一种融合协同过滤和内容过滤的混合推荐方法
高虎明, 赵凤跃
天津财经大学商学院 天津 300222
赵凤跃, ORCID: 0000-0001-9607-3367, E-mail: foreverzfy3@163.com

作者简介:高虎明, 赵凤跃: 提出研究思路, 设计研究方案, 论文最终版本修订; 赵凤跃: 进行实验, 采集、分析和清洗数据, 起草论文。

摘要
目的探索协同过滤与内容过滤新的融合方法, 提高个性化推荐方法的推荐准确度。方法提出项目热度计算方法并对Pearson相关系数算法进行改进, 建立当前用户与其邻居的兴趣模型, 对邻居用户进行过滤, 由最终得到的可信邻居对当前用户进行推荐。结果在MovieLens 1M电影评分数据集上的实验结果表明, 提出的混合推荐方法推荐效度要好于现存的两种混合方法。【局限】在为用户建立兴趣模型时, 项目的不同标志性特征需要人为抽取, 且对于项目的标志性特征个数及其在用户的兴趣中所占的权重分配问题, 不同的研究者可能会有不同的见解。结论本文提出的混合推荐方法可有效提高个性化推荐的准确度。
关键词: 个性化推荐; 协同过滤; 内容过滤; 可信邻居; 项目热度; 兴趣模型
中图分类号:TP391
A Hybrid Recommendation Method Combining Collaborative Filtering and Content Filtering
Gao Huming, Zhao Fengyue
Business School, Tianjin University of Finance & Economics, Tianjin 300222, China
Abstract

[Objective] This paper explores a new method combining two basic recommendation algorithms to improve the recommendation accuracy of the personalized recommendation method. [Methods] The trusted neighbors can be obtained by putting forward a calculation method of the project heat to optimize the algorithm of Pearson Correlation Coefficient and establishing the interest model for the current users and its neighbors. [Results] The experiment set in MovieLens 1M movie rating data shows that the hybrid recommendation method proposed in this paper can acquire better recommendation accuracy than the exist two kinds of hybrid recommendation methods. [Limitations] The unique characteristics of the projects need to be selected by different people who may have different opinions to the number of the characteristics and their weight distribution in the interest model. [Conclusions] The hybrid recommendation method proposed in this paper improves the recommendation accuracy of the personalized recommendation.

Keyword: Personalized recommendation; Collaborative filtering; Content filtering; Trusted neighbors; Project heat; Interest model
1 引言

互联网技术的迅猛发展把人们带进了信息爆炸时代。网络在为用户提供海量资源的同时, 也给用户获取真正感兴趣的信息与服务带来困难。另外, 信息爆炸也使得大量少人问津的信息成为网络中的“ 暗信息” , 无法被一般用户获取, 这对于用户对信息的诉求与信息本身的共享都是不利的[1]。推荐系统的应用成为过滤信息的有效方法。然而, 如果推荐质量差, 推荐系统不但不能迎合用户, 反而适得其反, 因此如何提高个性化推荐质量, 已成为商家与学者需要解决的问题。

典型的个性化推荐技术主要有协同过滤与内容过滤两种。协同过滤分为基于用户的协同过滤和基于项目的协同过滤两种。协同过滤的优点是在评分矩阵较密集的情况下推荐效果好, 并且除了用户评分, 不需要知道关于项目的其他信息, 这样的好处是避免付出很大的代价向系统提供详细且实时更新的项目描述信息; 但协同过滤主要的缺点是过于依赖评分矩阵, 在数据稀疏的情况下, 用户相似度计算不准确, 推荐效果大打折扣。内容过滤是建立在对项目内容信息进行分析和特征提取的基础之上。因此, 相对于协同过滤对评分数据的依赖性要小得多。其优点是能推荐没有评分的新项目且能针对用户兴趣偏好非常直观地进行推荐; 缺点是要求项目具有良好的结构性以便于特征的提取, 另外完全进行项目特征匹配, 推荐结果往往缺乏新颖性[2]

