摘要:為了解決協(xié)同過(guò)濾推薦方法中的數(shù)據(jù)稀疏性與冷啟動(dòng)問(wèn)題,提出了一個(gè)新的方法叫“基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法”,把學(xué)習(xí)者信任的學(xué)習(xí)者的評(píng)價(jià)也合并補(bǔ)充進(jìn)來(lái)以代表該學(xué)習(xí)者的偏好,同時(shí)也可以找到其他具有相似偏好的學(xué)習(xí)者。
關(guān)鍵詞:協(xié)同過(guò)濾;信任;在線學(xué)習(xí);推薦
中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2017)03-0177-03
1 概述
對(duì)學(xué)習(xí)推薦系統(tǒng)而言,提供高品質(zhì)的學(xué)習(xí)建議用來(lái)幫助學(xué)習(xí)者從過(guò)多的學(xué)習(xí)內(nèi)容中選擇出自己需要的內(nèi)容是非常重要的。協(xié)同過(guò)濾推薦方法是一種被廣泛接受的推薦方法,它是基于相似的學(xué)習(xí)內(nèi)容而生成的一種推薦。同時(shí),它又存在著幾個(gè)固有的問(wèn)題,如數(shù)據(jù)的稀疏性與冷啟動(dòng)問(wèn)題。為了解決這些問(wèn)題,我們提出了一個(gè)新的方法叫“基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法”。簡(jiǎn)單說(shuō),就是由把學(xué)習(xí)者信任的學(xué)習(xí)者的評(píng)價(jià)也合并補(bǔ)充進(jìn)來(lái)以代表該學(xué)習(xí)者的偏好,同時(shí)也可以找到其他具有相似偏好的學(xué)習(xí)者。
2 相關(guān)研究
Web2.0應(yīng)用的出現(xiàn),極大地改變了用戶的網(wǎng)絡(luò)學(xué)習(xí)風(fēng)格,從搜索和瀏覽轉(zhuǎn)換為交互和分享,大數(shù)據(jù)的到來(lái)使可用的選擇呈指數(shù)增長(zhǎng),但這也給學(xué)習(xí)者在搜索有用的信息時(shí)帶來(lái)了挑戰(zhàn),這就是眾所周知的超載信息問(wèn)題。協(xié)同過(guò)濾(CF)是最熟知的常用推薦技術(shù)之一。它的原理是基于相似學(xué)習(xí)興趣的學(xué)習(xí)者評(píng)價(jià)的學(xué)習(xí)內(nèi)容也會(huì)得到其他學(xué)習(xí)者的認(rèn)可。然而,CF存在幾個(gè)固有的問(wèn)題,如數(shù)據(jù)稀疏性和冷啟動(dòng)。前者的問(wèn)題是學(xué)習(xí)者一般只根據(jù)部分學(xué)習(xí)內(nèi)容評(píng)價(jià),而后者是根據(jù)少部分評(píng)價(jià)來(lái)判斷學(xué)習(xí)者的喜好是非常困難的。
為了更準(zhǔn)確地解決這些問(wèn)題并模擬學(xué)習(xí)者偏好,我們將其他來(lái)源的附加信息納入到協(xié)同過(guò)濾(CF)方法進(jìn)行研究。在本文中,提出了信任機(jī)制。信任是指一個(gè)活躍學(xué)習(xí)者對(duì)他人提供的與自己喜好相關(guān)的精準(zhǔn)評(píng)價(jià)。基于此,我們提出了一個(gè)新穎的基于信任的方法叫做基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法,旨在提高推薦的整體性能并且能夠改善協(xié)同過(guò)濾(CF)中數(shù)據(jù)稀疏性與冷啟動(dòng)的問(wèn)題。具體來(lái)說(shuō),我們根據(jù)受信任的學(xué)習(xí)者與活躍學(xué)習(xí)者的相似程度將他們對(duì)學(xué)習(xí)內(nèi)容所做的評(píng)價(jià)做平均運(yùn)算合并起來(lái),然后合并的評(píng)價(jià)集就可以用來(lái)表示學(xué)習(xí)者的喜好并且可以去發(fā)現(xiàn)基于此喜好的新的學(xué)習(xí)者,最后,合并方法被并入到常規(guī)協(xié)同過(guò)濾(CF)中去生成建議。
