融合云環境用戶情境興趣的移動SNS信任推薦模型

2018-03-27 03:41:25蘇妍嫄張亞明劉海鷗

小型微型計算機系統 2018年3期

宓翠，陳晶，蘇妍嫄，張亞明，劉海鷗

(燕山大學經濟管理學院，互聯網+與產業發展研究中心，河北秦皇島 066004)

1 引言

在當前的“數字爆炸時代”，每18個月產生的數字信息相當于過去幾千年數據量的總和.世界最大的在線影片租賃服務商Netflix一直致力于不斷改進和完善其個性化推薦服務，分別于2006、2009年推出兩個“百萬美元計劃”以提高其推薦引擎的性能，當前Netflix又推出了基于海量數據進行挖掘的個性化推薦系統，主要用于解決海量數據環境下個性化推薦所面臨的復雜信息處理與即時個性化服務問題.然而，海量數據環境下移動社會化推薦對位置的敏感性、緊急性、便攜性決定了移動SNS推薦系統須滿足一些特殊要求：對用戶興趣變化反應快、能處理短期興趣、能處理變化很大的項目屬性、社交屬性、情境敏感等，使傳統CF推薦技術不能直接平移到移動SNS中，由此也導致移動推薦的情境信息過載、數據稀疏、推薦系統脆弱性與可擴展性、推薦結果多樣性與精確性兩難困境等問題遠遠沒有得到解決，難以滿足云計算服務時代大規模、高質量和實時性的移動SNS用戶個性化服務需求.

因此，本文在研究中引入云環境用戶情境興趣信息參量，基于情境興趣與信任關系雙重視角，提出融合云環境用戶情境興趣的移動SNS信任推薦模型，深入探討由于海量數據信息環境導致的數據稀疏與推薦精度下降的問題，顯著改善傳統移動推薦的實時性和服務質量，提高大規模社交網絡個性化挖掘的深度、規模性和質量，從而為用戶提供更為精準的個性化服務，為移動社交網絡提供商和廣大用戶創造價值，因此具有重要的理論意義與實際應用價值.

2 相關工作

云計算與大數據時代的來臨以及數據密集型科學研究范式的興起使“數據稀疏性”問題備受關注[1].由于融合了社會化網絡和個性化用戶偏好信息，社會化信任推薦有效提升了傳統推薦的精確度、冷啟動、稀疏性與穩定性等[2].如國外學者Kant Vibhor(2013)[3]在研究推薦系統的數據稀疏性問題時，將用戶間的信任關系引入到協同過濾推薦模型的構建中，以此來提高推薦的精度；學者Sohn Jongsoo(2015)[4]對原先基于內容的CF推薦模型進行優化，有效緩解了推薦系統數據庫的冷啟動問題；我國學者孟祥武(2014、2015)[5-6]對社會網絡推薦研究進行了系統述評，提出了一種融合項目特征和移動用戶信任關系、基于位置的社交網絡推薦算法；張富國(2014)[7]基于社交網絡視角出發，對近幾年關于社交網絡信任方面研究個性化推薦的相關文獻進行了比較分析，最后對研究面臨難點問題和今后的發展趨勢進行了展望；劉英南(2015)[8]在研究過程中構建了動態信任傳遞模型，以此解決協同過濾稀疏性引起的“冷啟動”、“新用戶”、“新資源”等問題；為了有效解決用戶信任關系難以獲取的問題，于美琪(2017)[9]提出了基于項目評分與用戶信任關系的CF推薦算法，通過評分用戶間的相互信任關系來挖掘用戶的社會關系與偏好關系，以此來進行CF推薦.

