时间：2023-03-14 17:12:39
关键词： 个性化推荐；算法；推荐系统
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）27-0162-02
1个性化推荐系统
随着互联网的飞速发展和云计算的兴起，人们已然处于一个信息爆炸的大数据时代。每天面对海量的数据信息，搜索引擎在一定程度上为人们解决了信息筛选问题，但当用户无法用准确的关键词描述自己的需求时，搜索引擎的筛选效率将会打折扣。用户如何在一个网站上快速而有效地找到自己所需要的信息？网站如何将用户最关注最感兴趣的信息筛选出来实时呈现在用户面前？推荐系统的出现解决了这些问题。
推荐系统是根据用户的兴趣爱好向用户推荐符合其需求的对象，亦称为个性化推荐系统。个性化推荐系统通过一定的方式将用户和信息联系起来，不仅可以帮助用户找到感兴趣的信息，而且能够将信息分类呈现在不同的用户面前，从而实现用户与信息提供商的双赢。个性化推荐系统已经全面运用到各个互联网网站中。在电子商务领域，网站通过使用个性化推荐系统向用户推荐其可能感兴趣的商品，提高用户的购买率和用户的忠诚度。Netflix网站使用个性化推荐系统为用户推荐喜欢的电影，豆瓣电台通过个性化推荐系统向用户推荐符合其口味的好音乐，Goodreads网站利用推荐系统为用户推荐适合其阅读的书籍。
2个性化推荐系统中关键算法分析
个性化推荐系统为用户提供个性化体验的同时，也日益受到越来越多的学者和互联网网站的关注。个性化推荐系统的工作原理是首先输入数据源（用户和项目的各种属性和特征，包括年龄、性别、地域、物品的类别、时间等），然后选择合适的推荐算法，最后将产生的推荐结果（按照用户喜好程度排序的项目列表）推荐给用户。不同的个性化推荐系统使用不同的推荐算法，因此个性化推荐系统最为核心之处在于根据不同的数据源选择不同的推荐算法。
目前，个性化推荐系统中主要使用的推荐算法有：协同过滤推荐算法、基于内容的推荐算法、基于人口统计学的推荐算法、组合推荐算法。下面对主要的推荐算法进行比较并分析它们的优缺点及适用场景。
2.1协同过滤推荐算法
协同过滤推荐是使用最广泛的个性化推荐算法之一。协同过滤有两种主流算法：基于用户的协同过滤和基于项目的协同过滤。
2.1.1基于用户的协同过滤
基于用户的协同过滤是根据不同的用户对项目的评分来测评各用户之间的相似性，基于用户间的相似性进行推荐。即通过用户的浏览记录、购买行为等信息分析各个用户对项目的评价，发现与当前用户最相似的“邻居”用户群（“K-邻居”的算法）；然后将K个邻居评价最高并且当前用户又没有浏览过的项目推荐给当前用户。基于用户的协同过滤推荐算法是以用户与用户之间的关系为着眼点，因为兴趣相近的用户可能会对同样的东西感兴趣。如：Facebook网站首先对用户个人资料、周围朋友感兴趣的广告等相关信息进行分析，计算出各用户之间的相似性，进而对用户提供广告推销。所以说，在当前流行的社交网站中，基于用户的协同过滤推荐是一个不错的选择，若将基于用户的协同过滤推荐算法与社会网络信息相融合，会增加用户对推荐解释的信服程度。
2.1.2 基于项目的协同过滤
基于项目的协同过滤是通过用户对不同项目的评分来测评各个项目之间的相似性，基于项目之间的相似性做出推荐。即利用所有用户对物品或者项目的偏好，计算不同物品或项目之间的相似度，然后根据用户的历史信息，将类似的物品或项目推荐给用户。基于项目的协同过滤是以项目与项目之间的关系为中心，因为用户可能偏爱与他已购买的商品类似的商品。如在购书网站上，当用户看一本书时，网站会给用户推荐相关的书籍。此时，基于项目的协同过滤推荐成为了引导用户浏览的重要手段。对于一个电子商务网站，用户的数量远远超过商品的数量，同时商品的数据相对稳定，因此计算商品的相似度计算量较小，不必频繁更新。所以基于项目的协同过滤推荐适应于提供商品的电子商务网站。
协同过滤推荐算法优势在于：不需要各领域的知识；能跨类型推荐（如推荐音乐、艺术品、电影等）；计算出来的推荐结果是开放的，可以共享他人的经验，能很好地发现用户潜在的兴趣爱好；自适应性好；随着时间推移预测精度会提高。
协同过滤的推荐算法不足之处在于对于历史信息依赖性较强；还有冷启动问题，当新用户或者新物品进入系统时，难以进行个性化推荐。同时在大规模网络中，数据极端稀疏，算法效率较低，难以处理大数据量下的即时结果。
2.2基于内容的推荐算法
基于内容的推荐算法是根据历史信息（如评价、分享、收藏过的文档） 学习用户的兴趣，建立用户偏好文档，计算待推荐项目与用户偏好文档的匹配程度， 将最相似的项目推荐给用户。如：在音乐推荐中，基于内容的推荐系统首先分析用户欣赏过的音乐的共性（歌手、曲风等），再推荐与用户感兴趣的音乐内容相似度高的其他乐曲。
基于内容的推荐算法生成推荐的过程主要依靠三个部件：（1）内容分析器：用一种适当的方式表示从项目信息中提取的有用信息。（2）文件学习器：该模块收集用户偏好的数据，生成用户概要信息和偏好文档。（3）过滤部件：通过学习用户偏好文档，匹配用户概要信息和项目信息，将生成一个用户可能感兴趣的潜在项目评分列表。
基于内容的推荐算法生成的推荐结果直观明了，容易理解。不需要领域知识，不需要很大的用户社区，仅需要得到两类信息：项目特征的描述和用户过去的喜好信息。
基于内容的推荐算法有三个主要缺陷：（1）过度规范问题：推荐给用户的项目与其消费过的项目很相似，不能为用户发现潜在感兴趣的资源。 （2）内容分析有限：只能预处理一些易提取的文本类内容（网页、博客等），而在提取多媒体数据（图像、音频、视频等）时较困难。（3）冷启动问题：当一个新用户没有对任何项目进行评分或没有浏览过任何商品时，系统无法向该用户提供准确的推荐。
2.3 基于人口统计学的推荐算法
基于人口统计学的推荐算法是根据人口统计学数据（即系统用户的基本信息：年龄、性别、工作、兴趣、爱好等），计算用户间相关程度，得到当前用户的最近邻集，然后将把“邻居”用户群喜爱的项目推荐给当前用户。
基于人口统计学的推荐算法优势在于：不需要用户的历史喜好信息，可以很好解决冷启动问题；不依赖于项目的属性，其他领域的问题都可以无缝接入；而且随着时间推移，预测精度也会逐渐提高。
但是在一些有较高要求的领域（如：音乐、艺术品、电影、书籍等）进行推荐时，此算法对用户基本信息进行分类过于粗糙。同时在收集人口统计信息时，不易获取比较敏感的信息，从而导致推荐系统在准确度方面不如其他算法，无法得到良好的推荐效果。
除了上述比较典型的推荐算法，还有其他一些推荐算法： 基于知识的推荐算法、基于效用的推荐算法和基于关联规则的推荐算法。基于关联规则的推荐算法是将用户的购买历史记录、浏览痕迹、打分记录作为数据源，挖掘出的关联规则就是推荐对象。关联规则挖掘是用来发现不同商品在销售过程中的相关性，而且关联规则的发现是算法的关键，也是算法的瓶颈。
2.4 混合推荐算法
