一種基于本體的推薦系統(tǒng)模型

喬冬春,劉曉燕,付曉東,曹存根

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院,昆明650500;

2.中國科學(xué)院計(jì)算技術(shù)研究所智能信息處理重點(diǎn)實(shí)驗(yàn)室,北京100190)

一種基于本體的推薦系統(tǒng)模型

喬冬春1,劉曉燕1,付曉東1,曹存根2

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院,昆明650500;

2.中國科學(xué)院計(jì)算技術(shù)研究所智能信息處理重點(diǎn)實(shí)驗(yàn)室,北京100190)

經(jīng)典推薦系統(tǒng)主要根據(jù)用戶對(duì)項(xiàng)目的評(píng)價(jià)或者用戶與項(xiàng)目之間的關(guān)鍵字相似度進(jìn)行推薦,存在信息結(jié)構(gòu)化程度低、語義缺乏、信息利用不充分等問題。為此,提出一種基于本體的推薦系統(tǒng)模型。將本體引入到推薦系統(tǒng)中,使用OWL語言對(duì)用戶和項(xiàng)目信息進(jìn)行描述,使用戶和項(xiàng)目具有語義信息的同時(shí),提高信息的結(jié)構(gòu)化描述水平。在推薦過程中,通過規(guī)則分析用戶行為信息并綜合考慮以提高模型的推薦質(zhì)量。實(shí)驗(yàn)結(jié)果證明,與傳統(tǒng)推薦模型相比,該模型在信息結(jié)構(gòu)化水平、語義描述等方面具有優(yōu)勢(shì)。采用該模型為用戶推薦項(xiàng)目能夠有效提高推薦的召回率和準(zhǔn)確率。

本體;協(xié)同過濾;基于內(nèi)容推薦;混合推薦;Web本體語言;推薦系統(tǒng)

1 概述

隨著網(wǎng)絡(luò)的發(fā)展,互聯(lián)網(wǎng)上的信息每天以指數(shù)級(jí)別在增長,如何個(gè)性化地為每個(gè)用戶服務(wù)是Web信息處理技術(shù)的主要發(fā)展趨勢(shì)之一［1］。當(dāng)前,主要有基于協(xié)同過濾的系統(tǒng)、內(nèi)容的推薦系統(tǒng)和混合推薦算法等［2-3］,這些推薦系統(tǒng)在工業(yè)界得到了較好的應(yīng)用和推廣。同時(shí),也存在一些缺點(diǎn):

(1)推薦內(nèi)容多以關(guān)鍵字為計(jì)算項(xiàng),不能夠表達(dá)出項(xiàng)目項(xiàng)和用戶項(xiàng)之間的語義信息［4］;

(2)難以區(qū)分資源內(nèi)容的品質(zhì)和風(fēng)格,質(zhì)量難以保證,而且不能動(dòng)態(tài)更新［5］;

(3)資源內(nèi)容結(jié)構(gòu)化程度低,在資源利用和共享方面存在限制。

當(dāng)前,本體已經(jīng)成為知識(shí)工程中一個(gè)重要的工具,在知識(shí)獲取、表示、分析和應(yīng)用等方面具有重要的意義:(1)本體研究促進(jìn)知識(shí)工程中對(duì)本質(zhì)知識(shí)的獲取;(2)本體研究促使顯式地表示出領(lǐng)域知識(shí)和領(lǐng)域假設(shè);(3)本體研究使知識(shí)共享和知識(shí)重用成為可能［6］。為解決推薦系統(tǒng)中的語義缺乏、結(jié)構(gòu)化程度低等問題,本文提出一種基于本體的推薦系統(tǒng)模型,該模型將本體引入到推薦系統(tǒng)中,將用戶和項(xiàng)目等資源信息采用本體的方式進(jìn)行表示。