3 核心算法
基于合并信任的協(xié)同過(guò)濾學(xué)習(xí)推薦方法的基本原理是將受信任學(xué)習(xí)者的評(píng)價(jià)補(bǔ)充進(jìn)來(lái)并代表活躍學(xué)習(xí)者的喜好,因此采取三個(gè)措施來(lái)做出推薦。首先,發(fā)現(xiàn)和匯總受活躍學(xué)習(xí)者信任的學(xué)習(xí)者。第二,將信任學(xué)習(xí)者的評(píng)價(jià)合并,使得每個(gè)學(xué)習(xí)內(nèi)容至少被一個(gè)信任學(xué)習(xí)者評(píng)價(jià)過(guò),從而每個(gè)學(xué)習(xí)內(nèi)容都有一個(gè)單一的值,由此,形成一個(gè)新的評(píng)價(jià)文件,來(lái)代表活躍學(xué)習(xí)者的喜好。第三,基于所合并的評(píng)價(jià)分布文件,相似的用戶將被探測(cè),然后再和常規(guī)的CF方法一樣,生成推薦。
3.1 合并過(guò)程
我們引入了一些符號(hào)來(lái)建立推薦問(wèn)題的模型。具體而言,我們用U、I、R分別表示所有的學(xué)習(xí)者、所有的學(xué)習(xí)內(nèi)容、所有學(xué)習(xí)評(píng)價(jià)。我們用符號(hào)u,v表示某個(gè)學(xué)習(xí)者,用i,j表示學(xué)習(xí)內(nèi)容。然后用[ru,i]表示學(xué)習(xí)者u對(duì)學(xué)習(xí)內(nèi)容i給予的評(píng)價(jià),在一定的評(píng)價(jià)范圍取一個(gè)值,如從1到5的整數(shù)(通過(guò)推薦系統(tǒng)預(yù)定義的)。因此,一個(gè)推薦系統(tǒng)的任務(wù)可以建模為:給定一組學(xué)習(xí)評(píng)價(jià)[u,i,ru,i],為學(xué)習(xí)者u對(duì)一個(gè)未知的學(xué)習(xí)容j提供一個(gè)最好的預(yù)測(cè)。預(yù)測(cè)的評(píng)價(jià)表示為[ru,j],在基于信任機(jī)制的推薦系統(tǒng)中,學(xué)習(xí)者u已經(jīng)定義了一個(gè)信任用戶集[TNu],對(duì)于集合[TNu]中的每個(gè)受信任的學(xué)習(xí)者v,學(xué)習(xí)者u也定義了一個(gè)信任值[tu,v]在[0,1]之間,表示學(xué)習(xí)者u對(duì)學(xué)習(xí)者v的精準(zhǔn)推薦能力的信任程度。我們假定學(xué)習(xí)者u總是信任他自己提供的準(zhǔn)確評(píng)價(jià)。因此學(xué)習(xí)者u也被包括到TN中,此時(shí)[tu,u=1]。
此外,[Iu=i|ru,i∈R,i∈I]表示學(xué)習(xí)者U評(píng)價(jià)過(guò)的學(xué)習(xí)內(nèi)容集合,[Ui=u|ru,i∈R,u∈U]表示對(duì)學(xué)習(xí)內(nèi)容i做出評(píng)價(jià)的所有學(xué)習(xí)者集合。因此,建議問(wèn)題可以重新描述為:給定一個(gè)評(píng)價(jià)集合[u,i,r(u,i)]和一個(gè)學(xué)習(xí)者信任集合[u,i,t(u,v)],活躍學(xué)習(xí)者u對(duì)于目標(biāo)學(xué)習(xí)內(nèi)容j做出的最好預(yù)測(cè)[u,j,Uj]。我們最關(guān)心的是:和真實(shí)的喜好相比,我們?cè)u(píng)價(jià)預(yù)測(cè)的精度,以及可以被預(yù)測(cè)的目標(biāo)學(xué)習(xí)內(nèi)容的覆蓋范圍。
3.1.1 聚集信任的學(xué)習(xí)者
