李智君

摘? 要： 為了縮短室內(nèi)設(shè)計(jì)推薦的時(shí)間，為用戶快速推薦感興趣的室內(nèi)設(shè)計(jì)，提出基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦技術(shù)。通過(guò)計(jì)算室內(nèi)設(shè)計(jì)分詞，分析室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾的權(quán)重分布。基于對(duì)室內(nèi)設(shè)計(jì)的內(nèi)容進(jìn)行關(guān)鍵詞特征的選擇和計(jì)算，確定室內(nèi)設(shè)計(jì)特征提取流程，完成基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征提取。根據(jù)用戶的室內(nèi)設(shè)計(jì)初始評(píng)分，計(jì)算出室內(nèi)設(shè)計(jì)的權(quán)重，通過(guò)權(quán)重向量值預(yù)測(cè)用戶室內(nèi)設(shè)計(jì)的最終評(píng)分，利用室內(nèi)設(shè)計(jì)推薦算法流程確定推薦算法的實(shí)現(xiàn)步驟，完成室內(nèi)設(shè)計(jì)推薦算法的設(shè)計(jì)。最后通過(guò)室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾推薦模型，實(shí)現(xiàn)基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦。實(shí)驗(yàn)結(jié)果表明，基于協(xié)同過(guò)濾算法的推薦技術(shù)相比于傳統(tǒng)推薦技術(shù)，室內(nèi)設(shè)計(jì)的推薦時(shí)間縮短了70.3%。

關(guān)鍵詞： 協(xié)同過(guò)濾算法; 室內(nèi)設(shè)計(jì); 推薦技術(shù); 特征提取; 算法設(shè)計(jì); 預(yù)測(cè)評(píng)分; 權(quán)重矩陣; 推薦模型

中圖分類號(hào)： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）13?0176?04

Interior design recommendation technology based on collaborative filtering algorithm

LI Zhijun

（Institute of Information Technology of GUET， Guilin 541001， China）

Abstract： An interior design recommendation technology based on the collaborative filtering algorithm is proposed to shorten the recommendation duration of interior design and quickly recommend interested interior designs for users. The weight distribution of collaborative filtering of interior design is analyzed by calculating the word segmentation of interior design. On the basis of the keyword feature selection and calculation for the content of interior design， the feature extraction process of interior design is determined and the interior design feature extraction based on collaborative filtering is completed. The weight of interior design is calculated according to the user′s initial score of interior design. The final score of user′s interior design is predicted by the value of weight vector. The flow of interior design recommendation algorithm is used to determine the implementation steps of the recommendation algorithm， so as to complete the design of interior design recommendation algorithm. In the end， the interior design recommendation based on collaborative filtering algorithm is realized by the collaborative filtering recommendation model of interior design. The experimental results show that the recommendation technology based on the collaborative filtering algorithm reduces the recommendation duration of indoor design by 70.3% in comparison with the traditional recommendation technology.

Keywords： collaborative filtering algorithm; interior design; recommendation technology; feature extraction; algorithm design; prediction score; weight matrix; recommendation model

0? 引? 言

科學(xué)技術(shù)的發(fā)展已經(jīng)完全顛覆了人們的生活方式，人們?nèi)粘Ｉ畹囊恍┬袨榕e動(dòng)都逐漸由線下轉(zhuǎn)至線上，網(wǎng)絡(luò)的普及和電商的發(fā)展給人們帶來(lái)方便的同時(shí)，也為人們塑造了一種極強(qiáng)的舒適感，無(wú)論身處何處，網(wǎng)絡(luò)終端都可以為人們提供感興趣的信息資源，還可以將人們的信息資源分享給外界[1]。如今用戶的線上操作、資源共享、數(shù)據(jù)的產(chǎn)生導(dǎo)致網(wǎng)絡(luò)數(shù)據(jù)量的增長(zhǎng)，使人們不得不消耗大量的時(shí)間和精力去尋找更多有價(jià)值的信息，信息資源過(guò)載的現(xiàn)象也越來(lái)越嚴(yán)重。

