个性化推荐技术综述

个性化推荐技术综述

杨莉云

（广东商学院华商学院， 广州 511300）

摘要： Internet 的发展在给用户带来丰富信息资源的同时也给用户快速找到自己需要的信息带来了很大的困难，用户迫切需要一种能够根据自身特点组织和调整信息的服务模式，个性化服务应运而生。本文根据推荐原理的不同分别介绍了基于内容的推荐技术、协同过滤推荐技术、混合推荐技术及其它的推荐技术，分析各种技术的优缺点及适用条件，并对今后个性化推荐技术的研究热点和发展方向进行了展望。

关键词：推荐系统；基于内容的推荐；协同过滤；关联规则

0 引言

信息技术的发展和互联网的普及使用户更方便地接触到更多的信息，但用户在享受信息技术带来的便利的同时，也遇到了信息“过载”的问题，用户无法从海量的信息中提取自己所需要的信息。一些搜索引擎通过用户输入关键字可以检索出相关内容，但由于缺乏用户兴趣的知识，会把所有与之相关的信息全部呈现给用户，不能过滤掉用户不感兴趣的信息。也有一些电子商务网站会有“热点推荐”的功能，但是面向所有用户的非个性化推荐。用户如何在一个网站上快速而有效地找到自己所需要的项目和信息？个性化推荐系统是解决这一问题的有效途径。

1基于内容的推荐

基于内容的推荐起源于信息检索领域，它利用资源和用户兴趣的相似性来过滤信息。首先分析项目的内容，根据用户评价过的项目建立用户的兴趣模型，即用户描述文件。根据用户描述文件的不同又可以分为基于向量空间模型的推荐、基于关键词分类的推荐、基于领域分类的推荐和基于潜在语义索引的推荐。

1.1基于向量空间模型的的推荐

基于向量空间模型的推荐是基于内容推荐的最常用的方法。该方法将用户描述文件及项目表示成一个n 维特征向量)},),...(,(),,{(221,n n w t w t w t 。向量的每一维由一个关键词及其权重组成。权重可取布尔型和实数值，分别表示了用户是否对某个概念感兴趣及感兴趣的程度[1]

。关键词根据推荐项目的不同可以是项目不同的属性值，对文本项目来说，关键词就是从文档中抽取的单词，权重可以通过TF-IDF 技术计算得到。对目标用户进行推荐时，将用户描述文件看成目标项目，可采用多种方式（如欧氏距离、余弦相似性、相关相似性等）计算其它项目与目标项目的相似性，按相似性从大到小的顺序将项目输出给用户。 1.2基于关键词分类的推荐

Mooney 提出了基于文档特征词分类的预测思想：将推荐看成是项目分类问题。首先定义一组类（评分），并让用户对一组训练项目进行评价，基于这个评价计算每个关键词属于某个类的条件概率，从而得出用户的特征描述。然后根据这个特征描述计算推荐候选集中各个项目属于某个类的后验概率。最后将这个后验概率作为项目的推荐预测并将具有最高得分的推荐提交给用户

[2]。

用户的兴趣也是通过关键词来表达，与向量空间模型不同，用户描述文件用特征词－类别矩阵n m X 来表示，m 是特征词个数，n 是类别数，每一个元素j i x ,表示第i 个特征词属于第j 类的条件概率

)|(j i c a p ，项目通过特征词来表达，没有项目描述文件。 作者简介：杨莉云，女，1984年生，汉族，河南驻马店人，讲师；主要研究方向：电子商务、管理

这种方法的假设条件是，所有的项目都可以通过特征词集合中的特征词来表达，每个特征词出现的概率依赖于项目类别而独立于其它特征词。对给定的项目V ，每一个类别的后验概率可以通过如下的贝叶斯规则进行计算：

∏==|

|1)|()()()|(I i j

i j j c a p I p c p I c p 其中i a 为项目的第i 个特征词，||I 是项目中特征词的数量。前验概率

)(I p 可以被忽略，因

为对于任何一个给定的项目其是一个常量。 其中的参数按以下方式进行估算：目标用户对每一个训练项目item 都给予一个评价，于是先验概率)(j c p 可通过下式计算：

|

|||||1

||)(Exam ples Exam ples Exam ples item c p j j ++= 其中j item 表示被给予评价j r =的所有项目。

设Keywords 表示所有训练项目中的所有不同的特征词，||Examples

表示训练集中的项目数，对于每一个的类别j c ，n 表示所有属于该类的的训练项目中的不同特征词的总数，对Keywords 中的每一个特征词i a ，k n 表示该词语在所有属于该类别的训练项目中的次数，则条件概率)|(j i c a p 可以通过下式来计算：

|

|||1

||)|(Exam ples n Exam ples n c a p k j i ++= 这些参数都通过Laplace 估算进行“平滑”以避免对没有出现在有限训练样本中的特征词的零概率估算。

文档分类完成后，根据后验概率最高的类目决定项目的预期评价。岑咏华认为这种评价不科学，预期评价应该是所有类目后验概率的数学期望[3]

。最后，将预期评价较高的前K 个项目作为推荐呈现给用户。

1.3基于领域分类的推荐

为了更好地区别用户兴趣之间的差异，曾春等提出了一种基于概率模型的文本推荐方法，把用户兴趣文件表示为用户对不同领域感兴趣的概率,先建立一个领域分类模型，然后计算所有文档和用户在这个分类模型上的概率分布，用该概率分布来表达文档和用户兴趣[4]

。

假定领域类型的集合为},...,,{21n c c c C =,其中n 是领域个数，j c 表示第j 个领域，用户描述文件表示为一个条件概率的矢量：)}|(),...,|(),|({21u c p u c p u c p u n

=,文档和用户兴趣的表达是一致的：)}|(),...,|(),|({21d c p d c p d c p d n =。文档d 对领域j c 的后验概率为

)

()

()|()|(d p c p c d p d c p j j j = 其中，∑==n

j j j c p c d p d p 1)()|()(，文档集中全部文档数中的文档数j j c c p =

)(

假定文档的所有特征都独立出现，则)|(j c d p 可以表示为文档所有特征条件概率的乘积： ∏∈d

t j j c t p c d p )|()|(＝

假定),(t c n j n(cj,t)表示特征t 在类j c 中出现的次数，)(j c n 为j c 中全部特征出现的次数之和，||v 表示文档集中全部不同特征的数目，根据Lidstome 连续定律，对一正数λ，)|(j c t p 的估计值为：

||)(),()|(v c n t c n c t p j j j λλ

++＝

最后计算文档d 推荐给用户u 的概率：∑=n j j j j c p d c p u c p u p d u p 1)()|()|()()|(＝=

这种方法不仅可以体现用户兴趣的多样性，而且由于用户感兴趣领域的个数远小于关键词的个数，算法的运算速度也得到了提高。

基于向量空间模型的推荐和基于领域分类的推荐用户描述文件都用向量空间来表示，只是每一维的含义不同，计算方法也不同。第二种方法的用户描述文件用关键词－类别矩阵来表示。方法二和方法三在计算文档的类别时都用到了朴素贝叶斯规则。虽然三种方法各不相同，但有一共同点：都直接或间接用关键词表达用户兴趣，由于同义词和多义词的存在，用关键词表达用户兴趣使得推荐结果难免有些偏颇。潜在主义索引（Latent Semantic Indexing ，LSI ）是基于向量空间模型的补充和扩展，最初应用于文本信息检索领域，有效地解决了同义词和多义词的问题［5］

。 1.4潜在语义索引

潜在语义索引（LSI ）是一种概念检索方法，通过分析大量的文本集，自动生成关键字－概念，文档－概念之间的映射规则。该方法试图解决单纯词形匹配方法中的同义词和多义词问题，应用该方法对英文文献进行检索的查准率比传统的词形匹配算法高出10%－30%

［6］。LSI 方法对索引项文档矩阵X 进行奇异值分解（Singular Value Decomposition,即SVD ），降维后的矩阵

表达了索引项与文档之间的潜在主义关系。

在LSI 模型中，索引项和文档的关系由索引项－文档矩阵d t X ?来表示.其中矩阵d t X ?的行向量（d 维）表示t 个不同的索引项，列微量（t 维）表示文档集中d 个不同的文档。矩阵中非0元素ij x 表示索引项i 在文档j 中出现的次数，通常用索引项加权的方法来表示。