冷淡學(xué)習(xí)者通常被定義為評(píng)價(jià)學(xué)習(xí)內(nèi)容不到五個(gè)的學(xué)習(xí)者。因此,為了更好的模擬學(xué)習(xí)者的喜好,附加信息被采用。由于冷淡學(xué)習(xí)者通常都不太活躍,他們可能不會(huì)有大量值得信賴的學(xué)習(xí)者,具體來(lái)說(shuō),多數(shù)冷淡學(xué)習(xí)者只有幾個(gè)信任學(xué)習(xí)者,少數(shù)冷淡用戶有許多信任學(xué)習(xí)者。因此,雖然社會(huì)信任可以被視為一個(gè)模擬學(xué)習(xí)者喜好的強(qiáng)有力的信息來(lái)源,但冷淡學(xué)習(xí)者的信任信息卻是相當(dāng)難獲得的。幸運(yùn)地是,信任可以沿著信任網(wǎng)絡(luò)傳播。也就是說(shuō),如果學(xué)習(xí)者A信任B,B信任C,可以推斷在某種程度上學(xué)習(xí)者A信任C。為了更好地利用信任信息,有必要傳播信任,以便找到更多(間接)值得信賴的學(xué)習(xí)者。因此,我們采用一個(gè)加權(quán)因子給遠(yuǎn)距離推斷信任值:
[TU,V=1d*T'U,V] (1)
其中[TU,V]在表示推斷的信任值,d為學(xué)習(xí)者之間的最短距離,u,v由優(yōu)先搜索算法決定,[TU,V∈(0,1)]表示學(xué)習(xí)者U對(duì)其他學(xué)習(xí)者v的信任值。我們限制[d≤3],以避免在大規(guī)模數(shù)據(jù)中做無(wú)謂的搜索,節(jié)省計(jì)算成本。因此,當(dāng)學(xué)習(xí)者u對(duì)v的信任值大于臨界值時(shí),一組學(xué)習(xí)者可認(rèn)定為可信任的學(xué)習(xí)者,臨界值[TNU={v|tu,v>臨界值,v∈u}],(2)我們把距離d限制小于等于3,假定所有連接的受信任學(xué)習(xí)者都是有用的,因此簡(jiǎn)單把臨界值設(shè)為0。雖然臨界值是靈活可調(diào)的,但在實(shí)踐中沒(méi)有必要這樣做。此外,活躍學(xué)習(xí)者u本人也被視為她自己的信任學(xué)習(xí)者,[tu,u=1]。換言之,我們推測(cè)學(xué)習(xí)者U將永遠(yuǎn)相信自己的評(píng)價(jià),因?yàn)樗鼈兪菧?zhǔn)確反映自己的真實(shí)偏好。
3.1.2 合并信任學(xué)習(xí)者的評(píng)價(jià)
確定信任學(xué)習(xí)者后,確定一組候選學(xué)習(xí)內(nèi)容
[Iu=i|rv,i∈R,?v∈TNU,i∈I] (3)
這些學(xué)習(xí)內(nèi)容至少已被信任學(xué)習(xí)者中的一位評(píng)價(jià)過(guò),然后再根據(jù)信任學(xué)習(xí)者的重要性權(quán)重將學(xué)習(xí)評(píng)價(jià)合并成一個(gè)值。
[ru,j=v∈TNuwU,V?rv,jv∈TNu|wU,V|] (4)
我們認(rèn)為重要性權(quán)重[wu,v]由三部分組成:信任值[tu,v]、評(píng)價(jià)相似度[su,v]以及社會(huì)相似度[ju,v]。因此計(jì)算三個(gè)部分的線性組合:
[wu,v=α?su,v+β?tu,v+1-α-β?ju,v] (5)
其中參數(shù)[α]和[β]分別表示依賴于評(píng)價(jià)相似性和信任度的程度。這個(gè)計(jì)算背后的合理性在于:學(xué)習(xí)者彼此信任并不意味著喜好相同,所以綜合三個(gè)因素遠(yuǎn)比單考慮信任值好。信任學(xué)習(xí)者之間的相似性可能很低,因此,除了社會(huì)相似性外,同時(shí)有必要考慮評(píng)價(jià)相似性和信任度。
Pearson相關(guān)系數(shù)通常被用來(lái)計(jì)算學(xué)習(xí)者基于評(píng)價(jià)的相似性:
[su,v=i?Iu,v(ru,j-ru)rv,i-rvi?Iu,v(ru,i-ru)2i?Iu,v(rv,i-rv)2] (6)