傳統(tǒng)的室內(nèi)設(shè)計(jì)推薦技術(shù)可以為用戶過(guò)濾掉更多的無(wú)用信息，但是主觀性能相對(duì)較弱[2]，并且隨著移動(dòng)互聯(lián)網(wǎng)設(shè)備的普及，很多用戶都在室內(nèi)設(shè)計(jì)鏈接中留下了自己的行為信息，也逐漸樂(lè)于留下自己的觀點(diǎn)評(píng)價(jià)以供其他用戶參考[3]。當(dāng)網(wǎng)絡(luò)上的數(shù)據(jù)積累到一定量后，分析和挖掘用戶數(shù)據(jù)，可以獲得用戶的喜好信息和室內(nèi)設(shè)計(jì)需求信息。針對(duì)用戶的室內(nèi)設(shè)計(jì)需求為其產(chǎn)生相關(guān)推薦，因此推薦技術(shù)應(yīng)運(yùn)而生，作為解決數(shù)據(jù)信息過(guò)載問(wèn)題的有效方法，室內(nèi)設(shè)計(jì)推薦技術(shù)已經(jīng)成為學(xué)術(shù)界關(guān)注的熱點(diǎn)話題[4]。

基于以上分析，本文將協(xié)同過(guò)濾算法應(yīng)用到了室內(nèi)設(shè)計(jì)推薦技術(shù)的設(shè)計(jì)中，通過(guò)收集用戶的歷史行為，并對(duì)其進(jìn)行統(tǒng)計(jì)和計(jì)算，為用戶提供精準(zhǔn)的室內(nèi)設(shè)計(jì)推薦服務(wù)，室內(nèi)設(shè)計(jì)推薦技術(shù)對(duì)用戶的操作性要求低，對(duì)增強(qiáng)用戶體驗(yàn)感具有重要作用。

1? 室內(nèi)設(shè)計(jì)推薦技術(shù)設(shè)計(jì)

1.1? 基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征提取

在推薦室內(nèi)設(shè)計(jì)時(shí)，需要將室內(nèi)設(shè)計(jì)特征提取出來(lái)，并儲(chǔ)存記錄，以免出現(xiàn)推薦相似度差的問(wèn)題，從而影響室內(nèi)設(shè)計(jì)推薦的時(shí)間。室內(nèi)設(shè)計(jì)特征提取時(shí)，根據(jù)協(xié)同過(guò)濾算法篩選并統(tǒng)計(jì)出室內(nèi)設(shè)計(jì)的特征詞詞頻，在不同的室內(nèi)設(shè)計(jì)中，特征詞的確切含義需要根據(jù)用戶歷史行為來(lái)確定[5]。對(duì)于室內(nèi)設(shè)計(jì)推薦，室內(nèi)設(shè)計(jì)文本中的協(xié)同過(guò)濾更能代表用戶感興趣的信息，室內(nèi)設(shè)計(jì)內(nèi)容的協(xié)同過(guò)濾可以直接反映出用戶的感興趣點(diǎn)，可以對(duì)基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)文本進(jìn)行推薦，通過(guò)先確定用戶感興趣的室內(nèi)設(shè)計(jì)，得出用戶感興趣的室內(nèi)設(shè)計(jì)列表，開(kāi)始室內(nèi)設(shè)計(jì)的推薦。

室內(nèi)設(shè)計(jì)往往會(huì)包含大量的材料信息、生產(chǎn)日期、材料名稱以及生產(chǎn)地等，因此室內(nèi)設(shè)計(jì)特征提取通常會(huì)從室內(nèi)設(shè)計(jì)方案中解析出室內(nèi)設(shè)計(jì)材料信息[6]。但是相同類型的室內(nèi)設(shè)計(jì)中，每一種設(shè)計(jì)方案的出現(xiàn)都會(huì)對(duì)用戶的興趣產(chǎn)生影響，而每一種設(shè)計(jì)方案出現(xiàn)次數(shù)的多少對(duì)用戶的興趣信息影響就會(huì)相對(duì)較弱。

采用協(xié)同過(guò)濾算法進(jìn)行室內(nèi)設(shè)計(jì)推薦時(shí)，先完成室內(nèi)設(shè)計(jì)的分詞計(jì)算，根據(jù)分詞計(jì)算的結(jié)果分析協(xié)同過(guò)濾的權(quán)重分布，協(xié)同過(guò)濾減少了室內(nèi)設(shè)計(jì)內(nèi)容的數(shù)據(jù)大小。根據(jù)室內(nèi)設(shè)計(jì)數(shù)據(jù)集的基本內(nèi)容，提取室內(nèi)設(shè)計(jì)的特征點(diǎn)作為室內(nèi)設(shè)計(jì)表示信息的主要特征，并根據(jù)室內(nèi)設(shè)計(jì)表示信息的特征提取結(jié)果，分析用戶產(chǎn)生的興趣集合，同時(shí)產(chǎn)生推薦[7]。

