社交網絡中上下文感知協同過濾算法

汪 濤

(湖北民族學院理學院 湖北 恩施 445000)

?

社交網絡中上下文感知協同過濾算法

汪 濤

(湖北民族學院理學院 湖北 恩施 445000)

圍繞上下文感知推薦技術和社會化網絡推薦技術的局限性展開研究，提出一種基于社會化網絡環境下的名為HCCF的上下文感知協同過濾方法。在充分考慮上下文感知推薦系統實際問題的基礎上，首先量化了不同維度的上下文對推薦系統所產生的影響，并在此基礎上定義了上下文影響系數。在此基礎上引入了社會化網絡環境中不同用戶之間的相互影響，并采用社會化網絡用戶信任度進行衡量，最后對上下文因素和社會化網絡用戶信任度進行綜合考慮，提出一種新的相似度計算方法。理論分析和在真實數據集上的實驗結果表明，相對于單純基于上下文的系統過濾算法以及社會化網絡推薦方法而言，該算法的準確性和推薦效率均得到一定程度的提升。

上下文感知推薦系統 社交網絡 推薦系統 上下文感知

0 引 言

隨著信息化技術和計算機網絡技術的發展，尤其是網絡技術的發展，世界正經歷著異常深刻的“網絡化革命”，近年來云計算、大數據等新興計算技術的快速發展，促使了以博客、微博、微信等為代表的社交媒體風起云涌，人們逐漸從信息匱乏的時代走入信息過載的時代[1-2]，人們淹沒在信息的海洋卻無法迅速找到有用的信息。雖然人們可以通過搜索引擎進行信息檢索，但是搜索引擎卻無法主動向用戶提供個性化查詢。因此，信息過載在一定程度上降低了信息利用率，并且在當今大數據時代表現越來越嚴重[3-4]。推薦系統作為一種信息超載解決方案，通過分析用戶與項目之間的相關關系和用戶行為獲取用戶特征，針對用戶的特性需求進行項目推薦，實現個性化服務。作為一種新的智能信息服務方式，推薦系統在電子商務、社會網絡、移動應用和互聯網廣告等各個領域得到廣泛應用，其中以在電子商務領域的應用最為成功。

“用戶-項目”之間的關聯關系在傳統推薦系統中占據著重要的位置，以往對于推薦系統的研究也主要集中于對“用戶-項目”關系的研究，而很少考慮到用戶所處的上下文環境(如時間、位置、活動狀態、網絡環境等)。但是，隨著移動應用的發展和基于位置服務的興起，用戶對推薦的需求越來越和周圍環境相關，僅僅依靠“用戶-項目”的二元關系所產生的推薦并不能很好地滿足用戶的需求，例如在用戶“心情愉悅”時應該向用戶推薦一些歡悅而非壓抑的音樂，如果用戶在進餐時間通過移動終端或其他方式購買餐券的概率要比深夜及其他時間要高。并且在選擇過程中就近選擇就餐地點的概率高于遠距離飯店。這里的地理位置、時間就可以看成是上下文內容，在推薦系統中結合上下文信息可以進一步提高推薦的精準度和用戶滿意度，在保持“個性化”的同時也體現了一定的“普適計算”的優勢，對于改進推薦系統的性能具有重要的研究意義和適用價值，引起了眾多研究者的極大興趣。

當前對基于上下文感知計算的推薦系統的研究主要集中于現實環境上下文對用戶偏好的影響，很少涉及社會化網絡上下文的影響。當今社會化網絡正如日中天，社會化網絡所涉及的上下文包含的信息已經遠遠超過現實環境上下文，通過對用戶網絡上下文的挖掘，可以獲取大量體現用戶與外部世界交互的信息，對提高推薦系統的準確性有極大的意義。然而，當前對于上下文感知推薦系統的研究忽略了社會化網絡條件上下文，在一定程度上影響了推薦系統的準確度和多樣性。因此，將社交網絡融入到上下文感知推薦系統，通過社交網絡環境分析用戶需求與社會環境之間的關聯關系，并對用戶產生推薦對于提高推薦系統的準確性具有重要意義。

因此，本文面向社會化網絡服務研究領域，提出一種啟發式的上下文感知協同過濾方法HCCF(Heuristic Context-aware Collaborative Filtering)，利用已知的用戶偏好和社會化網絡關系，發現用戶的最近鄰居，預測用戶潛在偏好并生成推薦。

