武慧娟，周蘭萍，辛 躍

(東北電力大學(xué)經(jīng)濟(jì)管理學(xué)院，吉林 吉林 132012)

縱觀國內(nèi)外，針對個性化推薦研究的文獻(xiàn)很多，本文借助Excel工具統(tǒng)計國內(nèi)個性化推薦發(fā)展情況，借助Citespace科學(xué)知識圖譜的方法，客觀、科學(xué)的展示國外個性化推薦發(fā)展過程中的路線，追蹤個性化推薦的研究熱點，正確把握研究前沿，為進(jìn)一步更好的對個性化推薦相關(guān)研究的開展提供理論意義和實踐價值。

1 數(shù)據(jù)來源與研究方法

本文所引用的數(shù)據(jù)分為國外和國內(nèi)兩方面，國內(nèi)數(shù)據(jù)來源于CNKI，通過主題詞“個性化推薦”進(jìn)行檢索，結(jié)果為670條文獻(xiàn)，對下載的數(shù)據(jù)進(jìn)行清洗、過濾，最后得到666條文獻(xiàn);國外數(shù)據(jù)來源于美國科學(xué)情報研究所的科學(xué)引文索引擴(kuò)展的Web of Science數(shù)據(jù)庫，檢索表達(dá)式為:主題詞設(shè)為“personalized recommendation”，文獻(xiàn)類型設(shè)為article，檢索結(jié)果得到508條文獻(xiàn)。檢索時間均為2012年2月16日，由于2012年的數(shù)據(jù)不完整，所以國內(nèi)和國外的2012年數(shù)據(jù)不作為研究內(nèi)容。

本文采用定量與定性相結(jié)合的研究方法，利用Excel統(tǒng)計軟件和Citespace[1]可視化軟件進(jìn)行統(tǒng)計分析，Citespace是美國德雷克塞爾大學(xué)陳超美團(tuán)隊開發(fā)的一款在科學(xué)文獻(xiàn)中識別與可視化新趨勢與新動態(tài)的Java應(yīng)用程序，已成為信息分析領(lǐng)域中影響力較大的信息可視化軟件。

2 國內(nèi)外個性化推薦比較研究

2.1 發(fā)文量比較分析

將國內(nèi)外的檢索結(jié)果按年進(jìn)行統(tǒng)計，可以發(fā)現(xiàn)國內(nèi)國外對個性化推薦開始研究的時間不一樣，國內(nèi)開始于2001年，要晚于國外，而國外開始于1999。國內(nèi)在2011年達(dá)到發(fā)文量最大148篇，同年，國外也達(dá)到最大93篇，研究熱度都在不斷升高，具體見表1所示。

由于表1中的數(shù)據(jù)不能夠直觀的顯示國內(nèi)外的發(fā)文量增長趨勢，于是利用Excel繪制了圖1，具體如圖1所示。

圖1 國內(nèi)外發(fā)文量增長趨勢比較

從圖1可以看出，國內(nèi)外發(fā)文量總體上呈上升趨勢，國內(nèi)從2001年開始，在2007年為55篇，2008年有所減少，發(fā)文量為51篇，然后2009年又呈上升趨勢。國際從1999開始，在2004年達(dá)到小高峰49篇，然后有所下降，在2007年達(dá)到最低值33篇，然后又呈上升趨勢。從總體發(fā)文量上看，國外為508，國內(nèi)為666，國內(nèi)較多，從每年的發(fā)文量上看，2006年為一個轉(zhuǎn)折點，這年之前，國內(nèi)落后于國外，這年以后，國內(nèi)超越了國外，說明，經(jīng)過學(xué)術(shù)徘徊期，國內(nèi)的許多研究學(xué)者找到了個性化推薦研究的方向，進(jìn)入研究的新軌道。

2.2 高被引文獻(xiàn)比較分析

被引頻次是反映期刊所發(fā)表論文被引用的情況，并直接反映期刊在科學(xué)發(fā)展和交流中所起的作用。其含義為:“指一定時期內(nèi)，某種期刊上的文章被引用的絕對次數(shù)，也就是被引用的總次數(shù)”[2]。

(1)國內(nèi)文獻(xiàn)分析

將國內(nèi)文獻(xiàn)的檢索結(jié)果按照被引頻次排名，其中排前5位的文獻(xiàn)見表2所示。

表2 國內(nèi)個性化推薦被引頻次前5名

(2)國外文獻(xiàn)分析

將國外檢索結(jié)果作為數(shù)據(jù)源輸入Citespace中，其中time slicing設(shè)為1999－2012，years per slice設(shè)為1，表示按年進(jìn)行時間切片;Term source選擇title、abstract、Descriptors、identifiers 四個選項;Node type設(shè)為Cite Reference;選擇適當(dāng)?shù)拈y值，最后繪制的高被引文獻(xiàn)知識圖譜如圖2所示，其中排名前5位的如表3所示。

表3 國外個性化推薦高被引文獻(xiàn)

