29卷第3期 2017年5月
常州大学学报（自然科学版）
Journal of Changzhou University(Natural Science Edition)
Vol. 29 No. 3
May 2017
文章编号：2095-041 1(2017)03-0051-09
个性化推荐系统综述
刘
辉
，郭梦梦，潘伟强
(常州大学商学院，江苏常州213164)
摘要：个性化推荐系统作为处理“信息超载”问题的有效工具，已经得到了广泛的研究与关注。文中对电子商务环 境下的个性化推荐算法进行了归类与综述，总结了现有的各类推荐算法的优缺点与个性化推荐系统性能评价指 标；电子商务个性化推荐算法具有良好的发展前景，但仍需有效解决个性化推荐系统中存在的冷启动、数据稀疏与 可扩展性等问题。
关键词：信息超载；个性化推荐；生能评价中图分类号：TP 8
文献标志码：A
doi:10.3969/j. issn.2095-04 1 l.2017.03.008
Overview of Personalized Recommendation Systems
LIU Hui, GUO Mengmeng, PAN Weiqiang
(School of Business, Changzhou University, Changzhou 21 31 64, China.)
Abstract：Personal recommendation as the effective tool to tackle the ^information overload” problem has
attracted wide attention of many researchers. In this paper, we make some categorizations and reviews for the personalized recommendation algorithms that under the Electronic Commerce circumstances, we also summarize the strength and weakness of these algorithms as well as measures used \\n performance evaluation of personal recommendation systems; personalized recommendation algorithms has a perfect foreground. However, tn personal recommendation systems, we still need an effective solution of cold start, data sparsity and scalability issues.Key words： information overload; personal recommendation； performance evaluation
随着互联网的发展与普及，人们在享受网络资源带来极大便利的同时，也受到信息碎片化与信息超载的 困扰，即人们发觉很难在海量的信息中找到满足自己真正需求的内容。虽然通过基于关键字的搜索引擎如 百度、谷歌等可以满足大众的简单需求，但无法满足个性化与定制化的用户需求。因此，个性化推荐系统应 运而生，成为当前解决“信息超载”问题的主流方法。例如，用户浏览商品与购买行为（如电子商务平台关于 某个产品与用户的浏览记录、购买记录、购物车等)等数据实际上蕴含着用户的潜在需求与消费习惯，个性化 推荐系统正是通过挖掘这些数据，捕捉用户兴趣爱好，从而将商品精准地推荐给用户。个性化推荐系统不仅 满足用户的个性化需求，提升用户忠诚度，并且将潜在的用户转变为真实客户，提高商业利益。网络技术的 迅猛发展拓宽了推荐系统的应用领域，推荐对象已经从最初的邮件过滤扩展到了电子商务、音乐视频网站、 在线广告、社交网络、个性化阅读等领域，其中在电子商务领域的应用最为成熟。
Adomavicius等[1]给出了推荐系统的形式化定义：将系统中所有用户集合表示为U,系统中所有可推荐
收稿日期：2016-09-30。
作者简介：刘辉（980—）男，湖南新邵人，博士，副教授，主要从事数据挖掘及生物医药数据分析研究。
• 52 •常州大学学报（自然科学版)2017 年
的产品集合表示为G(U和G的规模通常都很大，例如淘宝网拥有上千万的客户与商品等）假设使用效用 函数r计算对象G对U的推荐度（例如根据卖家的信誉度与买家对产品的评价等信息）即r:GXU —尺，i? 是一定范围内的非负实数。对于任一用户M 6 U ,推荐系统要找到推荐度尺最大的产品G*，如式（1):