对任意索引项－文档矩阵d t X ?都有T d t D S T X ??=?。

其中T 由d t X ?的左奇异向量构成，D 由d t X ?的右奇异向量构成，),...,,(21d diag S σσσ=,且σ1≥ σ2≥…≥σd ≥0，i σ为矩阵d t X ?的奇异值。取降维因子k ，令k 满足贡献率不等式：11k i d i ai

ai

==∑∑≥θ，θ为包含原始信息的

阈值。贡献率不等式是参考因子分析的相应概念提出的用于衡量k 维空间因子对于整个空间的表示程度［7］。k 值过小会使一些有用的信息丢失，k 过大则会使运算量加大，根据不同的文本集

和处理要求，最佳的k 值也不尽相同。SVD 降维后的d t X ?表示为d t X ?＝k t T ?×k k S ?×d k T D ?。

k t T ?×k k S ?是k t ?阶矩阵，其t 个行向量分别对应t 个索引向量，将索引向量由d 维降为k 维；

k d D ?×k k S ?是k d ?阶矩阵，

其d 个行向量分别对应d 个文档向量，将文档向量由t 维降为k 维。k 维中的每一维对应一个伪概念。

根据k d D ?×k k S ?矩阵，我们可以计算不同文档向量之间的相似性，找出目标文档的前N 个邻居列表，然后根据该列表中各用户感兴趣的比例确定该文档的接收对象。

基于内容的推荐优点是直接、简单，推荐结果易于解释。但也有一定的局限：①仅适用于产品特征容易抽取的领域，在另外一些领域如电影、音乐、餐厅等项目特征不易被一组关键词来清晰描述时，基于内容的推荐就显得无能为力，即便是在文档领域，关键词也仅反映了文档内容的一部分，一般情况下还会有其它一些因素影响用户的评价，如文档的质量，下载所需时间，视觉效果（有无图像等）。所以不能从用户的评价中准确得到用户的兴趣信息。②只能推荐与用户已有偏好相似的项目，不能为用户发现新的感兴趣项目。

2.协同过滤推荐

目前研究最多也是应用最成熟的个性化推荐技术，是与基于内容的推荐完全不同的一种推荐方法，不是推荐与用户过去偏好相似的项目，而是根据其他用户的偏好信息产生推荐。通过分析用户评价信息（评分）把有相似需求或品味的用户联系起来，用户之间共享对项目的观点和评价，这样就可以更好地做出选择。Typestry 是最早提出来的协同过滤推荐系统，用于过滤电子邮件，推荐电子新闻,由于其要求用户手工输入查询条件，不牵涉到用户间的相似性计算，严格来讲，它只是一个信息检索系统，只是对检索结果根据其它用户的反馈进行筛选

［8］。其它的协同过滤

推荐系统有GroupLens/NetPerceptions,Ringo/Firefly 等。

根据算法运行期间所用到的数据不同，协同过滤推荐可以分为两大类：基于内存的协同过滤（memory-based collative filtering ）和基于模型的协同过滤（model-based collative filtering ）。

2.1基于内存的协同过滤

基于内存的算法运行期间需要将整个用户数据库调入内存，它包括基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤是推荐系统最早采用的一种方之一[9]，它基于这样一个假设：如果用户对一些项目的评分比较相似，则他们对其它项的评分也比较相似。系统根据用户对不同项目的评分来计算用户之间的相似性（余弦相似性、修正的余弦相似性、相关相似性等），取相似系数最大的前N个作为目标用户的邻居，并根据邻居用户的对项目的评价产生推荐。B

m?Sarwar把算法分为三个主要的阶段：表示阶段、邻居形成阶段、推荐产生[10]，表示阶段用n 阶客户-项目评价矩阵表示，由于一个客户所评价/购买的项目只占了所有项目的一小部分，通常不到1%，这就产生了数据稀疏性问题，依此得出的相似系数会很不准确，对邻居形成阶段的相似性计算造成了障碍，由于确定目标用户的邻居用户是协同过滤的关键问题，许多学者对此进行了改进。

奇异值分解技术(Singular Value Decomposition)对原始矩阵进行降维处理[11]，这与基于内容的推荐的潜在语义索引用到的方法是一样的，都减少了相应的列数，增加了数据的稠密性。文献[12]提出了基于项目的协同推荐，并其证明比基于用户的推荐效果好。首先计算目标项目与其它项目之间的相似性，根据用户已评分项目来预测用户对目标项目的评分，把评分最高的前N个项目作为推荐结果输出。二者在算法上并无本质区别，一个是计算用户间的相似性，一个是计算项目间的相似性，一个对客户-项目评价矩阵的行向量进行操作，一个对客户-项目评价矩阵的列向量进行操作。K Goldberg用主成分分析法进行了改进，从原始评分矩阵R n*m中选出没有空值的

k列形成标准矩阵A n*k，再对A n*k进行主成分分析，把K维降为2维，将n个用户的偏好信息映射到一个二维的特征平面上。在此平面上对用户聚类，预测除k个项目以外的其它项的得分，降序排列后输出给用户[13]。文献[14］使用形式符号来表示用户文件（Modal Symbolic User Profile），计算用户每一个评分等级上其它用户的评分分布，最终的用户文件采用一个D?D的矩阵来表示，其中D表示共有多少个评分等级。第一行表示用户评分是1的项目其它人的评价是1，2…D的比例各是多少，每一行的数值相加等于1。这种方法计算简单但结果难以解释。S Kuwata 提出“一步到位协同过滤”（one-shot collaborative filtering）[15]。与传统协同过滤方法不同，传统方法各自独立地预测未评分项的得分，一步到位协同过滤通过最小化已知评分分布和未知的评分分布的KL散度（Kullback-Leibler divergence）来同时预测所有未评分项的得分，并且各项的得分相互关联。

2.2基于模型的协同过滤

基于模型的算法首先构造一个用户评分的数据模型，运行期间将建立的模型调入内存。由Breese等人于1998年提出，从概率角度看待协同过滤问题，提出了两种基于模型的协同过滤方法：Bayesian聚类技术（Clustering）和Bayesian网络技术[16]。Bayesian聚类技术的基本思想是将相同或相似偏好的用户分为一组，给定用户的分组，用户对各项目的偏好相互独立，用户所属类别和用户对各项目评分的联合概率分布通过贝叶斯公式来计算。LH Ungar在此基础上进行了改进，比较用不同算法（E-M算法、K-Means算法、Gibbs采样算法）来估计模型参数，得出结论Gibbs采样算法要优于其它两种算法并更有利于模型的扩展，但是计算量却很大[17]。

Bayesian网络技术：Bayesian网络中的节点代表项目，每个节点的状态代表其可能的得分，最终得出的模型是一棵决策树，每一个项目都由其父节点预测其得分。

基于内存的协同过滤可利用最新的用户数据产生推荐，但随着系统中项目的不断增多，用户数据库将变得非常庞大，利用整个用户数据库产生推荐非常耗时，从而使得系统的实时性难以保证，这也是基于内存的推荐算法面临的主要挑战。在基于模型的推荐算法中，模型的建立可以离

线进行，因此能有效地缓解推荐算法的实时性问题。但模型相对于原始用户数据而言具有滞后性，为了保证模型的有效性必须对模型定期更新[18]。实际中也可以将两种技术相结合，DM Pennock 把用户评分看成由其真实喜好加上一系列高斯噪声得到[19]。根据目标用户属于不同个性类型的概率及各个性类型对目标项目的评分预测用户对目标项目评分的概率分布。另外也可以把基于模型的协同过滤推荐和基于内容的推荐结合起来，以充分利用系统中的数据（用户评分和项目特征）解决冷启动问题，提高推荐效果[20]。

与基于内容的推荐相比协同过滤有以下优点：①对内容信息不容易抽取的项目能产生完全自动化的推荐。②能根据项目的质量和用户的品味产生推荐。③能为用户发现新的兴趣。但也存在一些缺陷：①数据稀疏性问题：如前所述，大多数用户只是对一小部分项目进行了评分，原始的用户-评分矩阵非常稀疏，因此找到真正相似的用户是很难的，系统使用初期这个问题更加突出。

②可扩展性：随着系统中项目和用户数量的增多数据库将变得非常庞大，为用户产生推荐的精度和实时性都因此而降低。③冷开始问题：如果没有人对某件项目评分，这件项目将永远得不到推荐。

3其它推荐技术

3.1关联规则推荐

关联规则由R Agrawal最先提出，它在大的顾客交易数据集上找出项集之间的关联性。分析顾客放入其购物篮中的项目，了解哪些项目同时频繁地被顾客同时购买，进而形成这些项目之间的相关推荐 [21]。

关联规则挖掘是数据挖掘领域的一个重要分支。关联规则就是在一个交易数据库中统计购买了项目集X的交易中有多大比例的交易同时购买了项目集Y，得到的关联规则表示为：X=>Y[s%,c%]。其中s表示关联规则的支持度，c表示关联规则的置信度。使用关联规则发现算法找出所有满足最小支持度和最小置信度的关联规则R。

