电子商务协同推荐技术研究综述分析

ＡＰ　ＰＬＩＣＡＴＩＯＮ＿　●　

电子商务协同推荐技术研究综述分析　

文／张莉　

摘要：随着社会化网络服务和电子商务的发展，用户的消　

费内容和形式日趋多样化，且具有一定的时变性，这对电子商　

务系统的协同推荐技术提出了更高的要求。本文从三个方面综　

述了电子商务协同推荐技术研究现状：一是传统的协同推荐技　

术；二是基于用户兴趣变化的协同推荐技术；三是社会网络视　

角下的协同推荐技术。接着分析了电子商务协同推荐技术研究　

存在的问题和进一步研究方向，希望为国内相关学者研究提供　

参考。　

关键字：社会网络分析；电子商务；协同推荐；社区结构　

中图分类号：ＴＰ３９１　

引言　

随着社会化网络服务的发展，用户的个性日益彰显，消　

费内容和形式日趋多样化，且具有一定的时变性，如何利用网　

络的社会化属性促进商品的发现、推荐、分享和共购，提升用　

户的在线购物体验，对电子商务的个性化服务提出了更高的要　

求。推荐技术被认为是继搜索技术之后，解决“信息过载”问　

题、为用户提供个性化服务最具价值的技术。而协同过滤技术　

因为不需要分析推荐对象的内容特征属性，对推荐对象没有特　

殊要求，成为了实现个性化推荐服务中比较成功的方法…，许　

多大型电子商务系统，￣．１］Ａｍａｚｏｎ、ｅＢａｙ、淘宝网等不同程度　

使用了协同推荐技术。近几年国内外学者在协同推荐技术方面　

进行了大量研究，特别是随着社会网络服务的发展，一批学者　

将社会网络特性融入到协同过滤技术中，取得了许多有价值的　

成果。　

本文对目前协同推荐技术的研究从三个方面进行了综述分　

析，一是传统的协同过滤技术；二是基于兴趣变化的协同推荐　

技术；三是社会网络视角下的协同过滤技术；最后对现有研究　

进行了评述。　

传统的协同推荐技术研究　

协同过滤（推荐）也称社会过滤，主要基于用户过去的行　

为获得其对商品偏好信息，据此计算用户间偏好的相似性，然　

后在相似用户偏好的基础上为目标用户推荐感兴趣商品。其依　

据是具有相同或相似价值观、知识水平和兴趣偏好的用户，对　

信息的需求也是相似的。传统的协同推荐算法一般分３步实现　

（见图１）。　

！　：竺！　里兰　兰竺Ｆ　！！兰竺！　竺！　兰兰Ｐｌ兰兰　！　兰！ｌ　

图１协同过滤推荐步骤　

即根据用户一项目评分矩阵Ｒ＝　“）　（其中ｍ　Ｘ，ｚ表示用　户、项目数量，尺　表示第ｆ个用户对第．７个项目的评分），查找　

目标用户的近邻用户（即相似用户），通过近邻用户对项目的评价　

产生目标用户对项目的评分或者是Ｔｏｐ—ｋ个项目，实现推荐　。　

协同过滤技术分为两种类型：基于内存的协同过滤　

（Ｍｅｍｏｒｙ—ｂａｓｅｄ　ＣＦ）和基于模型的协同过滤方法（Ｍｏｄｅｌ—　

ｂａｓｅｄ　ＣＦ），而基于内存的协同过滤方法又分为Ｕｓｅ　ｒ—ｂａｓｅｄ　

和ｌｔｅｍ—ｂａｓｅｄ协同过滤两种形式　。Ｕｓｅｒ—ｂａｓｅｄ方法的基本思　

想是在评分矩阵上利用相似性度量找到与目标用户　兴趣偏好相　

似的近邻用户集合，然后再根据各近邻用户对未知项目．７的评分　

来预测用户ｆ对／的评分值，并最终形成Ｔｏｐ—ｋ个推荐目标。然而　

若两个用户没有对相同的项目进行打分，即使这两个用户的兴　