G * =arg maxGegr
(u，g) (1)
R e s n i c k等[2 ]于19 9 7年给出了推荐系统的定义。一个完整的推荐系统由用户模型、产品模型与推荐算
法3部分组成。用户模型用于获取、表示、存储用户的浏览行为与购买历史数据，这些数据可以通过显示与 隐式2种方式获取。显式获取是通过用户行为（如对产品的评分、喜欢/不喜欢某个产品等)表达对产品的偏 好程度，直接得到数据；隐式获取是通过系统对用户行为（如网页浏览，购买日志等）的自动追踪来获取用户 对产品的兴趣偏好，间接得到数据。产品模型用于表示、存储产品的特征属性。产品不同其特征属性也不相 同，在推荐文档类产品（如新闻、报纸等)时可以借助分类方法与基于内容的方法提取产品的特征属性；在推 荐多媒体类产品（如视频、音乐等）时，可结合相关领域的技术与知识来抽取产品的特征属性。推荐算法作为 推荐系统的关键环节，主要通过挖掘用户历史数据中蕴含的规律来获取用户的兴趣偏好与消费习惯。因此， 个性化推荐系统应侧重考虑如何设计推荐算法来提高推荐的精准度[3]。尽管多种推荐算法已经被提出，但 仍然不能满足用户的个性化需求，许多数据挖掘与智能信息处理领域的学者仍在不断探索。
1个性化推荐算法的研究
目前主流的个性化推荐算法包括协同过滤推荐、基于内容的推荐、基于二部图的推荐、基于关联规则的
推荐以及基于社交网络的推荐[4]。下面分述各类推荐算法的核心思想及各类算法的优缺点。
1.协同过滤推荐算法
Goldberg 等[5]于 1 992 年提出了协同过滤（collaborative filtering)的概念，最初应用在 Tapestry System
上过滤对用户有用的电子邮件。经过近20年的发展，协同过滤已成为智能推荐领域的重要算法。具体地， 协同过滤推荐算法是指利用大量用户与产品关联的历史数据，计算用户/产品之间的相似度，查找与目标用 户相似性较高的近邻集，并通过近邻集用户对其他产品的评分来预测目标用户对该产品的潜在评分，产生推 荐的产品集合[6]。协同过滤推荐算法可分为基于用户的过滤算法、基于产品的过滤算法与基于模型的推荐 算法[7]。基于用户的过滤算法是指根据目标用户的偏好，找到与目标用户兴趣相似的用户群体并将该群体 感兴趣的内容推荐给目标用户，为目标用户提供定制化服务；基于产品的推荐算法是指根据现有的用户行为 数据，计算目标产品与用户喜欢的或已购买的产品的相似度，将相似度较高的产品推荐给用户；基于模型的 方法是指根据各种机器学习的方法（如线性回归模型、朴素贝叶斯分类模型、极大熵模型等）离线建立模型， 然后根据用户-产品评分矩阵，得到用户对产品的预测评分。
1)基于用户的推荐算法
该类算法根据用户对产品的评分，计算用户间的相似性并以构建的相似性矩阵为依据，估计预测评分， 为用户推荐兴趣度较高的产品[]。用户评分数据可以表 示为一个wX
to
阶矩阵，w行表示共有w个用户，wi列表
G1
U
表1用户评分数据矩阵
…
示共有个产品。P,.,表示第*个用户对第J个产品的 评分。用户评分数据矩阵见表1。
基于用户的推荐算法用于估计目标用户U,G = 1，2，…，，）对给定产品G, (j = 1, 2，…，w)的评分P,.,。该 方法首先计算用户间的相似性，选取其他用户中对第j个产品评过分的用户构成u,*集，然后根据所有的队6
U
Gk
P1k
…
U,P
,，Gm
P 1，P 1，P
P n.k
-----------------------------------------------,*对第,个产品的评分来估计用户U,对产品G,的评分[9]。该算法适用于用户相对稳定的领域，如新闻、电
影与文章的推荐。尽管基于用户的推荐算法已经在智能推荐领域得到广泛应用，但该算法存在一些不足之 处。以电子商务网站为例，一方面，网站产品的数量比较稳定而用户数目更新频率较高，在用户数量远大于 产品数量时，计算用户间的相似性越来越耗时并占用更多内存。另一方面，基于用户的算法产生的推荐结果
第3期刘辉，等：个性化推荐系统综述
• 53 •
可解释性较差。
2)基于产品的推荐算法
亚马逊公司于2 0 0 3年提出了基于产品的协同过滤推荐算法[10 ]。该类算法不是计算用户间的相似度， 而是计算目标产品与用户已购买过的或者已评过分的产品间的相似性，根据计算得到的产品-产品相似性矩 阵进行评分预测，从而将用户可能感兴趣的产品加人到推荐列表中。由于电子商务平台上产品的状态相对 比较稳定，因此可以通过离线的方式提前计算产品间的相似性，这样，在运行时只需要考虑用户已评分产品 与其他产品的相似性，计算量大大减小。对于产品相对稳定的领域（如电子商务领域）该算法比较适用。