通過對上述文獻的分析發現，當前已有部分學者基于社交網絡信任來緩解數據稀疏性導致的推薦精度下降問題，也取得了一定的成果.但移動社交網絡環境下，如何綜合挖掘移動SNS用戶在位置、時間、業務需求要素，基于不同資源對象和情境興趣來進行社會化推薦的研究還較為稀少，綜合考慮用戶歷史興趣、情境信息、信任關系緩解移動SNS推薦數據稀疏性問題的研究更是鮮有涉及.此外，當前關于社交網絡分析方面的研究，大多限于幾十到幾百個節點，即其所處理的網絡規模較小，因此在大規模復雜社交網絡，傳統處理方法的效果不佳，對于當前海量數據而言，難以滿足其大規模網絡計算的需求.云計算處理技術實現了移動推薦系統與大規模海量數據源的集成，充分利用其跨平臺、并行處理、高擴展性等優勢，可以顯著增強個性化推薦系統海量數據挖掘的實時性，增強系統的可拓展性與可靠性.如張亞明[10]提出的面向云環境的并行推薦方法，顯著提高了推薦算法在海量數據規模下的執行效率.鑒于此，本文提出基于云環境用戶情境興趣與信任關系的移動SNS信任推薦模型，通過融合情境興趣相似度與用戶間的信任關系，緩解協同過濾算法的數據稀疏性，同時采用MapReduce技術解決大規模復雜社會網推薦并行挖掘的難題.

3 模型描述

本節對融合用戶情境興趣的移動SNS信任推薦模型進行細致描述.在本文構建的移動SNS推薦模型中，假設存在移動SNS用戶組M、參與評價的項目組S、移動SNS用戶面臨的外在情境信息Context，在諸多的移動SNS用戶間還存在相互的信任關系，本文設為TU；本文研究的目標用戶設為ui，且ui∈U；對于ui未評分的項目集合，本文設為Sj；在研究過程中，通過CF推薦方法預測ui對Sj的評分，然后按照Top-N規則，將排名靠前的項目推薦給ui.總體來講，本文模型具體描述如下.

3.1 用戶—項目評分矩陣

首先，構建推薦模型的移動SNS用戶——項目評分矩陣.設推薦系統中移動SNS用戶的數量為M(其中M=‖U‖)，則移動SNS用戶的集合記為U={u1，u2，…，uM}；移動用戶面向的項目集合采用S={s1，s2，…，sN}表示，其中N為項目的數量，即N=‖S‖.用戶在使用完系統中存在的諸多項目之后，將結合自身的切實經歷與用戶體驗對其進行評分，我們采用公式(1)來表示移動SNS用戶——項目評分矩陣，本文記為RSM×N.

(1)

其中，用戶ui對項目Si的評分本節通過rsuisi來表示；式(1)中矩陣RSM×N的每一行都為用戶ui對評價項目S的具體評分，即ui的項目評分向量，記為RSui=(rsuis1，rsuis2，…，rsuMsN)；矩陣RSM×N中的每一列是所有用戶u對某一個項目Si的評分，記為RSuj=(rsu1sj，rsu2sj，…，rsuMsj).

3.2 移動SNS用戶情境表示

鑒于本文的推薦模型中涉及到了用戶的情境信息，因此需精煉表述移動SNS用戶所面臨的具體情境.根據移動SNS用戶所面臨的位置、溫度、時間等多種不同情境構成要素，本文使用向量計算公式來表示n種不同類型的情境信息，記為Contexty=(C1，C2，…，Cn).其中Ck(k=1，2，…，n)表示一種具體類型的情境，則兩個不同的情境可使用向量Contextx和Contexty表示，這兩個情境間的相似度記為：Sim(Contextx，Contexty)，表示情境Contextx和Contexty在k類情境背景下比較的相似程度.鑒于移動SNS用戶是在一定情境下對項目進行評分，且該情境信息將對用戶評分產生影響，因此在評分過程中引入了移動SNS用戶的情境信息，由此來對傳統CF的用戶—項目評分矩陣進行擴充，形成用戶—項目—情境評分矩陣，即將情境信息Contextk融入到原先移動SNS用戶的每一個項目評分rsuisi中去，實現融合情境興趣的移動SNS信任推薦.

