基于用戶(hù)效用的隱式反饋推薦系統(tǒng)研究

陳麗

【摘? 要】線(xiàn)上產(chǎn)品廣告如同“信息爆炸”般涌向電商用戶(hù)，降低了用戶(hù)購(gòu)物體驗(yàn)。因此，設(shè)計(jì)出一個(gè)高效、精準(zhǔn)的推薦算法一直都是智能電商的研究重點(diǎn)。論文旨在設(shè)計(jì)一個(gè)基于用戶(hù)效用的隱式反饋推薦系統(tǒng)，在不干擾客戶(hù)購(gòu)物的情況下，為客戶(hù)提供合適的商品。論文首先采用隱式數(shù)據(jù)，設(shè)計(jì)出商品效用值，然后根據(jù)用戶(hù)的付出成本，計(jì)算出用戶(hù)的收益值，最后把收益值最大的商品作為推薦品。經(jīng)過(guò)測(cè)試集的計(jì)算，模型準(zhǔn)確率為90.2%。

【Abstract】Online product advertisements flood e-commerce users like an "information explosion"， which reduces users' shopping experience. Therefore， designing an efficient and accurate recommendation algorithm has always been the research focus of intelligent e-commerce. This paper aims to design an implicit feedback recommendation system based on user utility to provide customers with appropriate products without interfering with their shopping. The paper firstly uses implicit data to design the commodity utility value， then calculates the user's profit value according to the user's cost， and finally takes the commodity with the highest profit value as the recommendation product. Through the calculation of the test set， the accuracy of the model is 90.2%.

【關(guān)鍵詞】隱式反饋;推薦系統(tǒng);效用

【Keywords】implicit feedback; recommendation system; utility

【中圖分類(lèi)號(hào)】TP391.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號(hào)】1673-1069（2021）11-0106-03

1 引言

隨著信息爆炸時(shí)代的來(lái)臨，用戶(hù)面對(duì)著海量的商品信息。當(dāng)海量的商品涌入消費(fèi)者的腦海中，不僅不會(huì)增加消費(fèi)者滿(mǎn)意度，反而會(huì)降低消費(fèi)者的購(gòu)物體驗(yàn)。因?yàn)槊媾R大量的商品數(shù)據(jù)，消費(fèi)者會(huì)認(rèn)為絕大部分的信息都是無(wú)用的。甚至部分消費(fèi)者認(rèn)為，繁多的商品信息嚴(yán)重降低了購(gòu)物效率。

為解決數(shù)據(jù)過(guò)載帶來(lái)的問(wèn)題，電商平臺(tái)采用了推薦技術(shù)。采用針對(duì)性推薦技術(shù)，能夠提高電商平臺(tái)的轉(zhuǎn)化率。同時(shí)，因?yàn)橥扑]技術(shù)能夠?yàn)橛脩?hù)過(guò)濾繁多的信息，提供精準(zhǔn)的商品推薦。因此，一個(gè)能夠提供精準(zhǔn)推薦的算法，對(duì)于推薦系統(tǒng)至關(guān)重要。

推薦算法通過(guò)對(duì)消費(fèi)者進(jìn)行分析以后，為其推薦感興趣的商品項(xiàng)目。目前推薦算法主要是協(xié)同過(guò)濾算法。利用客戶(hù)的歷史購(gòu)物數(shù)據(jù)，根據(jù)其與商品屬性的關(guān)系來(lái)做出推薦。協(xié)同過(guò)濾要用到的是顧客的顯式反饋。一般有2種類(lèi)型的協(xié)同過(guò)濾：基于用戶(hù)評(píng)分的和基于商品相關(guān)性、用戶(hù)相似性得出推薦的商品。協(xié)同過(guò)濾最大的優(yōu)勢(shì)在于可以處理復(fù)雜的對(duì)象，如書(shū)籍、音樂(lè)、電影等。Vincent W. Zheng等人設(shè)計(jì)出基于移動(dòng)設(shè)備GPS的利用協(xié)同過(guò)濾推薦算法，為用戶(hù)提供路線(xiàn)推薦。可是，傳統(tǒng)的協(xié)同過(guò)濾算法計(jì)算效率不高，難以對(duì)付目前海量用戶(hù)的信息對(duì)比。所以，Altingovde等人先采用了聚類(lèi)算法來(lái)處理用戶(hù)群，縮小對(duì)比范圍，再進(jìn)行協(xié)同過(guò)濾推薦。Maleszka在協(xié)同過(guò)濾傳統(tǒng)算法的基礎(chǔ)上，建立基于用戶(hù)的檔案的信息檢索系統(tǒng)，為新用戶(hù)解決冷啟動(dòng)問(wèn)題。Gérard Biau用k-nearest neighbor算法，從統(tǒng)計(jì)學(xué)的角度去改進(jìn)協(xié)同過(guò)濾。協(xié)同過(guò)濾算法主要依靠的都是歷史的數(shù)據(jù)。例如，通過(guò)某消費(fèi)者歷史購(gòu)物信息來(lái)推薦給具有相似興趣的消費(fèi)者。因此，商家為了提高自己產(chǎn)品被推薦的可能性，就會(huì)采用虛假評(píng)論、刷單、虛假評(píng)分的方式。這些虛假分?jǐn)?shù)會(huì)產(chǎn)生“劣幣驅(qū)逐良幣”的效應(yīng)，導(dǎo)致真正優(yōu)質(zhì)的產(chǎn)品不被消費(fèi)者看到。這樣長(zhǎng)久以后，最終也是降低了消費(fèi)者的購(gòu)物體驗(yàn)。因此不采用歷史數(shù)據(jù)、消費(fèi)者評(píng)分這種顯式反饋數(shù)據(jù)，而是采用更加精確、隱秘性強(qiáng)的隱式反饋數(shù)據(jù)。

