推荐系统研究现状和参考文献

如今，推荐系统应用于越来越多的电子商务平台，为数以百万计的顾客提供服务。例如，在Amazon。com，人们利用推荐算法，对每位顾客提供在线商店个性化［3］。协同过滤推荐（Collaborative Filtering Recommendations，CF）是最早出现也是最成功的推荐算法之一［4］，被广泛应用在因特网中，如最大的网上CD商店，CDNow。com和快速查询影院和电影信息的网站MovieFiner。com［5］，用户根据自己的喜好对音乐CD或电影进行打分或者评价，网站根据用户的历史行为为用户提供个性化的推荐。协同过滤算法可以细分为基于用户的协同过滤推荐和基于项目的协同过滤推荐［6］，其中，基于用户的协同过滤，是通过用户对不同商品的打分或评价，计算用户之间的相似性并做出推荐，而基于项目的协同过滤则是计算商品之间的相似性做出推荐。协同过滤以其出色的速度和健壮性，成为全球互联网领域炙手可热的研究方向。基于内容的推荐［7］（Content-based Recommendations，CB）是通过对项目的内容信息进行分析做出推荐，不需要用户对项目进行打分或者评价，如NewsWeeder就是基于CB的例子。由于各种推荐方法都存在优缺点，单纯使用一种推荐方法并不一定是一种好的选择，所以现实生活中常采用组合推荐方法做出推荐。采用最多是基于内容和协同过滤推荐的组合，最简单的方法是分别使用基于内容和协同过滤得到推荐结果，然后使用某种组合方式融合结果。82923

参考文献

［1］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(7):66-76。

［2］许海玲, 吴潇, 李晓东,等。互联网推荐系统比较研究[J]。软件学报, 2009, 20(2):350-362。

［3］Linden G, Smith B, York J。 Amazon。com Recommendations: Item-to-Item Collaborative Filtering[J]。 IEEE Internet Computing, 2010, 7(1):76-80。

［4］Sarwar B, Karypis G, Konstan J, et al。 Analysis of recommendation algorithms for e-commerce[C]// ACM Conference on Electronic Commerce。 ACM, 2000:158-167。

［5］Herlocker J L, Konstan J A, Borchers A, et al。 An algorithmic framework for performing collaborative filtering[C]// International ACM SIGIR Conference on Research and Development in Information Retrieval。 ACM, 1999:230-237。

［6］Wang J, De Vries A P, Reinders M J T。 Unifying user-based and item-based collaborative filtering approaches by similarity fusion[C]// International ACM SIGIR Conference on Research and Development in Information Retrieval。 ACM, 2006:501 - 508。

［7］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。

［8］刘明吉, 王秀峰, 黄亚楼。数据挖掘中的数据预处理[J]。计算机科学, 2000, 27(4):54-57。

［9］菅志刚, 金旭。数据挖掘中数据预处理的研究与实现[J]。计算机应用研究, 2004, 21(7):117-118。

［10］张文凌。领域知识参与数据挖掘预处理阶段的研究[D]。北方工业大学, 2008。

［11］王娟, 慈林林, 姚康泽。特征选择方法综述[J]。计算机工程与科学, 2005, 27(12):68-71。

［12］王济川。 Logistic回归模型[M]。高等教育出版社, 2001。论文网

［13］李航。统计学习方法[M]。清华大学出版社, 2012。

［14］常辉, 胡修林, 张蕴玉。基于CART算法的卫星星座原始构型选择策略[J]。华中科技大学学报:自然科学版, 2011(6):1-5。

［15］JIAWEI HAN(加)。数据挖掘概念与技术[M]。机械工业出版社, 2006。

［16］Breiman L。 Bagging predictors[J]。 Machine Learning, 1996, 24(2):123-140。

［17］Dietterich T G。 An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting, and Randomization[J]。 Machine Learning, 2000, 40(2):139-157。推荐系统研究现状和参考文献:http://www.youerw.com/yanjiu/lunwen_97495.html