3.3 用戶—信任矩陣

在推薦模型中引入移動SNS用戶間的信任關系首先需要建立信任網絡、用戶、信任矩陣.這里的信任網絡是一個以移動SNS用戶實體為節點、以各用戶實體間存在的信任關系(分為直接信任和間接信任)為邊而所構成的一個網絡系統.這里提到的直接信任是授信用戶通過直接的信息交互過程而獲得了對受信用戶的信任關系，而間接信任則需要通過信任傳遞(如與受信用戶有直接信任關系的其他用戶)而獲得的信任關系.在移動SNS有人網絡中，各個節點間的直接或間接信任關系通過他們的連線(邊)來表示，邊的權重就代表節點間的信任度.公式(2)就為信任網絡中的移動SNS用戶—信任矩陣TUM×N.

(2)

其中，tuui，uj表示用戶ui對uj的信任度，tuui，uj的取值范圍為[0，1]區間的實數.當tuui，uj=1時，此時表明用戶ui對用戶uj是完全信任的；而當tuui，uj取值為0時，則表示另外一種極端情況，即用戶ui對用戶uj是一種完全不信任的關系.

4 模型建立

4.1 構建情境相似度矩陣

本文融合情境興趣的移動SNS信任推薦建模步驟如下：

Step1.首先，獲取移動SNS用戶—項目評分矩陣及評分時用戶所處的情境.在建立云環境用戶情境興趣的信任推薦模型時，先要建立移動SNS用戶-項目評分矩陣RSM×N，即用戶User對項目Item的評分矩陣，其計算公式為：

(3)

Step2.計算目標用戶與其他用戶的相似度sim(ui，uj).本文在計算時采用Pearson相關系數度量公式，由此計算目標用戶ui和用戶uj的相似度，如式(4)所示.

sim(ui，uj)=

(4)

(5)

Step3.根據情境修正相似性度量公式.當目標用戶的情境信息與己評分用戶的評分情境相似度Simi(ItemContext，ItemRatingContext)較大時，該已評分用戶就獲得了較高的推薦權值.記為k=Sim(ItemContext，ItemRatingContext)，本文參考相似性度量公式對本文式(5)進行修正，由此得出式(6)：

sim"(u1,uj)=c×sim′(ui,uj)+(1-c)×k×sim′(ui,uj)

(6)

其中，式(6)中的c為可調系數，其大小隸屬于[0，1]區間.可以看出，當c=1時，式(6)的計算結果相當于沒有考慮用戶的情境因素，即還是傳統的CF推薦算法.

4.2 構建用戶信任度矩陣

在移動社交網絡信任網絡中，鑒于許多SNS用戶間可能不存在或者存在不明顯的潛在信任關系，由此會使得推薦的信任度矩陣非常稀疏，導致信任度計算的困難.因此，在計算移動SNS用戶間信任度的過程中，引入用戶間信任關系所具有的傳遞特征，即根據信任傳遞規則來描述移動SNS用戶的間接信任關系，計算得出信任度，以此進行CF推薦.

Step1.計算直接信任度dt(a，b).在移動SNS信任關系網絡中，查看是否有直線連接節點a與b，存在則直接信任值dt(a，b)=權值w(a，b)；不存在則直接信任值dt(a，b)=0.權值w(a，b)的計算公式為：

(7)

其中，i為待評價等級的目標物品，a為目標用戶，α為給定閾值，ta，b為目標用戶a對用戶b的信任值；rb，i為用戶b對物品i的評價等級；RT為信任值ta，u大于或等于α且對物品i進行過評價的用戶集.

Step2.計算推薦信任度ct(a，b).在移動SNS信任關系網絡中尋找下述路徑：起點為a、終點是b的路徑，其子路徑a′b′為相連的點，且對于與a′相連的任何點(非b′)x存在邊a′x，a′b′的權值W(a′b′)>W(a′，x)，據此計算推薦信任度，如式(8)：

(8)

Step3.計算a與b的信任度Trust(a，b)：Trust(a，b)=α×dt(a，b)+(1-α)×ct(a，b).α為[0，1]的參數，代表dt占Trust的比重.選擇信任網絡中與a點直接信任度最大的點x，其推薦信任值更為可信；按照信任傳遞規則尋找與x直接信任值最大的點y，反復直至找到b點.

