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(lái)，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(diǎn)研究方向。將社交網(wǎng)絡(luò)用戶社會(huì)化屬性信息和評(píng)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(dòng)等問(wèn)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(duì)基于社交網(wǎng)絡(luò)的推薦系統(tǒng)發(fā)展趨勢(shì)進(jìn)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(guò)濾

DOI： 10. 11907/rjdk.192186

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-7800（2020）001-0046-04

0 引言

隨著移動(dòng)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(lái)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(diǎn)是信息快速傳播與分享。2018年底，新浪活躍用戶達(dá)3.92億，用戶在使用社交網(wǎng)絡(luò)的過(guò)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(diǎn)。

針對(duì)互聯(lián)網(wǎng)出現(xiàn)信息過(guò)載的問(wèn)題，推薦系統(tǒng)根據(jù)用戶訪問(wèn)信息、關(guān)注內(nèi)容等進(jìn)行綜合判斷，從而在新聞、影視等領(lǐng)域向個(gè)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(qiáng)社交網(wǎng)絡(luò)粘性，繼而提高產(chǎn)品打開(kāi)率。

1 傳統(tǒng)推薦系統(tǒng)研究現(xiàn)狀

協(xié)同過(guò)濾算法是推薦系統(tǒng)經(jīng)典算法[1-3]，早在20世紀(jì)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(lái)越廣泛。推薦算法利用用戶與項(xiàng)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(xiàng)目。

1.1 協(xié)同過(guò)濾推薦算法

協(xié)同過(guò)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(guò)計(jì)算用戶之間的相似度[4]，找到與目標(biāo)用戶最相似的用戶進(jìn)行預(yù)測(cè)。如李琳等[5]將評(píng)分矩陣和評(píng)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(píng)分?jǐn)?shù)據(jù)估計(jì)模型參數(shù)，然后利用已訓(xùn)練好的模型對(duì)評(píng)價(jià)進(jìn)行預(yù)測(cè)。常用的數(shù)學(xué)模型包括貝葉斯網(wǎng)絡(luò)模型、隱語(yǔ)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(píng)分與評(píng)論結(jié)合，通過(guò)對(duì)用戶發(fā)表的內(nèi)容評(píng)論進(jìn)行用戶偏好性估計(jì)，進(jìn)而提高推薦系統(tǒng)準(zhǔn)確率。Ganu等[10]發(fā)現(xiàn)社交網(wǎng)絡(luò)中不同的評(píng)論文本包含不同層面信息，對(duì)針對(duì)用戶和內(nèi)容在不同層面上互相權(quán)衡從而產(chǎn)生評(píng)分的過(guò)程進(jìn)行了研究，并將評(píng)論文本的情感分析加入推薦系統(tǒng)提高預(yù)測(cè)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(shí)融合另一種推薦算法。Wang等[13]通過(guò)融合用戶信任度與評(píng)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(huì)關(guān)系、位置信息、標(biāo)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(xiàng)目的推薦算法

基于項(xiàng)目的過(guò)濾推薦算法可有效緩解數(shù)據(jù)稀疏情況，首先計(jì)算項(xiàng)目之間的相關(guān)性，然后根據(jù)項(xiàng)目相似性估計(jì)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分分?jǐn)?shù)，在該過(guò)程中利用相似性度量方法計(jì)算目標(biāo)用戶的最近鄰居[14-15j。

1.5 傳統(tǒng)推薦算法面臨的問(wèn)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(guò)分析用戶購(gòu)買行為和購(gòu)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(shí)往往出現(xiàn)3個(gè)問(wèn)題：①冷啟動(dòng)問(wèn)題。在傳統(tǒng)的電子商務(wù)信息系統(tǒng)中，用戶對(duì)商品的評(píng)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(dòng)問(wèn)題;②數(shù)據(jù)稀疏問(wèn)題。對(duì)于大規(guī)模社交網(wǎng)絡(luò)，注冊(cè)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(guò)濾算法，則該矩陣數(shù)據(jù)量非常龐大，在這個(gè)數(shù)據(jù)量級(jí)上進(jìn)行協(xié)同過(guò)濾計(jì)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(shí)間長(zhǎng)、計(jì)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(gòu)買哪些商品時(shí)，由其協(xié)助客戶完成購(gòu)買流程。社會(huì)化推薦系統(tǒng)則不然，社會(huì)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(duì)象不同，基于社交網(wǎng)絡(luò)的推薦系統(tǒng)將用戶社會(huì)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(huì)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(huì)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(tuán)、立場(chǎng)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(huì)化網(wǎng)絡(luò)理論中一個(gè)重點(diǎn)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(gè)大方向。