任何一个个性化推荐算法都有它独特的优势和不可避免的缺陷，因此现实应用中，直接用某种算法来做推荐系统的很少，往往是将各种推荐算法组合起来，这样可以扬长补短，提高推荐的准确度和效率。尤其是大数据环境下，各种混合推荐算法的推荐效果要优于单一推荐算法。基于内容的推荐算法和协同过滤算法都无法解决冷启动问题，因为这两种算法都需要历史信息。若将协同过滤推荐算法与基于知识的推荐算法组合起来，则能很好地解决冷启动问题。
文献[2]以电影为推荐对象， 通过线性组合的方式将基于内容的推荐算法和基于协同过滤的推荐算法相融合， 得到最终的推荐结果。两种算法的组合很好地避免了基于内容推荐算法不适合推荐多媒体数据的缺陷， 解决了协同过滤算法中用户对电影评分少的数据稀疏的问题。
在一些大型的网站使用的就是融合了多种算法的推荐系统。比如淘宝网为顾客推荐商品时采用了基于内容和基于关联规则两种算法的组合。根据用户的浏览痕迹、收藏记录、购买行为以及反馈信息产生可推荐的关联规则，根据商品的相关属性（描述，评价，名称，收藏人气，累计销量等等）对优质商品进行评分，计算出用户带权重的标签，最后进行个性化推荐。
3 总结与展望
综上所述，个性化推荐系统将用户和项目有机地联系起来，是一个高效的信息服务系统。为增强个性化推荐系统的功能，未来的个性化推荐系统应该将企业的销售系统、客户关系管理系统等企业信息系统集成在一起，共同为企业发展提供决策支持。那么个性化推荐系统如何与这些系统集成，如何与社会网络相结合，改变用户购物模式，企业销售方式，都是未来的研究方向。
设计个性化推荐系统最终目的都是为了提高用户体验感和满意度。一个被用户接受和认可的推荐系统，在帮助用户发现潜在感兴趣的项目的同时还能够帮助项目提供商将项目投放给对它感兴趣的用户。一个好的推荐系统能够对公司或业务产生增值效应，会给用户带来更好的体验。但是如何将用户的体验感进行量化是一个具有挑战性的课题。
参考文献：
[1] 张亮，赵娜.改进的协同过滤推荐算法[J].计算机系统应用，2016，25（7）
[2] 马瑞敏，卞艺杰，陈超，吴慧.基于Hadoop 的电子商务个性化推荐算法――以电影推荐为例[J].计算机系统应用，2015，24（5）.
[3] 乔亚飞，张霞，张文博.智能图书系统中的个性化推荐[J].计算机系统应用，2016，25（9）.
[4] 朱郁筱，吕琳媛.推荐系统评价指标综述[J].电子科技大学学报，2012，41（2）.
[5] 朱扬勇，孙婧.推荐系统研究进展[J].计算机科学与探索，2015，9（5）.
[6] 刘鲁，任晓丽.推荐系统研究进展及展望[J].信息系统学报，2007（1）.
[7] 余力，刘鲁.电子商务个性化推荐研究[J].计算机集成制造系统，2004（10）.
关键词：个性化推荐；推荐技术；关联规则；协同过滤
随着信息技术和互联网的迅速发展，人们逐渐从信息匮乏时代进入了信息过载时代。这个时代，对于信息生产者而言，如何让自己生产的信息脱颖而出，收到广大用户的关注是一件很困难的事情。对于用户而言，信息量的增大加重了找到感兴趣信息的负担，从而降低了信息的使用效率。推荐系统正是在这一环境中诞生的，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。
1 推荐系统概念、组成要素
目前被广泛接受的推荐系统的概念和定义是Resnick和Varian在1997年给出的：“它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程”。个性化推荐系统主要由三个要素组成，分别是：候选对象、用户、推荐算法。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
2 推荐技术
推荐算法是整个推荐系统中核心的部分，在很大程度上决定了推荐系统的质量。目前主要的推荐技术基本包括以下几种：基于关联规则的推荐技术，基于内容的推荐技术，协同过滤推荐技术和混合推荐技术。
2.1 基于关联规则的推荐技术
关联规则是数据中所蕴含的一类重要规律，对关联规则进行挖掘是数据挖掘中的一项根本任务，关联规则挖掘就是从数据项目中找出所有的并发关系，这种关系也称为关联。关联规则挖掘的经典应用就是购物篮数据分析，目的是找出顾客在商场（或普通店铺）所选购商品之间的关联。
关联规则可以这样表述。设I={i1，i2，…，in}为所有项的集合，事务T表示事务集合。数据库D为事务数据库。关联规则形如XY的蕴含式，其中X、Y均为项目集，并且X、Y没有交集。关联规则的强度可以用支持度和置信度表示。支持度为同时包含X、Y 项集的事务在数据库D中的百分比。置信度为包含X的事务同时也包含Y在数据库D中的百分比。目前已有大量文献提出关联规则挖掘算法，在众多算法中，最著名的是Apriori 算法。
Apriori算法是由Agrawal等人在1994年提出来的，是一种最有影响的挖掘布尔关联规则频繁项集的算法。该算法分两步进行：第一步，生成所有繁琐项目集，繁琐项目集是支持度高于最小支持度的项目集；第二步，从繁琐项目集中生成所有可信的关联规则，可信关联规则是置信度大于最小置信度的规则。
基于关联规则的推荐技术其优点是：简单直接，领域通用性强，规则的挖掘可以离线进行，可以保证推荐算法的实时性要求。其缺点是：存在着严重的"冷启动"问题，新加入的项目由于缺少相关的用户数据，难以被系统中的规则发现，从而得不到推荐，并且随着系统项目数量的不断增加，规则也会呈出相应的增长趋势，使得规则的管理成本相应升高，降低了系统的运行效率。
2.2 基于内容的推荐技术
基于内容的推荐算法重要的是建立项目特征属性库，系统通过用户已关注项目的特征属性值，来掌握目标用户兴趣点，依据用户兴趣点与待推荐项目属性值的匹配程度进行推荐。用户兴趣点的产生依赖于系统所采用的机器学习算法，如基于向量的表示、文本挖掘、判别树、神经网络等技术。基于内容的推荐结果直观易理解，不需要过多的领域知识，但是需要有足够数据构造分类器，一些例如稀疏问题、新用户问题和复杂属性等问题不易处理。
2.3 协同过滤推荐技术
基于协同过滤推荐技术是当前主流的，应用最为广泛的一种推荐技术。该推荐技术可以分为两种，一种是基于用户的协同过滤推荐技术；另一种是基于项目的协同过滤推荐技术，这两种协同过滤推荐技术的不同之处在于两者针对的对象不同。基于用户的协同过滤推荐技术是给用户推荐和他有共同兴趣的用户喜欢的物品；基于项目的协同过滤推荐技术是给用户推荐和他之前喜欢的物品相似的物品。
2.3.1 基于用户的协同过滤推荐技术
基于用户的协同过滤技术是推荐系统中最古老的算法。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens应用于新闻过滤。该算法主要包括两个步骤：第一步，找到和目标用户兴趣相似的用户集合；第二步，找到这个集合中用户喜欢的，且目标用户还没有听说过的物品，将该物品推荐给目标用户。
2.3.2 基于项目的协同过滤推荐技术