4.3 融合情境與信任度矩陣

在融合用戶情境興趣的過程中，本文將傳統CF與信任推薦相融合的推薦思想，將情境興趣相似度矩陣與移動SNS用戶信任度矩陣進行融合，由此計算信任度與情境興趣相似度相融合的一個綜合取值，最終進行協同過濾推薦.本文情境興趣矩陣與信任度關系矩陣融合的公式為式(9)：

Weight=

其中，ui和uj間的相似度采用Sim(i，j)表示，ui和uj的信任度記為Trust(i，j)，Weight為合并后的綜合值.

4.4 產生推薦

本文采用中心加權的計算方法，將推薦的權值Weight(i，j)替換為融合移動SNS用戶情境相似度與用戶間信任度的一個復合值來進行推薦，計算方法如式(10)所示.

(10)

4.5 Mapreduce化的云計算并行推薦

為了提高大規模復雜社交網絡環境下的推薦性能，本節在Hadoop云環境實現模型的MapReduce化并行推薦，具體分為以下四個MapReduce處理過程.

4.5.1 Mapreduce化的向量生成過程

Step1.根據輸入的信任信息向量，由此生成輸出結果，最后表達為(Long，String)鍵值對的形式.

Step2.根據MapReduce中的Map函數進行數據處理，將輸入信息轉化為用戶ID、項目ID及對應的偏好值，生成全新的鍵值對：(用戶ID，項目ID，用戶偏好).

Step3.通過全局搜索獲取所有信息映射項目Hadoop集合.

Step4.根據MapReduce的Reduce函數構建偏好值向量，基于此生成(用戶ID，用戶向量)形式的鍵值對.

4.5.2 Mapreduce化的共生矩陣計算過程

Step1.將上一個MapReduce輸出值(用戶ID，用戶向量)作為MapReduce處理的輸入.

Step2.按照Map函數的運算規則，計算共生矩陣所包含的各元素的對應值.

Step3.根據上一步驟找出每個項目ID與其他所有項目Hadoop同時出現的鍵值對.

Step4.按照MapReduce的Reduce函數，計算dt(a，b)3給出的鍵值對的共生向量.

4.5.3 Mapreduce化的矩陣融合過程

Step1.Mapl函數以共生矩陣鍵值對(項目ID，共生向量)為函數輸入，將其轉化為存儲共生向量和偏好值向量的數據結構，最后生成鍵值對的形式，作為下一步驟的輸出.

Step2.Map2函數以偏好值向量鍵值對(用戶ID，用戶向量)為輸入，按照Hadoop函數生成如下形式的鍵值對：(項目ID，用戶ID，偏好值).

Step3.按照全局搜索策略，計算得出每個項目ID的共生向量以及偏好值向量.

Step4.按照Reduce函數，計算移動SNS用戶對每個項目的預測評分，最后以(用戶ID，R)的形式輸出.

4.5.4 Mapreduce化的推薦產生過程

Step1.本次Map函數的輸入為上一個MapReduce的輸出(用戶ID，R).

Step2.根據全局搜索策略，計算并輸出用戶對每個待選項目的預測評分值.

Step3.將Reduce函數所有的預測評分值進行排序，給出最后的Top-N推薦結果.

5 實驗結果及分析

分布式Hadoop云環境可提高大規模社交網絡環境下的并行處理性能.因此，本文將實驗環境配置在一個使用9臺服務器搭建的Hadoop計算機集群上，其中一臺為NameNode，其余為DataNode.9臺服務器硬件配置為：Lenovo服務器一臺，其中內存為4G，硬盤1T，CPU主頻2.8G.其他8臺服務器采用了普通PC機，內存2G，硬盤320G，CPU主頻2.6G.其中，Hadoop云環境的NameNode為Lenovo服務器，命名為Hadoop；將其余8臺PC機作為Hadoop的DataNode，具體命名為hadoop1-hadoop8.