趣爱好都相同，该方法也无法得出他们之间的相似度。Ｉｔｅｍ—　

ｂａｓｅｄ方法是通过计算项目之间的相似性来代替用户之间的相似　

性，解决了上述问题，并且发现基于项目相似性比基于用户相　

似性推荐的效果更好。然而又产生了新问题：如果两个相似项　

目没有被同一个用户评分过，那么这两项目之间的相似度也无　

法计算。因而许多学者考虑将用户和项目结合起来，产生混合　

推荐算法，解决上述问题。　

随着电子商务用户数量和项目数量急剧增长，评分矩阵存　

在严重的数据稀疏问题，导致了推荐质量低下；另外随着数据　

规模的不断增加，Ｍｅｍｏｒｙ—ｂａｓｅｄ算法在计算量上和实时性上　

面临严峻挑战。因而－－￣ＬＬ学者提出基于模型（Ｍｏｄｅｌ—ｂａｓｅｄ）　

的推荐算法，多种不同的数据挖掘方法被采用：贝叶斯网络、　

聚类、降维技术、因子分解、回归模型等以及多种方法的混合　

模型。这些模型在一定程度上缓解了数据稀疏带来的问题，获　

得了不错的推荐精度　“３＿　。但是，由于这些模型计算的复杂性　

和实施难度，目前还没有被成功地运用到实际推荐系统中。　

国内学者更多还是侧重具体协同推荐方法的研究…，针对　

缩小相似用户搜索范围、数据稀疏、相似性评价等问题，提出　

了一些改进方法。邓爱林等（２００３）提出了基于项目聚类的　

协同过滤算法，根据用户对项目评分的相似性生成不同的项目　

子集，通过衡量目标项目与各个类中心的距离指定项目的类　

别归属，从而对项目产生推荐　】；吴湖等（２Ｏ１Ｏ）将联合聚类　

技术运用到协同过滤中，从用户和物品两个维度对评分矩阵　

进行联合聚类产生推荐，降低了数据稀疏的影响　；邢哲等人　

（２０１　１）基于用户、项目以及用户评论的相似性计算，将观点　

挖掘技术运用到协同过滤推荐算法中，并通过动态方法自动确　

定三个维度的权重产生最终推荐，有效缓解了用户评分数据稀　

疏带来的不良影响　。　

２、基于用户兴趣变化的协同推荐技术研究　

为了让协同推荐结果更好地反映用户兴趣变化，提高推荐　

己口１己．Ｄ７　：ｊ：　ｉ：１

　６５　￣ＡＰＰＬＩＣＡＴＩＯＮ才　刀、，　Ｉ　

；隹确度，Ｎａｔｈａｎ等人（２０１　０）在用户相似性计算时增加时间权　

重，让历史评分数据的作用随时间衰减　Ｊ，该思想虽然在一定　

程度上反映了用户兴趣的变化，但不能区分用户的短期和长期　

兴趣，也没有解决数据实时更新问题。Ｃｈｅｎｇ等人（２０１　１）基　于时间戳计算用户对每一项目组的偏好值，而所有项目组的偏　

好值组成用户兴趣向量，利用兴趣向量寻找协同过滤算法中的　最近邻，取得了比较好的效果０ｌｏ］；Ｙｅｈｕｄａ　Ｋｏｒｅｎ（２００９）将基　

于主题的概念漂移模型应用到协同推荐系统…　，上述这些研究　

共同之处是通过用户行为在固定时间窗表现和当前短暂时间表　

现，识别用户兴趣变化。　

３、社会网络视角下的协同推荐技术研究　

Ｗｅｂ２　ｏａ？代的一个最大特色是利用集体的智慧，当更多网　

络用户加入到这个集体，个体属性的重要性逐渐被淡化，这与　

协同过滤的思想不谋而合。另外，随着社会网络服务的发展，　

推荐服务也将突破简单信息获取的技术身份，成为人与其它对　

象粘合的有效手段。所以社会网络视角的协同推荐研究引起了　

国内外学者关注。　