基于项目的协同过滤技术是基于这样一个假设：用户更倾向于选择与用户喜欢的项目相近的项目。该推荐过程分为两个步骤，第一，计算物品之间的相似度；第二，根据物品的相似度和用户的历史行为为用户生成推荐列表。
2.4 混合推荐技术
目前，推荐技术已经发展出了很多种，但每种推荐技术都在不同程度上存在各自的缺点，每种推荐技术在针对特定的用户或者项目时才能发挥出自己的优势。因此人们提出了混合推荐来互补推荐技术各自的不足，已达到一个理想的推荐效果。在大部分的混合推荐技术研究当中，是将基于内容的推荐技术和基于协同过滤技术相结合。相对于使用单一途径算法的推荐技术，基于混合推荐技术往往表现出更高的推荐精度和更好的推荐质量。
3 推荐系统的应用
自推荐系统诞生近20年的时间里，推荐系统的应用领域迅速扩展。从电子商务、音乐视频网站，到作为互联网经济支柱的在线广告和新颖的在线应用推荐，到处都有推荐系统的身影。下面简单介绍个性化推荐系统的应用以及该领域较成功的网站。
3.1 电子商务
电子商务网站是个性化推荐系统的一大应用领域。著名的电子商务网站亚马逊是个性化推荐系统的积极应用者和推广者，被读写网称为“推荐系统之王”。亚马逊的推荐系统深入到了各类产品中，其中最主要的应用有个性化商品推荐列表和相关商品的推荐列表。
3.2 电影和视频网站
在电影和视频网站中，个性化推荐系统能够帮助用户在大量视频信息中找到令他们满意的视频。该领域较成功的一家公司就是Netflix。Netflix在2006年开始举办著名的Netflix Prize推荐系统比赛。该比赛对推荐系统的发展起到了重要的推动作用。
3.3 个性化音乐网络电台
个性化推荐的成功应用需要具备两个条件。第一是存在信息过载的问题，第二是用户大部分时候没有明确的需求。在这两个条件下，个性化网络电台无疑是最合适的个性化推荐产品。目前国际上著名的有Pandora和Last.fm，国内的代表则是豆瓣电台。
3.4 个性化阅读
阅读文章是很多互联网用户每天都会做的事情。目前互联网上的个性化阅读工具很多，国际知名的有Google Reader，国内有鲜果网等。同时，随着移动设备的流行，移动设备上针对个性化阅读的应用也很多，其中具有代表性的有Zite和Flipboard。
[参考文献]
[1]Resnick P.Varian HR Recommender systems[外文期刊].1997（03）.
[2]许海玲.互联网推荐系统比较研究[J].软件学报，2009.20（2）：350.362.
[3]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）.
[4]刘兴涛，石冰，解英文.挖掘关联规则中Apriori算法的一种改进[J]. 山东大学学报，2008，43（11）：67-71.
[5]胡斌.基于高阶潜在语义分析的音乐推荐系统的研究，硕士论文.北京工业大学计算机学院，2009.
[6]Schafer JB，Konstan J，Riedl J.Recommender systems in e-commerce[M].On Electronic Commerce，1999.P367-461.
[7]Deshpande M，Karypis G.Item-based top-N recommendation algorithms[J].ACM TransInformation Systems，22（1）：143-177，2004.
[8]李涛.推荐系统中若干关键问题研究[D].南京航空航天大学，2008.
关键词：电信套餐；数据挖掘；协同推荐
引言：近几年，随着国内电信市场逐渐饱和，运营商基础通信服务慢慢呈现供大于求的局面，新用户净增数逐年呈下降趋势，三大运营商之间的竞争也日趋白热化，运营商在价格竞争的同时，设计推出大量的电信套餐来满足日新月异的用户需求。然而大量电信套餐的上市行为并没有缓解各大运营商的竞争压力，反而引发一系列的问题[1]：（1）对于用户来说，电信套餐数量庞大，多种套餐的捆绑内容和额度近似，月租费却又相差很多，很难从大量的套餐中快速选择出符合用户需求的套餐，同时用户和套餐的不适配会对用户造成不必要的经济损失，容易引发用户对电信企业形象的负面评价，最终造成用户流失。（2）从企业角度来看，电信企业难以把握用户的需求和市场热点，对于新套餐的推广仍然采用粗放式的广告投放方式，造成用户审美疲劳，高成本，低回报，实际推广效果不理想，造成企业大量资源浪费。因此，电信系统主动向用户推荐合适套餐的研究十分必要。本文对协同过滤算法及其关键技术做了详细分析，并针对电信行业特点设计了电信套餐的个性化推荐模型，并对模型的主要模块进行了详细介绍。
一、协同推荐算法及其关键技术
（一）协同过滤推荐的概念。协同过滤推荐[2]也被称为社会过滤推荐，在社会群体中以兴趣相似度为度量寻找用户间的相关性，或发现项目间的相关性，基于这些关联性进行推荐活动。实现协同推荐主要有三个步骤：步骤1：收集用户偏好数据。步骤2：计算相似度，找到相似用户群或者物品。步骤3：依据推荐策略，进行推荐计算。协同过滤推荐算法根据相似度比较对象的不同，可分为基于用户的协同推荐和基于物品的协同推荐。
（1）基于用户的协同推荐算法。根据历史数据，计算所有用户对产品的喜好程度，并由此找到目标推荐用户的相似邻居集，依据算法原则“邻居用户喜欢的产品，目标推荐用户也可能喜欢”将邻居用户喜欢的产品汇总并排序形成推荐集推荐给目标用户。（2）基于物品的协同推荐算法。根据历史数据，计算所有用户对产品的喜好程度，并由此找到相似物品集，依据算法原则“正在使用物品的相似物品，用户也可能喜欢”将相似物品汇总并排序形成推荐集推荐给目标用户。
（二）相似度计算。在推荐的场景中，需要进行用户间的相似度计算，或者进行物品间的相似度计算，以下为几种常用的相似度计算方法：
（1）欧几里德距离。欧氏距离是最容易理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。两个n维向量a
（x11，x12，…，x1n）与b（x21，x22，…，x2n）间的欧氏距离。
d（x，y）=■ 公式（1）
（2）Cosine相似度。Cosine 相似度被广泛应用于计算文档数据的相似度。T（x，y）=■=■ 公式（2）
（3）皮尔逊相关系数。皮尔逊相关系数一般用于计算两个定距变量间联系的紧密程度，它的取值在 [-1，+1] 之间。
p（x，y）= ■=■ 公式（3）
注：Sx， Sy是 x 和 y 的样品标准偏差。
（三）相似邻居的计算。根据相似度计算确定邻居主要有两种方式：（1）固定数量邻居法。不管有多少数量的邻居，我们只用距离来确认最近的K个，作为其邻居。该方法容易受K值影响，近似邻居数小于K值时，会选择远距离不太相似的点作为邻居，对推荐集造成影响，降低推荐准确率。（2）基于相似度门槛的邻居。以当前目标点为中心，K值为半径的圆范围，范围内的所有点都是其邻居，该方法不能确认邻居的数量，但是能够保证邻居用户间的相似度不会产生太大差异，确保推荐结果的准确性。