s[u,v∈-1,1]是兩個(gè)學(xué)習(xí)者u和v之間的相似度,[Iuv=Iu∩Iv]表示學(xué)習(xí)內(nèi)容既被學(xué)習(xí)者u評(píng)價(jià),也被學(xué)習(xí)者v評(píng)價(jià)。由于活躍學(xué)習(xí)者[u∈TNu],為目標(biāo)的一致性,我們讓[Su,u=1]。[ Su,u>0]意味著正相似,[Su,u<0]意味著負(fù)相似,0表示無(wú)相似性。相似性的變化函數(shù)可以是余弦相似性,貝葉斯相似性,等等。
此外,信任的學(xué)習(xí)者之間可能不會(huì)有相似的喜好,所以不會(huì)有社會(huì)相似性。換句話說(shuō),信任和社會(huì)的相似性可能是錯(cuò)誤和不準(zhǔn)確的??紤]到積極信任和社會(huì)相似,消極的相似性可能沒(méi)有意義。因此,我們只考慮正相關(guān)用戶,即,[s>0]。另一個(gè)原因是信任的范圍值和社會(huì)相似性在方程上要一致(1)和(7)。
第三部分是兩個(gè)學(xué)習(xí)者u和v存在共同信任學(xué)習(xí)者的比率。如果他們之間有一些共同信任的學(xué)習(xí)者,這兩個(gè)學(xué)習(xí)者就是社交密切的。因此,有許多社會(huì)朋友的信任學(xué)習(xí)者比沒(méi)有朋友的學(xué)習(xí)者更為重要。社會(huì)相似性被定義為在所有信任學(xué)習(xí)者中共享學(xué)習(xí)者的比例。這可由杰卡德指數(shù)計(jì)算得來(lái):
[ju,v=|TNu∩TNv||TNu∪TNv|] (7)
[ju,v∈0,1]表示兩個(gè)學(xué)習(xí)者u和v基于共同信任學(xué)習(xí)者的社會(huì)相似性,可由由方程(1),(6)和(7)得出重要性權(quán)重[wu,v=α?su,v+β?tu,v+(1-α-β)?ju,v]。以這種方式,將信任學(xué)習(xí)者對(duì)某一個(gè)學(xué)習(xí)內(nèi)容的所有評(píng)價(jià)由方程(4)合并成單個(gè)值。
更進(jìn)一步,由于學(xué)習(xí)者u從他自己那獲得的評(píng)價(jià)總是準(zhǔn)確的,他所有的評(píng)價(jià)將被保留,并在合并過(guò)程中保持不變,我們需要強(qiáng)調(diào),當(dāng)學(xué)習(xí)者u自己沒(méi)評(píng)價(jià),而其他信任學(xué)習(xí)者評(píng)價(jià)時(shí),這種評(píng)價(jià)才會(huì)合并。簡(jiǎn)單來(lái)說(shuō),該學(xué)習(xí)者將保留所有他自己的評(píng)價(jià),值得信賴的學(xué)習(xí)者的評(píng)價(jià)將被用來(lái)補(bǔ)充他自己的喜好,這樣一個(gè)更完整、準(zhǔn)確的評(píng)價(jià)系統(tǒng)就用來(lái)表示活躍學(xué)習(xí)者的喜好。
3.2 協(xié)同過(guò)濾合并化
在合并評(píng)價(jià)后給出了對(duì)學(xué)習(xí)內(nèi)容集的新的評(píng)價(jià)文件,有了這個(gè)文件,我們就知道學(xué)習(xí)者的喜好,繼而我們?cè)儆脗鹘y(tǒng)的CF協(xié)同過(guò)濾技術(shù)預(yù)測(cè)還沒(méi)有被學(xué)習(xí)者u評(píng)價(jià)過(guò)的目標(biāo)學(xué)習(xí)內(nèi)容j。具體而言,我們首先為學(xué)習(xí)者u找到與他具有相似喜好的(曾評(píng)價(jià)學(xué)習(xí)內(nèi)容j)學(xué)習(xí)者,形成一個(gè)相似用戶集NN,為學(xué)習(xí)者u和學(xué)習(xí)者v之間的相似性。
一般來(lái)說(shuō),Pearson相關(guān)系數(shù)(PCC)經(jīng)常用來(lái)測(cè)量?jī)蓚€(gè)學(xué)習(xí)者之間的相似性(參見(jiàn)方程(6),根據(jù)他們通常的學(xué)習(xí)評(píng)價(jià)。在我們的研究情況中,除了合并后的評(píng)價(jià)之外,置信度用來(lái)表示合并評(píng)價(jià)的質(zhì)量也很重要。由于公式(6)不考慮評(píng)價(jià)的置信度,我們引入一個(gè)信任感知Pearson相關(guān)系數(shù)簡(jiǎn)稱CPCC,用來(lái)計(jì)算學(xué)習(xí)者之間的相似度。