Sarwar[11^n
仄3〇^3〇等[12]已经证明基于产品的协同过滤推荐算法比基于用户的协同过滤推荐算法在性
能上有所提升，在某些情况下（如用户数目较多时)推荐结果能更好地满足用户的个性化需求。
基于用户的推荐算法和基于产品的推荐算法涉及到用户/产品之间的相似度的计算，常用余弦相似度或 修正余弦相似度、相关系数[13]等来度量用户/产品间的相似度。除此之外，许多改进的相似度计算方法已经 被广泛提出并应用，如黄创光等[14]在相关研究的基础上提出了一种改良的相似性计算方法：如果用户仄与 用户Uh均对产品i进行了评分，则将产品z加人到集合'中，根据设定y阀值来比较用户Ua和Uh共同评分 的产品数目|'|，用比较结果来确定用户Ua与用户Ub间的相似度的大小。
s'Ua，Uh) = mn(l G 1 y) X 戴，Ub)
min(| G | ,y
y⑵
)
<1,改良后
S表示用户间的相似度。从式（2)可以看到满足式中：'表示改良后的相似度；
的相似度'(Ua , Ub)的值域仍在[,1]区间上。如果用户Ua和Ub共同评过分的产品较多，满足| ' | >y，那 么'（Ua , Ub) =KUa , Ub)如果共同评过分的产品较少，那么相似度量值也会相应减少。
通过余弦相似性、修正的余弦相似性和相关系数计算用户间的相似度，产生最近邻集，并通过最近邻集 进行推荐，常用的推荐方法包括平均评分法、加权平均评分法，以及偏移的加权平均评分法。具体的定义如 下：设U=(M1，M2,…，M„)为用户的集合，G = (g1，g2,…，g™)为产品的集合，r(M，g)表示用户M对产品g 的评分。
r(u，g) =1Ske-rk., ()
式中：U表示与用户，相似度较高的近邻集，，.,表示近邻集中第k个用户对产品z的评分，用户，与近邻集 中第k个用户的相似性表示为Ku，k),表示用户u对产品的平均评分。式（3)中取近邻集中近邻用户对产 品g评分的均值，作为目标用户对产品的预测评分;式（4)以用户之间的相似度作为权重对平均打分法进行 改进；式（5)中不仅考虑到了权重，还考虑到了用户评分尺度与偏好不同的影响。
针对于用户-产品矩阵稀缺性，刘庆鹏等[15]提出了综合均值优化方法来弥补稀缺性带来的冷启动问题。 该方法首先利用评分矩阵中的行与列估计评分矩阵中的未评分项，然后根据处理后的评分矩阵进行综合处 理得到最终评分，从而提高了系统的推荐质量。
3)基于模型的推荐算法
上述2类算法直接根据评分矩阵寻找近邻并进行评分预测，主要适用于用户兴趣状况稳定的情况。在 大型商务网站，面对大规模用户及大量产品，用户/产品间相似性的计算，特别是用户间相似性的计算，不仅 耗时而且计算量大，在真实的商务环境中该类算法的性能优势不明显，因此，为了确保系统的高可扩展性，研 究者提出了多种基于模型的推荐算法。该类算法应用统计学和机器学习算法对现有数据进行挖掘，根据现 有数据推断并建立模型，运行时仅通过得到的模型进行评分预测，包括Bayes模型[16]、概率相关模型[17]、极
• 54 •常州大学学报（自然科学版)2017 年
大熵模型[18]、基于聚类的Gibbs抽样算法[19]、基于马尔可夫决策过程模型、线性回归模型[11]等。
朴素Bayes分类模型假设样本的各个属性特征相互独立，将联合条件概率分布的计算分解独立的条件 概率相乘，大大简化了计算量。但用户之间存在相互依赖性时，算法的准确性会大打折扣。。叩&1\"等[19]提 出了一种聚类模型—
Gibbs抽样模型，该模型分别对用户和产品进行聚类，不仅能够改变用户/产品所在
的类，而且能够同时改变含有该用户/产品的事件。模型包含3个参数，其中^表示随机选取
的用户m,被分配到类々中的概率；P,表示随机选取的产品被分配到类Z中的概率则表示々类中的用户 与Z类中的产品有关联（如用户喜欢/不喜欢该类中的产品）的概率。Gibbs抽样需要在分配和参数估计两 步骤之间不断迭代直到估计出的模型参数收敛。Sarwar与KarypiS[11]考虑将线性回归模型用于预测用户 评分。他们指出用余弦相似性与相关系数计算用户/产品间相似度时，如果在用户/产品空间2个评分向量 之间的距离较远时，会导致较高的相似性，在这种情况下，根据用户-产品评分数据进行的预测其准确性会降 低。该模型是在加权评分预测（见式（4))的基础上进行了改进，利用回归模型估计近邻用户Mk对目标产品
g
的评分，根据得到的估计值计算目标用户M对产品g的评分。该类算法的不足之处在于，模型建立之后
需要根据用户兴趣的变化定期更新而模型的建立及更新过程需要耗费大量的计算。
12基于内容的推荐算法