（四）协同过滤算法的优势和不足。（1）协同过滤算法的优势。1）内容难以解析的商品也能够很好的进行推荐，如电影、音乐。2）能够挖掘用户潜在需求，推荐内容新颖。（2）协同过滤算法的不足。1）稀疏性问题：如果用户历史评价信息缺失或者稀少，利用评价信息寻找相似用户的准确性就会大大降低。2）性能问题：随着推荐用户数和推荐商品种类数的增加，系统的性能会越加低效。3）冷启动问题：没有用户使用或者评价的新产品，无法运用协同推荐。
二、基于用户消费行为的电信套餐个性化推荐模型
本文根据电信行业的特点，从用户消费行为数据出发，结合数据挖掘技术和推荐方法构建了如图1所示的电信套餐个性化推荐模型。
图1 电信套餐个性化推荐模型
电信套餐个性化推荐模型共分为7个主要模块：
（1）信息收集模块。信息收集，包括用户基本信息、消费清单账单数据、用户业务订购数据、用户终端使用信息、套餐产品构成信息、套餐资费等信息的收集。（2）用户建模。先根据电信业务领域相关知识构建电信业务领域本体模型，每一个用户模型/套餐模型都是电信业务领域本体的一个实例，业务本体依据用户消费偏好数据自动生成个性化的用户模型，每一个电信套餐也依据套餐设计信息由本体生成个性化的套餐模型。（3）聚类分析模块。电信用户数据具有基数大、数据结构复杂的特点，造成推荐算法计算量巨大，推荐系统负荷过重，影响推荐效率，针对此问题采取K-means聚类对用户数据进行预处理操作，大大减少用户或者物品的最近邻居搜索范围，提高计算速度，从而提高推荐效率。为了达到细分用户的目的，需要进行两次用户聚类。一次聚类是根据用户消费占比数据将用户群划分成数个消费偏好存在差异的类簇；二次聚类是在一次聚类结果集的基础上，选择目标用户所在的类簇为第二次聚类的数据源，根据用户在各业务的消费量值为依据来进行用户的聚类划分。（4）寻找邻居用户集模块。在聚类结果集的基础上，选择合适的相似度计算方法进行用户相似度计算，并以目标推荐用户为中心，以用户间的相似度为距离值，选取最近的K个用户作为目标推荐用户的最近邻居用户集。（5）个性化推荐集生成模块。由邻居用户集确定套餐预测集和增值业务预测集，同时进行TOP-N筛选、电信业务规则过滤和用户-套餐的适配比对过程，最后形成一个满足用户电信需求的套餐或者增值业务推荐集。（6）套餐推荐模块。以分区推荐的方式，将个性化推荐集混合推荐给目标用户，并给系统反馈推荐结果和相关推荐反馈信息。（7）推荐系统更新模块。根据反馈信息评估整个推荐模型和过程，确认模型存在缺陷就将更新信息反馈回电信业务领域本体，更新本体结构和概念等信息，生成新本体，同时重新生成用户模型和套餐模型。
结论：本文主要介绍了协同过滤算法的主要思想、关键技术以及算法存在的问题，同时根据电信行业特点和数据特征，研究者提出了基于用户消费行为的电信套餐个性化推荐模型用以有效解决电信套餐的个性化推荐问题，智能推荐符合用户需求的电信套餐，从而推进电信服务产品智能化的研究进程。
参考文献：
[1] 陶如军. 中国电信：拥抱互联网思维[J]. 国企， 2014， 09：58-61.
为何想到这个模式？
2006 年底，32 岁的丁钧从微软顾问咨询部部门总监职位 上离职，2007 年成立简网，最初的定位是做广告主和用 户之间的精准营销中介平台。2009 年底，他决定做能够 解决信息爆炸中优质信息个性化筛选的事，于是用了一年 时间搭建技术模型，公司内部把这套技术称为“信息基因 ”技术。
核心技术是怎样的？
简网最核心的技术就是“信息基因”技术，即把语义环境 的概念贯穿到计算机算法中，加上质量评分建立信息采集 模型。一篇文章中信息点最密集、信息关系重合度最大的 信息簇就是它的中心思想，但是仅靠“苹果”两个字，能 确定文章说的是一种水果还是公司吗？“语义环境”判断 就是做这个确认，使筛选的信息准确度更高；而“质量评 分”就是根据信息出处的定位和过往历史，给信息算出一 个初始分值，保证筛选文章具有相对高的质量。
做了什么产品？
简网目前的产品都是“信息基因”技术的不同展现形态。首先，简网把这项技术用在了微博上，建立了上万个垂直化的主题微博，各账号每天10条以内具有含金量的资讯，形成了数个垂直微媒体。
简网的行业微博每个都非常垂直，单一账户没有一个是粉丝上百万的，但其的信息每天累计能获得30多万次转发，覆盖粉丝总量超过5000万。这上万个垂直信息微博，既是“信息基因”技术的应用，也是捕捉用户兴趣和个人资料的入口。
接着，简网在移动终端开发了另一款个性化定制的资讯类软件——指阅，一款与Zite、Flipboard等颇为相似的产品。用户可以根据关注的主题订阅指阅从全网筛选来的最新优质内容。而且，用户的使用习惯和路径也会影响推荐引擎，推荐的内容会随着个人特征的变化而调整。两个有相似阅读兴趣的人第一次使用指阅时被推荐的内容是一样的，但使用一段时间后，各自接收的内容就会不同。用户兴趣更加细分和个性化。
据丁钧说，指阅已有50多万iOS用户，30多万Android用户。用户可以选择绑定自己的个人微博账户使用指阅，一键分享。“简网的后台跟搜索相似，只是多做了一个‘语义分布’。我们的信息组织方式是根据个人兴趣点，而不是像RSS（那样）按照来源（组织信息）。”
读懂用户是信息发现和推荐的基础，根据用户兴趣而不仅限于主题做信息的精准推荐。丁钧介绍，目前简网正在开发第三款产品，把“人”的意见加进去，由使用者个人来筛选和推荐信息。在个人兴趣细分点上挖掘互动点，打造基于阅读兴趣的社交组织平台。
与其他同类产品的不同？
简网的信息筛选依据三个维度：语义分布、质量评分，以 及“人”的推荐。不同于搜索引擎基于关键字的匹配，“ 信息基因”技术有点像人工编辑，不仅要确定信息主旨， 而且要判断质量。
目前大多数社会化推荐工具都是先提供插件，与不同网站 合作，由网站嵌入代码生成集成的分享按钮，再由用户点 按钮形成信息扩散。简网的设计是，个人电脑工具栏上生 成一个类似于收藏夹的按钮。当浏览全网时，用户只需在 想推荐的文章页面点击，就能分享到用户在简网的个人主 页上，并以标题、摘要、原链接的形式得到展现。原文页 面的广告也会被过滤掉。
盈利方式将会怎样？
“简网目前的产品，无论是微媒体还是指阅，都是导读类的产品。我们目前还没对眼前的产品赚钱抱什么希望。简单来说，以后一定是中向或者后向的盈利方式，但中后端的收费先要把体量做上去，互联网生意的本质是流量的生意。”丁钧说。2007年和2011年，简网分别获得了启明创投和凯旋创投的天使投资，共计800万美金，工作团队有70余人。
童玮亮 戈壁投资董事总经理
关键词 旅游微博；个性化推荐；效果评价体系
中图分类号：TP3 文献标识码：A 文章编号：1671-7597（2013）23-0072-02
1 研究背景