針對(duì)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(guò)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(píng)分矩陣。為解決推薦系統(tǒng)冷啟動(dòng)的問(wèn)題，可以構(gòu)建用戶一用戶之間的評(píng)分矩陣、用戶一項(xiàng)目之間的評(píng)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(huì)化推薦技術(shù)

社會(huì)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(huì)化信息進(jìn)行系統(tǒng)推薦，本部分介紹目前推薦效果較好的社會(huì)化推薦技術(shù)。

3.1 基于注意力機(jī)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(diǎn)及注意力。因此Sarwar等[14]提出了一種同時(shí)考慮用戶注意力與喜好的概率模型HTPF，通過(guò)將該理論應(yīng)用在4個(gè)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(guò)程中將4個(gè)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(shí)間發(fā)生變化。如Song等[18]構(gòu)造了一種基于動(dòng)態(tài)注意力圖的神經(jīng)網(wǎng)絡(luò)模型，利用RNN動(dòng)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(dāng)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(dāng)前興趣學(xué)習(xí)用戶表現(xiàn)形式，通過(guò)注意力機(jī)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(jìn)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(rèn)為用戶喜好是由其發(fā)布內(nèi)容的動(dòng)態(tài)關(guān)注點(diǎn)與靜態(tài)關(guān)注點(diǎn)共同決定的，因此分別構(gòu)建了兩個(gè)基于RNN的注意力機(jī)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(gè)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(biāo)簽、用戶位置、用戶不同時(shí)間段發(fā)布的不同主題內(nèi)容，因此在整個(gè)訓(xùn)練過(guò)程中，很難用一個(gè)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(duì)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(duì)抗網(wǎng)絡(luò)模型概念，通過(guò)引入一個(gè)雙向映射方法在社交信息和內(nèi)容信息之間進(jìn)行信息轉(zhuǎn)移，利用對(duì)抗性學(xué)習(xí)動(dòng)態(tài)生成“困難”的負(fù)樣本，了解兩個(gè)域之間的雙向映射，最終得到更好的用戶與項(xiàng)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(gè)共性問(wèn)題，Pan等[21]通過(guò)深度學(xué)習(xí)中的降噪自動(dòng)編碼機(jī)（DAE）解決該問(wèn)題，通過(guò)構(gòu)建一個(gè)基于信任感知的協(xié)同去噪自動(dòng)編碼器（Trust-aware Collaborative Denoising Auto Encoder，TDAE），利用評(píng)分矩陣與用戶信任關(guān)系進(jìn)行深度學(xué)習(xí)，利用兩個(gè)疊加去噪自動(dòng)編碼器從評(píng)級(jí)和信任數(shù)據(jù)中學(xué)習(xí)高階相關(guān)性。實(shí)驗(yàn)結(jié)果表明該方法可有效改善數(shù)據(jù)稀疏性問(wèn)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(tái)推薦可以有效緩解冷啟動(dòng)問(wèn)題。本文通過(guò)引入邏輯回歸思想，融合多平臺(tái)用戶特征，將用戶在各平臺(tái)推薦結(jié)果進(jìn)行擬合，并通過(guò)微博和知乎兩個(gè)平臺(tái)進(jìn)行測(cè)試。

目前在交叉領(lǐng)域推薦系統(tǒng)的研究中，往往認(rèn)為用戶是全覆蓋的，在實(shí)驗(yàn)過(guò)程中，該假設(shè)被證實(shí)是不現(xiàn)實(shí)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(wú)縫集成用戶一信息域和用戶一用戶域，通過(guò)引入部分重疊用戶（bridge users），將兩個(gè)領(lǐng)域的信息進(jìn)行融合形成交叉領(lǐng)域，從而提升推薦系統(tǒng)性能。同時(shí)，該系統(tǒng)也有局限性。首先信息領(lǐng)域較為單一，在實(shí)驗(yàn)過(guò)程中僅以旅游網(wǎng)站點(diǎn)評(píng)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(tái)，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(duì)某一件商品或某一個(gè)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(wèn)題。

通過(guò)矩陣分解技術(shù)，可將用戶一主題評(píng)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(guò)計(jì)算兩者內(nèi)積得到用戶對(duì)主題的預(yù)測(cè)評(píng)分值。首先通過(guò)矩陣分解將評(píng)分矩陣R分解為兩個(gè)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(guò)計(jì)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(cè)缺失評(píng)分。