2 相關(guān)工作

2.1 本體

本體論一詞早在l7世紀(jì)就已誕生,其派生于希臘語的onto(存在)和logia(箴言錄),是一個(gè)哲學(xué)術(shù)語。從哲學(xué)意義上看,本體論關(guān)注的是存在,即世界在本質(zhì)上有什么樣的東西存在,或者世界存在哪些類別的實(shí)體［7］。在計(jì)算機(jī)界,尤其是知識(shí)工程界,人們對(duì)本體的認(rèn)識(shí)和定義經(jīng)歷了一個(gè)不斷深化的過程。不同于哲學(xué)中的本體論概念,計(jì)算機(jī)科學(xué)中的本體有自己特定的含義［6］。目前被大部分人公認(rèn)的定義是1994年提出的本體概念:“本體是關(guān)于共享概念的一致約定。共享概念包括用來對(duì)領(lǐng)域知識(shí)進(jìn)行建模的概念框架、需要互操作的主體之間用于交互的與內(nèi)容相關(guān)的協(xié)議,以及用于表示特定領(lǐng)域理論的共同約定。在知識(shí)共享的情況下,本體的形式特化為具有代表性的詞匯的定義。一種最簡單的形式是一種層次結(jié)構(gòu),用來詳細(xì)描述類和它們之間的包含關(guān)系。關(guān)系數(shù)據(jù)庫的框架也是一種本體,它用來描述能共享的數(shù)據(jù)庫之間的關(guān)系和集成這些數(shù)據(jù)庫需遵循的約束”［8］。

本體論在Web上的應(yīng)用導(dǎo)致了語義Web的誕生,其目的是解決Web上信息共享時(shí)的語義問題。語義Web被看作是當(dāng)前本體論從學(xué)術(shù)研究走向?qū)嶋H應(yīng)用的最重要的構(gòu)想和研究計(jì)劃［7,9］。在推薦系統(tǒng)中引入本體的概念,可以有效解決結(jié)構(gòu)化程度低、語義缺乏等諸多問題。

2.2 常用推薦模型

目前,常用的推薦方法有3種基本的推薦方法:協(xié)同過濾算法,基于內(nèi)容的推薦算法和混合推薦算法［10］。每種推薦系統(tǒng)中均有其優(yōu)缺點(diǎn),下面介紹各個(gè)推薦算法的基本原理。

2.2.1 協(xié)同過濾

協(xié)同過濾是目前最為流行的推薦方法,協(xié)同過濾分為基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同過濾［2］,基于用戶的協(xié)同過濾原理是目標(biāo)用戶會(huì)對(duì)與目標(biāo)用戶相似的鄰居用戶喜歡的項(xiàng)目也感興趣。即存在用戶集合 User=(u1,u2,…,un)和項(xiàng)目集合Pro=(p1,p2,…,pn),在User集合中存在相似用戶大于閾值的用戶集,用函數(shù)Sim(ui,uj)表示ui和uj(1≤i,j≤n)具有的相似度。當(dāng)ui對(duì)項(xiàng)目pk感興趣時(shí),uj也會(huì)對(duì)pk感興趣。基于項(xiàng)目的協(xié)同過濾原理是用戶對(duì)一個(gè)項(xiàng)目感興趣也會(huì)對(duì)該項(xiàng)目的鄰居項(xiàng)目感興趣,用函數(shù)Sim(pi,pj)表示項(xiàng)目pi和pj的相似度。當(dāng)相似度大于閾值時(shí),用戶訪問了項(xiàng)目pi對(duì)項(xiàng)目pj也會(huì)產(chǎn)生興趣。

目前,計(jì)算用戶、項(xiàng)目之間相似性的數(shù)據(jù)是M個(gè)用戶對(duì)N個(gè)項(xiàng)目訪問形成的M×N評(píng)價(jià)矩陣,Rik表示用戶i對(duì)于項(xiàng)目k的評(píng)分,用戶i和用戶j之間的相似度可以通過多種公式進(jìn)行計(jì)算,下面介紹目前采用的主要公式:

余弦相似性［11］公式為:

其中,Iij是用戶I,j共同評(píng)分的項(xiàng)目集合(數(shù)量＞1); Ri,k,Rj,k分別表示用戶i和用戶j對(duì)項(xiàng)目k的評(píng)分; Ii,Ij分別表示用戶 i和用戶 j各自評(píng)過分的項(xiàng)目集合。

由于在余弦相似性度量方法中沒有考慮不同用戶的評(píng)分尺度問題,修正的余弦相似性度量方法通過減去用戶對(duì)項(xiàng)目的平均評(píng)分來改善上述缺陷。則用戶i和用戶j之間的相似性為:

修正的余弦相似性方法在余弦相似性基礎(chǔ)上,減去了用戶對(duì)項(xiàng)目的平均評(píng)分,然而該方法更多體現(xiàn)的是用戶之間的相關(guān)性而非相似性。相關(guān)性和相似性是2個(gè)不同的概念,相似性反映的是聚合特點(diǎn),而相關(guān)性反映的是組合特點(diǎn)。為了更好地得到用戶間的相似性,使用用戶對(duì)共同評(píng)分項(xiàng)目的評(píng)分進(jìn)行計(jì)算,則用戶i和用戶j之間的相似性Sim(i,j)通過Pearson相關(guān)系數(shù)來度量的公式轉(zhuǎn)換為:

Pearson相關(guān)系數(shù)的取值范圍為:［-1,1］。在相似性計(jì)算中,為正值表示相似,正值越大越相似。

2.2.2 基于內(nèi)容的推薦

基于內(nèi)容的推薦模型主要通過計(jì)算用戶偏好項(xiàng)和項(xiàng)目描述項(xiàng)之間的相似性為用戶推薦候選項(xiàng)。在基于內(nèi)容的推薦系統(tǒng)中,用戶偏好信息一般可以通過機(jī)器學(xué)習(xí)和用戶配置2種方法生成［3］。該模型可以通過公式描述為用戶配置集合Configure={c1, c2,…,cn}與項(xiàng)目屬性集合 Attribute={a1,a2,…, am}之間的相似性。當(dāng)前,非常有名的計(jì)算方法是通過TF-IDF計(jì)算用戶偏好項(xiàng)和項(xiàng)目相似性的相似性計(jì)算。TF-IDF是計(jì)算詞在一組文檔中重要性的統(tǒng)計(jì)方法［5］,用以評(píng)估一個(gè)字詞對(duì)于一份文件的重要程度。字詞的重要性隨著它在文件中出現(xiàn)的次數(shù)成正比增加,但同時(shí)會(huì)隨著它在語料庫中出現(xiàn)的頻率成反比下降。

基于內(nèi)容的推薦多采用關(guān)鍵字進(jìn)行用戶配置與項(xiàng)目相似度的計(jì)算,與協(xié)同推薦一樣,都存在語義缺乏的問題,制約著推薦準(zhǔn)確率的提高。為了解決這一問題,提出了基于本體的推薦算法。

2.2.3 混合推薦算法

混合推薦算法是指采用一種以上的基本推薦方法聯(lián)合推薦的方法。由于協(xié)同過濾、基于內(nèi)容的推薦等推薦算法均具有各自的優(yōu)缺點(diǎn),因此混合推薦算法可以采用各種推薦算法的優(yōu)點(diǎn)進(jìn)行項(xiàng)目推薦。同時(shí),由于混合推薦算法采用了多種推薦方法同時(shí)進(jìn)行推薦,存在效率不高,各種推薦算法的權(quán)值難以優(yōu)化等問題。

3 基于本體的推薦算法

基于本體的推薦算法將本體引入到推薦系統(tǒng)中,資源采用本體的方法進(jìn)行描述,使資源結(jié)構(gòu)化表示的同時(shí)具有了語義信息。推薦模型采用協(xié)同過濾與基于內(nèi)容推薦模型中的基本思想,用戶聚類信息由采用用戶評(píng)分矩陣改為用戶偏好信息進(jìn)行聚類,用戶偏好信息與項(xiàng)目信息的相似性采用屬性語義相似的計(jì)算方法。該推薦模型的整體結(jié)構(gòu)如圖1所示,主要分為資源的本體描述、原始數(shù)據(jù)分析、項(xiàng)目推薦等功能模塊。通過各個(gè)功能模塊的協(xié)同工作,為用戶推薦用戶喜歡的項(xiàng)目。

圖1 基于本體的推薦系統(tǒng)模型

3.1 資源的本體描述

本體描述語言起源于歷史上人工智能領(lǐng)域?qū)χR(shí)表示的研究,有多種語言和環(huán)境可以進(jìn)行本體的描述等［7］。隨著Web網(wǎng)絡(luò)的發(fā)展,也有多種Web本體語言出現(xiàn),從應(yīng)用范圍和標(biāo)準(zhǔn)出發(fā)。采用W3C推薦的Web本體語言(Ontology Web Language,OWL0語言進(jìn)行描述,OWL通過類、屬性、個(gè)體、限制等內(nèi)容描述資源信息。其存儲(chǔ)模式通過 ＜Subject, Predicate,Object＞三元組進(jìn)行存儲(chǔ),通過上述相關(guān)元素,可以將資源進(jìn)行結(jié)構(gòu)化和語義的表示。