随着我国经济水平的提高，人们对于旅游的需求也越来越多，如何开发基于大众市场需求的新产品和服务来改善旅游服务的质量和推动旅游业的转型成为目前旅游业发展的重点。旅游业属于信息密集型产业，适合利用互联网和移动通信等新一代信息技术对其旧有的服务模式和产品进行新的创新，这也是旅游业成长的关键力量。微博是Web2.0技术在博客领域的新发展，是一种基于用户关系的信息分享、传播以及获取的平台。由于微博兼具即时聊天工具的个体性、即时性，博客空间的个人信息和分享性，社区论坛的话题讨论性，以及SNS社区的人际关系纽带性，这使其成为一个天然的口碑传播平台。也因为利用微博进行旅游营销具有展示个性化、传播互动化、信息延展化、传播移动化、内容微小化等诸多优势，因而，它成为旅游企业营销关注和挖掘的新领域。
微博让用户可以更方便、快捷地通过虚拟网络获取实时、海量的旅游信息，使旅游企业能接触到潜在用户、信息、与游客互动、推销旅游产品。然而，由于微博高速、海量的传递信息，内容更新极快，造成信息冗余，搜索起来比较困难，这导致信息过载现象的产生。目前主要使用信息搜索和信息推荐两种技术解决这一问题。但是，传统的信息搜索算法只能呈现给微博用户相同的排序结果，无法针对不同微博用户的兴趣爱好提供用户个性化的信息，最终导致用户很难找到符合自己个性化需求的信息。信息推荐则可以主动为用户提供满足用户需求的个性化信息。因此，帮助用户从海量、更新极快的微博信息中获取有价值的知识和最新信息，提高信息检索与推荐的智能化水平，满足各个用户不同的个性化需求，已经成为一个非常重要且极具现实意义的研究热点。从普通用户的角度看，微博个性化推荐的研究可将用户从无限的网络资源中解放出来，大大缩短用户信息检索的时间，提高信息服务的效率，有效解决信息过载的问题。从旅游企业的角度来看，精准的个性化推荐技术有助于它们找到目标人群，有针对性地开展相应的微博活动营销和提供个性化的服务，使其以较低的成本将产品与服务更有效、快捷地推向目标消费群体。
2 国内外研究现状
从文献调查中发现，围绕旅游围博平台的研究有不少，但主要研究的是旅游微博营销策略和应用等方面的内容，有少量对旅游微博信息的信度和效度进行了研究。对于旅游微博的个性化推荐效果方面的研究则基本没有。然而，国内外关于微博个性化推荐系统的关键技术研究成果有很多，如好友推荐、散列标签推荐或时事信息推荐等。胡大伟提出一种基于关联规则和标签的个性化好友推荐系统，推荐与目标用户最相似的微博用户为好友。孙明明研究了基于云计算环境下研究微博用户的协同过滤推荐，发现现有经典算法推荐精度较低，设计出一种新型的更适合于微博平台的EssCF推荐算法。有少量研究根据微博内容和用户位置进行了深入研究，如Horozov在移动端用户地理位置获取的基础上，增加了“便捷性”参数，以满足系统的可扩展性和低时延需求。此外，还有部分研究从微群和微博平台全网两方面来展开关系推荐的研究。到现在为止，现有研究大多侧重于微博个性化推荐算法和系统的构建及提高推荐精度的理论研究上，部分研究对其所提出的改进算法的有效性进行了一定的实验证明，但对于现有的微博个性化推荐技术的总结分析，尤其是推荐效果的对比分析则较少，也很少涉及到面向具体行业和细分市场的微博个性化推荐、推荐策略和推荐效果分析等实用性方面的研究。而在实践中，在不同的行业里，用户期待的推荐形式、内容和对推荐质量的预期不同。因此，对于旅游企业而言，它们需要的是一种具体化、符合行业和微博特性、实用性极强的微博营销策略，了解目前微博个性化推荐技术效果会有助于他们制定更有效的微博营销活动，而目前恰恰缺少这方面的研究成果。
3 旅游微博个性化推荐效果评价指标构建
微博个性化推荐效果决定用户是否会采纳推荐内容，也影响着企业微博营销的效果。自推荐系统的概念提出以来，推荐效果的评价指标主要是通过评估系统的准确性、多样性、新颖性和覆盖率来进行评估，这些评估指标属于基于数据本身的指标。在实际应用中，效果的好坏还和商业应用上的关键表现指标及用户真实态度有关，但这方面的研究则十分欠缺。因此，如何评价微博个性化推荐效果是一个很大的问题。已有的研究普遍以Davis（1989年）提出的TAM模型理论作为理论基础去解释用户采纳微博个性化推荐的过程和影响要素，并在此基础上增加情感性、社会化要素来扩展TAM模型，由此对微博个性化推荐的效果进行验证，也获得一定的研究成果。但以此验证的效果并不等于用户实际的采纳行为，用户行为化指标的欠缺使得现有研究成果难以得到广泛推广。同时，现有研究对于微博个性化推荐效果的影响因子探索较浅，未涉及用户心理变量因素。
3.1 旅游微博个性化推荐效果评价体系
态度是个人对环境中某一事物的评价和心理倾向，是一种内在的心理结构和行为倾向，对个人的行为具有重要的影响意义。用户对主动获得的旅游微博个性化推荐内容的态度影响着他们是否接受推荐，因此，用户的态度表现是我们构建评价体系的一个主要指标。
传递旅游地信息和推动旅游营销活动是大部分旅游企业运营微博的目的，其商业潜力的大小决定旅游企业在微博的资金投入比例。旅游微博个性化推荐效果的好坏对商业潜力有极大的影响，所以在评估旅游微博个性化推荐效果时，我们将商业表现作为评价体系中的主要指标。
基于此，我们构建的旅游微博个性化推荐效果评价指标体系如下。
旅游微博个性化推荐效果评价指标 一级指标 二级指标
系统表现 准确性
多样性
新颖性
覆盖率
商业表现 转化率
购买率
浏览量
转发量
收益率
购买品种数
客单价
态度表现 认知
情感
意向
表1 旅游微博个性化推荐效果评价指标体系
态度表现指的是用户个人对个性化推荐内容的态度。由于个人态度的心理结构主要包括认知因素、情感因素和意向因素，所以我们将这三个因素作为二级指标来评估个人的实际态度。认知指标主要指用户对推荐结果的认知，如推荐有用和易用，推荐内容的赞成或反对，情感指标则检验指用户对推荐内容的喜欢或厌恶，意向指标评估用户对推荐结果是反应倾向。
3.2 旅游微博个性化推荐效果分析建议
在对旅游微博的个性化推荐效果进行分析时，可使用在线评测和离线评测两种方式，按照以上所构建的个性化推荐指标体系从系统本身、商业潜力和用户态度三个方面进行全面的调查分析，旅游企业即可获得一个比较全面的微博个性化推荐效果报表。在线评测主要是设计在线用户实验，根据用户在线实时反馈或时候问卷调查等结果来衡量微博个性化推荐系统的表现。离线测评即根据收集到的实验数据，根据评价指标来衡量其质量。随后通过分析微博的点击流数据，获取如转化率、购买率等商业指标，分析其商业潜力。最后利用调查问卷方式调查旅游微博用户对目前系统的心理态度，接受情况。
为了进一步改善个性化推荐效果，旅游企业还要采用问卷调查、深入访谈等方式收集信息了解微博用户关注旅游微博的主要目的有哪些，根据用户对旅游微博的实际需求撰写符合其需求的微博内容。
4 总结
本文对微博个性化推荐技术及其效果分析的研究进行了全面的整理和分析，在分析的基础上，构建了一个较为全面的旅游微博个性化推荐效果评估体系，为旅游企业的微博营销工作提供理论依据。不足之处是未进行进一步的实验验证该评估体系的全面性、准确性和可靠性，这是我们在下一步需要完成的工作。
参考文献
[1]倪琳.微博的传播特性及影响力研究[J].上海商学院学报，2011，12（2）：39-43.