发现所有的有充分支持度和置信度的关联规则可以分为以下两个子问题[22]：

寻找那些事务的支持度超过最小支持度的项目的所有组合，把这些组合称为大的项目集，而其他组合称为小项目集.解决此问题的算法有Apriori和AprioriTid等。

用大项目集产生需要的规则。一般的想法是，如果ABCD和AB是大项目集，通过计算比率r ＝支持数（ABCD）/支持数（AB），从而确定是否有规则。仅当r大于或等于最小置信度时此规则才成立。

找出所有满足最小支持度和置信度的关联规则集R后，根据关联规则向顾客产生推荐又可分为以下几步：①找出R中所有被目标客户支持的关联规则R1，即关联规则左边的所有项目都被客户购买。②找出被关联规则R1所预测并且没有被目标客户所购买的所有项目P。③根据P中项目在关联规则R1中的置信度排序，如果某项目被多个规则预测，则取置信度最大者作为排序依据，挑选前N个项目作为算法输出。其中关联规则的发现是算法的瓶颈，可以离线进行。该算法的优点是可以为用户发现新的兴趣。缺点是随着事务的增多，规则的发现将非常耗时，并且规则难以解释。

3.2基于知识的推荐

基于知识的推荐系统根据用户的偏好信息通过推断什么产品能满足用户的需求来产生推荐。基于知识的推荐特点是它要有功能知识：知道一项目如何满足一特定用户的需要，并能在用户的需要和所推荐的项目之间建立关联。例如：PesonalLogic1推荐系统通过对话的方式使用户对产

1http://www.personallogic. com

品的所有特征偏好作出描述，另外一些系统使用大量的决策支持或基于案例的推理工具来产生推荐。

与协同过滤推荐系统相比，基于知识的推荐系统有以下优点：①由于所产生的推荐不依赖于用户对项目的评价，所以基于知识的推荐不需要用到用户数据库。②由于所产生的推荐不依赖于用户兴趣文件，所以基于知识的推荐不会有“冷开始”问题。③由于所产生的推荐与用户以往的偏好没有关系，基于知识的推荐能根据用户的兴趣变化快速作出调整。④基于知识的推荐在汽车、房产、职业、学校等产品特征对用户来说作用重大而又易于比较的的产品领域能取得良好的推荐效果。

虽然基于知识的推荐系统有诸多优点，但是，也存在着一些不足：要想取得良好的推荐效果，系统必须对产品领域有深刻的理解，用户关心产品的哪些属性，这些属性如何满足用户的需求，并且把这些知识以易于推理的方式存储于知识库中。因此，知识库的设计是系统实现的瓶颈。

3.3基于效用的推荐

根据计算项目对用户的效用值来产生推荐。这种方法的特点是要求建立包括所有可能对用户效用产生影响的项目特征的效用函数，这样做的好处是它能综合体现产品价值的多方面因素，如交货时间、卖家的可靠性等。这一灵活性同时也是它的缺点：必须建立包含所有特征的用户偏好函数，为每一特征赋相应的权值，这样就会加重人机交互的负担，并且有时难以做到。

3.4 基于人口统计信息的推荐

人口信息用来识别喜欢某类项目的用户特征。人口特征可以包括年龄、性别、教育程度等。通过用户对项目的评价来识别具有相同偏好的用户群。用户统计信息的获取一般比较困难，一般采用人机对话的方式获取，也可以通过用户的个人主页信息来获取

[23]。优点：没有新用户问题，

不需要领域知识。缺点：用户的人口统计信息难以得到 3.5 基于网络结构的推荐

基于网络的推荐技术不考虑项目的属性，也不考虑用户的特征，而是把用户和项目都看成抽象的点。其中比较有代表性的是基于二部分图资源分配的推荐算法[24]。算法假设用户选择过的每一个项目都有向用户推荐其它项目的能力，拥有资源的项目会把更多的资源交给自己青睐的项目。如果用户选择了某项目，则这两点之间就用1表示，否则用0表示。项目j 愿意分配给项目i 的

资源配额ij w 可以表示为∑==m l l jl il j ij k a a k w 11

其中m 表示系统中的用户数量，j k 表示项目j 的度（被多少用户选择过），l k 表示用户l 的度（该用户选择过多少项目），il a 表示用户l 是否选择过i 项目，若选择过i 项目，则1=il a 否则，0=il a 。如此，根据用户选择过的项目就可以放出所有未被选择的项目的资源分配，按照资源分配从大到小的顺序排列，产生推荐结果。

4混合推荐

由于各种推荐技术各有优缺点，于是人们综合两种或两种以上的推荐技术来取得更好的推荐效果。基于内容的推荐和协同过滤是目前研究和应用最多的组合推荐方法，结合这两种过滤技术可以克服各自的一些缺点。为了克服协同过滤的稀疏性问题，可以利用用户浏览过的资源内容预期用户对其他资源的评价，这样可以增加资源评价的密度，利用这些评价再进行协同过滤，从而提高协同过滤的性能[25]。

Fab是最早的混合推荐系统。推荐过程分为两个阶段：收集网页以形成一个可管理的数据库或索引，随后将这些网页分发给特定的用户。用户描述文件通过分析用户评价过的网页的内容得到，在推荐时与其它用户的描述文件进行比较以找到相似用户。系统会向用户推荐基于自身描述文件得分较高的网页及相似用户评分较高的网页[26]。

BM Sarwar提出过滤器的概念[27]，每一个过滤器被看作是一个独立的用户，使用不同的算法分析文章并为文章打分，打分后的文章被送到Grouplens推荐引擎，系统会根据用户评分和过滤器评分计算两者之间的相似性，从而为用户选择不同的过滤器，每个过滤器被赋予不同的权重。这样就可以预测用户对所有未评分项的评分，在此基础上进行协同过滤。N Good验证了把用过滤器得到的评分和协同过滤等到的评分结合起来得到的推荐结果要比单独根据过滤器或协同过滤方法得到的推荐结果好[28]。

M Claypool把基于内容的推荐和协同过滤推荐用于在线报纸推荐[29]，把两种方法的预测结果加权平均：初始赋予协同过滤推荐和基于内容推荐相同的权重，随着用户评分数据的增多，计算每种预测结果的绝对误差，并调整权值以使误差最小。权值与用户评分数据相关，所以对于不同的用户可有不同的权值。

P Melville用基于内容的预测计算用户对未评分项的评分，以解决评分矩阵的稀疏性问题[30]，把基于内容的评分和协同过滤的评分加权平均，权重由目标用户评价过的项目的个数及目标用户与其它用户共同评价过的项目的个数决定。

与以上两种方法的基本思想类似，Q Li等也是把基于内容的推荐与协同过滤推荐加权平均[31] [32]。所不同的是并不直接依赖项目的内容计算目标用户对项目的评分，而是计算用户对不同属性值的偏好程度（选评分大于3的项作为用户偏好的项目），据此对用户进行聚类，计算每个用户属于不同类的概率，再以此概率计算用户之间的相似性。最后把此相似系数与传统的依据原始评分矩阵得到的相似系数加权平均，权值通过最小化平均绝对误差（MAE）动态来调节。

M Garden同时用协同过滤和基于内容的过滤进行推荐[33]。与一般基于内容的推荐不同，它利用用户对语义特征的偏好进行预测。允许用户自定义项目的特征并给出该特征的重要性及对项目得分的影响进行评价，根据对不同特征的态度来区分用户。项目也根据所有用户评价过的不同特征出现的次数来表示。最后根据用户和项目所拥有的共同特征及用户对该特征的评分计算项目的最后得分。

文献[34]将项目属性值引入协同过滤算法，把用户对项目的评分转化成对项目属性值的评分分布，从而得到用户描述文件，由用户描述文件计算用户之间的相似度。由于项目属性数远远小于项目数量，用这种方法可以有效地解决协同过滤算法中的数据稀疏性问题，同时提高系统的实时性。

另外一种混合思路是从机器学习的观点看待预测问题，把预测问题看作是标准的分类问题，典型的有C Basu提出的电影推荐，协同特征表示成集合的形式，这些特征混合了一些典型的内容特征。把这些数据输入到Ripper中以学习得到一个二进制分类器，区别用户喜欢和不喜欢的电影[35]。D Billsus将用户评价过的项作为训练样本，每一个样本表示成一个特征向量，每一分量为其它用户对该项的评价，目标用户的评价作为类标签。根据学习得到的分类规则来预测用户对未评分项的评分[36]。