隱式反饋推薦主要是指利用效用函數(shù)進(jìn)行計(jì)算推薦商品。效用函數(shù)最初來(lái)源于經(jīng)濟(jì)學(xué)領(lǐng)域，用于測(cè)量消費(fèi)者在購(gòu)物中所獲得的滿(mǎn)足程度。目前基于效用函數(shù)的推薦算法不算多，主要是利用商品對(duì)用戶(hù)的效用值匹配的評(píng)估上來(lái)進(jìn)行推薦，最終目的是幫助用戶(hù)獲得利益最大化。研究的重點(diǎn)主要集中在為每一位客戶(hù)建立效用評(píng)估函數(shù)。有一些網(wǎng)站，并不需要用戶(hù)事先為商品輸入效用值，而是利用指定因素與用戶(hù)的交互作用和權(quán)重賦值，為用戶(hù)提供推薦信息。并且，效用函數(shù)根據(jù)用戶(hù)興趣而建立，作用于商品，決定商品在用戶(hù)心中的等級(jí)。而隱式反饋數(shù)據(jù)主要是通過(guò)收集消費(fèi)者在購(gòu)物瀏覽的過(guò)程中留下來(lái)的痕跡數(shù)據(jù)，如點(diǎn)擊、收藏、加購(gòu)物車(chē)等行為數(shù)據(jù)。這些行為數(shù)據(jù)能夠更加客觀地顯示出消費(fèi)者的購(gòu)物傾向。這些數(shù)據(jù)都具有隱匿性，不會(huì)影響消費(fèi)者購(gòu)物體驗(yàn)。

本研究主要采用隱式反饋方法，設(shè)計(jì)基于用戶(hù)效用的推薦算法。首先采用隱式反饋數(shù)據(jù)，制定效用評(píng)分機(jī)制，構(gòu)建商品效用函數(shù)模型。然后考慮用戶(hù)的投入成本，構(gòu)建商品收益函數(shù)。通過(guò)構(gòu)建基于隱式反饋的用戶(hù)效用函數(shù)，能夠避免因?yàn)樘摷傩畔⒍鴮?dǎo)致的推薦不準(zhǔn)的問(wèn)題，同時(shí)，能提高推薦精準(zhǔn)度。