共被引頻次最高文獻(xiàn)的作者M(jìn)arko B等提出引入基于內(nèi)容和協(xié)作過濾兩個算法，可以增強(qiáng)Fab推薦系統(tǒng)的各個方面[3]。排第二位和第三位的文獻(xiàn)內(nèi)容大致相同，都提出基于協(xié)作過濾的網(wǎng)絡(luò)新聞開放式架構(gòu)或應(yīng)用，它主要利用其它人對同一類網(wǎng)絡(luò)新聞的評價來更好的為某一用戶進(jìn)行信息過濾[4]。Adomavi-cius G等總結(jié)了目前現(xiàn)有的推薦模型:基于內(nèi)容和基于協(xié)作過濾和混合三種，并提出為了改善推薦的性能，可以對現(xiàn)有的模型進(jìn)行擴(kuò)展，具體是增強(qiáng)對用戶的理解、對推薦信息的前后關(guān)系進(jìn)行整合、支持多層次的評定等級，以及形成更柔性化的推薦系統(tǒng)[5]。

對比國內(nèi)外的共被引高頻文獻(xiàn)，可以發(fā)現(xiàn)，兩者作為知識基礎(chǔ)比較相似，都提出了基于內(nèi)容、基于協(xié)作過濾和混合三種模式，不同的是:國內(nèi)比較注重理論的研究:個性化技術(shù)、個性化推薦理論、推薦策略等;而國外更注重實踐，針對目前應(yīng)用問題，提出新模型。例如，David G的郵件推薦系統(tǒng)[6]。

2.3 研究熱點比較分析

(1)國內(nèi)文獻(xiàn)分析

將檢索到的666篇文獻(xiàn)進(jìn)行關(guān)鍵詞統(tǒng)計分析，發(fā)現(xiàn)共有40個關(guān)鍵詞，頻次大于7的主題詞如表4所示。由此可以看出，國內(nèi)的研究熱點集中在個性化推薦、協(xié)同過濾、電子商務(wù)、Web挖掘、關(guān)聯(lián)規(guī)則等。

表4 國內(nèi)個性化推薦高頻次關(guān)鍵詞表

(2)國外文獻(xiàn)分析

將國外文獻(xiàn)檢索結(jié)果輸入citespace中，將Node type設(shè)為Keyword，其他參數(shù)設(shè)置與圖2繪制時相同，最后得到關(guān)鍵詞共現(xiàn)圖譜，其中關(guān)鍵詞節(jié)點數(shù)為252，連線為522，具體如圖3所示，排名前10位的關(guān)鍵詞具體如表5所示。

對比國內(nèi)外的關(guān)鍵詞，兩者基本相似，說明國內(nèi)外對個性化推薦的研究有一定的共同方向，如國內(nèi)外關(guān)于協(xié)同過濾都排第三，可見協(xié)同過濾是國內(nèi)外共同高度關(guān)注的一個研究熱點;但各自的研究側(cè)重點可能不太相同，如國內(nèi)在前14名的排名中，出現(xiàn)了關(guān)聯(lián)規(guī)則、相似性、聚類、本體等關(guān)鍵詞，國外都沒有出現(xiàn)，但是國外前14名的排名中出現(xiàn)了信息過載、用戶偏好等關(guān)鍵詞，而國內(nèi)沒有出現(xiàn)，說明國內(nèi)側(cè)重于個性化推薦的技術(shù)的研究，或者將各種技術(shù)混合起來進(jìn)行推薦，而國外側(cè)重于考慮目前實際應(yīng)用中遇到的信息過載、用戶偏好等問題開展研究，經(jīng)過實際調(diào)查、收集數(shù)據(jù)取得實證研究。

圖3 國外個性化推薦關(guān)鍵詞共現(xiàn)圖譜

表5 國外個性化推薦高頻次關(guān)鍵詞

2.4 研究前沿分析

圖4 國外個性化推薦關(guān)鍵詞聚類時區(qū)圖

為了確定國外個性化推薦的研究前沿，在高頻關(guān)鍵詞的基礎(chǔ)之上，選用突變檢測算法來檢測關(guān)鍵詞，同時選用timezone(時區(qū)圖)聚類節(jié)點，其中紅色的圓環(huán)表示突變率較高的關(guān)鍵詞，點擊相關(guān)節(jié)點就會出現(xiàn)標(biāo)簽，最后生成關(guān)鍵詞聚類時區(qū)圖，具體如圖4所示。圖4中的突變詞主要有personal preference、social networks、similarity、accurate prediction、electronic program guide、computational cost等。其中，“personal preference”的國外頻次為9，它的提出充分考慮個性化的偏好，提高了用戶推薦信息的精準(zhǔn)度，Chiu PoHuan等通過20000個實證用戶，跟蹤他們的瀏覽習(xí)慣和瀏覽歷史，最后得出相關(guān)博客的點擊率和在