考虑到协同过滤算法主要关注用户-产品评分矩阵，忽略了用户信息（如年龄、性别、职业、地区等）和产 品信息（如类型、规格、生产商等），基于内容的推荐算法主要解决如何根据用户和产品本身的特征进行合理 推荐的问题[3]。算法通过提取用户/产品特征，学习用户兴趣模型，考察用户资料与候选推荐产品之间的匹 配度，将匹配度最高的产品推荐给用户[20]。用户/产品特征的提取主要通过对用户/产品的文本描述为主。 在信息获取中表征文本最常使用词频-逆文档频率法。该方法的定义如下：设有N个文本文件，关键词々，在 ^个文件中出现，将关键词在文件j中出现的次数设为/,,，那么々，在j中的词频T,,定义为：
式中：Z表示在文档j中出现的关键词，分母的最大值可以通过计算j中所有关键词的频率得到[21]。在许 多文件中同时出现的关键词对于区分文件的关联性是没有贡献的[22]。因此，Tj与这个关键词在文中出现的 次的逆（i) 一起使用，
I, =l〇gN
n,N()
那么一个文件j中的内容可以表示成向量= (TOu，…，TOy.)，叫可以表示为
f ,
TOj =Z---flog
Z max f
N
—
（8)
zjn ,,。、
该算法适用于用户及产品特征容易提取的情况，Fab系统[23]就是一个典型的基于内容的推荐算法的应用。
13基于二部图的推荐算法
Aggarwal于
1 999年率先提出了基于二部图的推荐算法[21]，该类
]代表用户〇代表产品
算法仅关注用户是否选择某个产品，并不关心用户和产品是何种形式。在二部图算法中用户和产品被看作图的节点，如果用户选择某个产品，用户节点和产品节点之间就存在边，否则用户和产品节点之间不存在 边。因此，通过用户与产品之间的选择关系建立用户-产品二部图模 型，计算用户节点m ,与未选择过的产品g j之间的相关性，根据相关性 的大小向用户推荐其可能感兴趣的产品。假定用户个数为，产品个 数为n,那么TO+n个节点以及由于用户选择某个产品形成的边构成了 如图1所示的二部图。
文献[5]中提出了基于资源分配的推荐算法。假设用U代表用
图1基于二部图的网络结构图
第3期刘辉，等：个性化推荐系统综述
• 55 •
户节点，用G代表产品节点，则用户节点U和产品节点G以及节点之间因选择关系形成的边E组成二部图 网络结构。资源分配的过程通过如下步骤完成：①利用已知的用户-产品间的选择关系构建权重对象网络 (如构建权重矩阵W)②根据用户的历史数据确定用户的初始资源向量/;③根据初始资源向量与权重矩 阵的乘积得到最终的资源分配；④根据最终的资源分配向用户推荐产品节点G中资源分配较高且用户未选 择过的产品。以第一个用户〜为目标，资源分配后，产品*从产品j中获取的资源值
式中：&表示产品j被选择的次数，即产品j的度；Ku表示用户M的度。d„,的定义
^ =
i
用户M选择的产品z 〇;用户M未选择产品Z
,
((0)
对于一个给定的目标用户，通过式（9)可以计算任意产品*从产品j中获得的资源，从而得到一个n维的 矩阵W,根据式（10)可以得到一个w维的0/1矢量，代表针对该个体的初始资源分配情况，将这个矢量记为 /。最终的资源分配矢量可以表示为/=WX/。把目标用户没有看过的产品，按照/进行排序—
值越大就说明用户偏好度越高，从而产生个性化推荐。
中对应元素的大小
14基于关联规则的推荐算法
算法的核心思想：关注用户的行为数据，从大量数据中抽取潜在有用的关联规则[26]，从而向用户推荐其 感兴趣的产品。学者Agawal和Swami最先提出了基于关联规则的算法，而最先成型的关联规则算法是经 典的Ap\"〇\"算法[气关联规则认为：假设了 = “1，*2,…，^丨为项的集合，D = “i山，…，U
为交易数据
库，该数据库中的每个事务均为非空子集并且每一个交易都有一个唯一的TITXTanaction ID)与之相对 应，对于7中的子集X，如果有XGY，那么称事务了支持X[28]。把形如的蕴含式称作关联规则，其 中
D
且
XUY
= 0,关联规则的先导和后继分别用X和Y表示。在关联规则中交易数据库
所包含XUY的百分比，即P(XUY)称作此关联规则的支持度；置信度是包含X的事务中同时包含Y的
百分比，即条件概率P(Y|X)[29]。支持度和置信度是关联规则算法中2个重要指标，如果既满足最小支持 度的阀值又满足最小置信度的阀值，那么称该关联规则是有趣的。
15基于社交网络的推荐算法
算法的核心思想：利用社交网络数据捕捉用户兴趣偏好及好友信息，并根据获取的数据为用户进行个性 化产品推荐、好友推荐与信息流的会话推荐。
近年来，基于社交网络的推荐已经发展成为个性化推荐领域的研究热点之一。社交网络通过汇集不同 领域、职业、地区、年龄的人员，极大地丰富和拓展了人们的交流圈，同时激发了局域社交网络营销中蕴藏的 巨大商业价值与潜力[30]。相关领域的研究人员将基于社交网络的推荐分成两类：基于邻域的社会化推荐与 基于网络结构的社会化推荐。