在選擇基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征時(shí)，通過(guò)使用室內(nèi)設(shè)計(jì)高頻詞生成室內(nèi)設(shè)計(jì)推薦集合，將詞頻值高于閾值的詞語(yǔ)作為室內(nèi)設(shè)計(jì)推薦的關(guān)鍵詞，對(duì)室內(nèi)設(shè)計(jì)的內(nèi)容進(jìn)行關(guān)鍵詞特征的選擇和計(jì)算，最后得到用戶的興趣模型，實(shí)現(xiàn)室內(nèi)設(shè)計(jì)的推薦[8]?；趨f(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征提取流程如圖1所示。

在室內(nèi)設(shè)計(jì)特征提取過(guò)程中，先對(duì)室內(nèi)設(shè)計(jì)數(shù)據(jù)集進(jìn)行內(nèi)容的分詞計(jì)算，得到室內(nèi)設(shè)計(jì)內(nèi)容分詞集合，然后對(duì)室內(nèi)設(shè)計(jì)集合篩選并擴(kuò)充，得到最終的室內(nèi)設(shè)計(jì)集合，接著根據(jù)分詞計(jì)算結(jié)果開(kāi)始匹配計(jì)算，得到室內(nèi)設(shè)計(jì)特征詞向量，通過(guò)用戶瀏覽的記錄，建立興趣模型，通過(guò)相似度計(jì)算，將室內(nèi)設(shè)計(jì)特征提取出來(lái)[9]。下面利用基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)推薦算法設(shè)計(jì)為室內(nèi)設(shè)計(jì)推薦提供支持。

1.2? 基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)推薦算法設(shè)計(jì)

將室內(nèi)設(shè)計(jì)通過(guò)協(xié)同過(guò)濾算法賦予一定權(quán)重，根據(jù)用戶的室內(nèi)設(shè)計(jì)權(quán)重和評(píng)分，計(jì)算出室內(nèi)設(shè)計(jì)的權(quán)重，并預(yù)測(cè)出未評(píng)分室內(nèi)設(shè)計(jì)的大致評(píng)分結(jié)果，縮短室內(nèi)設(shè)計(jì)的推薦時(shí)間。先根據(jù)用戶室內(nèi)設(shè)計(jì)的歷史評(píng)分記錄，建立室內(nèi)設(shè)計(jì)文檔集，采用協(xié)同過(guò)濾算法計(jì)算出用戶室內(nèi)設(shè)計(jì)的權(quán)重向量[10];然后建立一個(gè)室內(nèi)設(shè)計(jì)線性回歸模型和代價(jià)函數(shù)，利用協(xié)同過(guò)濾算法計(jì)算室內(nèi)設(shè)計(jì)權(quán)重向量;最后根據(jù)權(quán)重向量的值，預(yù)測(cè)出用戶室內(nèi)設(shè)計(jì)的評(píng)分，為用戶室內(nèi)設(shè)計(jì)產(chǎn)生推薦[11]。室內(nèi)設(shè)計(jì)推薦算法流程圖如圖2所示。

室內(nèi)設(shè)計(jì)推薦算法的實(shí)現(xiàn)步驟如下：

輸入：用戶?室內(nèi)設(shè)計(jì)?協(xié)同過(guò)濾數(shù)據(jù)集，室內(nèi)設(shè)計(jì)推薦項(xiàng)目數(shù)[N]

輸出：用戶的室內(nèi)設(shè)計(jì)推薦項(xiàng)目集

Step1：建立室內(nèi)設(shè)計(jì)文檔集。根據(jù)用戶室內(nèi)設(shè)計(jì)的歷史評(píng)分記錄，建立室內(nèi)設(shè)計(jì)文檔集，統(tǒng)計(jì)室內(nèi)設(shè)計(jì)在用戶檢索中出現(xiàn)的次數(shù)[12]。

Step2：計(jì)算用戶室內(nèi)設(shè)計(jì)權(quán)重。根據(jù)用戶室內(nèi)設(shè)計(jì)歷史評(píng)分記錄，確定用戶感興趣的室內(nèi)設(shè)計(jì)種類，采用協(xié)同過(guò)濾算法計(jì)算用戶室內(nèi)設(shè)計(jì)權(quán)重。

