶完成購買流程。社會化推薦系統(tǒng)則不然，社會化推薦系統(tǒng)是網(wǎng)絡(luò)發(fā)展到一定程度的必然。首先是推薦對象不同，基于社交網(wǎng)絡(luò)的推薦系統(tǒng)將用戶社會關(guān)系、位置關(guān)系、情感分析等主觀內(nèi)容作為重要的影響因子引入推薦系統(tǒng)，從而使得基于社會化推薦系統(tǒng)和傳統(tǒng)推薦系統(tǒng)在特征信息出現(xiàn)很大不同;其次目的不同，社會化推薦系統(tǒng)不再單純地推薦商品、電影、餐飲信息，還在推薦中覆蓋了社團、立場信息、情感網(wǎng)絡(luò)等更加主觀的內(nèi)容。由于推薦系統(tǒng)特征變量與推薦內(nèi)容均發(fā)生了變化，所以推薦系統(tǒng)的相關(guān)方法也發(fā)生了變化。

基于社交網(wǎng)絡(luò)的推薦系統(tǒng)研究是社會化網(wǎng)絡(luò)理論中一個重點研究領(lǐng)域[16]，主要集中在推薦用戶、推薦內(nèi)容、推薦社區(qū)3個大方向。

針對社交網(wǎng)絡(luò)推薦系統(tǒng)的研究積累了豐碩成果，大致可分為3種：推薦用戶、推薦內(nèi)容、推薦社區(qū)。整體流程為：

（1）數(shù)據(jù)采集。通過爬蟲或系統(tǒng)提供的API采集數(shù)據(jù)，包括用戶基本信息（位置，學(xué)歷，性別，年齡等）、用戶和用戶之間的關(guān)注信息、用戶和內(nèi)容之間的關(guān)系、用戶和社區(qū)之間的連接信息、用戶和話題之間的關(guān)注信息。

（2）構(gòu)建評分矩陣。為解決推薦系統(tǒng)冷啟動的問題，可以構(gòu)建用戶一用戶之間的評分矩陣、用戶一項目之間的評分矩陣。

（3）根據(jù)社交網(wǎng)絡(luò)推薦系統(tǒng)特性，采用深度學(xué)習(xí)、影響力模型等多種技術(shù)生成推薦結(jié)果。社交網(wǎng)絡(luò)基本推薦流程如圖1所示。

3 常用社會化推薦技術(shù)

社會化推薦系統(tǒng)生成技術(shù)在原有推薦技術(shù)的基礎(chǔ)上深度融合了用戶社會化信息進行系統(tǒng)推薦，本部分介紹目前推薦效果較好的社會化推薦技術(shù)。

3.1 基于注意力機制的社交網(wǎng)絡(luò)推薦算法

傳統(tǒng)社交網(wǎng)絡(luò)推薦算法更重視用戶選擇，如用戶打分高低，忽視了用戶關(guān)注點及注意力。因此Sarwar等[14]提出了一種同時考慮用戶注意力與喜好的概率模型HTPF，通過將該理論應(yīng)用在4個數(shù)據(jù)集上發(fā)現(xiàn)，在社交網(wǎng)絡(luò)推薦系統(tǒng)中，用戶社交關(guān)系往往扮演著比用戶內(nèi)容喜好更重要的角色，HTPF模型研究人員在構(gòu)建模型的過程中將4個變量作為參數(shù)，分別是用戶活躍程度、用戶打分習(xí)慣、用戶影響力與內(nèi)容質(zhì)量。