1 相關工作

自推薦系統概念提出以來，眾多的研究者對推薦系統進行了大量研究，但是已有的研究工作主要集中于協同過濾、基于內容和物品的推薦以及基于模型的推薦方法。在用戶和物品的二元關系上，根據已有信息計算用戶和物品的相似性進而挖掘用戶潛在的感興趣的物品，但是沒有考慮到時間、地點、社會環境、網絡環境等上下文信息。由于上下文信息的引入，推薦系統的數據源從二維評分空間擴展到多維評分空間，Adomavicius等人基于這一想法于2005年提出“上下文感知推薦系統CARS(context-aware recommender systems[5～7])”，首次使得上下文信息成為推薦系統的一個重要因素。近年來眾多研究者針對上下文感知推薦系統展開了一系列的應用研究，使得上下文感知推薦系統已經在電子旅游、移動網絡服務等方面展開了廣泛應用。社會化推薦系統由于融合了社會化網絡信息和個性化用戶偏好信息，在推薦精確度、冷啟動、稀疏性、新穎性和覆蓋率等方面相對于傳統二維推薦系統有較大的提升和優化。如圖1所示。

圖1 基于社交網絡的上下文感知推薦系統

隨著網絡技術的發展，信息增長的速度已經遠遠超過了計算技術發展的速度，信息過載的問題越來越突出[8]。針對這一問題，推薦系統領域的研究人員展開了大量的研究，提出了許多有效的算法的模型[9～12]對于解決信息過載的問題具有一定的作用，尤其是在利用上下文感知計算和社會化網絡分析技術進行信息推薦方面取得了較好的成果。鄭志高等[13]在綜合考慮了基于用戶和基于物品的協同過濾算法的同時引入了時間的上下文因素，提出了一種時間加權不確定近鄰協同過濾算法，從時間維度改善了相似性的計算方式。Adomavicius等[12]針對個性化移動服務網絡提出了一種上下文移動用戶偏好自適應學習算法，解決了移動服務中上下文信息實時更新的問題。Hong等分析了上下文信息和日志記錄，并提出一個基于代理的框架，實現了移動環境下的個性化推薦服務[14]。Gaurav等[15]采用關聯挖掘的方法對上下文信息進行深度挖掘，并利用挖掘結果進行相關項目的推薦，在一定程度上提高了推薦系統的準確性。Knijnenburg等[16]研究了上下文推薦系統決策方法，同時提出了一種上下文推薦系統中隱私保護的推薦機制，在進行信息推薦的同時保護用戶隱私。Braunhofer[17]則研究了上下文感知推薦系統中的冷啟動問題，提出了一種混合交換的推薦機制，既考慮了已有信息的計算方法同時也考慮了新進資源的推薦方法。

當前對于上下文感知推薦系統的研究主要集中于多元混合資源的關聯推薦方面，同時還有眾多的研究者根據地理信息等資源進行基于位置的推薦。但是當前無論是上下文感知推薦方面還是基于社會化網絡資源推薦方面的研究都相對孤立，很少有人將二者結合起來。當今移動互聯網技術和社交網絡技術快速發展，上下文環境已經不僅僅是指網絡上下文環境或者現實環境的上下文，二者往往交互在一起。因此，在社會化網絡環境下研究上下文感知推薦方法不僅僅是提高推薦系統推薦準確率的需求，也是移動互聯網技術發展的需求。

2 社交網絡中上下文感知推薦模型

上下文感知推薦系統關注上下文信息對用戶偏好的影響，而社會化網絡環境下的推薦系統則關注社會化網絡環境下用戶或項目的相似性計算方法。本文主要研究融合上下文和社交網絡的協同過濾推薦方法，在內容上和計算理論上是對上下文感知推薦系統和社會化網絡環境下的推薦系統的進一步融合與深化。本文分別采用U、I、C表示所有用戶、物品和上下文的集合，同時定義θ:U×I×C∈R和φ:U×U∈P兩個效用函數分別對用戶在上下文條件下對項目的偏好程度和用戶之間的社會化網絡關系進行表示，那么基于社會化網絡的上下文感知推薦系統的核心問題就是在社會化網絡環境中考慮上下文條件約束的前提下為用戶推薦那些預測偏好度R最大的項目s*，這一過程可以形式化地表述為式(1)。

?(u,c1,…,ct)∈U×C1×…×Ct,

(1)