Step3：建立室內(nèi)設(shè)計(jì)權(quán)重矩陣。根據(jù)室內(nèi)設(shè)計(jì)權(quán)重向量建立室內(nèi)設(shè)計(jì)權(quán)重矩陣，并利用矩陣的維度建立室內(nèi)設(shè)計(jì)權(quán)重初始矩陣。

Step4：確定室內(nèi)設(shè)計(jì)線性回歸的代價(jià)函數(shù)。根據(jù)用戶室內(nèi)設(shè)計(jì)的評(píng)分記錄、矩陣及初始矩陣，采用協(xié)同過(guò)濾算法構(gòu)建代價(jià)函數(shù)。

Step5：梯度下降。更新并迭代代價(jià)函數(shù)中的參數(shù)，直到代價(jià)函數(shù)的值沒(méi)有明顯變化，將此時(shí)的參數(shù)值作為室內(nèi)設(shè)計(jì)權(quán)重值[13]。

Step6：預(yù)測(cè)室內(nèi)設(shè)計(jì)未評(píng)分項(xiàng)目。根據(jù)室內(nèi)設(shè)計(jì)權(quán)重，預(yù)測(cè)用戶未評(píng)分的室內(nèi)設(shè)計(jì)項(xiàng)目的評(píng)分值。

Step7：調(diào)整室內(nèi)設(shè)計(jì)預(yù)測(cè)評(píng)分。計(jì)算出預(yù)測(cè)值與實(shí)際值之間的平均偏差，調(diào)整預(yù)測(cè)結(jié)果，推薦出用戶感興趣的室內(nèi)設(shè)計(jì)。

1.3? 室內(nèi)設(shè)計(jì)推薦

針對(duì)傳統(tǒng)室內(nèi)設(shè)計(jì)推薦技術(shù)面臨的問(wèn)題，在協(xié)同過(guò)濾算法的基礎(chǔ)上，添加用戶偏置和室內(nèi)設(shè)計(jì)項(xiàng)目偏置信息，同時(shí)融合上文的推薦算法，通過(guò)室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾推薦模型實(shí)現(xiàn)基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦，縮短室內(nèi)設(shè)計(jì)的推薦時(shí)間。

根據(jù)用戶對(duì)室內(nèi)設(shè)計(jì)的評(píng)分以及室內(nèi)設(shè)計(jì)項(xiàng)目的特征，構(gòu)建用戶與用戶之間、項(xiàng)目與項(xiàng)目之間的相似矩陣。利用相似矩陣選擇出用戶和室內(nèi)設(shè)計(jì)項(xiàng)目中最臨近的集合，通過(guò)協(xié)同過(guò)濾算法預(yù)測(cè)出用戶已經(jīng)參與過(guò)評(píng)分項(xiàng)目的評(píng)分值，將預(yù)測(cè)出來(lái)的評(píng)分值作為特征值，真實(shí)評(píng)分值作為目標(biāo)值，將二者組合在一起生成一個(gè)新的訓(xùn)練數(shù)據(jù)集[14]。將新的訓(xùn)練數(shù)據(jù)集作為室內(nèi)設(shè)計(jì)的線性回歸模型的輸入來(lái)訓(xùn)練推薦模型，根據(jù)訓(xùn)練完成的推薦模型預(yù)測(cè)室內(nèi)設(shè)計(jì)的未知評(píng)分，采用協(xié)同過(guò)濾算法產(chǎn)生一個(gè)室內(nèi)設(shè)計(jì)的推薦列表，實(shí)現(xiàn)基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦[15]。基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦模型框架如圖3所示。

綜上所述，由于室內(nèi)設(shè)計(jì)文本中的協(xié)同過(guò)濾更可以代表用戶感興趣的信息，通過(guò)計(jì)算室內(nèi)設(shè)計(jì)的分詞，分析了室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾的權(quán)重分布，將詞頻值高于閾值的詞語(yǔ)作為室內(nèi)設(shè)計(jì)推薦的關(guān)鍵詞，對(duì)室內(nèi)設(shè)計(jì)的內(nèi)容進(jìn)行關(guān)鍵詞特征的選擇和計(jì)算，確定了室內(nèi)設(shè)計(jì)特征提取流程，完成了基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征提取。根據(jù)用戶的室內(nèi)設(shè)計(jì)初始評(píng)分，計(jì)算出室內(nèi)設(shè)計(jì)的權(quán)重，通過(guò)權(quán)重向量的值預(yù)測(cè)出用戶室內(nèi)設(shè)計(jì)的最終評(píng)分，利用室內(nèi)設(shè)計(jì)推薦算法流程，確定推薦算法的實(shí)現(xiàn)步驟，完成室內(nèi)設(shè)計(jì)推薦算法的設(shè)計(jì)。最后通過(guò)室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾推薦模型實(shí)現(xiàn)了基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦。