基于邻域的社会化推荐利用社交网络将用户的好友关系数据与用户历史行为及兴趣数据相结合，向目 标用户推荐好友喜欢的产品集合。一般情况下，用户更倾向于选择自己熟悉的好友所推荐的产品，因此算法 中需要考虑用户与好友之间的熟悉程度及兴趣相似程度，用户M对产品*的兴趣，可用公式（11)表示[31]:(/uv+suv)rvi (11}
ve/u)
式中：/(M)表示用户u的好友集；/^表示用户u与用户v之间的熟悉程度；^，表示用户u和用户v之间兴
P\" =
趣爱好的相似度;r,表示用户v对产品,的偏好（如果用户v喜欢产品i ,rvi = 1 ;否则rvi = 0)。
基于网络结构的社会化推荐分别以用户社交网络图、用户-产品二部图的形式来表示用户的社交网络及 用户对产品的行为。通过获取的社交网络数据，将社交网络图和用户-物品二部图组合成一个网络图。该算 法首先依据用户与好友之间的熟悉程度及兴趣相似度、用户对产品的偏好度对网络图中边的权重进行定义， 然后计算用户节点与物品节点之间的相关性，最后按相关性的大小选取用户没有直接选择的产品并生成推
• 56 •常州大学学报（自然科学版)2017 年
荐列表[31]。
2各类推荐算法的优劣及其典型应用
上述各种推荐算法各有优劣，协同过滤的推荐算法优缺点都较明显，应用也最为广泛。基于内容的推荐
算法通过分析产品的特征属性进行推荐，在文本信息推荐领域应用最为成熟，在对其他产品进行推荐时，易 受特征提取技术的制约；基于二部图的推荐算法将用户和产品表示为二分图模型，根据模型为用户进行个性 化推荐，但由于在计算过程中未考虑权重导致准确度降低，研究人员针对该问题提出了多种改进仍在不断探 索；基于关联规则的推荐算法根据在用户数据中提取的关联规则进行推荐，在零售业领域应用最为成功，但 在实际应用中，关联规则较难提取；基于社交网络的推荐受到了很多网站的重视，该类算法利用好友数据向 目标推荐产品或好友，可以减轻“信息超载”现象，但在大型网站中获取用户好友数据存在困难。表2还给出 了各类算法的典型应用系统。
表2
推荐算法
优点
推荐性能随时间的推移不断提高；
协同过滤
能够向用户提供新的兴趣点；推荐个性化、 自动化程度高；不需要领域知识；能够处理复杂的非结构化对象结果直观，可解释性好；
基于内容的推荐
不需要领域知识;不需要用户评分数据；
主流推荐算法优劣及典型应用表
缺点
用户-产品矩阵的稀疏性； 可扩展性、冷启动问题； 对用户的评分数据依赖性大受新用户/新产品的限制； 推荐结果缺乏惊喜；
“度”对推荐算法产生不良影响
Fab系统
典型应用
MovieLens、Netflix Gr()u- pLens、Amazon、当当、淘
宝、CDNow、360buy、Mov-
ieFinder
基于二部图的推荐
推荐内容不受限；推荐结果具有多样性；易发现新的兴趣点； 不需要领域知识；
利用好友进行推荐増加了用户对推荐结果
受新用户/新产品的限制；
没有考虑用户评分差异量，推荐质量及 个性化程度较低
P2P交流网
基于关联规则的推荐
关联规则难抽取、耗时； 个性化程度低
ILOG
基于社交网络的推荐的信任度；有利于推荐长尾商品
在实际系统中难以获取用户好友数据Clicker视频推荐网站
3性能评价指标
个性化推荐系统常采用的性能评价指标包括：平均绝对误差、均方根误差、标准平均误差、召回率、准
确率。
1)平均绝对误差：用于衡量用户预测评分与实际评分之间的平均绝对误差，定义如式（12)所示
M
= — X； = I pra n ‘一' a = l— r,a I (12)
2)均方根误差定义如式（13)所示:表示均方根误差，
(13)
3)标准平均误差定义为
(14)
式中：n为用户Z已评过分的产品数量;M为平均绝对误差；p,a与ra分别为预测的用户评分和真实的用户评 分;为均方根误差；N为标准平均误差；n为系统中所包含的用户-产品对为用户评分的最大值r„ira 为用户评分的最小值[32]。
召回率表示推荐列表预测的用户喜欢的产品与系统中用户喜欢的所有产品的百分比。计算公式为
第3期刘辉，等：个性化推荐系统综述
N=• 57 •
R Nr(15)
准确率：定义为推荐列表中用户喜欢的产品在所有被推荐的产品中所占的比率，计算公式为
PN=, (6)
式中：R为召回率;P为准确率；N,为用户喜欢的产品被推荐的个数；Nr为系统中用户喜欢的产品；NS为所 有被推荐的产品。
在评价系统时，召回率和准确率必须结合使用才能够对算法的优劣作出评价。Pazzani滅等[33]将两者 综合，提出了 F指标，计算方法为