R Burke 提出基于知识的推荐与协同过滤相结合的系统，系统设置了一系列参数，根据参数取值决定采用何种推荐技术[37]。例如，在用户使用系统初期，使用基于知识的推荐，当各参数都满足阀值要求时再采用协同过滤推荐。

在组合方式上，T Tran提出了七种组合思路[38]：

加权平均（weight）：加权多个推荐方法的推荐结果。

转换（switch）：根据具体情形在几个推荐方法之间转换。

混合（mixed）：同时采用多种推荐技术给出多种推荐结果供用户参考。

特征组合（feature combination）：组合来自不同推荐数据源的特征被另一种推荐算法所用。

瀑布（cascade）:后一种推荐方法优化前一种推荐结果。

特征扩充（feature augmentation）：后一个推荐方法的输入包含了前一个推荐方法的输出。

元层次模型（meta-level）：前一个推荐方法所得出的模型作为后一个推荐方法的输入。

5.研究展望

个性化推荐对电子商务发展有着重要作用，虽然已取得了一些成果，但其应用范围还很狭窄，大部分网站还不具备个性化推荐功能，有推荐系统本身的问题，如数据稀疏性、可扩展性、实时性、冷开始等，也有用户与系统之间的沟通问题，如用户对系统不信任，不愿透露个人信息，或者用户不愿意提供更多的项目评价信息等。个性化推荐技术要想在实际应用中达到理想的效果就必须对以上问题加以解决。未来电子商务推荐研究的热点与方向有：

对推荐算法的进一步改进。提高推荐算法的推荐精度及实时性，使推荐系统能够产生更精确、实时的推荐。目前各种推荐算法存在一些缺点，如何对算法进一步改进使之产生更精确的推荐是个性化推荐研究的热点也是重点。

将Web使用挖掘应用到个性化推荐中。数据收集是个性化推荐的基础，其收集数据的数量和质量直接影响推荐的效果。传统的推荐系统要求用户显式输入对项目的评分，不但增加了用户的操作，而且数据单一，不足以描述人们对项目的复杂感知和反应。Web使用挖掘是由系统隐性获取，不需要用户的参与，在不打扰用户正常活动的情况下自动完成，得到的数据种类也比较多。

用户隐私保护研究。获得用户兴趣的最好方式是获得尽可能多的用户个人信息，这在基于用户统计信息的推荐和基于知识的推荐中尤为重要，考虑到系统安全和隐私问题，这些信息往往是用户所不愿意提供的。因此采取适当的用户隐私保护机制并提高数据收集过程的透明性，让用户了解推荐过程及用户个人信息的使用情况，从而提高对推荐的信任度和接受度具有重要作用。

参考文献：

[1]、吴丽花,刘鲁.个性化推荐系统用户建模技术综述[J],情报学报，2006,25:55-62

[2]、 RJ Mooney, L Roy. Content-Based Book Recommending Using Learning for Text Categorization[C], Proceedings of the fifth ACM conference on Digital libraries, 2000

[3]、岑咏华,甘利人,丁晟春.基于内容的Web个性化推荐技术研究[J],图书情报工作2003.08.

[4]、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.

[5]、S Deerwester,et al. Indexing by Latent Semantic Analysis[J]. Journal of the American Society for Information Science,1990,41(6):391-407.

[6]、MW Berry, ST Dumais, GW O'Brien. Using linear algebra for intelligent information retrieval[J].SIAM Review,1995,37:573-595.

[7]、Lin Hongfei,et al Text Browsing Based on Latent Semantic Indexing[J]. Joural of Chinese Information Processing, 2000, 14(5):241-245.

[8]、D Goldberg;D Nichols,et al. Using collaborative filtering to weave an information tapestry[J].communications of the ACM, 1992,35(12), 61-70

[9]、P Resnick, N Iacovou, et al.Grouplens:An open architecture for collaborative filtering of netnews[C]. In proceedings of CSCW,1994:175-186

[10]、B Sarwar, G Karypis, J Konstan, J Riedl. analysis of recommendation algorithms for e-commerce[R]. Proceedings of the 2nd ACM conference on Electronic commerce, 2000:158-167

[11]、M Badrul. Sarwar,et al. Application of dimensionality reduction in recommender system－A case study [C]. In Proc of the WebKDD 2000 Workshop at the ACM

GKDD2000,Boston,2000: 82～90

[12]、B Sarwar , G Karypis , J Konstan , JRiedl. Item-based collaborative filtering recommendation algorighms[C],In Proc.of WWW,2001: 285--295

[13]、K Goldberg, T Roeder, D Gupta, C Perkins. Eigentaste: A Constant Time Collaborative Filtering Algorithm[J]. Information Retrieval. 2001,4(2):133-151 [14］、B Leite ,et al. C2::A Collaborative Recommendation System Based on Modal Symbolic User Profile [C]. Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence. 2006: 673-679

[15]、S Kuwata, N Ueda. one-shot collaborative filtering[J].Computational Intelligence and Data Mining, 2007

[16]、JS Breese, D Heckerman, C Kadie. Empirical Analysis of Predictive Algorithms for Collaborative Filtering, Inproceedings of Fourteenth Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann,1998:43--52

[17]、LH Ungar, DP Foster.Clustering methods for collaborative filtering.Proe Recommender Systems,Papers from 1998 Workshop,Technical Report WS-98-08,Menlo Park,1998:84-88

[18]、潘红艳，个性化信息服务的研究与实现[D]，2005.03

[19]、DM Pennock, et al. collaborative filtering by personality diagnosis:a hybrid memory-and model-based approach [C], Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence.2000

[20]、MK Condli , et al. Bayesian Mixed-Effects Models for Recommender Systems[C], Proceedings of the SIGIR-99 Workshop on Recommender Systems. 1999

[21]、R Agrawal, T Imieliński, A Swami. Mining Association Rules between Sets of Items in Large Databases[C], In Proc 1993ACM-SKMOD Int Conf Management of Data, 1993,207-216.

[22]、丁振国,陈静. 基于关联规则的个性化推荐系统[J],计算机集成制造系

统,2003,09(10):891-893.

[23]、MJ PAZZANI , A Framework for Collaborative, Content-Based and Demographic Filtering[J], Artificial Intelligence Review,1999,13 (5-6):393-408

[24]、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，2009.01

[25]、曾春等 .个性化服务技术综述. 软件学报，2002,13(10):1952-1961

[26]、M Balabanovic, Y Shoham. Fab: content-based, collaborative recommendation[J]. Communications of the ACM.1997,40(3): 66 -72

[27]、B Sarwar, J Konstan, Borchers, A Herlocker, J Miller and J Riedl, Using filtering agents to improve production quality in the GroupLens research collaborative filtering system[C]. Proceedings of the 1998 ACM conference on Computer supported cooperative work. Nov. 1998: 345 - 354

[28]、N Good J. B Schafer, J A Konstan, A Borchers, B Sarwar, J Herlocker, and J Riedl. combining collaborative filtering with personal agents for better recommendations [C].Proceedings of AAAI, 1999: 439 – 446

[29]、M Claypool, A Gokhale, T Miranda. combining content-based and collaborative filters in an online newspaper[J].ACM SIGIR Workshop on Recommender Systems, 1999

[30]、P Melville, RJ Mooney, R Nagarajan. content-boosted collaborative filtering for improved recommendations [C].Eighteenth national conference on Artificial intelligence, 2001: 187 – 192

[31]、BM Kim, Q Li, et al. A new approach for combining content-based and collaborative filters[J]. Journal of Intelligent Information Systems.2006,27: 79-91

[32]、Q Li, BM Kim. An Approach for Combining Content-based and Collaborative Filters[C], Proceedings of the Sixth International Workshop on Information, Retrieval with Asian Languages, 2003:17-24

[33]、M Garden, G Dudek. mixed collaborative and content-based filtering with user-contributed semantic features[C],American Association for Artificial Intelligence,2006:1307-1312

[34]、王茜，杨莉云，杨德礼，面向用户偏好的属性值评分分布协同过滤算法[J]，系统工程学报，2010.04

[35]、C Basu, H Hirsh, W Cohen. Recommendation as Classification: Using Social and Content-Based Information in Recommendation[C],Proceedings of the Fifteenth National Conference, AAA1 Press 1998:714-720

[36]、D Billsus, et al. learning collaborative information filters[C], the Fifteenth International Conference on Machine Learning, San Francisco:Morgan Kaufmann Publishers Inc.,1998.46-54.