5.1 數據集

本文實驗抓取了移動應用商城類網站上最常被下載的移動SNS服務，以此作為本文推薦系統的“項目”數據集.鑒于云環境用戶情境興趣的移動SNS信任推薦模型中涉及到移動SNS信任關系，本文以河北省高校5所在校大學生為研究對象，這些大學生可在該類網站上進行一些信息共享操作，如分享項目評分及購后評價等；同時，用戶還可將其他同學加入到個人的信任列表中，建立自己的“社交網絡”.據此，可根據本文模型可計算大學生用戶間的信任關系(信任度取值范圍為[0，1]).鑒于本文研究涉及顯式的情境相關移動用戶評分，進一步邀請被調查者將相關調查信息發送給5位好友用戶，邀請其對上述移動SNS服務中可能感興趣或者不感興趣的移動SNS服務項目進行評分：測試用戶除對移動SNS網絡服務進行打分外(打分取值為1-5，其中1表示非常不喜歡，5表示非常喜歡)，還需給出其對相關移動網絡服務評分的特定“時間”情境信息，如評分時為清晨、上午、中午、下午、傍晚或者夜里.最后獲得了253位用戶對上百種移動SNS應用服務的評分數據集，其中不含情境信息的評分記錄4074條，含有情境相關信息的評論2467條；此外，該數據集還包含用戶間信任關系信息，列出了存在直接信任關系的用戶ID，將此作為實驗測試部分的數據集.

5.2 評價標準

本文實驗評價標準主要包括兩個方面，首先測試云環境下基于Hadoop的并行挖掘有無提升模型計算的性能，其次是測試模型對數據稀疏性導致推薦精度下降的緩解情況.

作為并行計算測試的評價指標，加速比主要用來對比單機與并行計算兩種不同環境下特定算法運行所耗費的時長，其計算方法為單機運行時間與并行運行時間的比值，具體公式表示為：S=T(1)/T(N).其中，T(1)為算法在單機環境下的運行時間，T(N)為多機并行處理的時間，兩者的比值結果即為加速比.此外，為了對比Hadoop云環境下不同數目節點對并行計算結果的影響，還引入了相對加速比指標進行對比：S相對=T(單DataNode)/T(多DataNode).其中，S相對表示相對加速比，單DataNode集群運行的時間表示為T(單DataNode)，多DataNode集群運行時間為T(多DataNode).

(11)

其中，測試實驗執行次數使用n表示，算法計算得出的用戶預測評級使用pi表示.而P(u)@N則表示推薦列表中與用戶u符合的用戶需求項目數與N的比值，計算公式為：P(u)@N=(releventitemsintopnitemsforu)/N.

5.3 實驗結果分析

5.3.1 并行推薦技術的性能比較

在測試推薦模型不同節點的加速比時，首先對選定的測試數據集進行數據分配，按照數據量大小定義為數據集D1、D2、D3、D4，其包含的數據分別為1000、2000、3000和4000條用戶評分的數據集.在此基礎上，本文測試Hadoop云環境下上述數據集的并行運行時間，Hadoop運行的節點數量分別選擇2、4、6、8四種不同的情況，記錄下各數據集在不同節點下的運行時間，具體如圖1所示.