多維評分向量模型θ()表示社會化網絡關系類型的不同屬性或特征，二維矩陣空間模型φ()表示用戶在不用上下文環境中的偏好。根據上述定義，效用函數θ()表示用戶之間的社會化網絡關系，因此θ()中的所有元素為空時，社會化網絡環境對推薦系統的影響可以完全忽略，模型就退化成常規的上下文感知推薦系統；當C為0時，模型即為常規社會化推薦系統；當φ()的所有元素為空且上下文類型C為0時，模型即為傳統的推薦系統。

在考慮社會化網絡分析方法和上下文信息融合的基礎上，本文創造性地提出一種啟發式的基于社會化網絡的上下文感知協同過濾方法HCCF(Heuristic Context-aware Collaborative Filtering Algorithm)，HCCF充分考慮了上下文信息對用戶偏好的影響，保證推薦系統的準確性；同時利用社會化網絡計算方法，在一定程度上提高了推薦系統的效率。

2.1 上下文環境對用戶偏好的影響模型

本文用一個多維度向量空間模型C=C1×C2×…×Cm表示用戶所處的上下文環境，其中m表示上下文類型的數量，那么用戶在不同上下文類型下對項目的偏好Pre可以用多維度向量空間模型的量化偏好值表示為：Pre:U×I×C→Preference，其中U表示用戶集合，I表示項目集合，C表示上下文集合。為了表示不同上下文環境對用戶偏好的影響，本文采用相對標準方差RSD來衡量不同維度的上下文環境對用戶偏好的影響的波動系數volt，如果用戶u在上下文環境ct中對于i的偏好程度為Preuict，那么volt可以表示為式(2)。

(2)

(3)

2.2 融合上下文信息和社交網絡的用戶相似度計算方法

本文在考慮上下文環境對用戶偏好影響的基礎上考慮社交網絡中用戶之間的間接信任關系對用戶相似度的影響，最終實現對用戶評分的預測。

(4)

社會化網絡承載著人與人之間的相關信息，社會化網絡分析研究主要關注用戶之間的關聯關系以及網絡信息對用戶的影響，尤其是用戶之間的信任關系已經對用戶偏好產生一定的影響?；谶@一社會特點，本文將用戶之間的信任關系進行量化，并結合用戶偏好數據對用戶感興趣的物品進行推薦。由于用戶之間的直接信任關系矩陣往往是稀疏矩陣[19]，因此，本文首先需要構建用戶之間的間接信任模型。本文引入信任度的概念并采用tac和tcb對用戶ua和uc以及用戶uc和ub之間的信任關系盡量量化，量化模型可以表示為式(5)，其中tab即表示用戶ua和ub之間的信任度。

(5)

其中Ta={tac|tac≠null,tac≥θ}，參數θ表示用戶ua對好友信任度閾值，由于用戶之間的信任關系具備傳遞性，因此可以通過閾值的設置對用戶信任度的傳遞范圍進行設置可以快速發現最近鄰好友。

根據以上各參數的引入，本文在上下文評分相似度sim(ua,ub)con的基礎上對社會網絡的信任關系進行量化并引入社會關系網絡模型tab，因此，本文可以根據式(6)對融合上下文信息和社會化網絡的用戶相似度sim(ua,ub)進行計算。

sim(ua,ub)=α×sim(ua,ub)con+(1-α)tab

(6)

其中，參數α∈[0,1]表示上下文因素和社會化網絡環境對推薦結果準確率的影響，并且上下文因素對推薦結果的影響與α成正相關，也就是說α越大，上下文因素對推薦系統結果的影響越大，反之，說明社會化網絡因素對相似度的計算影響越大。當α=0時sim(ua,ub)=tab，即忽略上下文因素對推薦系統的影響，α=1時則有sim(ua,ub)=sim(ua,ub)con。

2.3 啟發式上下文感知協同過濾算法

(7)

算法HCCF是根據不確定的上下文環境，首先計算上下文環境的波動系數和影響系數，量化不同的上下文環境對用戶偏好的影響，在此基礎上引入社交網絡中用戶信任系數，充分考慮用戶群體之間的相互影響，進而將上下文因素和社會化網絡環境對推薦結果的影響進行綜合平衡，最后產生最符合當下環境需求的推薦結果集。