[37]、R Burke, et al. Hybrid Recommender Systems: Survey and Experiments[J],User Modeling and User-Adapted Interaction. 2002 ,12(4):331–370

[38]、T Tran. Designing Recommender Systems for E-Commerce:An Integration Approach,2006

Summary of personalized recommendation technology

Yang Li-yun

(Guangdong university of business studies,huashang college, Guangzhou, 511300)

Abstract:The development of Internet has brought us a wealth of information,but which also makes it very difficult to find the information we need, users need a service that can show and adjust informatin according to their own characters eagerly, so Personalized service is developed. This paper introduces Content-based recommendation, collaborative filtering, hybrid recommendation technology,and other recommendation technologies according to their principles, analyzes advantages and disadvantages and application conditions for each technology, future research and development for personalized service were also discussed in the end.

Key words:recommendation system; contend-based recommendation; collaborative filtering; association rules

国内外大学生个性化职业生涯规划指导研究综述-陈美婧.教学总结

2013年 Vol.28 No.12南昌教育学院学报高等教育收稿日期:2013-11-21 作者简介:陈美婧(1984-,女,福建南平人,研究实习员,泉州师范学院就业指导中心科员,从事大学生就业指导工作研究。基金项目:2012年度泉州师范学院校级自选项目(项目编号2012XGB02。 一、引言 据测算,在整个“十二五”期间,我国高校毕业生将处于一个就业人数的高峰期,年均达到700万人左右,就业形势极为严峻。加强职业生涯规划指导工作,帮助了解并突破学生个体就业的瓶颈,引导学生主动就业,可以很大程度地缓和这一社会矛盾。目前,高校的就业指导通常是利用讲座和课程的形式介绍就业政策、求职常识等应急性内容,缺乏针对性和系统性。指导形式单一,内容单调,使得职业指导收效微弱。而大学生普遍希望学校针对其个性特点帮助设计职业人生,即为提供个性化职业生涯规划指导。个性化职业生涯规划指导是当前高等教育中一个较新的理念,它提倡以生为本,顺应科学发展观的要求,体现了高校教育从管理向服务的转变,对增强大学生职业生涯规划指导工作的针对性、有效性,提高高等教育的质量具有重要的现实意义。 二、国外相关研究综述 (一理论研究 相对来讲,国外职业生涯理论已逐步趋于完善和成熟,主要的相关理论有职业人格理论、职业锚理论、生涯发展理论等。西方学者的研究从各个维度涉猎了职业生涯规划指导理论的不同领域。 美国作为职业指导理论的发源地,较早在学校中进行职业生涯教育,职业生涯教育已成为学校咨询活动和心理辅导的重要组成部分。美国在职业生涯规划指导相关的理论和实践研究上经历了五个发展阶段:第一阶段强调学生的特性与职业因素相

个性化推荐系统分析与设计

课程设计报告 课程名称系统分析设计与开发方法 课题名称个性化推荐系统的分析与设计 专业信息管理与信息系统 班级1002 学号201003110215 姓名黄天玲 指导教师唐志航 2014年元月4 日

一、设计内容与设计要求 1．设计内容： 见附录 2．设计要求： 1）．设计正确，方案合理。 2）．界面友好，使用方便。 3）．建模语言精炼，结构清晰。 4）．设计报告4000字以上，含建模语言说明，用户使用说明，UML建模图。 5）．上机演示。 二、进度安排 第十七周星期四下午：课题讲解，查阅资料、系统分析 星期五上午：总体设计、详细设计 第十八周星期一：建模，上机调试、撰写课程设计报告 星期二下午：答辩 附： 课程设计报告装订顺序：封面、任务书、目录、正文、评分、附件（A4大小的图纸及程序清单）。 正文的格式:一级标题用3号黑体,二级标题用四号宋体加粗,正文用小四号宋体;行距为22。

设计课题：个性化推荐系统的分析与设计 一、问题描述： 对网络购物个性化推荐系统进行分析与设计，对购物流程进行分析，对购物中关键环节进行设计，实现对商品的录入、显示、修改、排序、保存、销售、售后服务以及客户管理等操作实现推荐结果准确性、推荐结果多样性、用户交互度、系统界面设计、系统交互设计、推荐透明度(推荐解释)。 二、功能要求： 1、用UML完成一个小型团购系统的分析、设计。 2、写出系统需求报告，说明系统的功能。 3、通过面向对象的分析和设计建立系统模型。 4、画出完整的用例图、类图、对象图、包图;及时序图、协作图、状态图、活动图；及组件图和配置图） 三、建模提示： 1、使用Enterprise Architect 8.0建模。 2、使用 Ration Rose 或StarUML建模。 四、其它 对该系统有兴趣的同学可以在实现上述基本功能后，完善系统的其它功能，特别是售后以及客户关系管理。

个性化推荐知识汇总

一 基于协同过滤(collaborative filtering，CF)的推荐系统通过收集来自其他相似用户或项目的评价信息，自动预测当前用户的兴趣偏好。协同过滤的基本假设是用户会更喜欢那些相似用户偏爱的商品，已被广泛应用在一些大型的商业系统，如亚马逊和阿里巴巴等。 目前，协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。使用最多的模型是k最近邻(k-nearest neighbor，kNN)协同过滤技术，包括基于用户推荐和基于项目推荐两种技术。 一般说来，本体描述了某个应用领域的概念和概念之间的关系，使得它们具有唯一确定的含义，获得该领域的相关知识，提供对该领域知识的共同理解，便于用户和计算机之间进行交流。 OntoECRec推荐模型 二 1995年，卡内基·梅隆大学的A．RDben等人在美国人工智能协会上提出了个性化导航系统we-watcher，真正标志着个性化服务的开始；1997年3月，(communications of the AcM)。组织了个性化推荐系统的专题报道，标志着个性化服务已经被技术界高度重视；1999年，德国Dresden技术大学的J．Tania 实现了个性化电子商务原型系统TELLIM，标志着个性化服务开始向全球发展；2000年，NEc研究院的D．B．Kurt等人为搜索引擎atesecr增加了个性化推荐功能，实现citeseer的个性化。2001年，纽约大学的GediminaS Adomavicius 和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro。 个性化推荐服务体系结构中，信息收集模块是个性化服务系统的基础模块。用户的信息包括了用户的个人基本资料、购买的历史记录及浏览记录等。个人基本资料可以从用户注册表单中获得；购买的历史记录主要存放于电子商务网站的后台交易数据库中，包含了每位用户以前历次购物的详细情况记录，如购物时间、商品清单、价格、折扣等，同时也可以收集用户放入购物篮而未购买的商品记录，以及用户过去浏览过的商品信息等。当然要搜集用户的行为信息，日志文件是必不可少的，如要收集服务器日志，则要在服务器端获取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。

推荐系统调研报告及综述

推荐系统调研报告及综述 张永锋 清华大学计算机系人工智能研究所 zhangyf07@https://www.sodocs.net/doc/5911017736.html, 一、推荐系统概述 1.1 什么是推荐系统 推荐系统(Recommender System)的发展已经经历了近20年的时间，但是迄今为止仍没有人试图对推荐系统给出一个精确的定义。 广义上的推荐系统可以理解为是主动向用户推荐物品(Item)的系统，所推荐的物品可以是音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等，这依赖于具体的应用领域，推荐系统所推荐的物品或者对用户有帮助，或者用户可能感兴趣[1]。 随着电子商务规模的不断扩大，商品数量和种类不断增长，用户对于检索和推荐提出了更高的要求。由于不同用户在兴趣爱好、关注领域、个人经历等方面的不同，以满足不同用户的不同推荐需求为目的、不同人可以获得不同推荐为重要特征的个性化推荐系统(Personalized Recommender System)应运而生[1]。目前所说的推荐系统一般指个性化推荐系统。 1.2 推荐系统的发展历史 如果追根溯源，推荐系统的初端可以追溯到函数逼近理论、信息检索、预测理论等诸多学科中的一些延伸研究。 推荐系统成为一个相对独立的研究方向一般被认为始自1994年明尼苏达大学GroupLens研究组推出的GroupLens系统[2]。该系统有两大重要贡献：一是首次提出了基于协同过滤(Collaborative Filtering)来完成推荐任务的思想，二是为推荐问题建立了一个形式化的模型(见1.4)。基于该模型的协同过滤推荐引领了之后推荐系统在今后十几年的发展方向。 GroupLens所提出的推荐算法实际上就是目前人们时常提及的基于用户的协同过滤推荐算法(User-based Collaborative Filtering Algorithms)，虽然论文本身并没有使用这样一个名字。在之后的十几年中，其它一些著名的协同过滤算法逐渐被提出，主要的有基于物品的协同过滤算法(Item-based Collaborative Filtering Algorithms)[3]，基于矩阵分解的协同过滤算法(SVD-based/NMF-based, etc.)等等。当然，基于其它方法而非协同过滤的推荐算法也在不断地发展，这些方法之间的互补、融合也成为一个重要的研究方向，这些会在本文第二部分(推荐方法的分类)和第三部分(典型推荐算法概述及优缺点)中详细阐述。 目前，推荐算法已经已经被广泛集成到了很多商业应用系统中，比较著名的有Netflix在线视频推荐系统、Amazon网络购物商城等。实际上，大多数的电子商务平台尤其是网络购物平台，都不同程度地集成了推荐算法，如淘宝、京东商城等。Amazon发布的数据显示，亚马逊网络书城的推荐算法为亚马逊每年贡献近三十个百分点的创收。