2? 仿真實(shí)驗(yàn)分析

2.1? 搭建仿真實(shí)驗(yàn)環(huán)境

由于實(shí)驗(yàn)室條件有限，本文采用仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證。實(shí)驗(yàn)環(huán)境的各節(jié)點(diǎn)配置如表1所示。

2.2? 實(shí)驗(yàn)方法及步驟

實(shí)驗(yàn)過(guò)程中，采用推薦數(shù)量作為自變量，利用兩種推薦技術(shù)進(jìn)行對(duì)比實(shí)驗(yàn)，推薦數(shù)量模擬室內(nèi)設(shè)計(jì)項(xiàng)目的數(shù)量，即室內(nèi)設(shè)計(jì)項(xiàng)目的多少?zèng)Q定著推薦數(shù)量的多少，因此，在同一個(gè)室內(nèi)設(shè)計(jì)方案背景下進(jìn)行不同推薦數(shù)量的對(duì)比實(shí)驗(yàn)，獲取到室內(nèi)設(shè)計(jì)推薦的時(shí)間。實(shí)驗(yàn)具體實(shí)施過(guò)程如下：

Step1：準(zhǔn)備實(shí)驗(yàn)環(huán)境，安裝并運(yùn)行仿真軟件，將兩種推薦技術(shù)載入到仿真程序中。

Step2：在推薦數(shù)量為1～20個(gè)范圍內(nèi)進(jìn)行實(shí)驗(yàn)，每推薦一個(gè)室內(nèi)設(shè)計(jì)項(xiàng)目，記錄一次推薦時(shí)間。

Step3：在室內(nèi)設(shè)計(jì)方案相同的情況下，進(jìn)行不同推薦數(shù)量的對(duì)比實(shí)驗(yàn)，即推薦數(shù)量為1時(shí)，模擬室內(nèi)設(shè)計(jì)項(xiàng)目的數(shù)量也是1個(gè)，推薦數(shù)量為2時(shí)，模擬室內(nèi)設(shè)計(jì)項(xiàng)目的數(shù)量也是2個(gè)，依此類推。

Step4：在未執(zhí)行任何推薦技術(shù)時(shí)，記錄室內(nèi)設(shè)計(jì)項(xiàng)目的推薦時(shí)間。

Step5：分別執(zhí)行兩種不同的推薦技術(shù)，記錄單個(gè)室內(nèi)設(shè)計(jì)項(xiàng)目的推薦時(shí)間，繪制實(shí)驗(yàn)結(jié)果圖。

2.3? 實(shí)驗(yàn)結(jié)果分析

利用上述實(shí)驗(yàn)方法及步驟，獲取到了室內(nèi)設(shè)計(jì)的推薦時(shí)間對(duì)比曲線，如圖4所示。

從實(shí)驗(yàn)結(jié)果中可以看出：采用傳統(tǒng)推薦技術(shù)，隨著室內(nèi)設(shè)計(jì)推薦數(shù)量的增加，室內(nèi)設(shè)計(jì)推薦的時(shí)間越來(lái)越長(zhǎng)，當(dāng)室內(nèi)設(shè)計(jì)推薦數(shù)量為15個(gè)時(shí)，推薦的時(shí)間已經(jīng)達(dá)到了37 s，室內(nèi)設(shè)計(jì)推薦的平均時(shí)間為21.8 s，減弱了用戶的體驗(yàn);而采用基于協(xié)同過(guò)濾算法的推薦技術(shù)，隨著推薦數(shù)量的增加，室內(nèi)設(shè)計(jì)推薦的時(shí)間也有延長(zhǎng)的趨勢(shì)，但是不明顯，室內(nèi)設(shè)計(jì)推薦的時(shí)間最長(zhǎng)也只有10 s左右，室內(nèi)設(shè)計(jì)推薦的平均時(shí)間為4.2 s，有效縮短了室內(nèi)設(shè)計(jì)推薦的時(shí)間，增強(qiáng)了用戶體驗(yàn)。

3? 結(jié)? 語(yǔ)