2 相關(guān)理論

2.1 顯式反饋算法

信息數(shù)據(jù)的爆炸式增長(zhǎng)，使得客戶(hù)每時(shí)每刻都面臨著海量的信息。為有效處理客戶(hù)的選擇與海量信息之間的矛盾，促使平臺(tái)更好地達(dá)成交易，推薦算法應(yīng)運(yùn)而生。推薦算法本質(zhì)上就是根據(jù)客戶(hù)的興趣愛(ài)好，推薦其相關(guān)的商品和服務(wù)，如書(shū)本推薦、社交好友推薦等。較早的推薦算法是協(xié)同過(guò)濾，這是一種顯式反饋推薦，主要是采用客戶(hù)對(duì)商品“打分”的方式，然后系統(tǒng)會(huì)根據(jù)分?jǐn)?shù)，尋找與之打分相近的客戶(hù)，推薦相似的商品。Zhang采用遞歸推進(jìn)的預(yù)測(cè)方法，解決了系統(tǒng)過(guò)濾的稀疏性問(wèn)題，把那些鄰近的尚未對(duì)商品進(jìn)行評(píng)分的客戶(hù)也納入預(yù)測(cè)當(dāng)中，由此提高協(xié)同過(guò)濾的預(yù)測(cè)精準(zhǔn)度。Leng認(rèn)為評(píng)分?jǐn)?shù)據(jù)的稀疏性問(wèn)題會(huì)嚴(yán)重影響系統(tǒng)推薦的結(jié)果，因此提出了一種基于鄰域評(píng)級(jí)插補(bǔ)的混合協(xié)同過(guò)濾算法。通過(guò)PCA主成分分析，減少原始評(píng)級(jí)矩陣的維數(shù)。同時(shí)采用奇異值分解SVD來(lái)估算鄰近的確實(shí)評(píng)分。但是這種“打分”會(huì)對(duì)客戶(hù)造成一定的不良購(gòu)物體驗(yàn)。同時(shí)，也比較難以收集這些數(shù)據(jù)。

基于內(nèi)容的推薦算法，雖然也是屬于顯式反饋算法，但是其不需要用戶(hù)進(jìn)行評(píng)分，而是通過(guò)為商品貼上標(biāo)簽，做成商品屬性，然后分析用戶(hù)的商品偏好，推薦具有類(lèi)似屬性的商品。

基于內(nèi)容的算法作出推薦，主要有3個(gè)步驟：①內(nèi)容分析。很多時(shí)候，系統(tǒng)所推薦的內(nèi)容是具有非結(jié)構(gòu)化的，如新聞、書(shū)本、文檔信息等。所以，要做出推薦的話(huà)，必須先對(duì)這些內(nèi)容進(jìn)行整理，主要整理方法就是作內(nèi)容結(jié)構(gòu)化處理，如提取特定的屬性特征向量，再把屬性特征存入系統(tǒng)，形成對(duì)應(yīng)的特征向量數(shù)據(jù)庫(kù)。②分析用戶(hù)偏好。根據(jù)用戶(hù)歷史購(gòu)物信息，構(gòu)建用戶(hù)偏好數(shù)據(jù)庫(kù)。③匹配。將生成商品特征向量數(shù)據(jù)庫(kù)與用戶(hù)偏好數(shù)據(jù)庫(kù)進(jìn)行匹配排序，采用COS等相似度計(jì)算法，算出匹配度最高的商品。

相似度的計(jì)算方法主要是皮爾遜相關(guān)系數(shù)和余弦相似度。皮爾遜相關(guān)系數(shù)主要用于統(tǒng)計(jì)學(xué)中：

Ru，i，Ru，j表示對(duì)于商品i和商品j的評(píng)分。結(jié)果越小，表示2個(gè)商品相似度越高。顯式反饋需要收集客戶(hù)的評(píng)分信息，這往往會(huì)令用戶(hù)感覺(jué)隱私被侵犯，而且認(rèn)為這種評(píng)分行為煩瑣。所以，即便評(píng)分是為了更好地為用戶(hù)服務(wù)，但是也會(huì)造成用戶(hù)不良的瀏覽體驗(yàn)。那么，收集而來(lái)的數(shù)據(jù)就會(huì)體現(xiàn)稀疏性。