[s'u,v=i∈Iu,vcu,iru,i-rurv,i-rvi∈Iu,vc2u,iru,i-ru2i∈Iu,vrv,i-rv2] (8)
[Iuv=Iu∩Iv]學(xué)習(xí)內(nèi)容[I]既被學(xué)習(xí)者[u]評(píng)價(jià),也被學(xué)習(xí)者[v]評(píng)價(jià)。[ru]、[rv]分別表示兩個(gè)學(xué)習(xí)者u和v的平均評(píng)價(jià)。計(jì)算了學(xué)習(xí)者的相似性后,就可以將相似的學(xué)習(xí)者形成一個(gè)群組添加到活躍學(xué)習(xí)者u最近的相似用戶集NN中,然后我們?cè)龠x擇與學(xué)習(xí)者U相似度高于預(yù)定臨界值的其他學(xué)習(xí)者。
[NNu=v|s'u,v>θs,v?u] (9)
[θs]表示預(yù)定的臨界值。
最后,所有評(píng)價(jià)都匯集在一起去預(yù)測(cè)活躍學(xué)習(xí)者u沒(méi)有評(píng)價(jià)過(guò)的商品j。我們使用簡(jiǎn)單加權(quán)平均法,即,計(jì)算由所有信任學(xué)習(xí)者V提供的評(píng)價(jià)按照他們與活躍學(xué)習(xí)者相似度的權(quán)重的平均值。從形式上看,預(yù)測(cè)的計(jì)算方式:
[ru,j=v∈NNus'u,v?rv,iv∈NNu|s'u,v|] (10)
[ru,j]代表對(duì)學(xué)習(xí)內(nèi)容j的預(yù)測(cè)值。因此,它可以確保在預(yù)測(cè)時(shí),具有相似性高的學(xué)習(xí)者有更大的影響力。
3.3 合并信任方法的優(yōu)勢(shì)
基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法相對(duì)于其它方法有兩個(gè)明顯的優(yōu)點(diǎn)。首先,它可以有效地改善數(shù)據(jù)的稀疏性、冷啟動(dòng)問(wèn)題?;诤喜⑿湃螜C(jī)制的協(xié)同過(guò)濾學(xué)習(xí)推薦方法通過(guò)合并信任學(xué)習(xí)者的評(píng)價(jià),形成一個(gè)新的能代表用戶喜好的評(píng)價(jià)分布來(lái)處理冷淡學(xué)習(xí)者。因?yàn)閇u∈TNu],[Iu∈Iu]的關(guān)系可由公式(3)推斷得知,也就是說(shuō),新形成的評(píng)價(jià)覆蓋的學(xué)習(xí)范圍比原來(lái)的評(píng)價(jià)文件多了很多。因此,可以識(shí)別出更多的相似學(xué)習(xí)者,這對(duì)只有很少甚至沒(méi)有評(píng)價(jià)的冷淡學(xué)習(xí)者很有效,這樣計(jì)算得到的相似性往往是更加可靠,因此,我們的方法可以有效緩解數(shù)據(jù)稀疏性與冷啟動(dòng)問(wèn)題。
再次,基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法在評(píng)價(jià)非常少或者信任學(xué)習(xí)者很少的情況下都可以運(yùn)作良好。此前,不少以信任為基礎(chǔ)的方法,僅根據(jù)信任學(xué)習(xí)者所提供的評(píng)價(jià)來(lái)推薦學(xué)習(xí)內(nèi)容。因此,當(dāng)其中一些學(xué)習(xí)者只指定少數(shù)學(xué)習(xí)者作為他們的信任學(xué)習(xí)者時(shí),這些方法可能就遇到類似冷啟動(dòng)問(wèn)題的影響。而對(duì)于在線學(xué)習(xí)系統(tǒng)來(lái)說(shuō),這個(gè)問(wèn)題是一個(gè)很常見(jiàn)的情況,特別是學(xué)習(xí)者缺乏與其他人主動(dòng)聯(lián)系的激勵(lì)時(shí),推薦系統(tǒng)就會(huì)受到很大的限制。