2 研究背景

传统的个性化推荐方法虽然被广泛应用, 但并不完美, 许多学者开始从不同角度对个性化推荐方法进行研究, 且大多集中在对协同过滤和内容过滤的推荐方法的改进研究。对协同过滤的改进方面, 廉涛等[3]将潜在因素模型(LDA主题模型)与协同过滤相结合。王海艳等[4]基于Beta信任模型构建邻居用户的可信联盟, 利用可信联盟进行服务推荐。许智宏等[5]综合考虑项目相似度和类别相似度提出基于项目综合相似度的协同过滤推荐算法, 还有一些研究应用不同的理论对项目进行聚类来对同一类内未评分项目进行预测以求缓解评分矩阵的稀疏问题[6, 7, 8]。对基于内容过滤算法的改进与应用方面, 饶俊阳等[9]将语义相似度模型引入基于内容过滤的推荐系统中, 计算用户和项目之间的语义相似度, 提高了推荐效果。Goossen等[10]提出的 CF-IDF方法使用余弦相似度衡量项目与用户之间的相似度。曾春等[11]将领域分类模型上的概率分布引入到内容过滤的算法中, 提升了推荐精度。另外, 为了充分发挥协同过滤和内容过滤各自的优势, 学者们提出将二者混合的混合推荐策略。曹毅[12]对协同过滤和内容过滤的预测值进行加权求和, 在推荐系统运行过程中, 通过权重参数对预测值进行动态调节, 以期在不同阶段采取不同的推荐方法。此方法的优点是能发挥协同过滤各自的优势, 在推荐系统运行早期, 由于评分数据比较稀疏, 利用内容过滤推荐算法, 而当中后期, 评分数据比较稠密后再着重利用协同过滤推荐算法。但此方法也存在弊端, 即推荐系统运行不同时期的界定以及权重参数如何合理地、动态地自我调节都是必须要解决的关键问题。李忠俊等[13]通过内容过滤预测用户对所有项目的评分, 构造预测误差矩阵, 并利用协同过滤计算误差矩阵的空缺值, 结合预测值与误差值获得用户对未知项目修正的预测评分。该方法虽然能对基于内容推荐算法的预测评分进行有针对的修正, 但是对同一项目评分误差相似的用户兴趣不一定相似, 所以评分矩阵由于可以反映用户的兴趣偏好而具有协同功能, 但评分差值却不一定有。因此, 将协同过滤算法应用在误差矩阵上来计算误差偏差是有缺陷的。陈天昊等[14]先用协同过滤推荐算法对当前用户推荐, 并得到当前用户的推荐项目集, 再利用内容过滤滤除掉与用户兴趣不匹配的项目, 得到最终优化后的推荐项目。此方法虽然能有针对地滤除掉与用户兴趣存在偏差的项目, 但是这样做将使推荐结果过于单调且缺乏新颖, 不能满足用户的多样化需求, 也不能引发用户新的兴趣。

本文从寻找可信邻居出发, 将基于内容过滤的推荐方法融入到协同过滤相似邻居的寻找中, 提出一种融合协同过滤和内容过滤的混合推荐方法。该方法以基于相似用户的协同过滤为基础, 在计算用户相似度时, 考虑到让两个用户对有争议的项目达成共识会比对广受欢迎的项目达成共识更有价值这一道理[15], 将项目的热度属性引入到相似度计算公式中, 以提高相似用户的可信性。另外基于内容过滤的思想, 通过对初步得到的相似用户进行分类并分别建立他们与目标用户的兴趣模型, 通过兴趣模型滤除与目标用户兴趣迥异的邻居, 由最终得到的可信邻居对当前用户进行推荐。

本文提出的混合推荐方法的优势主要体现在将内容过滤应用在协同过滤可信邻居的寻找中, 而不是推荐项目的过滤中, 这样既缓解了由于评分矩阵稀疏而导致的利用协同过滤寻找相似用户困难的缺陷, 也避免了利用内容过滤推荐结果缺乏新颖的固有弊端。另外, 通过对协同过滤推荐算法中的Pearson相关系数进行优化, 增加了相似用户的可信度。

3 融合协同过滤和内容过滤的混合推荐方法
3.1 协同过滤寻找邻居用户

协同过滤是一种传统而有效的推荐方法, 也是如今应用最广泛的推荐方法。随着学者们对其不断的研究和深入, 传统的协同过滤推荐方法可以细分为两种: 基于用户的协同过滤与基于项目的协同过滤。本文提出的混合算法是以基于用户的协同过滤算法为基础, 计算用户之间的相似度。在计算过程中提出项目热度概念并对相似度计算公式进行优化。