圖1 Hadoop云環境下算法并行推薦的加速比效果圖Fig．1 SpeedupofparallelalgorithminHadoopenvironment圖2 Hadoop云環境下并行推薦的擴展比效果圖Fig．2 SpreadratioofparallelalgorithminHadoopenvironment

根據圖1的測試結果可以看出，當測試數據集為D1時，本文推薦模型在Hadoop環境下運行的加速比會隨著節點數的增加而呈現出先降后升的變化；而當測試數據集為D2-D4時，加速比在同數量節點情況下隨數據量的增長而加快，在相同數據量的情況下會隨節點數的增加而上升.根據圖2的擴展比測試結果可以看出，D1數據集測試出的擴展比曲線下降趨勢非常明顯，而D2-D4數據集測試時的擴展比雖然也呈現出下降趨勢，但隨節點數的增加而呈現出較為平穩的下降趨勢.從圖2的對比結果還可以看出，在小數據量如D1的測試情況下，推薦模型在Hadoop環境下的運行效率較低，沒有很好的體現并行計算的優勢，究其原因，主要是Hadoop環境下推薦系統的作業啟動時間以及交互時間較長，而真正用于并行計算的時間則相對較短，因此綜合在一起的最終運行時間較長，很難體現Hadoop集群并行計算的優勢.但隨著測試數據量的增加，Hadoop環境下推薦系統啟動與交互的時間比例會逐步縮小，而更多的比例則主要用于系統的并行計算.因此，測試數據集越大，算法并行計算的速度優勢就越明顯，并行處理的效率也越趨向于穩定.

5.3.2 推薦性能比較

為了對體現本文推薦模型性能方面的優越性，本文選擇與傳統協同過濾、傳統的情境上下文預過濾方法進行對比，三類推薦方法的MAE、Coverage以及P(u)@N比較具體如圖3與圖4所示.

圖3 三類方法的MAE與Coverage比較Fig．3 ComparisonofMAEandCoverageofthreealgorithms圖4 三類方法的P(u)@N比較Fig．4 ComparisonofP(u)@Nofthreealgorithms

從圖3可以看出，實驗條件下傳統CF推薦方法沒有使MAE減小，而傳統的情境上下文預過濾方法以及本文模型的MAE相比于傳統CF有所降低，表明引入情境的推薦取得了更優效果.而在數據稀疏情況下，傳統情境上下文預過濾方法的MAE較高，這是因為加入上下文情境后的用戶—評價矩陣被進一步稀釋，使得推薦算法在啟動階段很難找到相似用戶，由此導致精準度的下降.本文模型更好地將興趣相似度與社交網絡信任度融入到推薦過程中，改善了由于數據稀疏而導致的最近鄰居搜索難題，因此在啟動時比傳統CF以及傳統的情境上下文預過濾的推薦性能更優.此外，本文模型的Coverage指標也高于傳統CF與傳統情境上下文過濾方法，這是因為情境興趣相似度與信任關系相互融合的推薦模型在選擇移動SNS用戶最近鄰居的過程中，根據移動SNS用戶間的動態信任關系對最近鄰居進行了篩選，由此選擇出了可信的相似用戶；而在計算評分階段，又進一步對用戶情境相似性與用戶信任關系進行了加權計算，因此在很大程度上加強了推薦結果與目標用戶情境的相似性.由此可見，情境興趣相似度與信任度融合的推薦模型在一定程度上擴大了最近鄰居的選取范圍，即增大了對鄰居用戶的覆蓋率，有助于提升社會化推薦的精度.而圖4對三種算法P(u)@N的比較也進一步表明，在不同最近鄰居數目的情況下，本文模型與傳統CF以及傳統的上下文過濾推薦算法相比具有更高的P(u)@N準確率，因此獲得了更高的推薦質量與精度.

6 結論

針對移動SNS推薦存在的數據稀疏問題，在CF推薦過程中系統引入了用戶情境興趣與SNS信任關系，提出融合云環境用戶情境興趣的移動SNS信任推薦模型.本文貢獻主要包括以下兩方面：

①在傳統協同過濾推薦模型中融入移動SNS用戶情境興趣與SNS信任關系，基于此構建了融合情境興趣的移動SNS信任推薦模型，較好地將情境相似度與信任度融入到協同過濾推薦過程中，實驗結果表明，模型獲得了更高的準確率和更低的誤差值，有效緩解了數據稀疏問題.