在社交網(wǎng)絡(luò)中，用戶發(fā)布的內(nèi)容主題隨時間發(fā)生變化。如Song等[18]構(gòu)造了一種基于動態(tài)注意力圖的神經(jīng)網(wǎng)絡(luò)模型，利用RNN動態(tài)描述用戶行為，基于注意力圖的神經(jīng)網(wǎng)絡(luò)算法根據(jù)用戶當前感興趣的內(nèi)容形成用戶影響力。該方法首先根據(jù)用戶當前興趣學(xué)習(xí)用戶表現(xiàn)形式，通過注意力機制、利用圖神經(jīng)網(wǎng)絡(luò)將用戶表現(xiàn)形式和其他用戶表現(xiàn)形式進行融合，將組合表現(xiàn)形式用于內(nèi)容推薦系統(tǒng)，以此提高推薦系統(tǒng)性能;Sun等[19]提出了基于RNN的ARSE模型，該研究認為用戶喜好是由其發(fā)布內(nèi)容的動態(tài)關(guān)注點與靜態(tài)關(guān)注點共同決定的，因此分別構(gòu)建了兩個基于RNN的注意力機制神經(jīng)網(wǎng)絡(luò)模型。

3.2 基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)推薦方法

在傳統(tǒng)基于社交網(wǎng)絡(luò)的推薦系統(tǒng)中，需考慮用戶與內(nèi)容、用戶與用戶兩個矩陣之間的關(guān)系。由于用戶在社交網(wǎng)絡(luò)中往往有多種特征，如用戶標簽、用戶位置、用戶不同時間段發(fā)布的不同主題內(nèi)容，因此在整個訓(xùn)練過程中，很難用一個統(tǒng)一矩陣表示用戶與內(nèi)容之間的關(guān)系。Fan等[20]提出的深層對抗社交推薦系統(tǒng)（ Deep Adversarial Social Rec-ommender Svstem）引入深度學(xué)習(xí)中的對抗網(wǎng)絡(luò)模型概念，通過引入一個雙向映射方法在社交信息和內(nèi)容信息之間進行信息轉(zhuǎn)移，利用對抗性學(xué)習(xí)動態(tài)生成“困難”的負樣本，了解兩個域之間的雙向映射，最終得到更好的用戶與項目表示。

在推薦系統(tǒng)的研究中，數(shù)據(jù)稀疏性始終是一個共性問題，Pan等[21]通過深度學(xué)習(xí)中的降噪自動編碼機（DAE）解決該問題，通過構(gòu)建一個基于信任感知的協(xié)同去噪自動編碼器（Trust-aware Collaborative Denoising Auto Encoder，TDAE），利用評分矩陣與用戶信任關(guān)系進行深度學(xué)習(xí)，利用兩個疊加去噪自動編碼器從評級和信任數(shù)據(jù)中學(xué)習(xí)高階相關(guān)性。實驗結(jié)果表明該方法可有效改善數(shù)據(jù)稀疏性問題。

3.3 跨領(lǐng)域推薦系統(tǒng)

彭艦等[22]指出在線社交網(wǎng)絡(luò)跨平臺推薦可以有效緩解冷啟動問題。本文通過引入邏輯回歸思想，融合多平臺用戶特征，將用戶在各平臺推薦結(jié)果進行擬合，并通過微博和知乎兩個平臺進行測試。

目前在交叉領(lǐng)域推薦系統(tǒng)的研究中，往往認為用戶是全覆蓋的，在實驗過程中，該假設(shè)被證實是不現(xiàn)實的。因此Wang等[23]提出了一種新的方法Neural Social Collabora-tive Ranking（NSCR），該方法無縫集成用戶一信息域和用戶一用戶域，通過引入部分重疊用戶（bridge users），將兩個領(lǐng)域的信息進行融合形成交叉領(lǐng)域，從而提升推薦系統(tǒng)性能。同時，該系統(tǒng)也有局限性。首先信息領(lǐng)域較為單一，在實驗過程中僅以旅游網(wǎng)站點評信息作為數(shù)據(jù)源;其次社交領(lǐng)域數(shù)據(jù)較依賴Facebook和Twitter平臺，并不具有普適性。但是該文提出的方法為相關(guān)研究提供了很好的研究思路。

3.4 基于矩陣分解的社交網(wǎng)絡(luò)推薦系統(tǒng)

在社交網(wǎng)絡(luò)領(lǐng)域，研究人員往往針對某一件商品或某一個話題構(gòu)建用戶一主題矩陣，由于數(shù)據(jù)量較為龐大，因此該類矩陣往往面臨數(shù)據(jù)稀疏性問題。