(1) 项目热度与优化的Pearson相关系数

项目热度指项目受欢迎程度。广受欢迎, 则项目的热度越高, 反之亦然; 一个项目的热度可以体现在对项目进行评分用户的数量和对应的综合评价上。项目的热度可以根据获取的用户-项目评分矩阵来定义。为此, 笔者提出项目p的热度 的计算公式如下:

(1)

其中, N表示用户总数(包括未对项目p评分的用户), ri, p表示用户i对项目p的评分( 1…N); 在计算评分和时, 如果用户i对项目p没有评分记录, 则跳过该用户; 可知, 对项目进行评分的人越多且评分越高, 则项目越热, 热度的值域为: 0< hp< Max{ ri, p}。

常用的计算用户相似性的方法为Pearson相关系数。给定用户集U、项目集P以及用户对项目的评分矩阵R, 表示用户u对项目p评分的平均值, 则用户a和用户b 的相似度表示如下[15]:

(2)

在寻找相似用户集时发现, 两个用户对有争议的项目达成共识会比对热门项目达成共识更有价值, 但现有的相似度计算方法无法将这种情况考虑在内。为了寻找对推荐结果更有价值的相似用户, 笔者对Pearson相关系数(公式(2))进行改进, 将项目热度hp以参数的形式加入到相似度计算公式中, 以降低热门项目对寻找相似用户的相对重要性。优化后的相似度计算公式如下:

(3)

从公式(3)中可以看出, 项目热度越高, 对于用户a和b之间相似性计算作用越小。利用优化的Pearson相关系数计算当前用户与其余用户的相似度。由Top-N原则选出当前用户的N位邻居。

(2) 相似用户的分类

在用笔者改进的用户相似度计算公式(公式(3))计算得到的相似用户集中, 并不是对所有的用户都能带来很好的推荐结果。为了更好地区分用户, 笔者将相似用户集中的用户划分为A、B、C三类。其中A是指兴趣与目标用户非常相似的用户, 称作“ 真邻居” ; B是指喜欢的项目比较分散, 并且兴趣与目标用户差异很大的用户, 称作“ 假邻居” , 这类用户之所以会通过相似度检验出现在相似用户集中, 主要是评分矩阵比较稀疏所致, 由这样的用户产生的推荐是非常危险的; C是指兴趣与目标用户整体上基本一致, 但自己也有小异的用户, 称作“ 潜力邻居” , 这样的用户生成的推荐容易带来惊喜, 引发目标用户新的兴趣。

接下来要做的就是滤除邻居B, 保留邻居A与邻居C, 从而在不失惊喜度的情况下, 提高推荐结果的准确度。而区分这三种相似用户的方法就是利用内容过滤为相似用户集中每一位用户与目标用户分别建立各自的兴趣模型, 通过比较兴趣相似度来区分。

3.2 内容过滤滤除“ 假邻居”

利用内容过滤滤除“ 假邻居” , 需要对项目的内容进行特征提取形成特征矩阵, 利用项目的特征矩阵与用户-项目评分矩阵对用户构建兴趣模型来描述其喜好。内容过滤的关键在于项目特征的提取、用户兴趣模型的建立与相似度的计算。

(1) 提取项目特征

项目特征要求具有标志性, 特征的不同既可以区分项目又能反映用户的兴趣诉求。一个项目可以有多个标志性特征, 每个标志性特征又包含一些相区别的内容。例如, 电影的标志性特征包括类型、导演、演员、出品时间等, 对于类型这一特征所包含的相区别的内容有动作、励志、科幻、爱情等。

提取的项目特征可以构建项目特征矩阵(由项目特征与每个特征对应的内容组成), 也可以用来建立用户的兴趣模型, 因为用户对项目的兴趣可以体现在他对项目特征的偏好上, 所以可以根据用户过去对项目的评分矩阵, 统计用户好评项目的各个标志性特征在对应内容上的分布来建立用户的兴趣模型。下面以用户-电影评分矩阵为例, 具体阐述用户的兴趣模型建立过程。

(2) 建立用户兴趣模型

收集用户对电影的评分得到用户-电影评分矩阵。假设对于5分制的评分矩阵(评分范围为1-5), 如果用户对某一部电影的评分大于等于3, 则认为他喜欢这部电影。根据用户喜欢的电影特征建立用户的兴趣链表。