②提出面向云環境的移動SNS推薦并行處理方法，基于并行加速比與相對加速比的評價結果顯示，本文方法有效提高了協同過濾在海量數據規模下的執行效率，系統的可擴展性有所提升.本文后續研究將探討稀疏信任信息環境下的移動SNS推薦問題，同時考慮云環境用戶不同情境語義關聯關系，引入具有語義關系的情境標簽對云環境用戶進行信任聚類，由此提高移動SNS推薦系統的準確率.

[1] Bobadilla J，Ortega F，Hernando A，et al.A collaborative filtering approach to mitigate the new user cold start problem[J].Knowledge-Based Systems，2012，26(1)：225-238.

[2] Chen Chien Chin，Wan Yu-hao，Chung Mengchieh，et al.An effective recommendation method for cold start new users using trust and distrust networks[J].Information Science，2013，224(3)：19-36.

[3] Kant Vibhor，Bharadwaj Kamal K.Fuzzy computational models of trust and distrust for enhanced recommendations[J].International Journal of Intelligent Systems，2013，28(4)：332-365.

[4] Sohn Jong-Soo，Bae Un-Bong，Chung In-Jeong.Contents recommendation method using social network analysis[J].Wireless Personal Communications，2015，73(4)：1529-1546.

[5] Hu Xun，Meng Xiang-wu，Zhang Yu-jie，et al.Recommendation Algorithm combing item features and trust relationship of mobile users[J].Journal of Software，2014，25(8)：1817-1830.

[6] Liu Shu-dong，Meng Xiang-wu.Recommender systems in location-based social networks[J].Chinese Journal of Computers，2015，38(2)：322-336.

[7] Zhang Fu-guo.Survey of online social network based personalized recommendation[J].Journal of Chinese Computers Systems，2014，35(7)：1470-1476.

[8] Liu Ying-nan，Xie Jin-kui，Zhang Jia-li，et al.Recommendation algorithm based on trust in social network[J].Journal of Chinese Computers Systems，2015，36(6)：1165-1170.

[9] Yu Mei-qi，Kuang Li，Wo Bin，et al.APP recommendation combing item features and social network[J].Journal of Chinese Computers Systems，2017，38(2)：310-313.

[10] Zhang Y M.Recommending approach for network community marketing based on user interest map in cloud environment[J].Journal of Intelligence，2013，31(3)：184-188.

[11] Zhang Ya-ming.A contextualized collaborative filtering recommendation model for mobile information service in cloud environment[J].Journal of the China Society for Scientific and Technical Information，2012，33(5)：508-519.

[12] Ren Xing-yi，Song Mei-na，Song Jun-de.Context-aware point-of-interest recommendation in location-based social networks[J].Chinese Journal of Computers，2017，40(4)：824-841.

附中文參考文獻：

[5] 胡勛，孟祥武，張玉潔，等.一種融合項目特征和移動用戶信任關系的推薦算法[J].軟件學報，2014，25(8)：1817-1830.

[6] 劉樹棟，孟祥武.基于位置的社會化網絡推薦系統[J].計算機學報，2015，38(2)：322-336.

[7] 張富國.基于社交網絡的個性化推薦技術[J].小型微型計算機系統，2014，35(7)：1470-1476.

[8] 劉英南，謝瑾奎，張家利，等.社交網絡中基于信任的推薦算法[J].小型微型計算機系統，2015，36(6)：1165-1170.

[9] 于美琪，鄺礫，咼斌，等.融合社會網絡和項目特征的移動應用推薦[J].小型微型計算機系統，2017，38(2)：310-313.

[11] 張亞明.面向云環境的移動信息服務情景化協同過濾推薦[J].情報學報，2012，33(5)：508-519.

[12] 任星怡，宋美娜，宋俊德.基于位置社交網絡的上下文感知的興趣點推薦[J].計算機學報，2017，40(4)：824-841.