通過矩陣分解技術(shù)，可將用戶一主題評分矩陣分解為用戶潛在因子矩陣與主題潛在因子矩陣，通過計算兩者內(nèi)積得到用戶對主題的預(yù)測評分值。首先通過矩陣分解將評分矩陣R分解為兩個低維用戶特征矩陣P與主題特征矩陣Q的乘積，分別將用戶與主題潛在因子矩陣表示為pi、qj，通過計算所得的內(nèi)積pigj可反映出用戶與主題之間的相互作用，從而用于預(yù)測缺失評分。

Curini等[4]在傳統(tǒng)矩陣分解模型的基礎(chǔ)上，通過融合用戶發(fā)布內(nèi)容主題的情感傾向（ Sentiment）、主題數(shù)量（Vol-ume）、主題內(nèi)容客觀程度（Objective），提出了基于SVO模型的用戶推薦算法。該算法引入SVO模型構(gòu)造用戶一主題評分矩陣，解決了社交網(wǎng)絡(luò)中用戶無法對主題內(nèi)容進行打分的問題。在準確率、多樣性、新穎性和覆蓋率4個方面與傳統(tǒng)推薦算法進行對比，證明該方法效果更佳。

3.5 社交網(wǎng)絡(luò)推薦算法在不同領(lǐng)域的應(yīng)用

Jiang等[24]列舉出了社交網(wǎng)絡(luò)推薦研究進展：①社交網(wǎng)絡(luò)中各個領(lǐng)域都是相關(guān)聯(lián)的，包括信息領(lǐng)域、用戶領(lǐng)域、社交領(lǐng)域;②信息領(lǐng)域分布是不均勻的;③社交網(wǎng)絡(luò)數(shù)據(jù)存在稀疏性問題;④社交領(lǐng)域的內(nèi)容不斷發(fā)生變化。

為解決數(shù)據(jù)稀疏等問題，本文綜合考慮社交網(wǎng)絡(luò)的多特征特點，如用戶標簽、位置信息等影響因子，將其加入到社交網(wǎng)絡(luò)中，并提出了一種基于遷移學(xué)習(xí)的跨領(lǐng)域推薦算法（ Hvbrid Random Walk，HRW），進行領(lǐng)域知識學(xué)習(xí)。

楊曉夫等[25]提出了一種基于電子病歷的醫(yī)生推薦模型。該模型以電子病歷作為研究對象，將樸素貝葉斯模型作為分類器，根據(jù)電子病歷中的診斷、癥狀等信息構(gòu)建醫(yī)生一疾病矩陣與疾病一患者矩陣。實驗結(jié)果表明，該醫(yī)生推薦模型可提升患者就醫(yī)感受，提高傳統(tǒng)電子病歷系統(tǒng)應(yīng)用價值。

馮永等[26]提出一種融合社交因素與評論文本卷積網(wǎng)絡(luò)的汽車推薦模型（SCTCMAR）。該模型首先引入偏好相似度計算模型，然后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)社交網(wǎng)絡(luò)中的汽車評論文本隱特征，并采用矩陣分解技術(shù)進行模型計算，最終完成推薦模型構(gòu)建。

4 基于社交網(wǎng)絡(luò)的推薦系統(tǒng)研究展望

社交網(wǎng)絡(luò)的蓬勃發(fā)展為推薦系統(tǒng)的研究提供了發(fā)展方向與前進動力，同時作為推薦領(lǐng)域較為新穎的發(fā)展方向，也面臨著許多挑戰(zhàn)。

（1）基于不同社交網(wǎng)絡(luò)的跨領(lǐng)域融合。社交網(wǎng)絡(luò)平臺規(guī)模在變大，但數(shù)量在變小。用戶在不同社交網(wǎng)絡(luò)平臺上發(fā)布的信息種類繁多，如餐飲類、影視點評類、購物類、在線視頻類等信息。國內(nèi)互聯(lián)網(wǎng)公司由于產(chǎn)品線眾多，如果可通過深度學(xué)習(xí)等技術(shù)構(gòu)建深度學(xué)習(xí)模型，實現(xiàn)跨領(lǐng)域信息融合，將同一個公司不同領(lǐng)域和平臺的數(shù)據(jù)進行統(tǒng)一處理，可有效解決推薦系統(tǒng)常見的冷啟動問題。