（１）利用社会网络关系属性改进相似性计算　

一批学者利用社会网络关系调整用户相似性度量方式，如　

（１）式。　

ｗｅｉｇｈｔ（ｉ．ｊ）＝ａｓｉｍ（ｉ．ｊ）＋【ｌ—ａ）ＴＤ（ｉ．ｊ）Ｌ、１　其中，ｗｅｉｇｈｔ（ｉ，　是综合相似度、ｓｉｍ（ｉ，＿『Ｊ表示用户（项　

目）　，／相似度、ＴＤ（ｉ，．『Ｊ表示基于社会网络得到的用户间（项目　

间）的关系度。　

Ｙｕａｎ，Ｑ．｛２００９）首先分析了社会网络的朋友关系和会　

员关系对协同过滤算法性能的影响，然后将两种社会关系采用　

不同的权重和用户评分结合起来计算用户的相似性，取得了比　

较好的推荐效果　，其最大问题是权重设置是通过实验获取的　

最佳值；而Ｐ　Ｍａｓｓａ＆Ｐ　Ａｖｅｓａｎｉ（２００４）将用户间信任度融　

６６　Ｅ　：＇Ｅ”：Ｕ　：ＩＩ　：２１：Ｈ　Ｉ甚：：ｌ芑口１己．口１　入到相似性计算　，认为信任度高的用户，其相似性越大，而　

Ｙｏｕｎｇ等（２００７）直接利用用户间的信任度代替相似度　】。上　

述方法最大问题是用户间的信任是不对称的，而相似性是对称　的。Ｒ．Ｚｈｅｎｇ等（２００７）基于社会网络关系图计算两个用户间　

的距离，然后用距离修正用户相似性计算，认为关系图上两个　

用户距离越近，其相似性越大＿｜　。但是随着网络用户量增加，　

用户间距离计算的复杂度也很大。王卫平等（２０１　１）将社会　

网络的标签数据出现的关键词的相似性融入到用户相似性计算　

中，取得了比较好的效果　。　

（２）利用网络社区改进协同推荐算法　

一个社会网络可以分解为若干个社区，网络社区为商品　

的可信推荐、知识共享等提供了新的研究空间，一些学者从　

“社区”视角研究协同推荐。Ｐｈａｍ，Ｍ　Ｃ等人（２０１　０）利用　

用户社会关系通过聚类技术得到不同的网络社区，识别目标　用户所在的社区，在社区范围内寻找最近邻进行推荐ｍ】，上　

述算法思想与传统的ｕｓｅ　ｒ—ｂａｓｅｄ协同推荐类似，只是通过社　

区减少最近邻的搜索范围，并且采用社会关系属性进行聚类　

的距离计算，算法并没有真正利用社区的结构特点，也没有　

考虑在社区中所谓的最近邻是否就是对目标用户影响最大的　

结点。周涛等（２００７）用二部分图（ｂｉｐａ　ｒｔｉｔｅ　ｎｅｔｗｏｒｋ）建立　

用户一产品关系，利用网络结构提出了基于资源分配的推荐算　法【　：刘兆兴等（２０１　１）将传统的协同过滤算法和二部图的网　

络结构相结合，同时考虑项目的度对项目相似性的影响，得到　

改进的推荐算法　】。　

４、相关研究评述　

基于上述文献梳理与分析，笔者发现：传统的协同推荐和　

基于兴趣变化的协同推荐技术都是尽量从用户一项目（商品）评　

分数据出发，发掘评价数据的内在关系，在解决数据稀疏性、　

相似性评价、缩小相似用户搜索范围以及用户兴趣变化等问　题，取得了很好的效果，然而没有深入挖掘用户和项目的关系　

特征信息。基于社会网络视角的协同推荐方法，将社会网络关　

系融入到推荐技术中，增加了许多参数，而这些参数最优值多　

是通过实验获得的，实验数据不同，参数取值也不同。因而还　

需要探讨更好的参数设置方法。　

其次，目前协同推荐算法的评价普遍采用预测；隹确度　