據此，HCCF算法可以分類兩個步驟，第一步主要是對上下文因素和社會化網絡環境進行量化，評估上下文環境和其他相關用戶對推薦結果的影響，第二個步驟才是根據上下文環境以及社會化網絡用戶之間的信任關系產生推薦。因此，算法的描述如算法1所示。

算法1 Heuristic_Context_Collaborative_Filtering

輸入：目標用戶Ua，上下文環境C，待評分項目Ij，調和參數α

輸出：用戶Ua對目標項目Ij的評分Ra,j

第1步：根據上下文環境C計算上下文環境對用戶偏好的影響系數λn；

第2步：基于上下文環境計算用戶ua∈U和ub∈U的評分的相似性sim(ua,ub)con；

第3步：初始化用戶間的社交間接信任度tab；

第4步：融合上下文環境和用戶間間接信任度計算用戶相似性sim(ua,ub)；

第5步：預測用戶評分Ra,j。

3 實驗及算法分析

本節在考慮算法特性的基礎上設計了一系列的對比實驗，對本文所提出算法的效率和準確性進行驗證。同時分析調和參數α在上下文和社會化網絡信任方面的平衡方面的影響。

3.1 實驗數據集與基準對比方法

本文實驗中使用天貓商城提供的Rec-Tmall數據集。數據集中包含來自977萬個用戶對813萬個項目的13億條真實行為日志，以及735萬個用戶對507萬個項目的1 100萬條評論，可以據評論文字預測用戶對該項目的喜好程度。

首先根據用戶之間的好友關系和用戶間的溝通記錄構建社會化網絡，并計算用戶之間的直接信任度[20-21]，在確定用戶的近鄰時，本文選取k=6[22]。然后根據用戶的訪問記錄對用戶可能感興趣和不感興趣的項目進行評分標注，每個上下文實例下的評分均為1～5，其中1表示不喜歡，5表示喜歡。最終選取300萬個用戶對400萬個項目的6億條不包含上下文信息的用戶評分記錄和6.8億條上下文相關的用戶評分作為實驗數據集，其中80%的數據作為訓練集，20%的數據作為測試集。

為了對比本文所提出的算法的性能，實驗中選取與上下文無關的基于用戶的協同過濾算法(UBCF)[23]和基于SVD的推薦方法[24]作為基準與本文所提出的算法進行對比，在控制社會話網絡因素的前提下驗證上下文信息對推薦結果的影響。同時本文還選取了上下文過濾方法[25]來驗證社會化網絡因素對推薦系統準確率的影響。最后本文還對調和參數α對算法的影響進行了分析。

3.2 實驗結果分析

本文首先在相同的實驗條件下驗證本文所提出的HCCF算法與UBCF、上下文預過濾方法以及基于SVD的推薦方法在準確性上的不同表現。由于本文實驗中涉及的項目數量巨大，上下文信息豐富，因此本文選取P@N(Precision at N)，即前N個推薦結果中相關查詢所占的比例，和平均準確率MAP(Mean Average Precision)作為評價標準。同時，在P@N中考慮到測試數據中每個用戶評價的物品數量較多，但實際需要推薦物品的數量較少，因此本文選取N=10，也就意味著當用戶對項目的評分大于4時，本文將服務看作是“喜歡的”項目。本文綜合考慮了上下文信息和社會化網絡因素對推薦結果的影響，在實驗過程中本文首先設計實驗對調和參數α的取值進行評估，確保調和參數α的取值合理有效，同時也從側面平衡了上下文信息和社會化網絡因素的影響。

為了驗證上下文環境和社會化網絡用戶信任度分別對HCCF算法的影響，本組實驗中α的取值從0遞增到1，參數α對HCCF的影響如圖2所示。

參數α反映了HCCF算法中上下文因素和社會化信任距離對于算法相似度計算的影響。當α=0時表示基于社會化網絡信任度的推薦方法，當α=1時表示基于上下文評分相似度的推薦方法，從圖3中可知，當α得取值為0.1～0.9時HCCF的性能相對于基于上下文信息的推薦方法以及基于社會化網絡因素的推薦方法要好，由此說明上下文信息和社會化網絡因素對推薦系統準確率都有積極影響。從圖3可以看出，當調和參數取值為0.5時(α=0.5)HCCF算法在P@10和MAP指標上的性能達到最優。這說明，本文提出的啟發式的上下文感知協同過濾算法同時引入社會化網絡信息和上下文信息，對于提高上下文感知協同過濾算法的性能具有明顯意義，并且同時考慮上下文因素和社會化網絡因素能夠最大程度上提高推薦系統的準確性。圖3顯示，當α=0時推薦系統在P@10和MAP兩個指標下的表現均稍優于α=1，這也從側面反映出基于上下文信息的推薦方法略優于基于社會化網絡的推薦方法。