电影的标志性特征有很多, 包括电影的类型、导演、演员、出品时间等。这里以挖掘用户喜欢的电影类型为例说明。电影的类型包括动作、励志、科幻、爱情等, 每部电影在存入影视库时都有相应的标签标明。对于当前用户的评分数值大于等于3的电影, 逐个从数据库中获取这些电影的信息, 记录这些电影所属的类型, 并统计每种类型出现的次数, 再按次数由高到低进行排名, 形成该用户的电影类型属性兴趣链表, 如表1所示:

表1 用户感兴趣的电影类型链表

这里规定在次数大于2的情况下取前4个类型作为当前用户喜欢的电影类型。用同样的方法可以得到用户喜欢的电影导演、演员等其他标志性特征链表。记录用户对于以上方面的喜好就可建立用户的兴趣模型, 如表2所示:

表2 用户的兴趣模型

(3) 计算用户之间或者用户和项目之间的相似度

通过提取项目特征建立项目特征矩阵以及利用项目特征矩阵与评分矩阵为用户建立兴趣模型之后, 就可以计算用户之间或用户与项目之间的相似度。相似度的计算可以转化为距离的计算, 欧氏距离是最常见的距离度量方法, 它衡量的是多维空间中各个点之间的绝对距离, 公式如下:

(4)

其中, X, Y表示多维空间中的两个点, 分别对应两点在空间各个维度上的值。在计算用户之间或用户与项目之间的相似性时, 笔者在欧氏距离公式的基础上给出利用用户的兴趣模型计算用户之间相似性的度量公式如下:

(5)

其中, x表示项目的标志性特征, 表示标志性特征x对应的权重。括号内的符号对于不同的项目特征代表的意义也不同。以电影的类型为例, L表示当前用户 喜欢的类型和邻居用户 喜欢的类型的种类总和。对应某种类型y, 表示其在用户 的兴趣模型中出现的情况, 表示其在用户 的兴趣模型中出现的情况, 若出现, 则该位为1, 未出现则为0。这样对n个特征分别代入括号内求值, 最终求得两个用户的兴趣相似度。用户和项目之间的相似度也可以由公式(5)计算, 这时将其中一个用户的兴趣模型换成项目的特征矩阵代入计算即可。

3.3 方法的描述

融合协同过滤和内容过滤的混合推荐方法的具体实现流程如图1所示:

图1 推荐方法流程图

(1) 由用户-项目评分矩阵, 根据公式(1)为每一个项目计算项目热度。

(2) 对于待推荐的当前用户, 如果该用户的评分数据比较稀少(如评价的项目数少于20), 为了提高推荐质量, 直接利用3.2节介绍的内容过滤的方法建立该用户的兴趣模型, 计算用户与项目之间的相似度(公式(5)), 利用相似度由高到低推荐项目。如果该用户评价的项目数大于20, 则根据改进的相似度计算公式(公式(3))计算用户与当前用户的相似度, 采用Top-N的方法得出由N位用户组成的初步相似邻居集。

(3) 依照3.2节介绍的方法为当前用户与其N位相似邻居分别建立兴趣模型, 并通过公式(5)比较N位邻居与当前用户的兴趣相似度, 根据相似度由大到小对N位邻居重新排序, 选出前M(M< N)位用户得最终可信邻居。

(4) 由M位可信邻居计算当前用户对未知项目的评分。其中, 用户a对项目p的预测评分 的计算公式如下[15]

(6)

根据Top-N原则选出预测评分高的项目组成当前用户最终的推荐项目集。

4 实验与结果分析
4.1 实验数据与评价方法

实验数据来自GroupLens项目小组提供的MovieLens 1M电影评分数据, 该数据集中记录了来自6 040个用户对3 900部电影的1 000 209个评分, 评分范围为{1, 2, 3, 4, 5}。数据的稀疏度为1-1000209/ (6040× 3900)=0.9575。另外数据中也包含对电影信息的描述, 包括每部电影的名称、发行时间、类型等信息, 此文件将被用于电影特征矩阵与用户兴趣模型的建立。

对此数据集随机抽取80%作为训练集, 剩余20%作为测试集。在实验中, 只考虑电影的类型这一标志性特征来建立用户的兴趣模型, 即电影类型对应权重为1, 其他电影特征对应权重为0。

实验采用平均绝对误差(MAE)作为评价指标。MAE度量测试集中用户a对电影p的预测评分与实际评分的误差, MAE值越小, 说明推荐质量越高, 预测越准确, MAE的计算公式如下:

(7)