本文提出基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦技術(shù)。由于室內(nèi)設(shè)計(jì)文本中的協(xié)同過(guò)濾更可以代表用戶感興趣的信息，將室內(nèi)設(shè)計(jì)詞頻值高于閾值的詞語(yǔ)作為室內(nèi)設(shè)計(jì)推薦的關(guān)鍵詞，對(duì)室內(nèi)設(shè)計(jì)的內(nèi)容進(jìn)行關(guān)鍵詞特征的選擇和計(jì)算，確定了室內(nèi)設(shè)計(jì)特征提取流程，完成了基于協(xié)同過(guò)濾的室內(nèi)設(shè)計(jì)特征提取。通過(guò)室內(nèi)設(shè)計(jì)權(quán)重向量的值，預(yù)測(cè)出用戶室內(nèi)設(shè)計(jì)的評(píng)分，確定了推薦算法的實(shí)現(xiàn)步驟，完成室內(nèi)設(shè)計(jì)推薦算法的設(shè)計(jì)。最后通過(guò)室內(nèi)設(shè)計(jì)協(xié)同過(guò)濾推薦模型，實(shí)現(xiàn)了基于協(xié)同過(guò)濾算法的室內(nèi)設(shè)計(jì)推薦。實(shí)驗(yàn)結(jié)果表明，基于協(xié)同過(guò)濾算法的推薦技術(shù)可以縮短室內(nèi)設(shè)計(jì)的推薦時(shí)間，增強(qiáng)用戶的體驗(yàn)。

參考文獻(xiàn)

[1] 何波，潘力.融合內(nèi)容和改進(jìn)協(xié)同過(guò)濾的個(gè)性化推薦算法[J].控制工程，2018，25（8）：1553?1558.

[2] 楊辰，劉婷婷，劉雷，等.融合語(yǔ)義和社交特征的電子文獻(xiàn)資源推薦方法研究[J].情報(bào)學(xué)報(bào)，2019，38（6）：632?640.

[3] 曹步清，肖巧翔，張祥平，等.融合SOM功能聚類與DeepFM質(zhì)量預(yù)測(cè)的API服務(wù)推薦方法[J].計(jì)算機(jī)學(xué)報(bào)，2019，42（6）：1367?1383.

[4] 顓悅，熊錦華，程學(xué)旗.一種融合個(gè)性化與多樣性的人物標(biāo)簽推薦方法[J].中文信息學(xué)報(bào)，2017，31（2）：154?162.

[5] 李吉，黃微，郭蘇琳.一種基于相似度和信任度融合的微博內(nèi)容推薦方法[J].圖書(shū)情報(bào)工作，2018，62（11）：112?119.

[6] 黃濤，戴淑敏，成二麗.一種地方志資源的混合推薦模型[J].國(guó)家圖書(shū)館學(xué)刊，2018，27（2）：14?19.

[7] 徐建民，劉明艷，王苗.基于用戶擴(kuò)展興趣的微博推薦方法[J].計(jì)算機(jī)應(yīng)用研究，2019，36（6）：1652?1655.

[8] 袁仁進(jìn)，陳剛，李鋒，等.基于VSM和Bisecting K?means聚類的新聞推薦方法[J].北京郵電大學(xué)學(xué)報(bào)，2019，42（1）：114?119.

[9] 彭宏偉，靳遠(yuǎn)遠(yuǎn)，呂曉強(qiáng)，等.一種基于矩陣分解的上下文感知POI推薦算法[J].計(jì)算機(jī)學(xué)報(bào)，2019，42（8）：1797?1811.

[10] 余永紅，高陽(yáng)，王皓，等.融合用戶社會(huì)地位和矩陣分解的推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2018，55（1）：113?124.

[11] 劉晴晴，羅永龍，汪逸飛，等.基于SVD填充的混合推薦算法[J].計(jì)算機(jī)科學(xué)，2019，46（z1）：468?472.

[12] 王東，薛峰，劉凱，等.基于物品融合自編碼器的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用，2019，39（z1）：84?87.

[13] 謝振平，金晨，劉淵.基于建構(gòu)主義學(xué)習(xí)理論的個(gè)性化知識(shí)推薦模型[J].計(jì)算機(jī)研究與發(fā)展，2018，55（1）：125?138.

[14] 張繼東，黃媛.基于社交媒體基因圖譜的用戶推薦模型研究[J].情報(bào)雜志，2019，38（8）：188?194.

[15] 李廣麗，朱濤，袁天，等.混合分層抽樣與協(xié)同過(guò)濾的旅游景點(diǎn)推薦模型研究[J].數(shù)據(jù)采集與處理，2019，34（3）：566?576.