2PR
+ R周涛等[31]在文献中提出，在评估算法的准确性时，可以利用平均排队值（Ranking score)法。设L,(已 经根据用户兴趣进行了排序)表示用户未选择的产品数量，如果用户*与产品J之间存在选择关系，同时产 品J在排序时被排在了 R,,位置，那么G，J )的相对位置为
(8)
此外，Pearson关联[5]、Speaman关联[36]和Kendall’s Tau[3]也可以作为评价系统准确性的指标。Pear
son 关联定义为
(C =—
n
x —— - )(n
y — y )
x
—x)2
n ( —
y
—
y
(9)
)2
式中：n为向量维度，x和y表示用户向量与产品向量对应位置的评分。在排名相关性的计算方面，还可以 借助Kendall’sTau方法，计算结果越大则预测越精准，定义为
TaC —Dp)
r
(20)
为用户实际评分相同
(C+D+T
r)
(C + D + T
式中：C为系统中预测正确的用户兴趣偏序数；D为预测错误的用户兴趣偏序数；T的产品个数；Tp为预测值相同的产品个数。
距离标准化指标[23]、半衰期指标[38]、R〇C曲线[39]等指标也可以用来度量推荐系统的性能。推荐系统 不仅需要高的准确性，关键要得到用户的认同。因此刘建国等[0]提出了除准确性之外的其他指标，包括推 荐产品的流行性、多样性、覆盖率、新颖性及用户满意度等。
推荐系统自提出以来，工业界与学术界的相关研究者们不断探索，虽然已经提出了多种推荐算法，但对 于哪种算法的性能最优目前没有仍未有统一的定论。数据集不同，算法的表现也会存在差异。joonseok 等[1]对影响个性化推荐算法精准度的因素进行了分析，研究表明用户数量、产品数量以及评分矩阵的密集 度会影响算法的精准度。例如，基于用户的协同过滤算法对产品的数量有很大的依赖性，而基于产品的协同 过滤算法对用户数量有很大的依赖性。
4结论
推荐系统已经成为缓解“信息超载”问题的有利工具。与搜索引擎相比，推荐系统的优势在于能够主动
收集用户的特征资料，挖掘蕴含在用户行为数据中的有效信息并定制性地向用户提供其可能感兴趣的产品 或信息，同时通过及时跟踪用户的需求变化自动调整信息服务的方式和内容。目前推荐系统已经应用到多 个领域，比如电子商务领域（如Amazon, com、eBay等）、网页标签领域（如Fab、sesamr. com等）、新闻领域 (如 GroupLens 等）、电影领域（如 MovieLens，Netflix，Moviefinder. com 等）、音乐领域（如 Ringo 等），其中 在电子商务领域中的应用最为成熟。
虽然推荐系统已经在众多领域得到了研究与应用，但是随着系统规模的不断扩大以及用户与产品数量 的指数级增长，用户对产品的评分数据变得更为稀疏。以Movielens数据集为例，该数据集为协同过滤算法
• 58 •常州大学学报（自然科学版)2017 年
研究中使用最多的数据集之一，其中Movielens 1M数据集包含了包含6 039位用户对3 883部电影的 1 000 209条评分记录，但该数据集的稀疏度达到了 95. 73%,过高的稀疏度严重降低了推荐系统的性能；当 新用户与新产品进人系统后，用户、产品信息的缺少使得推荐系统面临着冷启动问题，即无法准确向新用户 推荐符合其兴趣偏好的产品。一些推荐算法需要提取用户/产品的特征，从文本信息中提取特征比较容易， 但从多媒体信息（如视频、音频、图像等）中提取特征受到技术上的制约，造成推荐系统无法准确获取用户与 产品的特征。此外，由于协同过滤算法需要在整个数据空间进行计算，在数据集较小的情况下，其推荐效果 较好，但是面对上百万用户/产品时，该类算法的可扩展性不佳，降低了系统的时效性和精准性[42]。
为了缓解用户-产品评分矩阵的稀疏性、冷启动及可扩展性问题，文献[43]中提出了一种将用户聚类与 产品聚类技术相结合的个性化推荐算法。该算法首先依据评分矩阵对用户进行聚类，通过计算目标用户与 聚类中心的相似性进行评分预测，然后结合产品聚类技术产生推荐；文献[44-45]将矩阵分解技术引人到推 荐系统中。此外，对现有算法进行改良与并行化运算已成为解决电子商务环境下数据矩阵稀疏性、可扩展性 等问题的研究热点，不少学者对推荐系统的评价指标、多维度推荐等进行研究和扩展。
参考文献：
[1 ]八DOMAVICIUS G，TUZHIIN 八.Toward the next generation of rccommicndcr systems: a survey of the stat--〇f-th--art
and possible extensionsJJ]. IEEE T'rans on Knowledge and Data Engineering, 2005,17(6)： 73/l-7/19.