2.2 隱式反饋算法

跟顯式反饋的“打分”不一樣，隱式反饋主要是計(jì)算機(jī)主動(dòng)學(xué)習(xí)客戶(hù)的消費(fèi)習(xí)慣，通過(guò)分析相關(guān)數(shù)據(jù)來(lái)獲得客戶(hù)的偏好。例如，客戶(hù)喜愛(ài)某個(gè)商品，就會(huì)對(duì)這個(gè)商品的詳情頁(yè)進(jìn)行瀏覽、把該商品加入購(gòu)物車(chē)、分享該商品頁(yè)面等。隨著電子商務(wù)平臺(tái)的競(jìng)爭(zhēng)日益劇烈，商家們都在想盡辦法引流，刺激客戶(hù)的購(gòu)物欲望。所以，隱式反饋在目前更多地被商家運(yùn)用。早在1994年，Morita等人就已經(jīng)將用戶(hù)瀏覽新聞所用時(shí)長(zhǎng)作為隱式評(píng)分標(biāo)準(zhǔn)進(jìn)行研究，除此以外，還有用戶(hù)瀏覽的次數(shù)。謝文玲通過(guò)相關(guān)性分析發(fā)現(xiàn)，用戶(hù)的瀏覽次數(shù)和瀏覽時(shí)長(zhǎng)與用戶(hù)的興趣具有高度相關(guān)性。隱式反饋的推薦方法主要是通過(guò)引入輔助信息來(lái)實(shí)施。因?yàn)殡[式反饋缺乏用戶(hù)直接的評(píng)分，所以可以通過(guò)采用引入外部信息的方式來(lái)進(jìn)行。例如，引入相似內(nèi)容的屬性特征，形成用戶(hù)偏好，然后將推薦的項(xiàng)目與之比較，也可以基于排序進(jìn)行推薦。例如，Amatriain提出的逐對(duì)排序，將對(duì)比的電影進(jìn)行配對(duì)，然后根據(jù)用戶(hù)對(duì)電影的偏好程度，逐一進(jìn)行比較，最后將對(duì)比結(jié)果進(jìn)行排序。Li等人采用用戶(hù)的搜索歷史記錄、購(gòu)買(mǎi)記錄等來(lái)提高協(xié)同過(guò)濾的準(zhǔn)確性，也就是將用戶(hù)的信息嵌入隱式反饋中。吳遠(yuǎn)琴等采用卷積神經(jīng)網(wǎng)絡(luò)將用戶(hù)與項(xiàng)目的隱層特征進(jìn)行學(xué)習(xí)并且建模，然后把特征融入預(yù)測(cè)推薦列表。

效用來(lái)源于經(jīng)濟(jì)學(xué)，主要表示某個(gè)項(xiàng)目滿(mǎn)足人的程度，也就是人對(duì)于某個(gè)項(xiàng)目的認(rèn)可程度。因此，效用是一種主觀感受，反映出人的抽象偏好。Park等人提出采用模糊系統(tǒng)、貝葉斯網(wǎng)絡(luò)和效用理論構(gòu)建CA-MRS音樂(lè)推薦系統(tǒng)，為用戶(hù)提供音樂(lè)推薦。Manouselis等突破了傳統(tǒng)推薦算法的單一屬性的特點(diǎn)，采用了多屬性效用理論（MAUT）為顧客提供更高效的推薦。Orad認(rèn)為，顧客的隱式反饋行為類(lèi)型可以歸結(jié)為：審查、保留和參考這3種行為類(lèi)型。Konstan等人基于顧客閱讀文件時(shí)長(zhǎng)來(lái)建立顧客對(duì)文件偏好程度的考量體系。JINMOOK等嘗試通過(guò)修改瀏覽器來(lái)捕捉在某個(gè)會(huì)話(huà)內(nèi)顧客的隱式反饋數(shù)據(jù)，從而獲取顧客偏好。可見(jiàn)，基于隱式反饋的行為預(yù)測(cè)系統(tǒng)，需要系統(tǒng)通過(guò)觀察顧客的點(diǎn)擊行為來(lái)學(xué)習(xí)顧客對(duì)商品的偏好。獲取顧客隱式反饋數(shù)據(jù)的方式包括：訪(fǎng)問(wèn)頁(yè)面、停留頁(yè)面時(shí)間、拖動(dòng)滾動(dòng)條、點(diǎn)擊鼠標(biāo)、收藏某種產(chǎn)品、購(gòu)物車(chē)數(shù)據(jù)等。然后結(jié)合某種主觀考量方法對(duì)商品進(jìn)行效用評(píng)價(jià)。評(píng)價(jià)時(shí)，對(duì)顧客正常的瀏覽行為不會(huì)造成影響，所以更加具有可信度。Moe通過(guò)分析10000個(gè)家庭用戶(hù)的點(diǎn)擊行為，發(fā)現(xiàn)頻繁訪(fǎng)問(wèn)某個(gè)特定商店的用戶(hù)最終在這家商店發(fā)生購(gòu)買(mǎi)行為的概率更高。那么“訪(fǎng)問(wèn)頻率”這個(gè)行為則被視為高價(jià)值行為。Park等分析1190個(gè)用戶(hù)的行為序列，發(fā)現(xiàn)越少的網(wǎng)頁(yè)跳轉(zhuǎn)和越長(zhǎng)的網(wǎng)頁(yè)瀏覽時(shí)間的用戶(hù)，更有可能發(fā)生購(gòu)買(mǎi)。這里可見(jiàn)“跳轉(zhuǎn)次數(shù)”和“瀏覽時(shí)長(zhǎng)”這2個(gè)行為亦被視為高價(jià)值行為。Alan使用動(dòng)態(tài)多項(xiàng)式概率模型分析用戶(hù)行為序列，從概率上分析用戶(hù)行為，發(fā)現(xiàn)高價(jià)值動(dòng)作，從而預(yù)測(cè)用戶(hù)購(gòu)買(mǎi)行為。Gerald認(rèn)為用戶(hù)分2步購(gòu)買(mǎi)商品，第一步大致快速瀏覽多個(gè)商品，第二步深入詳細(xì)了解某個(gè)商品。于是，其開(kāi)發(fā)了交互式?jīng)Q策助手，分析顧客的行為序列，為顧客快速推薦商品。采用用戶(hù)行為情景數(shù)據(jù)，計(jì)算行為相似度，構(gòu)建行為特征向量，最終形成預(yù)測(cè)。這些研究都認(rèn)為，可以通過(guò)客觀的點(diǎn)擊序列數(shù)據(jù)，挖掘高價(jià)值行為，做出用戶(hù)商品購(gòu)買(mǎi)預(yù)測(cè)。