（2）深度學(xué)習(xí)技術(shù)與基于注意力機制的融合發(fā)展。目前基于注意力機制的深度學(xué)習(xí)技術(shù)在計算機視覺等領(lǐng)域取得了巨大成功，利用注意力機制分析社交媒體用戶關(guān)系網(wǎng)絡(luò)的研究也取得了極大進展，因此將注意力機制與基于社交網(wǎng)絡(luò)的推薦系統(tǒng)融合是下一步技術(shù)發(fā)展突破口。

（3）現(xiàn)有方法與其它技術(shù)的融合。人工智能技術(shù)發(fā)展迅速，傳統(tǒng)推薦方法具有可解釋性、簡單等優(yōu)勢，如何利用深度學(xué)習(xí)技術(shù)進一步挖掘社會化推薦系統(tǒng)中用戶之間的關(guān)系、用戶與內(nèi)容之間的關(guān)系、社群之間的關(guān)系，構(gòu)建更加有效的深層神經(jīng)網(wǎng)絡(luò)模型是未來重要發(fā)展方向。

5 結(jié)語

互聯(lián)網(wǎng)已高度融入社會生活，隨著數(shù)據(jù)的不斷增多，需要推薦系統(tǒng)幫助用戶篩選和過濾信息，解決信息過載問題。推薦系統(tǒng)在早期發(fā)展過程中基于協(xié)同過濾等算法在電子商務(wù)領(lǐng)域應(yīng)用廣泛。隨著社交網(wǎng)絡(luò)的發(fā)展，傳統(tǒng)技術(shù)已無法解決冷啟動、數(shù)據(jù)稀疏、大數(shù)據(jù)等問題。在社會化推薦系統(tǒng)的研究中，研究對象有很多特點，如用戶社會屬性多樣性、用戶關(guān)注主題的變化性、跨領(lǐng)域社交媒體數(shù)據(jù)可轉(zhuǎn)化性、時間因素等。根據(jù)這些特點，研究人員提出了多種新穎的研究方法。本文從社會化推薦系統(tǒng)原理和流程著手，對當前一些關(guān)鍵技術(shù)主要流程、基本框架進行了總結(jié)和分析，并對該領(lǐng)域未來發(fā)展進行了展望，以期為相關(guān)研究人員提供參考。

參考文獻：

[1] HERLOCKER J L，KONSTAN J A，BORCHERS A，et al.An algo-rithmic framework for performing collahorative filtering[C].22nd An-nual International ACM SIGIR Conference on Research and Develop-ment in Information Retrieval， 1999： 230-237.

[2]SARWAR B M，KARYPIS G，KONSTAN J A，et al.Item-based col-laborative filtering recommendation algorithms[C].Proceedings of the10th international conference on World Wide Web， 2001： 285-295.

[3]LINDEN G，SMITH B，YORK J.Amazon. com recommendations：item-to-item collaborative filtering [Jl. IEEE Internet computing，2003 （1）：76-80.

[4]FELTONI GURINI D，CASPARETTI F， MICARELLI A，et al.Tempo-ral people-to-people recommendation on social networks with senti-ment-based matrix factorization[J].Future Ceneration Computer Sys-tems， 2017， 78：430-439.

[5]L1 L， LIU J H，MENC X F，et al.Recommendation models by exploit-ing rating matirx and revieW text [J]. Chinese Journal of Computers，2018，427（7）：131-145.

[6]FAN C， LI Y， YAO J.A latent variable Bavesian network recommenda-tion model for product scoring prediction[C]. The 2nd IEEE Ad-vanced Information Management， Communicates. Electronic and Au-tomation Control Conference（ IMCEC）. 2018： 971-975.