[2] RE:SNICK P, VARIAN H R. Rccommcndcr systcm[J]. Communication of theACM，1997，’10(3.): 56-58.[3] 赵良辉，熊作贞.电子商务推荐系统综述及发展研究[].电子商务，2013, 35(12)58-60.
[]崔春生，吴祁宗，王莹.用于推荐系统聚类分析的用户兴趣度研究[].计算机工程与应用，2011，47(7)226-228.[5] GOLDBERG D, NICOLS
ACM, 1992,35C12) :61-70.
D.
Using
collaborative filtering
to
weave
an
information
tapestry [J ]
[6] 刘发升，洪营.基于用户特征属性和云模型的协同过滤推荐算法[J].计算机工程与科学，2014 36(6) 1 172-1 176.[7] 许海玲.互联网推荐系统比较研究[].软件学报，2009, 20(2)350-362.
[8] 孙光福，吴乐，刘淇，等.基于时序行为的协同过滤推荐算法[].软件学报，2013, 24(1 1 )2721-2733.
[9] RESNICK P，lAKOVOU N，SUSHAK M，et al GroupLens: anopen architecture for collaborative filtering of netnews
[C]^Proceeding of the 1994Computcr SupportedCooperative WorkConfcrcnce.NorthCarolina: ACM，1994:175-186.[10] LINDEN G, SMITH B, YORK J. Recommendations tem-to-item collaborative filtcring[J]. IEEE Internet Computing, 2003，7C1):76-80.
[11] SARWAR B, KARYP1S G, KONSTAN J, et al. Item-based collaborative filtering recommendation algorithms[C]//In-
tcrnational World Wide Web Conferences. Hongkong： ACM,2001 ：285-295.
[12] DPSHOANDE\" M, KARYP1S G. Item-based top-n recommendation algorithms [J ]. ACM TVans Information System, 2004, 22(1 ):143-177.
[13] 张光卫，李德毅，李鹏，等.基于云模型的协同过滤推荐算法[J].软件学报，2007, 18(10)2403-24 1 1.[14] 黄创光，印鉴，汪静，等.不确定近邻的协同过滤推荐算法[J].计算机学报，2010,33(8) = 1369-1377.
[15] 刘庆鹏，陈明锐.优化稀疏数据集提高协同过滤推荐系统质量的方法[].计算机应用，2012, 32():1082-1085.[16] CHIE:N Y H, GE:ORGE:
E:
I. A
Bayesian model
for
collaborative
nitcring[C]//Proceeding
of
Workshop Artificial Intelligence and Statistics.Florida： [s. n. ], 1 999.
th
[17] GErrOOR L, SAHAMI M. Using probabilistic relational models for collaborative filtcring[C]/Proceeding of the Work
shop Web Usage Analysis and User Profiling (WEB KDD'9). San Diego ：[s. n. ] , 1 999.
[18] PAVLOV D，PE:NNOCK D. A maximumentropy approach to collaborative filtering in dynamic，sparse，hig
domains[C] / International Conference on Neural Information Processing.Cambridge ： MIP Press»2002 ： 14 65-14 72.