Test表示测试集中全部用户-电影评分对(a, p), T表示测试集中评分对的个数。 表示用户a对电影p的预测评分, 其计算公式可参考公式(6)。

4.2 实验结果与分析

为了验证本文混合推荐方法的有效性, 笔者设立了两个实验, 分别为: 参数N与M关系分析与推荐算法有效性分析。

(1) 参数N与M的关系分析

本文的混合推荐方法(Hybrid Recommendation Method by Author, HRM-Author)中存在两个参数, 一个是优化的Pearson相关系数(公式(3))所选出的相似用户数目N, 另一个是通过比较相似用户与当前用户兴趣(公式(5))而选择出的可信邻居数目M。选择基于用户的协同过滤(User-based Collaborative Filtering, User-based CF)作为参照, 假定M=2N/3, 随着邻居数目N的变化, 本文提出的混合推荐方法的推荐质量会发生变化, 实验结果如图2所示。固定参数N, 分析随着M(M≤ N)取不同值时, 推荐质量的变化情况, 实验结果如图3所示。

图2 邻居数目变化时推荐质量变化趋势图

图3 参数N固定时, M不同取值的推荐效果

图3可以看出, 固定N=27, 当M=21时, 本文提出的混合推荐方法推荐质量最高, 此时两个参数N与M的关系大约为: M=3N/4; 另外, 当M=N=27时, 本文方法推荐质量略高于基于用户的协同过滤方法, 说明不采用内容过滤滤除“ 假邻居” 的情况下, 利用优化的Pearson相关系数寻找相似用户也起到了一定的效果。

(2) 推荐算法效度分析

为了验证本文提出的新的融合协同过滤与内容过滤的推荐方法的推荐效度, 现将本文提出的混合推荐方法(HRM-Author)与李忠俊等[13]提出的混合方法(HRM-LI’ S)和陈天昊等[14]提出的混合方法(HRM- CHEN’ S)进行推荐效度比较。设定M=3N/4, 比较结果如表3图4所示。

表3 混合推荐方法随邻居数目变化MAE变化表

图4 混合推荐方法推荐效度比较

表3图4中可以看出, 相比于其他两种混合推荐方法, 本文提出的混合推荐方法的推荐质量更好; 另外, 三种方法在达到最优值之后, 随着邻居个数的增加, 本文提出的方法推荐准确度降低的幅度更平缓, 说明相比于其他两种方法, 本文提出的混合方法对邻居数目的变化不敏感, 推荐更稳定。

5 结语

从寻找可信邻居角度出发, 探索一种融合协同过滤和内容过滤的混合推荐方法。期望发挥两种算法各自的优势, 以提高推荐质量。通过参数关系分析以及混合推荐方法效度对比分析实验表明, 本文的混合推荐方法是有效方法, 推荐质量要优于另外两种混合算法。但还存在一些问题, 比如在用内容过滤比较用户之间或用户与项目之间的相似度时, 项目的不同标志性特征在用户的兴趣模型中所占的权重分配、两个参数N与M的关系是否在不同的项目评分数据集中会有所变动等问题有待于进一步研究。