在后續實驗中本文選取α=0.5，驗證本文提出的算法和其他算法的性能。圖3展示了相同實驗條件下四種算法P@10和MAP方面的表現。

從圖3中可以看出，當α=0.5時本文所提出的HCCF算法在P@10和MAP兩個指標上的表現均優于其他三種對比算法。UBCF主要是從“用戶-物品”的角度進行相似度計算并產生推薦，并沒有考慮上下文環境和社會化網絡環境中用戶之間的相互影響，因而在P@10和MAP兩個指標上的表現均較差。此外，上下文預過濾方法充分考慮了上下文對用戶偏好的影響，基于SVD的推薦方法是一種基于模型的方法，在一定程度上照顧了用戶之間的相互影響。但是兩種算法在實驗中的表現均不如本文提出的HCCF算法，說明上下文環境和社會化網絡用戶之間的信任關系均對推薦系統的準確性有一定的影響。

對比分析上述兩組實驗，橫向對比每一個實驗可以發現，在相同情況下本文提出的HCCF的推薦性能要優于傳統的基于物品的推薦方法、基于SVD的方法以及普通的基于上下文的推薦方法。在綜合考慮上下文因素和社會化網絡因素方面，實驗表明，綜合考慮兩種因素的推薦性能要優于只考慮其中一種因素的性能，并且兩種因素的占比同等重要(α=0.5)。

4 結 語

目前，對于上下文感知推薦系統的研究主要集中于基于模型的推薦方法上，很少有研究人員同時考慮上下文信息和社會化網絡信息[24]。本文在總結已有研究的基礎上，提出了一種社會化網絡環境下上下文感知協同過濾方法HCCF，在考慮上下文信息的同時融合了社會化網絡分析方法。并在真實的數據集上展開實驗，驗證了本文所提出的算法的性能。

隨著網絡技術的發展，社交網絡已經深度融合到人們的生活中，基于社會化網絡的推薦方法已經得到一些研究者的關注，本文僅僅考慮上下文信息和社會化網絡用戶信任度方面的融合，隨著云計算、大數據等計算技術的發展，未來還可以考慮從更高維度上的融合推薦方法。并且社會化網絡數據稀疏性也是影響推薦系統準確性的一個重要因素，如何在考慮數據稀疏性的前提下，提高上下文感知推薦系統的準確性也是未來的研究重點之一。

[1] Gleick J. Information overload[J]. New Scientist, 2011, 210(2806): 30-31.

[2] 王娜, 陳會敏.泛在網絡中信息過載危害及原因的調查分析[J]. 情報理論與實踐, 2014, 37(11), 20-25.

[3] 劉建國, 周濤, 汪秉宏.個性化推薦系統研究進展[J]. 自然科學進展, 2009, 19(1):1-15.

[4] Mason W, Vaughan J W, Wallach H. Computational social science and social computing [J]. Machine Learning, 2014, 95(3): 257-260.

[5] Golbeck J. Computing and applying trust in web-based social networks [D]. PhD thesis, University of Maryland College Park, 2005.

[6] Massa P, Avesani P. Trust-aware recommender systems[C]// ACM Conference on Recommender Systems. ACM, 2007:17-24.

[7] Guy I, Zwerdling N, Carmel D, et al. Personalized recommendation of social software items based on social relations[C]// ACM Conference on Recommender Systems, Recsys 2009, New York, Ny, Usa, October. DBLP, 2009:53-60.

[8] 孫圣力, 鄭志高, 王平, 等. RTDP系統網絡體系結構及其關鍵技術[J].北京郵電大學學報, 2014, 37(s1): 1-7.

[9] Ramaswamy L, Deepak P, Polavarapu R, et al. CAESAR: A Context-Aware, Social Recommender System for Low-End Mobile Devices[C]// MDM 2009, Tenth International Conference on Mobile Data Management, Taipei, Taiwan, 18-20 May. DBLP, 2009:338-347.

[10] 王立才, 孟祥武, 張玉潔. 移動網絡服務中基于認知心理學的用戶偏好提取方法[J].電子學報, 2011, 39(11):2547-2553.