Curini等[4]在傳統(tǒng)矩陣分解模型的基礎(chǔ)上，通過(guò)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(píng)分矩陣，解決了社交網(wǎng)絡(luò)中用戶無(wú)法對(duì)主題內(nèi)容進(jìn)行打分的問(wèn)題。在準(zhǔn)確率、多樣性、新穎性和覆蓋率4個(gè)方面與傳統(tǒng)推薦算法進(jìn)行對(duì)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(jìn)展：①社交網(wǎng)絡(luò)中各個(gè)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(wèn)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(wèn)題，本文綜合考慮社交網(wǎng)絡(luò)的多特征特點(diǎn)，如用戶標(biāo)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(jìn)行領(lǐng)域知識(shí)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(duì)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(shí)驗(yàn)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(jià)值。

馮永等[26]提出一種融合社交因素與評(píng)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(jì)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(píng)論文本隱特征，并采用矩陣分解技術(shù)進(jìn)行模型計(jì)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(jìn)動(dòng)力，同時(shí)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(tái)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(tái)上發(fā)布的信息種類繁多，如餐飲類、影視點(diǎn)評(píng)類、購(gòu)物類、在線視頻類等信息。國(guó)內(nèi)互聯(lián)網(wǎng)公司由于產(chǎn)品線眾多，如果可通過(guò)深度學(xué)習(xí)等技術(shù)構(gòu)建深度學(xué)習(xí)模型，實(shí)現(xiàn)跨領(lǐng)域信息融合，將同一個(gè)公司不同領(lǐng)域和平臺(tái)的數(shù)據(jù)進(jìn)行統(tǒng)一處理，可有效解決推薦系統(tǒng)常見(jiàn)的冷啟動(dòng)問(wèn)題。

（2）深度學(xué)習(xí)技術(shù)與基于注意力機(jī)制的融合發(fā)展。目前基于注意力機(jī)制的深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)等領(lǐng)域取得了巨大成功，利用注意力機(jī)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(jìn)展，因此將注意力機(jī)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(jiǎn)單等優(yōu)勢(shì)，如何利用深度學(xué)習(xí)技術(shù)進(jìn)一步挖掘社會(huì)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(lái)重要發(fā)展方向。

5 結(jié)語(yǔ)

互聯(lián)網(wǎng)已高度融入社會(huì)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(guò)濾信息，解決信息過(guò)載問(wèn)題。推薦系統(tǒng)在早期發(fā)展過(guò)程中基于協(xié)同過(guò)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(wú)法解決冷啟動(dòng)、數(shù)據(jù)稀疏、大數(shù)據(jù)等問(wèn)題。在社會(huì)化推薦系統(tǒng)的研究中，研究對(duì)象有很多特點(diǎn)，如用戶社會(huì)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(shí)間因素等。根據(jù)這些特點(diǎn)，研究人員提出了多種新穎的研究方法。本文從社會(huì)化推薦系統(tǒng)原理和流程著手，對(duì)當(dāng)前一些關(guān)鍵技術(shù)主要流程、基本框架進(jìn)行了總結(jié)和分析，并對(duì)該領(lǐng)域未來(lái)發(fā)展進(jìn)行了展望，以期為相關(guān)研究人員提供參考。

參考文獻(xiàn)：

[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(ài)林，朱揚(yáng)勇，施伯樂(lè).基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J].軟件學(xué)報(bào)，2003 .14（9）：1621-1628

[16] 孟祥武，劉樹棟，張玉潔，等.社會(huì)化推薦系統(tǒng)研究[J].軟件學(xué)報(bào)，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(tái)的在線社交網(wǎng)絡(luò)用戶推薦研究[J].通信學(xué)報(bào)，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。基于電子病歷利用矩陣乘法構(gòu)建醫(yī)生推薦模型[J].計(jì)算機(jī)與現(xiàn)代化，2019 （6）：81.

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

（責(zé)任編輯：江艷）

作者簡(jiǎn)介：蔡崇超（1983-），男，上海大學(xué)計(jì)算機(jī)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?yàn)樽匀徽Z(yǔ)言處理、社交網(wǎng)絡(luò)、人工智能;許華虎（1968-），男，上海大學(xué)計(jì)算機(jī)工程與科學(xué)學(xué)院教授、博士生導(dǎo)師，研究方向?yàn)槿斯ぶ悄堋⒋髷?shù)據(jù)、圖像處理。