[7]HOFMANN T Latent semantic models for collaborative filtering [J].ACM Transactions on Information Systems， 2004， 22（1）：89-1 15.

[8]KOREN Y.Factorization meets the neighhorhood：a multifaceted col-lahorative filtering model[C].ACM SIGKDD International Conferenceon Knowledge Discovery&Data Mining， 2008： 426-434.

[9]MNIH A，SALAKHUTDINOV R R.Probabilistic matrix factorization[C]. Advances in Neural Information Processing Systems， 2008：1257-1264.

[10]GANU G，ELHADAD N. MARIAN A. Bevond the stars： improvingrating predictions using review text content[C].International Work-shop on the Web and Databases， 2009，9：1-6.

[11]MUKHERJEE S， BASU G，JOSHI S. Incorporating author preferencein sentiment rating prediction of reviews [C]. Proceedings of the22nd International Conference on World Wide Web， 2013： 47-48.

[12]FAN M，KHADEMI M. Predicting a business star in Yelp from its re-views text alone [J]. https：//arxiv.org/ftp/arxiv/papers/1401/1401.0864.pdf.

[13] WANG M， MA J.A novel recommendation approach based on us-ers' weighted trust relations and the rating similarities[J]. Soft Com-puting， 2016， 20（ 10）： 3981-3990.

[14]SARWAR B，KARYPIS G，KONSTAN J， et al. Item-based collabor-ative filtering recommendation algorithms[C].The lOth InternationalWorld Wide Web Conference， 2001： 285-295.

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

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

[17]CHEN J， WANG C， SHI Q， et al. Social recommendation based on us-ers'attention and preference[J]. Neurocomputing， 2019， 341： 1-9.

[18]SONG W. XIAO Z， WANG Y， et al. Session-based social recommen-dation via dynamic graph attention networks[ DB/OL]. https： //arxiv.org/pdf/1 902.093 62.pdf.

[19]SUN P. WU L， WANC M. Attentwe recurrent social recommendation[C]. The 4lst International ACM SIGIR Conference on Research&Development in Information Retrieval， 2018： 185-194.

[20]FAN W， DERR T. MA Y. et al. Deep adversarial social recommen- dation[ DB/OL].https： //arxiv.org/pdf/1905.13 160.pdf.

[21] PAN Y，HE F， YU H. Trust-aware collaborative denoising auto-en-coder for top-N recommendation [DB/OL]. https：//arxiv.org/pdf/1703.01760v2.pdf.

[22] 彭艦，王屯屯，陳瑜，等.基于跨平臺的在線社交網(wǎng)絡(luò)用戶推薦研究[J].通信學(xué)報，2018（3）：147-158.

[23]WANG X. HE X， NIE L. et al. Item silk road： recommending itemsfrom information domains to social users[C].Proceedings of the 40thInternational ACM SIGIR conference on Research and Developmentin Information Retrieval. ACM. 2017： 185-194.

[24] JIANC M. CUI P， CHEN X. et al. Social recommendation withcross-domain transferable knowledge [J]. IEEE transactions onknowledge and data engineering， 2015， 27（11）：3084-3097.

[25] 楊曉夫，秦函書?；陔娮硬v利用矩陣乘法構(gòu)建醫(yī)生推薦模型[J].計算機與現(xiàn)代化，2019 （6）：81.

[26]馮永，陳以剛，強保華.融合社交因素和評論文本卷積網(wǎng)絡(luò)模型的汽車推薦研究[J].自動化學(xué)報，2019，45（3）：518-529.

（責(zé)任編輯：江艷）

作者簡介：蔡崇超（1983-），男，上海大學(xué)計算機工程與科學(xué)學(xué)院博士研究生、湖州職業(yè)技術(shù)學(xué)院物流與信息工程學(xué)院講師，研究方向為自然語言處理、社交網(wǎng)絡(luò)、人工智能;許華虎（1968-），男，上海大學(xué)計算機工程與科學(xué)學(xué)院教授、博士生導(dǎo)師，研究方向為人工智能、大數(shù)據(jù)、圖像處理。