本文將隱式反饋數(shù)據(jù)嵌入效用函數(shù)，構(gòu)建基于用戶(hù)效用的隱式反饋推薦算法。這樣可以在不打擾用戶(hù)的情況下，解決冷啟動(dòng)、稀疏性問(wèn)題，為用戶(hù)購(gòu)物做出精準(zhǔn)推薦。

3 模型構(gòu)建

用戶(hù)網(wǎng)上購(gòu)物的過(guò)程，實(shí)際上是一種不斷對(duì)比的過(guò)程，所以本研究利用隱式數(shù)據(jù)，構(gòu)建效用評(píng)分制度，從而作出推薦。

所有顧客的集合表示U={u1，u2，…，ui}，個(gè)體顧客ui∈U。在一個(gè)會(huì)話(huà)期間內(nèi)（sj∈S），顧客瀏覽的全部商品的集合表示為I■={a，b，c，…，n，m}。

其中，vi表示該用戶(hù)瀏覽所有商品的效用值。同時(shí)，在該對(duì)話(huà)期內(nèi)，所有商品的效用值集合表示為V={v1，v2，…，vi}。表示商品i在目前所有商品中的序列位置。w是用戶(hù)的隱式評(píng)分機(jī)制的權(quán)重值。商品評(píng)分值為0～5分。

用戶(hù)通過(guò)瀏覽以后，每個(gè)商品都會(huì)獲得一個(gè)商品效用值vi。而在這個(gè)期間內(nèi)，該用戶(hù)所獲得的平均效用值為v（I）。假設(shè)用戶(hù)在這個(gè)期間內(nèi)所付出的成本為c，那么其收益函數(shù)則為：

其中，α和β分別表示用戶(hù)的偏好系數(shù)和商品的屬性彈性系數(shù)。根據(jù)柯布道格拉斯函數(shù)，α一般取值[0.2，0.4]，β取值[0.6，0.8]。

本研究的算法流程是首先提取用戶(hù)日志信息，從中提取隱式數(shù)據(jù)，如瀏覽時(shí)間、瀏覽時(shí)長(zhǎng)、點(diǎn)擊行為等，然后通過(guò)隱式評(píng)分機(jī)制計(jì)算出商品的效用值，再計(jì)算收益值，最終作出商品推薦。

4 實(shí)驗(yàn)測(cè)試

本次實(shí)驗(yàn)，采用了JD.COM電商平臺(tái)用戶(hù)購(gòu)物瀏覽數(shù)據(jù)，一共328名用戶(hù)作為測(cè)試集，134563條記錄。通過(guò)數(shù)據(jù)清洗以后，得出以下隱式數(shù)據(jù)類(lèi)型：

在此，以用戶(hù)u55作為例子。用戶(hù)u55在本次期間內(nèi)，產(chǎn)生了139條記錄。首先計(jì)算其瀏覽的產(chǎn)品的效用值。通過(guò)計(jì)算，可以得出，在這個(gè)時(shí)期內(nèi)，用戶(hù)u55所瀏覽的所有商品中，商品d55的效用值明顯高于其他商品。得出商品效用值以后，計(jì)算商品收益值。在此，分別采用[α1=0.2，β1=0.6]和[α1=0.4，β1=0.8]這2種情況去計(jì)算用戶(hù)u55的商品收益值。由此可見(jiàn)，無(wú)論α和β取值如何，收益值整體曲線(xiàn)趨勢(shì)不變，而且仍然是商品d55的效用值最大。由此可以將其作為推薦商品。