某個感興趣的博客上花費(fèi)的時間是用戶最關(guān)心的問題[7]?！皊ocial networks”的頻次為5，基于社會化網(wǎng)絡(luò)的推薦主要考慮了社會化群體的作用，以用戶為中心，通過分析一個緊密聯(lián)系的群體中個體之間的關(guān)系結(jié)構(gòu)，考慮個體用戶的偏好，從而為相互之間的信息傳遞提供基礎(chǔ)，使得信息推薦更準(zhǔn)確，更易于個體用戶接受。Bonhard P等提出現(xiàn)有的基于協(xié)作等的信息推薦沒有說明為何要推薦信息甲給用戶甲，而不是推薦信息乙給用戶甲，所提它提出以用戶為中心，從社會網(wǎng)絡(luò)的關(guān)系出發(fā)，告訴用戶甲，他的朋友對信息甲的看法、行動[8]。

相比較之下，國內(nèi)在2007年陸續(xù)開始了在信息推薦中用戶偏好的研究，高琳琦針對新聞瀏覽者的偏好易變等特點，通過度量在線用戶的點擊和閱讀行為，根據(jù)用戶實際閱讀的新聞，調(diào)整其關(guān)鍵字偏好，并采用模糊相似度來分析用戶偏好結(jié)構(gòu)與新聞結(jié)構(gòu)的相似性，從而產(chǎn)生推薦[9]。國內(nèi)于2006年陳君等的文獻(xiàn)里開始了將社會網(wǎng)絡(luò)應(yīng)用在個性化信息推薦中研究，其中文獻(xiàn)20中基于社會網(wǎng)絡(luò)信息流模型，提出協(xié)同過濾算法SMRR，它綜合考慮用戶自身偏好和社會網(wǎng)絡(luò)中其他成員的影響，使得SMRR的預(yù)測準(zhǔn)確率明顯高于原有算法[10]。

3 總 結(jié)

通過以上對國內(nèi)外個性化推薦高被引文獻(xiàn)、研究熱點的對比分析和國外研究前沿的探索，可知對個性化推薦的研究國內(nèi)開始于2001年，要晚于國外，而國外開始于1999，對比國內(nèi)外的共被引高頻文獻(xiàn)，可以發(fā)現(xiàn)，兩者作為知識基礎(chǔ)比較相似，不同之處是國外更注重實踐，針對目前應(yīng)用問題，提出新模型;同時從國內(nèi)外的關(guān)鍵詞對比也可以發(fā)現(xiàn)，兩者在協(xié)同過濾、電子商務(wù)、用戶模型、數(shù)據(jù)挖掘等方面的研究基本相似，尤其是基于協(xié)同過濾模式的個性化推薦都引起了國內(nèi)外學(xué)者們的密切關(guān)注，但各自的研究側(cè)重點可能不太相同，國內(nèi)側(cè)重于關(guān)聯(lián)規(guī)則、相似性、聚類、本體等方面的理論研究，而國外側(cè)重于信息過載、用戶偏好等實證研究;在研究前沿方面，通過我國于2006年開始社會化網(wǎng)絡(luò)方面的研究等，但是與國外相比，缺乏實踐與應(yīng)用的研究，即缺乏對實際的個性化推薦過程中遇到的問題的分析與解決的研究。通過以上研究可以看出，要通過加強(qiáng)國內(nèi)實際個性化推薦的應(yīng)用研究，才能使各種理論和方法得以真正實現(xiàn)，真正解決各種各樣用戶所面臨的問題，為我國的電子商務(wù)、企業(yè)、網(wǎng)民等推薦優(yōu)質(zhì)信息。

[1]Chen C.Citespace II.Detecting and visualizing emerging trendsand transient patterns in scientific literature[J].Journal of the American Society for Information Science and Tech-nology，2006，57(3):359 －377.

[2]錢榮貴.核心期刊與期刊評價[M].北京:中國傳媒大學(xué)出版社，2006:14－14.

[3]Balabanovic M.，Shoham Y..Content-Based，Collaborative，Recommendation[J].Communicatiuns of the ACM.1997，40(3):66 －73.

[4]Konstan，J.，Miller，B.，Maltz，D.et al..GroupLens:Applying Collaborative Filtering to Usenet News[J].Communications of the ACM，1997，40(3):77 －87.

[5]Adomavicius，G.，Tuzhilin，A.，Carlson Sch..Toward the next generation of recommender systems:A survey of the state-of-the-art and possible extensions[J].Knowledge and Data Engineeri-ng，2005，17(6):734 －749.

[6]David Goldberg.Using Collaborative Filtering to Weave an Information Tapestry[J].Communi-cations of the ACM，1992，35(12):61 － 71.

[7]Chiu PoHuan，Kao Gloria Yi-Min，Lo ChiChun.Personalized blog content recommender system for mobile phone users[J].International Journal of Human Computer Studies，2010，68(8):496 －507.

[8]Bonhard P.;Sasse M.A.Knowing me，knowing you＇using profiles and social networking to improve recommender systems[J].Bt Technology Journal，2006，24(3):84 －98.

[9]高琳琦.基于用戶行為分析的自適應(yīng)新聞推薦模型[J].圖書情報工作，2007，51(6):77－80.

[10]萬里，廖建新，王純.基于社會網(wǎng)絡(luò)信息流模型的協(xié)同過濾算法[J].吉林大學(xué)學(xué)報:工學(xué)版，2011，41(1):270－275.