客户关系管理研究综述

客户关系管理研究综述 摘要:文章通过对国内外有关客户关系管理文献的研究，回顾了客户管理理论的发展历程，梳理了其理论发展脉络，分析了目前研究的主要成果，进而展望了客户关系管理的发展趋势。关键词：客户关系管理；管理理念；管理技术；管理体制 随着新经济时代的来临, 企业的战略中心正从“以产品为核心”向“以客户为核心”转变。客户已经成为企业最重要的资源。CRM 的产生, 是市场需求和管理理念更新的需要, 是企业管理模式和企业核心竞争力提升的要求,是电子化浪潮和信息技术支持等因素推动和促成的结果。 客户关系管理的理论基础来源于西方的市场营销理论,最早诞生于20 世纪90 年代的美国, 其前身是80 年代的接触管理和90 年代初的客户关怀,在美国最早产生并得以迅速发展回顾客户关系管理的提出及发展过程,国内外学者和软件企业做了大量工作,相关的研究分析主要从以下角度展开。 一、基于CRM 为管理理念的研究 这种观点把CRM 定义为一种管理理念, 并在此基础上展开研究。CRM 的核心思想是将企业的客户(包括最终客户、分销商和合作伙伴)视为最重要的企业资产,通过完善的客户服务和深入的客户分析来满足客户的个性化需求, 提高客户的满意度和忠诚度, 进而保证客户终生价值和企业利润增长的实现。这方面学者往往从组织结构、企业文化、战略管理、核心竞争力等角度来研究. 1.国外研究 20 世纪90 年代中期Gartner Group 率先提出客户关系管理思想。Garther Group 认为: CRM 是企业的一项商业策略, 它按照客户细分情况有效地组织企业资源, 培养以客户为中心的经营行为及实施以客户为中心的业务流程, 并以此来最大化企业的获利能力、收入及客户满意度。商业战略家和演讲家弗列德·威尔斯马在《客户联盟》中通过对大量国际上享有盛名企业的调查和细致研究,全面阐述了被这些成功企业大量运用并被证明是行之有效的新型商业运作模式—客户联盟,同时对客户关系管理及客户联盟的概念及关系做了深入的阐述;罗杰·卡特怀特的《掌握顾客关系》中指出:使顾客满意已不再是最终目标，只有让顾客感到愉悦才能带来回头客的生意,而这才是最重要的;品牌创建、发展和管理方面最杰出的世界顶级专家保罗·唐波拉,马丁·特鲁特在《与客户亲密接触:通过客户关系管理实现品牌价值最大化》一书中, 讨论了品牌建设中的CRM 原理, 想品牌获得成功,必须彻底转向以客户为中心,进行“结构思维的变化”,建立严格以客户为中心的公司,将所有精力放在客户身上,并给员工授权为客户提供好的服务。 2.国内研究 国外先进管理理念的传入信息代的到来,为我国客户关系管理研究奠定了理论基础和技术支持。严格地说, CRM 的理念全面在中国传播开始于1999 年。1999 年8 月6日朗讯科技(中国) 公司商业通讯系统部在北京举办了以/ 营造完美电信呼叫中心0 为主题的研讨会, 介绍了其全新的客户关系管理( CRM ) 解决方案, 并强调指出, 商业部门必须着眼于客户关系, 提供独具特色的个性化服务, 才能在网络经济时代立于不败之地。1999年9月27 日《计算机世界》报连载Oracle 细说客户关系管理( CRM )文章。陈旭研究了CRM 的内涵和管理思想, 分析了CRM 的主要功能，辨析了CRM 与SCM 和ERP 的关系,讨论了CRM 的发展趋势;成栋、宋远方在研究当前各种客户关系管理的管理理论的基础上提出了客户关系管理的理论框架体系,以澄清客户关系管理与其他管理理论的关系；安实等分析了CRM 价值创造机理,指出目前对客户关系管理的应用研究忽视了CRM 项目的理念基础和人的因素。 二、基于CRM 为管理机制的研究

对于个性化推荐新闻的思考

对于个性化推荐新闻的思考 作者：王慧 来源：《传媒论坛》2019年第01期 摘要：个性化推送作为新兴媒体背景下一种新的新闻分发形式，对受众有着正反两方面的意义，无论是新闻定制，还是算法分发，其困境背后实际上是技术不断发展过程中工具理性与人文理性的永恒博弈。媒体应该对聚合类信息内容的把关，个性化推荐与人性化推荐相融合，推送未曾关注的领域，增加新闻偶遇的机会。以算法为主进行分发的新兴媒体同专业媒体应该共同满足受众对于信息的需求，其中既包括个性化，也包括公共性，只有这样才能形成唐纳德肖所提出的专业媒体与大众媒体纵横交错的“纸草社会”，在算法时代守望人的价值。 关键词：算法;人文理性;工具理性 中图分类号：G210 文献标识码：A 文章编号：2096-5079 （2019） 01-00-02 个性化推荐新闻即根据用户的性别、年龄、自定义、访问信息类别需求倾向等特征来给用户推荐特定的信息内容，具有个性化、定制化、移动化、互动性等特点。正如“今日头条”APP 所说：“投其所好，送其需要”。个性化推荐新闻对受众有积极消极两方面的影响，新闻媒体仍应提供必要的社会公共信息，担任社会协调与整合的职责。而在CEO张一鸣看来，《今日头条》与传统媒体最本质的区别就是算法。这款兴趣推荐搜索引擎应用的核心是算法，今日头条之所以能够洞察用户喜好，精准分发用户感兴趣的新闻，很大程度上与算法是分不开的。 本文将从以下几个角度，探索有关这个算法王国的几个问题：媒体人的老帝国与算法技术新帝国的融合的前景（代价）是什么？对于受众有何影响，可能的误区在哪里？以下将以今日头条APP为例来探讨个性化推荐新闻对受众的影响。 一、算法于人之利 （一）满足分众化信息需求，精准分发，提高用户黏性 个性化推荐新闻基于计算机程序运作，提高了精准程度的新闻分发使得不同类型的内容信息被机器识别，推送给有着不同需求的受众，根据使用与满足理论，受众面对大众传媒绝不是完全被动的，事实上受众总是自主地选择自己所好奇的和所需要的媒介内容和信息。受众信息消费的选择范围也随着网络技术的普及不断扩大，受众的个性化需求成为了媒体始终绕不开的话题。今日头条的slogan“你关心的，才是头条”这也充分体现了互联网思维的极致发挥。分配逻辑的首位是观众的需求，同时媒体的市场覆盖面也得到了显著的提高，更是获得了受众认可，创始短短几年就对“腾讯新闻”等老牌新闻客户端产生了极大的威胁。

个性化推荐算法概述与展望

Hans Journal of Data Mining 数据挖掘, 2019, 9(3), 81-87 Published Online July 2019 in Hans. https://www.sodocs.net/doc/5911017736.html,/journal/hjdm https://https://www.sodocs.net/doc/5911017736.html,/10.12677/hjdm.2019.93010 Overview and Prospect of Personalized Recommendation Algorithm Xinxin Li Dalian University of Foreign Languages, Dalian Liaoning Received: Jun. 19th, 2019; accepted: Jul. 2nd, 2019; published: Jul. 9th, 2019 Abstract In recent years, the word “information overload” frequently appears in people’s vision, it has be-come a hot word in the field of computer, and it is also an important problem that researchers ur-gently need to solve. In order to solve the problem of information overload, researchers in the field of computer constantly optimize the personalized recommendation algorithm, strive to re-duce the difficulty of information retrieval for users, to provide users with the best personalized recommendation results. This paper gives a brief overview of the personalized recommendation methods which are widely used and common. Combined with the experience of using personalized recommendation algorithm to generate results in daily life, the author puts forward expectations for the development of personalized recommendation algorithm in the future. Keywords Personalized Recommendation, Collaborative Filtering, Hybrid Recommendation 个性化推荐算法概述与展望 李鑫欣 大连外国语大学，辽宁大连 收稿日期：2019年6月19日；录用日期：2019年7月2日；发布日期：2019年7月9日 摘要 近年来，“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐

个性化推荐系统研究综述

个性化推荐系统研究综述 【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。最后对个性化推系统做出总结与展望。 【关键词】推荐系统；推荐算法；个性化 1.个性化推荐系统 1.1个性化推荐系统的概论 推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。 一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 1.2国内外研究现状 推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。最近的迅猛发展，来源于Web210技术的成熟。有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。 个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的

面向移动APP的个性化推荐算法

龙源期刊网 https://www.sodocs.net/doc/5911017736.html, 面向移动APP的个性化推荐算法 作者：尚燕飞陈德运杨海陆 来源：《哈尔滨理工大学学报》2018年第06期 摘;要：针对移动互联网移动端的推荐系统推荐满意度和精度较低问题，在分析应用信息系统推荐方法的基础上，提出了一种基于用户相似度和主题相似度个性化的移动APP信息推荐方法，该方法采用用户相似度和个性化加权组合的方式生成信息推荐，使推荐信息更为个性化，提高了推荐精度。同时针对多用户公用账号和兴趣发生变化的推荐问题，提出了一种基于复杂兴趣的推荐算法，该方法通过挖掘用户间的相似度、用户的行为操作及兴趣取向，使推荐信息更为准确。同时，相比于性能较好的Popular推荐算法，本算法在准确率上提高了 3.91%，召回率提高了3.45%，覆盖率提高了 4.84%，性能明显提高。因此，文中所提出方法 用于移动APP的个性化推荐，为移动APP的个性化推荐提供了一种新方法。 关键词：移动APP;推荐算法;推荐精度;个性化信息 DOI：10.15938/j.jhust.2018.06.021 中图分类号： TP393.08 文献标志码： A 文章编号： 1007-2683（2018）06-0116-08 Abstract：For the problem of low precision to both experience satisfaction and personalized requirement of Internet mobile terminal;based on the recommendation method of analyzing information system;a method of mobile APP information recommendation based on user similarity and subject similarity is proposed;which generated information recommendation by the weighted combination of user similarity and personalized;that the recommended information is more personalized;and the recommended accuracy is improved. At the same time;a recommendation algorithm based on complex interest is proposed;which makes the recommendation information more accurate by mining the similarity between users;the behavior of users and the orientation of interest for the recommendation problem of multi-user public account and interest change. Compared with the Popular which has better performance;the algorithm improves the accuracy rate by 3.91%;the recall rate is 3.45%;the coverage rate is improved by 4.84%;and the performance is improved obviously. Therefore;the method proposed in this paper is used to the personalized recommendation of APP;which provides a new method for mobile APP′s personalized recommendation. Keywords：mobile application;recommendation algorithm;the accuracy of recommending;personalized information 0;引;言

个性化推荐系统的文献综述

个性化推荐系统在电子商务网站中的应用研究 一、引言 随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。 个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。 二、个性化推荐系统概述 个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。 1995年3月，卡内基 梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic 等人在同一次会议上推出了个性化推荐系统LIRA。同年8月，麻省理工学院的

个性化推荐技术综述

个性化推荐技术综述 在互联网时代，各类信息层出不穷，用户往往面临着“信息过载”的困扰，难以在大量信息中找到有价值的信息。而个性化推荐则通过用户的兴趣特点和历史行为快速高效的为用户推荐用户感兴趣的信息或商品。通常情况下，根据推荐方式的不同，推荐技术大概可以分为以下几个类型： 1.协同过滤的推荐算法 协同过滤推荐算法由Goldberg、Nicols、Oki和Terry 在1992年提出，该算法应用在Tapestry系统。Breese 等人将协同过滤推荐技术分为两种类型，一种是基于内存的协同过滤方法，另一种是基于模型的协同过滤方法，各自常用的算法如图1所示。基于内存的协同推荐( memory-based collaborative filtering) 也称为启发式的协同推荐，主要直接利用用户的历史数据来提供预测结果。根据相似性度量的对象的不同，基于内存的协同过滤又分为User-based 协同过滤和Item-based协同过滤。User-based 协同过滤的基本原理是如果一些用户对一些物品评价的分数比较接近，那么通常情况下他们评价其它物品的分数也会很接近。那么我们要得到某个用户对物品的评分时，就可用和该用户评分相似的其他用户对目标物品的评分去估计。Item-based协同过滤的基本原理是如果一些物品的典型特征具有相似性，那么同一个用户对他们的评分是接近的。基于上述原则，如果我们得到用户对和目标物品相似的其它物品的评分时，那么我们就可以通过这些分数来逼近用户对目标物品的评分。基于模型（Model-based）的推荐算法是首先通过用户-项目评分矩阵训练得到一个决策模型，在为目标用户进行推荐时，利用该离线模型为用户进行预测产生推荐结果。大致理念就是通过机器学习算法，在数据中找出模式，并将用户与物品间的互动方式模式化。

个性化服务——一些内涵

个性化服务是一种有针对性的服务方式，根据用户的设定来实现，依据各种渠道对资源进行收集、整理和分类，向用户提供和推荐相关信息，以满足用户的需求。从整体上说，个性化服务打破了传统的以被动服务模式，能够充分利用各种资源优势，主动开展以满足用户个性化需求为目的的全方位服务。 个性化服务，作为一种服务思想和经营理念，不同的学者都提出了自己的见解。史丹（2006）指出所谓个性化服务（Personal Service），是指以顾客需求为中心，在满足顾客共性需求的基础上，针对顾客的个性特点和特殊需求，主动积极的为顾客提供差异性的服务，让顾客有一种自豪感、满足感，留下深刻的印象，赢得他们的忠诚而成为回头客。[14] 苏洪文（2002）认为个性化服务，是服务人员根据每位宾客的特别要求，提供相应的优质服务，使其在接受服务的同时满足生理、心理要求。[3] 邱萍（2004）认为个性化服务又称特殊服务，是服务人员在标准化的服务基础上，针对客人不同的兴趣爱好和个别要求所提供的服务，具有鲜明的针对性和灵活性。张延、金惠君（2005）认为：个性化服务( Personalized Service 或Individualized Service)有两层含义:一是指以标准化服务为基础,但不囿于标准,而是以客人需要为中心去提供各有针对性的差异化服务及超常规的特殊服务,以便让接受服务的客人有一种自豪感和满足感,并赢得他们的忠诚;二是指服务企业提供有自己个性和特色的服务项目。[23] 以上所列的四种定义是比较有代表性的。业界对个性化服务没有统一的定义，很多研究者都认为个性化服务是针对客人的个别的、特殊的需求提供的。邱萍和张延等人认为个性化服务是以标准化服务为基础，苏洪文认为个性化服务是满足客人生理、心理要求的优质服务，把心理要求的满足突出来。史丹则是从顾客需求的角度，指出个性化服务能够使顾客获得自豪感和满足感而成为回头客，这是个性化服务的结果和目标。相比苏洪文，史丹把客人心理精神方面的满足更加具体化。张延的定义还扩展到饭店本身的个性和特色项目，比起其它三个定义内涵进一步扩展，这个定义也更加符合个性化服务的发展方向。 二、个性化服务内涵 苏洪文（2002）认为个性化服务内涵包括两个方面：满足顾客的个性化需求和体现员工的个性。并把它分为：灵活服务、癖好服务、意外服务、自选服务、心理服务和全能大师服务。苏洪文从员工与顾客的服务关系的角度来说明个性化服务的内涵，并且最先把个性化服务的内容分为六种形式，基本把个性化服务的内容包括进去。 和苏洪文的观点不同，李晴（2006）认为个性化服务的内涵有3层：一是服务人员根据服务对象的特别需要提供有针对性的服务，并对客人的各种个别的需要进行归类、整理与分析,推出符合不同客人个性要求的服务；二是针对客人个性需要提供“特别关照”和“区别对待”的服务；三是既满足客人的个性化,又发挥企业和服务人员的个性特色。以上三方面的内容比起苏洪文内涵扩大了，指出要对客人的各种需求进行个归类、整理分析，找出规律以便为更多客人提供个性化服务。

个性化推荐系统的文献综述

个性化推荐系统的文献综述 个性化推荐系统在电子商务网站中的应用研究一、引言随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，

为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。 二、个性化推荐系统概述个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。1995年3月，卡内基?梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统