[11] Jung J J. Contextualized mobile recommendation service based on interactive social network discovered from mobile users[J]. Expert Systems with Applications, 2009, 36(9):11950-11956.

[12] Adomavicius G, Jannach D. Preface to the special issue on context-aware recommender systems[J]. User Modeling and User-Adapted Interaction, 2014, 24(1):1-5.

[13] 鄭志高, 劉京, 王平, 等. 時間加權不確定近鄰協同過濾算法[J].計算機科學, 2014, 41(8):7-12.

[14] Hong J, Suh Eui-Ho, Kim J, et al. Context-aware system for proactive personalized service based on context history[J]. Expert Systems with Applications, 2009, 36(4): 7448-7457.

[15] Gaurav Arora, Ashish Kumar, Gitanjali Sanjay Devre, et al. Movie recommendation system based on users’ similarity[J]. International Journal of Computer Science and Mobile Computing, 2014, 3(4):765-770.

[16] Knijnenburg B P, Kobsa A. Making Decisions about Privacy: Information Disclosure in Context-Aware Recommender Systems[J]. Transactions on Interactive Intelligent Systems, 2013, 3(3):20.

[17] Braunhofer M, Codina V, Ricci F. Switching hybrid for cold-starting context-aware recommender systems[C]// The, ACM Conference. ACM, 2014:349-352.

[18] Gavalas D, Konstantopoulos C, Mastakas K, et al. Mobile recommender systems in tourism[J]. Journal of Network & Computer Applications, 2014, 39(1):319-333.

[19] Jamali M, Ester M. A matrix factorization technique with trust propagation for recommendation in social networks[C]// ACM Conference on Recommender Systems, Recsys 2010, Barcelona, Spain, September. DBLP, 2010:135-142.

[20] Eagle N, Pentland A, Lazer D. Infewing friendship network structure by using mobile phone data [J]. PNAS, 2009, 106(36): 15274-15278.

[21] Verbert K, Manouselis N, Ochoa X, et al. Context-Aware Recommender Systems for Learning: A Survey and Future Challenges[J]. IEEE Transactions on Learning Technologies, 2012, 5(4):318-335.

[22] Mullette S. Six degrees of separation [J]. Australian Insolvency Journal, 2013, 25(2): 10-15.

[23] Bell R M, Koren Y. Improved neighborhood-based collaborative filtering[C]// KDD cup and workshop at the 13th ACM SIGKDD international conference on knowledge discovery and data mining. 2007: 7-14.

[24] Polat H, Du W. SVD-based collaborative filtering with privacy [C]// Proceedings of the 2005 ACM symposium on Applied computing. ACM, 2005: 791-795.

[25] Adomavicius G, Sankaianarayanan R, Sen S, et al. Incorporating contextual information in recommender systems using a multidimensional approach [J]. ACM Transactions on Information Systems (TOIS), 2005, 23(1): 103-145.

[26] Adomavicius G, Kwon Y O. Optimization-Based Approaches for Maximizing Aggregate Recommendation Diversity[J]. Informs Journal on Computing, 2014, 26(2):351-369.

A CONTEXT-AWARE COLLABORATIVE FILTERING ALGORITHM IN SOCIAL NETWORKS

Wang Tao

(SchoolofScience,HubeiUniversityforNationalities,Enshi445000,Hubei,China)

A context-aware collaborative filtering method named HCCF based on social network environment is proposed, which focuses on the limitations of context-aware recommendation technology and social network recommendation technology. On the basis of fully considering the practical problems of the context-aware recommendation system, the influence of different dimensions of the context on the recommendation system is quantified, and the context influence coefficient is defined on this basis. And then introduces the interaction between different users in the social network environment, and uses the social network user trust degree to measure. Finally, a new similarity calculation method is proposed considering the context factor and the social network user trust. Theoretical analysis and experimental results on the real data set show that the proposed algorithm improves the accuracy and recommendation efficiency compared with the simple context-based system filtering algorithm and the social network recommendation method.

Context-aware recommendation system Social networks Recommendation system Context-aware

2016-05-10。“十二五”國家科技支撐計劃課題(2015BAK07B03)；全國統計科學研究項目(2015LY43)。汪濤，副教授：主研領域：數據挖掘，大數據，云計算和推薦系統。

TP3

A

10.3969/j.issn.1000-386x.2017.07.043