[19] UNGAR L H, FOSTE'R D P. Clustering methods for collaborative filtcring[C]//Procccdings of the 1998 workshop on
RccommcnDation Systems.McnloPark:AAAI Press，1998:84-88.
[20] 常璐.高校图书馆E-earning支持服务研究[D].上海：东华大学，2013.[21] SALTON G.
Automatic
text
processing:
the
transformation,
analysis» and
retrieval of
in
ton: Addison-Wcslcy, 1989.
第3期刘辉，等：个性化推荐系统综述
• 59 •
[22]刘玲.基于Topsis思想的内容推荐算法研究[]数学的实践与认识，2012,12(16)113-119.
[23 ]BAL ABANO VIC M, SHOHAM Y. Fab： contcnt-bascd collaborative rcconinicndation[j]. Communications of the ACM,
1997, 40(3) ：66-72.
[2.1]蔡红蕾.二部图网络结构算法在推荐系统中的应用[D].秦皇岛：燕山大学，2011
[25] ZHOU T，JING L L，SU R Q，ct al. Effect of initial configuration on network-based rcconmicndation[J]. Europhys Lett， 2008,1(5) ：58004.
[26] 肖波，徐前方，蔺志青，等.可信关联规则及其基于极大团的挖掘算法JJ]软件学报，2008, 19(10)2597-2610.
[27] PlNTO H， HAN J，PEI J，ct al. Multi-dimensional sequential pattern mining[C]//Conference on Information and Knav-
ledge Management. Atlanta： ACM，2001： 81-88.
[28] 杨红菊，梁吉业.一种有效的关联规则的挖掘方法[J].计算机应用，2004, 2.1(3)88-89.
[29] 殷红，许彦如，王长波.考虑信誉的网络交易可视化研究[J].东华大学学报（自然科学版），2013, 39(4)514-518.[30] 黄仁，孟婷婷.个性化推荐算法综述JJ]中小企业管理与科技（中旬刊），2015(8)271-273.[31] 项亮.推荐系统实战[M].北京：人民邮电出版社，2012:151-152.
[2]王国霞，刘贺平.个性化推荐系统综述[J].计算机工程与应用，2012,48() :66-76.[33] PAZZANIM，BILLSUS
Learning，1997，27(3)313-331.
D.
Learning and
revising user
profiles： The
identification of interesting Web sitcs[J
[34] ZHOU T，REN J，MEDO M， ct al. Bipartite network projection and personal rccommcndationCJ]. Physical Review E， 2007，76() ： 0461 15.
[35] RODGERS J L，NICEWANDER W A. Thirtccnways to look at the correlation cocficicnt[J]. ThcAmcrican Statistician， 2012, 42(1 ) ： 59-66.
[3 6] SPEARMAN C. Thcproof and measurement of association between two things [J]. American Journal of Psychology，
1904，15(1) ： 72-10.
[37] KENDALL M. A new measure of rank coirclationJJ]. Biometrika，1938，30: 81-93.
[38] BREESE J，HECHERMAN D，KADIEC. Empirical analysis of predictive algorithms for collaborative nitcring[C]//Pro-
cccdings of the 14th Conference on Uncertainty in Artificial Intelligence.San F'rancisco：Morgan Kaufmann， 1998:4 3-52.
[39] SWETSJA. Information retrieval systcms[J]. Science，1963，14 1 (3577)24 5-250.
[4 0]K)ONSEOK L，MINGXUANS，GUY L. Acomparativc sUidy of collaborative titering algorithms[J/OL]. (2012-03-14.) [2016-01-04].littps ： //arxiv.org/abs/1205.3 193.
[1]刘 建国，周涛，郭强，等.个性化推荐系统评价方法综述[J].复杂系统与复杂性科学，2009, 6(3) 1-10.[2] 应毅，刘亚军，陈诚.基于云计算的个性化推荐系统JJ]计算机工程与应用，201 5,1(13)1 11-1 17.
[3]G ONGS. Acollaborativc filtering recommendation algorithm based onuscr clustering and item clustcring[J]. Journal of
Software， 2010， 5(7.) ：745-752.
[4] 涂丹丹，舒承椿，余海燕.基于联合概率矩阵分解的上下文广告推荐算法JJ]软件学报，2013,24 (3):54-464.
[4 5]BAUER J，NANOPOULOS A. A framework for matrix factorizationbascd on general distributions[C] / Proceedings of
the 8-th ACM Conference on Rccommcndcr Systems. Silicon Valley： ACM Press,2014 ： 24 9-256.
(责任编辑：李艳)
因篇幅问题不能全部显示，请点此查看更多更全内容