[2]刘宏盈，唐羽佳.旅游产品微博营销策略研究[J].商业研究，2013（2）：212-216.
[3]张树萍，王西荣，孙贤斌.微博营销：数字时代旅游景区（点）营销的新途径[J].皖西学院学报，2011，27（5）：108-111.
[4]韩朝阳，张仁军.面向旅游应用的微博信息信度和效度评价[J].重庆理工大学学报.2011，25（10）：37-40.
[5]郑志娴.微博个性化内容推荐算法研究[J].电脑开发与应用，2012，25（12）：23-25.
[6]胡大伟.基于标签协同过滤算法在微博推荐中的研究[D].包头：内蒙古科技大学，2012.
[7]孙明明.基于云计算的微博推荐系统[D].南京：南京理工大学，2012.
[8]T Horozov， N Narasimhan&V Vasudevan. Using Location for Personalized POI Recommendations in Mobile Environments[C]//Proceedings of the International Symposium on Applications Internet，2006.
[9]张琳.我国微博的发展研究：以新浪微博为例[D].南昌：江西财经大学，2012.
信息环境下，海量教育信息资源与用户快速获取个性化教育信息资源之间的矛盾日益凸显，导致无处不在的学习演变为无处不在的搜索，学习者之间信息素养的差异使得个性化教育信息资源得不到有效利用，学习者不能同等享有优质教育信息资源，引发了信息环境下新的教育不公平。剖析个性化信息推荐服务，结合其研究现状，构建教育信息资源个性化推荐服务模式，探求其在教育领域的应用前景，为教育信息资源的主动服务提供解决策略，把合适的教育信息资源呈现给适合的用户，从而在一定程度上缓解数字化学习背景下的教育不公平，促进个性化教育。
【关键词】 教育信息资源；个性化推荐；教育公平；个性化教育
【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009―458x（2016）02―0005―05
一、问题的提出
大数据时代，教育信息资源的爆炸式增长和学习者个性化需求快速得到满足之间的矛盾引领着信息服务模式的变革。现代科技的发展促成全球信息总量以几何级数增长，2020年全球数据量将达到35ZB，为2009年的44倍[1]，这使得信息技术促进教育公平的同时也带来了巨大的挑战。面对海量的资源，学习者如何快速获取优质个性化教育信息资源的难题越发凸显。
第一，学习者需要花费大量精力搜索、鉴别和分析杂乱无序的教育信息资源。2010年6月，《纽约时报》做了一次相关民调，在45岁以下的受访者当中，近三分之一的人表示消耗巨额时间和精神成本，却依然迷失在浩瀚的信息空间中，找不到符合自己需要的资源。目前，教育信息资源的海量、静态和杂乱无章严重加大了学习者搜集资源的时间和精力成本，让无处不在的泛在学习演变成了无处不在的搜索。
第二，信息时代，个体间的“信息素养沟”演变成为“知识沟”。互联网技术的快速发展提升了用户的信息素养，也扩充了教育信息资源。然而，用户的认知容量有限，且认知能力的增长总体较为平缓，故信息素养得不到突破性提升，但教育信息资源却呈指数级增长，不断走向海量化。这就逐渐导致信息素养高的用户可以在海量资源中搜集到优质资源，而对信息素养低的用户来说，则较为困难，“优者更优，贫者更贫”的现象日趋严重，造成信息时代下的“知识沟”，加剧教育不公平。
第三，盛行的普适性教育信息资源不具有个性化，并非能满足所有用户的个性化学习需求。非主流的优质教育信息资源往往因主流教育信息资源的频繁使用而被覆盖，越来越严重的掩埋效应造成资源的浪费。在海量的教育信息资源中快速获取和有效利用优质个性化教育信息资源，是现代学习者的需求。当这种需求得不到满足时，必然鼓励着新的信息服务方式和工具的出现，个性化信息推荐服务也便应运而生。
二、个性化信息推荐服务
个性化信息推荐服务能够在用户信息迷茫、没有明确需求时及时为用户提供其感兴趣的信息，有效缓解“信息超载”引起的用户认知负荷和信息迷航等问题。它就像是商场优秀的导购员，不仅熟悉每一个商品的属性和特征，而且能记住顾客历史偏好并发现其最新偏好，为顾客推荐适合的优质商品，为商品找到最合适的买家，增加顾客的依赖度和商家的盈利。
（一）个性化信息推荐服务概述
个性化信息推荐服务的实质是以用户需求为中心，通过分析用户（user）与项目（item，如信息、资源、商品等）之间的二元关系帮助发现其可能感兴趣的内容，并生成个性化推荐结果，进而为用户提供区别与差异化的服务[2]。其精准化推荐的实现主要依赖于个性化信息推荐系统。根据不同的推荐算法，个性化推荐系统主要分为：基于协同过滤的推荐系统、基于内容的推荐系统以及混合式的推荐系统。基于协同过滤的推荐系统主要依据用户相似性或项目关联度的推荐，即用户信息（包括个人资料以及对项目的评价、收藏、购买等行为信息）的相关性，判断或者由用户群的行为信息计算出项目间关联度。基于内容的推荐系统则主要根据项目本身的特征属性，在项目库中搜索满足用户需求的项目。混合式的推荐系统则是基于以上两种方式的推荐，根据用户相似性、项目关联性及特征，利用“群体智慧”通过分析某一款产品的所有顾客购买记录，推测用户感兴趣的商品。最终不仅从用户浏览和接收的角度来呈现推荐结果，更从用户需求、商品标签以及相似用户的使用度等方面来增加推荐结果的可信度，为用户主动接受推荐结果提供依据。
（二）个性化信息推荐服务研究现状
个性化信息推荐服务最初是在电子商务领域迅速发展起来的，应用成效也尤为显著，而它在教育领域的应用仍处于探索阶段。郭亚军曾基于用户需求、信息产品、用户关系管理构建个性化信息服务钻石模型来实现资源的个性化推荐服务[3]；李宝等人提出利用学习者的静态数据与动态数据来构建学习者特征模型，采用协同过滤与相似度匹配的方式促进资源的推荐服务[4]；刘通江、王陆研制小学课程的个性化课件生成系统，预先测验学生的认知水平和学习风格，然后根据测验结果为学习者推荐自适应的内容、资源和活动[5]；柏宏权构建适应性智能教学系统，为学习者提供自适应的教学内容和学习策略，以满足其个性化学习需求[6]；刘媛筠等人认为在当代图书馆信息服务中，信息推荐服务能够将用户定制的资源随时推送给用户，方便其获取信息[7]。这些在教育领域的研究虽已取得相关成就，但其应用还不够成熟。在国家基础教育资源网中，学习者根据信息导航进行需求细化和纵向浏览，但系统经过筛选后呈现的资源参差不齐，依旧需要学习者花费大量时间和精力进行甄别，信息服务的个性化程度不高。此外，我国“985高校”图书馆的个性化服务除了查看、修改或定制信息外，大多还只限于记录读者的借阅行为、预约、续借、新书通报等功能，还不能根据用户动态的个性化需求实现及时推荐的功能。