在該模型中,資源主要分為原始數(shù)據(jù)和分析數(shù)據(jù)2種資源信息。原始數(shù)據(jù)主要包括項(xiàng)目信息、用戶信息、用戶行為信息等不需要加工的信息。分析數(shù)據(jù)包括用戶行為分析規(guī)則、用戶偏好、用戶相似度、用戶與項(xiàng)目相似度等信息。各種數(shù)據(jù)的具體描述方法如下:

3.1.1 原始數(shù)據(jù)

原始數(shù)據(jù)不需要經(jīng)過任何處理,通過本體的類、屬性、個(gè)體進(jìn)行描述。即分為項(xiàng)目信息類、用戶信息類、用戶行為信息類。各個(gè)類下面具有相應(yīng)的屬性信息和個(gè)體信息。

以新聞本體為例,描述本體描述的介紹:

上述內(nèi)容為OWL文件中關(guān)于新聞本體類的定義,該內(nèi)容定義了具有IRI地址為“http://www.reco.com/mf#新聞”的新聞本體類,該新聞本體類為項(xiàng)目本體的子類,并具有項(xiàng)目類的所有屬性。在OWL文件中,關(guān)于新聞本體的屬性描述如下所示:

上述OWL內(nèi)容主要描述的是新聞本體具有新聞介紹和新聞時(shí)間等基本類型屬性和新聞事件、新聞人物、新聞事件等對(duì)象類型屬性。基本類型屬性是指本體的屬性取值范圍是整數(shù)、字符串等類型,對(duì)象類型屬性指本體的取值是其他類型的個(gè)體。

3.1.2 用戶偏好信息

在基于內(nèi)容的推薦系統(tǒng)中,用戶偏好信息可以通過模式學(xué)習(xí)和用戶配置2種方法生成,在當(dāng)前模型中,采用2種方法相結(jié)合的方式進(jìn)行方法管理。即用戶首次配置,隨著用戶訪問記錄而動(dòng)態(tài)更新的方式進(jìn)行用戶偏好信息的管理。為了達(dá)到用戶項(xiàng)可以進(jìn)行語義描述的目標(biāo),用戶偏好信息通過屬性、屬性值、權(quán)重三元組集Profile={＜p1,v1,w1＞,＜p1, v2,w2＞,…＜pm,vn,wx＞}來定義用戶的偏好信息。偏好信息隨著用戶訪問記錄的增多而更新。其具體更新方法由原始數(shù)據(jù)分析模塊進(jìn)行處理。

3.1.3 用戶相似度信息

用戶相似度信息用于存儲(chǔ)用戶之間的相似性,系統(tǒng)中采用＜用戶,相似用戶,相似度＞三元組進(jìn)行表示。3.1.4 用戶與項(xiàng)目相似度

用戶與項(xiàng)目相似度采用＜用戶,項(xiàng)目,相似度＞三元組進(jìn)行表示。

3.2 原始數(shù)據(jù)分析

原始數(shù)據(jù)分析主要功能是在本體描述的基礎(chǔ)數(shù)據(jù)上進(jìn)行分析處理。主要通過用戶的歷史訪問信息進(jìn)行偏好度更新、用戶間相似度計(jì)算、用戶與項(xiàng)目相似度計(jì)算等功能。

3.2.1 偏好度更新

偏好度更新功能主要是通過分析用戶對(duì)項(xiàng)目的訪問歷史來更新用戶的偏好配置信息,偏好信息將按照下述步驟進(jìn)行更新:

3.2.2 用戶間相似度計(jì)算

用戶間相似度的計(jì)算是根據(jù)用戶的偏好信息進(jìn)行用戶聚類,該相似度是以基于用戶的協(xié)同過濾為基礎(chǔ),采用用戶偏好信息為聚類數(shù)據(jù),使系統(tǒng)可以根據(jù)該數(shù)據(jù)進(jìn)行協(xié)同推薦。在根據(jù)愛好的用戶聚類中,將偏好信息看作項(xiàng)目信息,以基于用戶的余弦相似性進(jìn)行用戶的聚類,在相同用戶訪問一個(gè)項(xiàng)目時(shí),同時(shí)向同組用戶推薦該用戶的訪問項(xiàng)。用戶間相似度計(jì)算的主要過程如下:

3.2.3 用戶與項(xiàng)目相似度

由于用戶配置信息采用了具有語義信息的屬性作為偏好配置,在計(jì)算用戶配置信息和項(xiàng)目相似度計(jì)算時(shí),采用基于屬性相似性的計(jì)算方法,該計(jì)算過程如下:

原始數(shù)據(jù)分析為項(xiàng)目推薦提供基礎(chǔ)數(shù)據(jù)支持,計(jì)算出的數(shù)據(jù)信息存入到本體中,并為項(xiàng)目推薦使用。

3.3 項(xiàng)目推薦

項(xiàng)目推薦功能根據(jù)用戶分析的數(shù)據(jù),為用戶推薦用戶感興趣的項(xiàng)目,該功能主要由項(xiàng)目評(píng)分、項(xiàng)目過濾、項(xiàng)目推薦與展示等過程組成,下面詳細(xì)介紹各個(gè)功能過程。

項(xiàng)目評(píng)分:項(xiàng)目評(píng)分根據(jù)用戶相似信息和用戶與項(xiàng)目相似性的值進(jìn)行該項(xiàng)目的評(píng)分。該評(píng)分為項(xiàng)目推薦的主要依據(jù),該項(xiàng)目的評(píng)分算法如下:

項(xiàng)目過濾主要是將用戶訪問過的、根據(jù)法規(guī)等不適合推薦的項(xiàng)目過濾掉。該過程具體過程如下:

項(xiàng)目推薦與展示主要根據(jù)項(xiàng)目的依據(jù)項(xiàng)目評(píng)分和項(xiàng)目過濾后的推薦項(xiàng)進(jìn)行選擇的推薦和展示,具體過程如下:

推薦模型根據(jù)上述描述的過程獲取推薦項(xiàng),并根據(jù)推薦項(xiàng)為用戶提供個(gè)性服務(wù),提高了用戶使用的體驗(yàn)度,節(jié)省了用戶的查詢時(shí)間。

4 實(shí)驗(yàn)和評(píng)價(jià)

推薦系統(tǒng)的性能指標(biāo)一般有推薦的精確度和推薦的效率,使用的指標(biāo)有平均絕對(duì)誤差(Mean Absolute Error,MAE),均方根誤差(Root Mean Squared Error,RMSE)和相關(guān)性correlation。由于不同的研究工作針對(duì)不同的問題,使用不同的數(shù)據(jù)集,因此具體評(píng)測(cè)方法變化很大［12］。當(dāng)前常用的數(shù)據(jù)有MovieLens,EachMovie,BookCrossing等數(shù)據(jù)集。

為了對(duì)推薦模型進(jìn)行指標(biāo)分析,以比較本體的推薦方法較傳統(tǒng)的推薦算法有哪些優(yōu)點(diǎn),進(jìn)行了相應(yīng)的數(shù)據(jù)準(zhǔn)備。采用具有悠久歷史的MovieLens進(jìn)行實(shí)驗(yàn),分別采用1 000,10 000,100 000的數(shù)據(jù)量進(jìn)行模型的測(cè)試。并分別從準(zhǔn)確率、召回率、執(zhí)行時(shí)間等指標(biāo)進(jìn)行計(jì)算。如表1所示,雖然基于本體的推薦方法在執(zhí)行效率方面稍微低于傳統(tǒng)的推薦算法,但是其在召回率和準(zhǔn)確率方面均較傳統(tǒng)的方法有較好的提高。

表1 準(zhǔn)確率、召回率和執(zhí)行效率對(duì)比

5 結(jié)束語

本文將知識(shí)的本體表示方法引入到了傳統(tǒng)的推薦算法中,采用協(xié)同過濾和內(nèi)容過濾兩者的基本思想,提出一種基于本體的推薦系統(tǒng)模型,解決了傳統(tǒng)推薦算法中存在的結(jié)構(gòu)化程度低、語義缺乏等問題。該模型在準(zhǔn)確率和召回率方面都優(yōu)于傳統(tǒng)的推薦系統(tǒng)。下一步工作主要是改進(jìn)推薦模型的計(jì)算公式,以達(dá)到更高的準(zhǔn)確率和召回率。

［1］ 吳泓辰,王新軍,成 勇,等.基于協(xié)同過濾與劃分聚類的改進(jìn)推薦算法［J］.計(jì)算機(jī)研究與發(fā)展,2011,48(s3): 205-212.