（如：ＭＡＥ、ＭＳＥ、ＲＭＳＥ）和分类准确度（如：ｐｒｅｃｉｓｉｏｎ、　ｒｅｃａｌｌ、ＲＯＣ）　ｊ，而推荐的本质是项目排序问题。目前项目排　

列准确度的评价方法研究相对较少。另一方面，用户之间、项　

目之间、用户与项目之间的社会网络是典型的异质信息网络，　

聚类或者分类的依据会严重影响排序结果，因而还需要进一步　

研究异质信息网络下的协同推荐算法。　

另外，国内外学者基于社会网络视角研究了协同推荐方　

法，但没有充分利用网络社区结构特性，如：中心度、结点的　

度、中间性、紧密度等。Ｒａｓｉｍ　ＡＩｇｕｌｉｅｖ等（２０１　１）发现采用不　

同网络结构特性得到的结点相似性差异很大　，所以基于不同　

网络结构特性的推荐结果差异也会很大。另一方面，新用户或　ＡＰ　ＰＬＩＣＡＴＩＯＮ＿　■　

新产品刚进入系统时没有任何选择或被选信息，无法与其他用　

户或产品建立关联网络，因此无法启动基于网络结构的推荐算　

法，目前缺少这方面的研究。　

最后，随着网络用户和商品的快速增长，计算复杂性越来　

越大，需要更多、更好的模型和算法来适用用户兴趣的变化，　

区分用户的长期兴趣和短期兴趣。网络“社区”结构随时间变　

化的特性在一定程度上反映了用户兴趣的迁移和协同推荐服务　

效果，目前还缺少这方面的研究。　

５、结论　

技术的推动与商业需求的牵引决定了协同推荐技术是电子　

商务中一个方兴未艾的研究领域，特别是国内对在线社会网络　

领域研究起步较晚，基于社会网络分析的协同推荐的研究还存　

在很多的理论和实证研究空白。本文从三个方面综述了目前电　

子商务协同推荐技术的研究进展，并分析了相关研究的不足和　

进一步的研究方向，期望为国内的相关研究提供参考。　

参考文献　

【１］Ｇ．Ａｄｏｍａｖｉｃｉｕｓ＆Ａ．Ｔｕｚｈｉｌｉｎ．Ｔｏｗａｒｄ　ｔｈｅ　ｎｅｘｔ　ｇｅｎｅｒａｔｉｏｎ　ｏｆ　ｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍｓ：Ａ　ｓｕｒｖｅｙ　ｏｆ　ｔｈｅ　ｓｔａｔｅ—ｏｆ—ｔｈｅ—ａｒｔ　ａｎｄ　

ｐｏｓｓｉｂｌｅ　ｅｘｔｅｎｓｉｏｎｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　Ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ａｎｄ　Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，１７（６）：７３４—７４９．　［２】Ｘｉａｏｙｕａｎ　Ｓｕ＆Ｔａｇｈｉ　Ｍ．Ｋ．Ａ　Ｓｕｒｖｅｙ　ｏｆ　Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ　Ｔｅｃｈｎｉｑｕｅｓ［Ｊ】．Ａｄｖａｎｃｅｓ　ｉｎ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，　

２００９，２００９：Ａｒｔｉｃｌｅ　ＩＤ　４２１４２５．　

［３］ＦＩＤＥＬ　Ｃ．，Ｖ’ＩＣＴＯＲ　Ｃ．，ＤＩＥＧＯ　Ｆ．＆ＶＲＥＩＸＯ　Ｏ．Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ　Ａｌｇｏｒｉｔｈｍｓ：Ｌｉｍｉｔａｔｉｏｎｓ　ｏｆ　