由此可见，个性化信息推荐服务虽已引起不少教育研究者的关注和研究，但它在教育领域中应用的广泛度和个性化程度均不及在商业领域的应用。究其原因，以往的个性化信息推荐服务研究主要侧重于推荐算法本身，其推送的内容与学习者的个性匹配程度以及服务个性化程度有待提高，其理论支撑相对单薄，对学习者间的差异和个性化需求掌握不够准确。因此，迫切需要设计有效的教育信息资源个性化推荐服务模式来改善当前信息推荐服务在教育领域的应用，以提高其应用成效。
三、教育信息资源个性化推荐服务模式
信息过载引起用户认知负荷，导致优质资源浪费，其本质是用户无法准确、及时地获取满足自己个性化需求的优质资源。结合目前个性化推荐服务的研究成果，针对教育信息资源的系统性、关联性和不断进化等特征，试图通过构建教育信息资源个性化推荐服务模式来提高优质资源的使用率，为用户提供差异化服务，促进数字化学习时代下的个性化教育。
（一）教育信息资源个性化推荐服务模式构建依据
根据学习者个体特征、学习倾向、学习目标以及学习情境，对个体心态、思维、学习能力、创造力、知识技能水平等进行综合分析、测试和诊断。同时，根据教育信息资源的课程体系、关联进化、重组与重构等特征，构建教育信息资源个性化信息推荐服务模式，为学习者量身定制学习任务、学习策略和学习方案，整合并推荐符合其独特学习需求的个性化教育信息资源，从而形成自适应的个性化服务，帮助学习者自我成长、自我超越。
信息技术对教育发展具有革命性的影响[8]，利用现代技术手段，通过分析与决策系统为学习者提供小众化、个性化的信息资源服务，其效益甚至会超过那些大众化信息资源[9]。不同学习者之间的差异性和独特性是客观存在的，而网络环境下普适性的教育信息资源往往没有与学习者的这种个性化相适应。学习者的个体差异其实也是一种教学资源，在某种程度上促使学习者对个性化教育信息资源的无限渴望，同时差异性的存在也对资源建设者提出了更高要求，激发其开发和建设用户满意的优质个性化教育信息资源。尊重每一位学习者的差异，利用个性化推荐服务模式为其提供差异化服务，满足其个性化的学习需求，促使每位学习者都能同等地享有适合自己的个性化优质教育信息资源，从而推动教育公平，促进个性化教育。
（二）教育信息资源个性化推荐服务模式构建
教育信息资源个性化推荐服务旨在满足学习者的个性化学习需求，为其提供个性化的教育信息资源。尊重学习者的个体差异性和学习者的主体地位，同时根据教育信息资源的特征模型，以提高教育信息资源使用率为主要驱动力，构建教育信息资源个性化推荐服务模式，以推动信息时代下的教育公平，促进个性化教育，如图1所示。
图1 教育信息资源个性化推荐服务模式
从学习者和教育信息资源库两条主线构建该模式。根据学习者基本信息、行为信息和差异化的需求信息，将兴趣相投、偏好一致的用户聚合、归类，构建学习者模型；根据资源基本特征、标签和价值信息（其他学习者对该资源的有效评价信息），将特征相近、关联度高的资源聚类，构建资源模型。随着技术的快速发展，推荐方式和策略层出不穷且不断得到完善，分析与决策系统能够利用现代技术手段感知学习情境，识别学习者特征，挖掘其潜在需求和模糊需求，准确定位其个性化需求。同时，通过分析学习者模型与资源模型的匹配程度，能够选择合适的推荐方式，形成高效的推荐机制，从而对教育信息资源进行整合和重组，挖掘优质的个性化资源，并将与学习者认知水平高度相近的教育信息资源主动提供给学习者。在此过程中，学习者模型和资源模型将随着学习者信息和资源信息进行实时动态更新，不断完善个性化推荐机制，促使资源进行自我调整，主动服务于学习者，形成自适应的个性化服务。
（三）教育信息资源个性化推荐服务模式内涵
1. 尊重学习者个体间差异，定位内在学习需求，提升学习体验。该模式能够尊重不同学习者之间的差异，感知学习情境，准确定位个性化学习需求，从而提升学习体验，缓解学习者认知负荷，促进个性化教育。人是有思想、有情感的独特个体，教育要培养的不是批量生产的产品，而是具有独特个性的个体。因此，该模式的构建将个体的独特个性纳入其中，向学习者推荐的资源内容能够具有很大的灵活性。
不同类型和层次的学习者对信息需求的广度和深度各不相同。系统能够分析不同学习者的信息，构建包含学习者档案、动态需求和相似学习者信息的学习者模型，感知学习情境，全面定位其个性化需求。同时，通过剖析学习者模型与资源模型的匹配程度，做出正确的分析和精准的决策，从而帮助过滤无效信息，推荐适合的优质个性化教育信息资源，提升学习者的学习体验。在教育领域，学生、教师和科研人员对教育信息资源的需求存在着很大差异。例如，学生在学习过程中希望能得到针对自己特殊学习问题的及时服务和帮助；教师在教学设计过程中希望能快速获取与教学活动相关的教学资源；科研人员则希望得到更多学科范围内新的思想观点、学术前沿、理论热点及事实性材料等。该系统能够根据这种需求差异，进行资源过滤和重组，帮助其在混沌无序的资源中获取优质个性化教育信息资源，从而广、快、准地满足学习者的个性化需求。
2. 指引资源，挖掘优质个性化资源，催生更优资源。根据个性化的学习需求，利用该模式挖掘优质个性化教育信息资源，用最短的路径和最少的时间为学习者提供指引服务，指导资源建设者开发个性化的优质教育信息资源，催生更优资源。那么，什么样的资源才是优质资源呢？斯蒂芬・P・罗宾斯认为，质量是产品或服务达到预期要求并满足顾客期望的能力[10]。所以，教育信息资源质量则是由满足用户需求的程度决定的，用户满意且充分尊重个体差异的个性化资源才是优质资源。
依据KWL学习策略，通过分析学习者的个性化需求，利用资源的关联信息和进化信息，挖掘被大众化教育信息资源掩埋的优质个性化教育信息资源，实现资源的自我价值，缓解资源的掩埋效应。其中，K代表系统能分析出用户知道什么（Know what），从而激活其原有知识，巩固先前所学内容，为学习新内容做准备；W代表系统能精准判断用户想要知道什么（Want to learn），并为其推荐适合的学习内容和资源；L则指系统根据用户对知识的掌握程度（Learning level）为其推荐符合其能力的学习资源和任务。同时，学习者也可以参与编辑、丰富和标记教育信息资源，由资源的消费者转变为创造者，实现资源的动态发展，促使资源与资源之间产生连接，实现资源的关联进化，形成资源关系网。教育信息资源不同于一般商品，它具有一定的课程体系，所以系统可以根据其内在教学规律和资源间关联性挖掘潜在的个性化教育信息资源。