類(lèi)似的，把測(cè)試集328名用戶(hù)的數(shù)據(jù)進(jìn)行測(cè)試，計(jì)算準(zhǔn)確率為90.2%。

5 結(jié)論

電商平臺(tái)的流量之爭(zhēng)，導(dǎo)致商家必須竭盡全力提高用戶(hù)的體驗(yàn)感，為用戶(hù)提供良好的服務(wù)。而其中，推薦系統(tǒng)所發(fā)揮的作用不可忽視，但是以往的推薦系統(tǒng)的算法依據(jù)的是歷史信息，這樣會(huì)因?yàn)樾畔蟆⑻摷傩畔⒌鹊囊蛩囟鴮?dǎo)致推薦算法的精準(zhǔn)度低。

本研究主要利用了電商平臺(tái)中用戶(hù)的隱式數(shù)據(jù)：點(diǎn)擊瀏覽數(shù)據(jù)，構(gòu)建隱式評(píng)分機(jī)制，將用戶(hù)的瀏覽行為作出賦權(quán)，計(jì)算出商品的效用值，然后根據(jù)用戶(hù)的瀏覽成本，構(gòu)建商品收益函數(shù)，計(jì)算每個(gè)商品的收益值。最終，將收益值最大的商品作為推薦產(chǎn)品。研究采用了328名電商用戶(hù)的數(shù)據(jù)作為測(cè)試集，最終計(jì)算出其準(zhǔn)確率為90.2%。

本研究所采用的隱式數(shù)據(jù)，可以在不干擾用戶(hù)瀏覽行為的情況下，進(jìn)行商品推薦，這樣有效地解決了因?yàn)樾枰脩?hù)提供評(píng)分而造成的干擾。同時(shí)，因?yàn)椴恍枰脩?hù)事先對(duì)商品進(jìn)行評(píng)分，所以也解決了冷啟動(dòng)問(wèn)題。用戶(hù)瀏覽點(diǎn)擊數(shù)據(jù)為客觀數(shù)據(jù)，本研究引入了效用評(píng)分機(jī)制，揣摩用戶(hù)的瀏覽行為時(shí)所產(chǎn)生的心理活動(dòng)，這樣能有效地把客觀數(shù)據(jù)轉(zhuǎn)變?yōu)橹饔^心理數(shù)據(jù)。

不過(guò)，本研究也有不足之處：并沒(méi)有全方位多維度考慮顧客的瀏覽動(dòng)作類(lèi)型，如用戶(hù)分享商品頁(yè)面、用戶(hù)評(píng)論商品等這種行為并沒(méi)有列入模型中。在未來(lái)的研究中，必須更進(jìn)一步衡量用戶(hù)的行為，這樣才能提高算法的精準(zhǔn)度。

【參考文獻(xiàn)】

【1】Zhang J， Pu P. A recursive prediction algorithm for collaborative filtering recommender systems[C]// Acm Conference on Recommender Systems. ACM， 2007.

【2】 Leng Y J， Liang C Y， Qing L U， et al. Collaborative Filtering

Recommendation Algorithm Based on Neighbor Rating Imputation[J]. Computer Engineering， 2012.

【3】Masahiro Morita and Yoichi Shinoda. Information filtering based on user behavior analysis and best match text retrieval[C].， 1994.

【4】謝文玲，潘建國(guó).基于語(yǔ)義相似度的個(gè)性化信息檢索方法[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28（05）：161-164+196.

【5】Amatriain X， Pujol J M， Oliver N. I Like It. I Like It Not： Evaluating User Ratings Noise in Recommender Systems[C]//International Conference on User Modeling. Springer-Verlag， 2009.

【6】Park H S， Yoo J O， Cho S B. A Context-Aware Music Recommendation System Using Fuzzy Bayesian Networks with Utility Theory[C]//International Conference on Fuzzy Systems & Knowledge Discovery. Springer， Berlin， Heidelberg， 2006.

【7】Manouselis N， Costopoulou C. Experimental Analysis of Multiattribute Utility Collaborative Filtering on a Synthetic Data Set[M].2008.

【8】OARD D W， KIM J. Implicit feedback for recommender system[C]. In：proceedings of the massachusetts institute of technology， department of electrical engineering & computer， New York， USA： 1997.