Ｃｕｒｒｅｎｔ　Ｔｅｃｈｎｉｑｕｅｓ　ａｎｄ　Ｐｒｏｐｏｓａｌｓ　ｆｏｒ　Ｓｃａｌａｂｌｅ，Ｈｉｇｈ－Ｐｅｒｆｏｒｍａｎｃｅ　Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ［Ｊ】．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　ｔｈｅ　Ｗｅｂ，　

２０１ｌ，５（１）：２－３３．　［４］４李聪．电子商务协同过滤可扩展性研究综述【Ｊ】．现代图书情报技术，２０１０，（１１）：３７－４４．　

【５］张光前，雷彩华，吕晓敏．电子商务推荐的研究现状及其发展前景［Ｊ】．情报杂志，２０１ｌ，３０（１２）：６０－６５，２１．　

［６】邓爱林，朱杨勇，施伯乐．基于项目评分预测的协同过滤算法［Ｊ］．软件学报，２００３，１４（９）：１６２１－１６２８．　

［７】吴湖，王永吉，王哲．两阶段联合聚类协同过滤算法［Ｊ】．软件学报，２０１０，２１（５）：１０４２－１０５４．　

（８】邢哲，梁竞帆，朱青．多维度自适应的协同过滤推荐算法［Ｊ］．小型微型计算机系统，２０１１，３２（１１）：２２１０－２２１６．　【９】Ｎａｔｈａｎ　Ｎ．Ｌｉｕ，Ｍｉｎ　Ｚｈａｏ，Ｅｖａｎ　Ｘｉａｎｇ，ａｎｄ　Ｑｉａｎｇ　Ｙａｎｇ．Ｏｎｌｉｎｅ　ｅｖｏｌｕｔｉｏｎａｒｙ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ［Ａ］．Ｉｎ　４ｔｈ　ＡＣＭ　ＣｏｎＩ．　

ｏｎ　Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ，２０１０，９５—１０２．　

［１０］Ｔｓａｎｇ－Ｈｓｉａｎｇ　Ｃｈｅｎｇ，Ｈｕｎｇ－Ｃｈｅｎ　Ｃｈｅｎ，Ｗｅｎ－Ｂｅｎ　Ｌｉｎ＆Ｙｅｎ－Ｈｓｉｅｎ　Ｌｅｅ．Ｃｏｌ１ａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ　ｗｉｔｈ　Ｕｓｅｒ　Ｉｎｔｅｒｅｓｔ　

Ｅｖｏｌｕｔｉｏｎ［Ａ］．Ｉｎ　Ｐａｃｉｆｉｃ　Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，２０１　１，Ｐａｐｅｒ　４５．　

【１１】Ｙｅｈｕｄａ　Ｋｏｒｅｎ．Ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｗｉｔｈ　ｔｅｍｐｏｒａｌ　ｄｙｎａｍｉｃｓ［Ａ】．Ｉｎ　１５ｔｈ　ＡＣＭ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　ｄｉｓｃｏｖｅｒｙ　ａｎｄ　ｄａｔａ　ｍｉｎｉｎｇ，２００９：４４７－４５６．　

［１２］Ｙｕａｎ，Ｑ．ｅｔ　ａ１．Ａｕｇｍｅｎｔｉｎｇ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｒｅｃｏｍｍｅｎｄｅｒ　ｂｙ　ｆｕｓｉｎｇ　ｅｘｐｌｉｃｉｔ　ｓｏｃｉａｌ　ｒｅｌａｔｉｏｎｓｈｉｐｓ［Ａ］．Ｉｎ　ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　

ＡＣＭ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ＆ｔｈｅ　Ｓｏｃｉａｌ　Ｗｅｂ．２００９．４９－５６．　