参考文献
[1] 刘建国, 周涛, 汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学进展, 2009, 19(1): 1-15.
(Liu Jianguo, Zhou Tao, Wang Binghong. Research Progress of Personalized Recommendation System[J]. Natural Science Progress, 2009, 19(1): 1-15. ) [本文引用:1] [JCR: 0.989] [CJCR: 0.575]
[2] 温梅. 个性化推荐中基于贝叶斯网络的用户兴趣模型研究[D]. 武汉: 华中师范大学, 2013.
(Wen Mei. Research on Bayesian Network Based User Interest Model in Personalized Recommendation [D]. Wuhan: Central China Normal University, 2013. ) [本文引用:1]
[3] 廉涛, 马军, 王帅强, . LDA-CF: 一种混合协同过滤方法[J]. 中文信息学报, 2014, 28(2): 129-135.
(Lian Tao, Ma Jun, Wang Shuaiqiang, et al. A Mixture Model for Collaborative Filtering[J]. Journal of Chinese Information Processing, 2014, 28(2): 129-135. ) [本文引用:1] [CJCR: 1.13]
[4] 王海艳, 杨文彬, 王随昌, . 基于可信联盟的服务推荐方法[J]. 计算机学报, 2014, 37(2): 301-311.
(Wang Haiyan, Yang Wenbin, Wang Suichang, et al. A Service Recommendation Method Based on Trustworthy Community[J]. Chinese Journal of Computers, 2014, 37(2): 301-311. ) [本文引用:1] [CJCR: 1.796]
[5] 许智宏, 王宝莹. 基于项目综合相似度的协同过滤算法[J]. 计算机应用研究, 2014, 31(2): 398-400.
(Xu Zhihong, Wang Baoying. Collaborative Filtering Algorithm Based on Item Complex Similarity[J]. Application Research of Computers, 2014, 31(2): 398-400. ) [本文引用:1] [CJCR: 0.601]
[6] 熊忠阳, 刘芹, 张玉芳, . 基于项目分类的协同过滤改进算法[J]. 计算机应用研究, 2012, 29(2): 493-496.
(Xiong Zhongyang, Liu Qin, Zhang Yufang, et al. Improved Algorithm of Collaborative Filtering Based on Item Classification[J]. Application Research of Computers, 2012, 29(2): 493-496. ) [本文引用:1] [CJCR: 0.601]
[7] 张慧颖, 薛福亮. 一种利用Vague 集理论改进的协同过滤推荐算法[J]. 现代图书情报技术, 2012(3): 35-39.
(Zhang Huiying, Xue Fuliang. An Improved Collaborative Filtering Recommendation Algorithm Based on Vague Sets Theory[J]. New Technology of Library and Information Service, 2012(3): 35-39. ) [本文引用:1]
[8] 王明佳, 韩景倜, 韩松乔. 基于模糊聚类的协同过滤算法[J]. 计算机工程, 2012, 38(24): 50-52.
(Wang Mingjia, Han Jingti, Han Songqiao. Collaborative Filtering Algorithm Based on Fuzzy Clustering[J]. Computer Engineering, 2012, 38(24): 50-52. ) [本文引用:1] [CJCR: 0.492]
[9] 饶俊阳, 贾爱霞, 冯岩松, . 基于本体结构的新闻个性化推荐[J]. 北京大学学报: 自然科学版, 2014, 50(1): 2-7.
(Rao Junyang, Jia Aixia, Feng Yansong, et al. Ontology-based News Personalized Recommendation[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(1): 2-7. ) [本文引用:1] [CJCR: 0.799]
[10] Goossen F, Ijntema W, Frasincar F, et al. News Personalization Using the CF-IDF Semantic Recommender [C]. In: Proceedings of the 2011 International Conference on Web Intelligence, Mining and Semantics, Sogndal, Norway. 2011: 10-21. [本文引用:1]
[11] 曾春, 邢春晓, 周立柱. 基于内容过滤的个性化搜索算法[J]. 软件学报, 2003, 14(5): 999-1004.
(Zeng Chun, Xing Chunxiao, Zhou Lizhu. A Personalized Search Algorithm by Using Content-based Filtering[J]. Journal of Software, 2003, 14(5): 999-1004. ) [本文引用:1] [CJCR: 2.181]
[12] 曹毅. 基于内容和协同过滤的混合模式推荐技术研究[D]. 长沙: 中南大学, 2007.
(Cao Yi. Research on a Hybrid Recommendation Model Based on Collaborative Filtering and Content Filtering [D]. Changsha: Central South University, 2007. ) [本文引用:1]
[13] 李忠俊, 周启海, 帅青红. 一种基于内容和协同过滤同构化整合的推荐系统模型[J]. 计算机科学, 2009, 36(12): 142-145.
(Li Zhongjun, Zhou Qihai, Shuai Qinghong. Recommender System Model Based on Isomorphic Integrated to Content-based and Collaborative Filtering[J]. Computer
Science, 2009, 36(12): 142-145. )
[本文引用:2]
[14] 陈天昊, 帅建梅, 朱明. 一种基于协作过滤的电影推荐方法[J]. 计算机工程, 2014, 40(1): 55-58.
(Chen Tianhao, Shuai Jianmei, Zhu Ming. A Film Recommendation Method Based on Collaborative Filtering[J]. Computer Engineering, 2014, 40(1): 55-58. ) [本文引用:2] [CJCR: 0.492]
[15] Jannach D, Zanker M, Felfernig A, et al. 推荐系统[M]. 蒋凡译. 北京: 人民邮电出版社, 2013: 9-86.
(Jannach D, Zanker M, Felfernig A, et al. Recommendation System [M]. Translated by Jiang Fan. Beijing: People’s Posts and Telecommunications Press, 2013: 9-86. ) [本文引用:3]