［2］ Schafer J B,Frankowski D,Herlocker J,et al.Evaluating Collaborative Filtering Recommender Systems［J］.ACM Transactions on Information Systems,1999,22(1):5-53.

［3］ Pazzani M J,Billsus D.Content-based Recommendation Systems［EB/OL］.(2001-12-10).http://www.researchgate.net/publication/200121026_Content-Based_ Recommendation_Systems.

［4］ Jntema W I,Goossen F.Ontology-Based News Recommendation［C］//Proceedings of EDBT Workshops.［S.l.］: ACM Press,2010.

［5］ 曾 春,邢春曉,周立柱.個(gè)性化服務(wù)技術(shù)綜述［J］.軟件學(xué)報(bào),2002,13(10):1592-1601.

［6］ 顧 芳.多學(xué)科領(lǐng)域本體的設(shè)計(jì)方法研究［D］.北京:中國科學(xué)院計(jì)算技術(shù)研究所,2004.

［7］ 李善平,尹 奇,胡玉杰,等.本體論研究綜述［J］.計(jì)算機(jī)研究與發(fā)展,2004,41(7):1041-1052.

［8］ Gruber T.Principles for the Design of Ontologies Used for KnowledgeSharing［EB/OL］.(1994-02-20).http://ksl-web.stanford.edu/people/gruber/.

［9］ Lee T B,Hendler J,Lassila O.The Semantic Web［J］.Scientific American,2001,284(5):34-43.

［10］ Goossen F,Jntema W I,Frasincar F.News Personalization Using the CF-IDF Semantic Recommender［EB/OL］.(2011-07-26).http://repub.eur.nl/pub/31385/.

［11］ Sarwar B,KarypisG,Konstan J,etal.Item-based Collaborative Filtering Recommendation Algorithms［C］// Proceedings of the 10th International Conference on World Wide Web.New York,USA:ACM Press,2001:285-295.

［12］ 許海玲,吳 瀟,李曉東,等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究［J］.軟件學(xué)報(bào),2009,20(2):350-362.

編輯 顧逸斐

An Ontology-based Recommendation System Model

QIAO Dongchun1,LIU Xiaoyan1,FU Xiaodong1,CAO Cungen2
(1.Faculty of Information Engineering and Automation,Kunming University of Science and Technology, Kunming 650500,China;2.Key Laboratory of Intelligent Information Processing, Institute of Computing Technology,Chinese Academy of Sciences,Beijing 100190,China)

The classic recommendation system is mainly based on the users for the project evaluation or the keywords similarity between the user and the item for recommendation,there is a low degree of information structure,lack of semantic and other issues.To solve these problems,this paper proposes an ontology-based recommender system model.This model uses OWL language describe the user and project information by introducing ontology to bear more semantic information and improve the degree of information structure.In the recommendation process,the results of analyzing user behavior information by rules is considered for improve the quality of recommendation.Experimental results show that the model has better effect in degree of information structure and semantics.It can effectively improve the recall and precision rates by using this model for recommendation.

ontology;collaborative filtering;content-based recommendation;hybrid recommendation;Ontology Web Language(OWL);recommendation system

1000-3428(2014)11-0282-06

A

TP39

10.3969/j.issn.1000-3428.2014.11.056

國家自然科學(xué)基金資助項(xiàng)目(61173063,10AYY003,71161015)。

喬冬春(1984-),男,碩士研究生,主研方向:軟件工程,知識(shí)處理;劉曉燕,副教授;付曉東,教授、博士;曹存根,研究員。

2013-10-28

2013-12-20E-mail:103242266@qq.com

中文引用格式:喬冬春,劉曉燕,付曉東,等.一種基于本體的推薦系統(tǒng)模型［J］.計(jì)算機(jī)工程,2014,40(11): 282-287.

英文引用格式:Qiao Dongchun,Liu Xiaoyan,Fu Xiaodong,et al.An Ontology-based Recommendation System Model［J］.Computer Engineering,2014,40(11):282-287.