與此相反,基于信任機(jī)制的在線學(xué)習(xí)協(xié)同過(guò)濾推薦方法可以通過(guò)使用活躍學(xué)習(xí)者的評(píng)價(jià)來(lái)解決這個(gè)問(wèn)題,特別是當(dāng)活躍學(xué)習(xí)者沒(méi)有指定任何可信任學(xué)習(xí)者但卻對(duì)一定數(shù)量的學(xué)習(xí)內(nèi)容評(píng)價(jià)過(guò)時(shí),合并后的評(píng)價(jià)將會(huì)和她自己實(shí)際的評(píng)價(jià)文件完全一樣,因?yàn)槲ㄒ皇苄湃蔚膶W(xué)習(xí)者就是自己。這樣,基于合并信任機(jī)制的協(xié)同過(guò)濾學(xué)習(xí)推薦方法將與常規(guī)的CF方法沒(méi)有區(qū)別。另一方面,當(dāng)冷淡學(xué)習(xí)者尚未評(píng)價(jià)任何學(xué)習(xí)內(nèi)容但已指定一些信任學(xué)習(xí)者時(shí),這些信任學(xué)習(xí)者的評(píng)價(jià)正如我們所描述的那樣可以合并。在任一種情況下,我們的方法都有能力形成新的等級(jí)文件,從而減輕冷啟動(dòng)問(wèn)題。
4 結(jié)論
本文提出了一種新的方法,把信任學(xué)習(xí)者的評(píng)價(jià)合并進(jìn)去以此代表活躍學(xué)習(xí)者的喜好,再融合傳統(tǒng)的協(xié)同過(guò)濾技術(shù)來(lái)解決傳統(tǒng)推薦系統(tǒng)中的數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題并可以識(shí)別出更多相似學(xué)習(xí)者。
參考文獻(xiàn):
[1] 王劍, 陳濤. 個(gè)性化e-Learning協(xié)作學(xué)習(xí)推薦系統(tǒng)研究[J]. 中國(guó)遠(yuǎn)程教育, 2016(7).
[2] 高山, 劉煒, 崔勇, 等. 王宗敏一種融合多種用戶行為的協(xié)同過(guò)濾推薦算法[J]. 計(jì)算機(jī)科學(xué), 2016(9).
[3] 馬莉. 一種利用用戶學(xué)習(xí)樹改進(jìn)的協(xié)同過(guò)濾推薦方法[J]. 現(xiàn)代圖書情報(bào)技術(shù), 2016(4).
[4] 黃粲. 一種改進(jìn)的協(xié)同過(guò)濾推薦算法[J]. 經(jīng)濟(jì)研究導(dǎo)刊, 2016(23).
[5] 冷亞軍, 陸青, 梁昌勇. 協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 模式識(shí)別與人工智能, 2014(8).
[6] 孫歆, 王永固, 邱飛岳. 基于協(xié)同過(guò)濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究[J]. 2012(8).
[7] 張宏亮. 基于協(xié)同過(guò)濾技術(shù)的學(xué)習(xí)資源個(gè)性化推薦研究[J]. 山東工業(yè)技術(shù), 2016(16).
[8] 史玉珍, 鄭浩. 基于協(xié)同過(guò)濾技術(shù)的個(gè)性化推薦系統(tǒng)研究[J]. 電子設(shè)計(jì)工程, 2012(11).
[9] 趙寧, 王學(xué)軍. 推薦系統(tǒng)中協(xié)同過(guò)濾技術(shù)的研究[J]. 河北省科學(xué)院學(xué)報(bào), 2013(2).
[10] 姜維龐, 秀麗. 面向數(shù)據(jù)稀疏問(wèn)題的個(gè)性化組合推薦研究[J]. 計(jì)算機(jī)工程與應(yīng)用2012(21).
[11] 王永固, 邱飛岳, 趙建龍, 等. 基于協(xié)同過(guò)濾技術(shù)的學(xué)習(xí)資源個(gè)性化推薦研究[J]. 遠(yuǎn)程教育雜志, 2011(3).