【１　３】Ｐ．Ｍａｓｓａ＆Ｐ．Ａｖｅｓａｎｉ．Ｔｒｕｓｔ—ａｗａｒｅ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｆｏｒ　ｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍｓ［Ｊ】．Ｌｅｃｔｕｒｅ　Ｎｏｔｅｓ　ｉｎ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２００４，３２９０：４９２－５０８．　【１４】Ｙｏｕｎｇ　Ａｅ　Ｋｉｍ＆Ｊａｉｄｅｅｐ　Ｓｒｉｖａｓｔａｖａ．Ｉｍｐａｃｔ　ｏｆ　Ｓｏｃｉａｌ　Ｉｎｆｌｕｅｎｃｅ　ｉｎ　Ｅ—Ｃｏｍｍｅｒｃｅ　Ｄｅｃｉｓｉｏｎ　Ｍａｋｉｎｇ［Ａ］．Ｉｎ　ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　

９ｔｈ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅ－ｃｏｍｍｅｒｃｅ．２００７．２９３—３Ｏ２．　

［１　５］Ｒ．Ｚｈｅｎｇ，Ｆ．Ｐｒｏｖｏｓｔ＆Ａ．Ｇｈｏｓｅ．Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋ　Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ：Ｐｒｅｆｉｍｉｎａｒｙ　Ｒｅｓｕｌｔｓ［Ａ】．Ｉｎ　ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　６ｔｈ　Ｗｏｒｋｓｈｏｐ　ｏｎ　ｅＢｕｓｉｎｅｓｓ，２００７，４７－５５．　［１６］王卫平，张丽君．ＳＮＳ背景下基于Ｔａｇ和Ｒａｔｉｎｇ相似度融合的协同过滤【Ｊ］．计算机系统应用，２０１１，２０（１０）：７８－８１．　

【１　７］Ｐｈａｍ，Ｍ，Ｃ．，Ｃａｏ，Ｙ．，Ｋｌａｍｍａ，Ｒ．＆Ｊａｒｋｅ，Ｍ，Ａ　Ｃｌｕｓｔｅｒｉｎｇ　Ａｐｐｒｏａｃｈ　ｆｏｒ　Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ　Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　

Ｕｓｉｎｇ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋ　Ａｎａｌｙｓｉｓ［Ｊ】．Ｊｏｕｒｎａｌ　Ｏｆ　Ｕｎｉｖｅｒｓａｌ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２０１０，ｌ７：１－２１．　

【１８］Ｚｈｏｕ　Ｔ，Ｒｅｎ　Ｊ，Ｍｅｄｏ　Ｍ，ｅｔ　ａ１．Ｂｉｐａｒｔｉｔｅ　ｎｅｔｗｏｒｋ　ｐｒｏｊｅｃｔｉｏｎ　ａｎｄ　ｐｅｒｓｏｎａｌ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［Ｊ］．Ｐｈｙｓｉｃａｌ　Ｒｅｖｉｅｗ　Ｅ，　

２００７，７６：０４６１１５．　［１９］刘兆兴，张宁，李季明．基于协同过滤和网络结构的个性化推荐算法【Ｊ］．复杂系统与复杂性科学，２０１１，８（２）：４５—５０．　［２０】Ｒａｓｉｍ　Ａｌｇｕｌｉｅｖ，Ｒａｍｉｚ　Ａｌｉｇｕｌｉｙｅｖ＆Ｆａｄａｉ　Ｇａｎｊａｌｉｙｅｖ．Ｉｎｖｅｓｔｉｇａｔｉｏｎ　ｏｆ　ｔｈｅ　ｒｏｌｅ　ｏｆ　ｓｉｍｉｌａｒｉｔｙ　ｍｅａｓｕｒｅ　ａｎｄ　ｒａｎｋｉｎｇ　

ａｌｇｏｒｉｔｈｍ　ｉｎ　ｍｉｎｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｊ１．Ｊｏｕｒｎａｌ　ｏ１１　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ，２０１　１，３７（３）：２２９－２３４．　

作者简介：张莉，博士，副教授，对外经济贸易大学信息学院。研究方向：智能信息技术、电子商务。　

己口１己．口１　：　：　葛　：　

６７