个性化推荐系统中的多样性综述

Software Engineering and Applications 软件工程与应用, 2019, 8(3), 172-178 Published Online June 2019 in Hans. https://www.sodocs.net/doc/5911017736.html,/journal/sea https://https://www.sodocs.net/doc/5911017736.html,/10.12677/sea.2019.83021 A Survey of Diversity in Personalized Recommendation Systems Shuhao Jiang1,2, Liyi Zhang1,2, Na Zhou1 1School of Electrical and Information Engineering, Tianjin University, Tianjin 2School of Information Engineering, Tianjin University of Commerce, Tianjin Received: June 6th, 2019; accepted: June 21st, 2019; published: June 28th, 2019 Abstract Diversity has become one of the main directions of recommendation system research. Improving the diversity of recommendation content is not only an important way to solve the problem of over-fitting, but also a way to improve user’s experience satisfaction. In order to elaborate the work in the field of recommendation diversity, this paper introduces diversity recommendation from three aspects: the definition and evaluation of diversity, the impact of diversity on recom-mendation quality and the development of diversity algorithm. Keywords Personalized Recommendation, Diversity, Recommendation Quality, Evaluation 个性化推荐系统中的多样性综述 姜书浩1,2，张立毅1,2，周娜1 1天津大学电气自动化与信息工程学院，天津 2天津商业大学信息工程学院，天津 收稿日期：2019年6月6日；录用日期：2019年6月21日；发布日期：2019年6月28日 摘要 多样性已成为推荐系统研究的主要方向之一，提高推荐内容的多样性不仅是解决过度拟合问题的重要方法，也是提高用户体验满意度的方法。为了更好地阐述推荐多样性领域的工作，本文分别从多样性的定义和评价、多样性对推荐质量的影响以及多样化算法本身的发展三个方面对多样性推荐进行了介绍。

个性化推荐算法概述与展望

个性化推荐算法概述与展望 近年来，随着网络信息技术的不断发展与进步，网民数量激增，网络覆盖率日益增高。互联网行业发展迅速，购物、出行、医疗、教育等生产生活中的方方面面都有着“互联网+”的影子。在这个网络化、信息化的时代，网络技术已经在潜移默化地影响着、改变着人们的生活方式与思想观念。“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。 为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐算法，力求降低用户的信息检索难度，为用户提供最优的个性化推荐结果。在汉斯出版社《数据挖掘》期刊中，有论文对于应用范围较广、较为常见的个性化推荐方法做出简要的概述，并结合日常生活中使用个性化推荐算法生成结果的经历，对未来个性化推荐算法的发展提出期望。 基于信息超载的情况，个性化推荐算法应运而生。个性化推荐系统通过挖掘用户在网络上留下的“信息足迹”，采集并分析用户的网络行为与消费偏好，根据不同的推荐算法将精准的、契合度高的内容推荐给用户。个性化推荐算法的产生与发展极大地便利了人们的生产与生活，对于用户而言，不用再为在海量的信息中检索需要的内容而苦恼，对于商家而言能够更好地分析用户行为，提高竞争力与实现经济效益的最大化增长。 个性化推荐方法分为协同过滤推荐、基于内容的推荐以及混合推荐。协同过滤推荐主要思想是通过现有的用户群以往的意见和行为，对当前用户最有可能感兴趣的物品进行预测。基于内容推荐是指通过掌握的物品特征的描述和描述了用户历史兴趣的记录，确定最能匹配用户喜爱的物品并推荐给用户。混合推荐算法来提高推荐结果的准确程度，是为克服协同过滤算法、基于内容算法等其他算法的局限性、提高个性化推荐结果的精准度，研究者将两种

2013―2014年我国数字图书馆个性化服务研究综述_1711

2013―2014年我国数字图书馆个性 化服务研究综述 数字图书馆的个性化服务就是以用户为中心，在研究用户行为、兴趣、爱好、专业和习惯的基础上，根据用户的个性化需求而开展的信息服务。它具有很强的针对性、主动性、易用性、知识性、专业性和安全性，能够充分提高用户对数字图书馆信息服务的满意度。国内对数字图书馆个性化服务研究始于21世纪初，研究成果丰硕，近几年更是达到了高峰，为了从总体上了解国内数字图书馆个性化服务的研究状况，通过搜集整理2013-2014年间我国数字图书馆个性化服务研究领域发表的论文，揭示该领域研究的发展轨迹、研究重点和热点、学术成果及存在的问题等，加强对数字图书馆个性化服务研究基本情况的了解，为后续研究者提供依据和参考。 1.论文统计分析 本文研究选择CNKI中国期刊全文数据库作为信息来源，检索高校有关数字图书馆个性化服务的研究文献。本研究检索的主题分为“数字图书馆”和“个性化服务”两部分，检索时间调整为2013.01.01-2014.12.31，根据检索结果可知：2013-2014年国内关于数字图书馆个性化服务研究的文献发表共计117篇，2013年发表69篇，7篇硕士论文，62篇期刊论文；2014年发表48篇，3篇硕士论文，

45篇期刊论文。论文主要涉及图书情报与数字图书馆、计算机软件与计算机应用、档案及博物馆、医学教育与医学边缘学科、医药卫生方针政策与法律法规研究、民商法与计算机硬件技术学科，在这些论文中，国家自然科学基金支持的有6篇，浙江省教委科研基金支持的有2篇，国家社会科学基金支持的有2篇，江苏省教育厅人文社会科学研究基金与甘肃省教委科研基金支持的各1篇。 2.数字图书馆个性化服务研究内容分析 论文的研究主题在一定程度上反映了数字图书馆个性化服务研究领域的热点和重点，有助于了解该领域的研究现状和水平，帮助研究人员正确预测该领域的发展趋势和方向。本文对2013-2014年国内关于数字图书馆个性化服务研究的论文进行统计分析，根据统计结果将论文研究内容分为三大主题，即综述类研究、技术类研究、建模类研究，本文限于篇幅原因，仅对每类研究主题中的典型文章进行概述。 2.1综述类研究 冯新民从高校移动数字图书馆个性化服务的现状入手，针对个性化服务发展中存在资源的严重匮乏、个性化信息服务应用规模小、数量少等问题予以分析，研究了我国高校移动数字图书馆个性化服务的预约服务模式、信息检索个性化服务模式、课题协助服务模式、远程

推荐系统调研报告及综述

推荐系统调研报告及综述 一、推荐系统概述 1.1 什么是推荐系统 推荐系统(Recommender System)的发展已经经历了近20年的时间，但是迄今为止仍没有人试图对推荐系统给出一个精确的定义。 广义上的推荐系统可以理解为是主动向用户推荐物品(Item)的系统，所推荐的物品可以是音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等，这依赖于具体的应用领域，推荐系统所推荐的物品或者对用户有帮助，或者用户可能感兴趣[1]。 随着电子商务规模的不断扩大，商品数量和种类不断增长，用户对于检索和推荐提出了更高的要求。由于不同用户在兴趣爱好、关注领域、个人经历等方面的不同，以满足不同用户的不同推荐需求为目的、不同人可以获得不同推荐为重要特征的个性化推荐系统(Personalized Recommender System)应运而生[1]。目前所说的推荐系统一般指个性化推荐系统。 1.2 推荐系统的发展历史 如果追根溯源，推荐系统的初端可以追溯到函数逼近理论、信息检索、预测理论等诸多学科中的一些延伸研究。 推荐系统成为一个相对独立的研究方向一般被认为始自1994年明尼苏达大学GroupLens研究组推出的GroupLens系统[2]。该系统有两大重要贡献：一是首次提出了基于协同过滤(Collaborative Filtering)来完成推荐任务的思想，二是为推荐问题建立了一个形式化的模型(见1.4)。基于该模型的协同过滤推荐引领了之后推荐系统在今后十几年的发展方向。 GroupLens所提出的推荐算法实际上就是目前人们时常提及的基于用户的协同过滤推荐算法(User-based Collaborative Filtering Algorithms)，虽然论文本身并没有使用这样一个名字。在之后的十几年中，其它一些著名的协同过滤算法逐渐被提出，主要的有基于物品的协同过滤算法(Item-based Collaborative Filtering Algorithms)[3]，基于矩阵分解的协同过滤算法(SVD-based/NMF-based, etc.)等等。当然，基于其它方法而非协同过滤的推荐算法也在不断地发展，这些方法之间的互补、融合也成为一个重要的研究方向，这些会在本文第二部分(推荐方法的分类)和第三部分(典型推荐算法概述及优缺点)中详细阐述。 目前，推荐算法已经已经被广泛集成到了很多商业应用系统中，比较著名的有Netflix在线视频推荐系统、Amazon网络购物商城等。实际上，大多数的电子商务平台尤其是网络购物平台，都不同程度地集成了推荐算法，如淘宝、京东商城等。Amazon发布的数据显示，亚马逊网络书城的推荐算法为亚马逊每年贡献近三十个百分点的创收。