3. 提供自适应的个性化服务，推动教育公平，促进个性化教育。该模式能够将适合的教育信息资源（在用户认知能力和最邻近发展区范围内，与个体差异化特征相匹配，符合其个性化需求的教育信息资源）推荐给合适的学习者，为其提供自适应的个性化服务，促进个性化教育。只有符合个体兴趣和发展需要的学习任务，个体才会积极投入；反之，个体则往往消极应对。因此，准确把握“度”成为关键，而对不同学习者来说，这种“度”必然是有差异的，它主要由学习者模型、资源模型以及系统监测与感知所决定，构建三维坐标系并探讨对“度”的掌控，分析自适应个性化服务系统影响因子及其之间的关系，如图2所示。
图中的A、B、C、D四个点代表资源的个性化程度分别由系统监测与感知，学习者模型和系统监测与感知，学习者模型、资源模型和系统监测与感知，资源模型和系统监测与感知所决定。自适应个性化服务提供的资源应该高度符合学习者模型、资源模型以及系统监测与感知信息，即处于坐标中C点位置的资源是最符合也是最适合的优质资源，而以C点为球心的球与该立方体的重合部分即为相对较为适合该学习个体的资源。系统通过综合分析学习者特征、行为信息以及资源属性等数据，掌控适合学习者个体的“度”，从而向其推荐处于C点位置或距该点最近并在其认知弹性能力范围内、符合最邻近发展区（指学习者通过独立学习与教师教授所获得的知识之间的差距）的教育信息资源，适时、适度地提供个性化学习服务。如果学习者在某个问题上停滞时间太长，系统可以实时地进行动态干预，关注和分析学习者的表现，从中发现他们独特的认知特征和动机倾向，进而调整C点位置，设定适合该学习者的“度”，以保证推荐的资源能够自适应地满足学习者的个性化需求。
（四）教育信息资源个性化推荐服务模式应用
利用教育信息资源个性化推荐服务模式不仅节省学习者搜索资源所花费的时间和精力，快速推动学习者个性化需求的满足和自我价值的实现，避免教育信息资源的浪费和掩埋，还可以激励学习者提出更高需求，促使资源建设者开发更优资源，充分发挥学习者的主动性和创造性，这也正是存在主义哲学的精神。
Springer 出版公司作为世界上最著名的科技出版集团之一，其提供的“CiteULike”个性化服务能够根据学习者的学习兴趣、相似学习者的行为记录以及资源之间的关联性，帮助学习者准确查找相似资源、发现兴趣偏好相似的其他学习者以及相关领域的研究人员，实现协作学习。此外，爱课程网（iCourse）是我国教育部、财政部“十二五”期间启动实施的“高等学校本科教学质量与教学改革工程”支持建设的高等教育课程资源共享平台。它拥有丰富的教育信息资源，能够根据学习者的基本信息和学习行为记录实时推荐相关课程。在学习过程中，系统定时向学习者发送邮件推荐课程信息，调查学习者的满意度，并根据反馈完善资源，提高用户体验度。爱课程网推荐的课程资源主要包括热门课程、热门教师、热门学习群组以及最热资源和最新资源。然而，系统的推荐并不能完全满足独特个体的个性化需求，与学习者兴趣爱好的匹配不够精准。也就是说，学习资源的选取与推送存在盲点，系统不能精准地感知学习情境来有效挖掘适合学习者的个性化优质资源，为学习者适时推荐适度的教育信息资源。虽然该教育信息资源个性化推荐服务模式已得到初步应用，但还需要提升其应用价值和效果，这也是下一步研究的重点。
四、教育信息资源个性化推荐
服务模式应用前景分析
个性化教育是教育公平的最终目标，利用该模式促进个性化教育，是大众所需，也是大势所趋。如今在线教育已经成为终身教育的一种主要模式[11]，将该个性化推荐服务模式嵌入其中可以充分关注学习者个体差异和不同学习需求，体现个性化在线教育的特点，激发学习者的主动意识和学习动机。同时，该服务模式还可以用于移动终端，更好地服务于泛在学习和碎片化学习。此外，小到课程资源的推荐，大到高考志愿填报和未来职业规划，根据不同学习者差异化和个性化需求，可以将该模式应用到智能服务填报高考志愿、图书馆资源荐购、网络招聘、教育信息管理等方面，实现“靶标式”资源和任务的主动定向推荐。例如，在智能服务填报高考志愿中，通过分析高考分数、考生类别、报考院校、专业及录取的相关规则和相似考生报考情况，得出供考生决策的相关参数；在图书馆资源荐购方面，根据学习者的浏览和购买记录，推测学习者个性化学习需求，为图书馆资源的荐购提供参考；在网络招聘中，通过分析求职者的资料、浏览记录以及招聘单位的招聘条件，将合适的职位推荐给适合的求职者；在教育信息管理系统中，通过挖掘和分析数据为管理者提供智慧决策来破解信息管理过程中的难题，以提高信息管理的成效。
五、结语
将该模式应用到教育领域，对于学习者，可以激活其隐性需求，满足显性需求，从浩如烟海的资源中获取符合其认知风格和知识基础的资源，减少时间和精力成本，增强学习体验，提升学习成就感；对于资源，可以促进资源的最大化利用、知识的流动和聚集及其价值的增值，保证将最好的知识推送给最需要的人；对于资源的提供者，可以提升经济效益，帮助其更好地理解用户需求，促使其开发的资源更加精细化和差异化，开拓服务市场，让更多的学习者来使用和购买资源。后续我们将深度剖析个性化信息推荐服务的成功商业案例，研究现代感知技术，比较常用推荐策略，完善个性化推荐机制，并结合实证研究来分析其在教育领域应用的必要性和可行性。
[参考文献]
[1] Villars R L， Olofson C W， Eastwood M. Big data： What it is and why you should care[J]. White Paper， IDC， 2011：1.
[2] 杨丽娜，颜志军，孟昭宽. 基于个性化推荐思想的虚拟社区学习共同体动态构建[J]. 现代教育技术，2012，（01）：88-92.
[3] 郭亚军. 个性化数字信息服务模式研究[J]. 情报理论与实践， 2011，34（7）：56-59.
[4] 李宝，张文兰. 智慧教育环境下学习资源推送服务模型的构建[J]. 远程教育杂志，2015，（03）：41-48.
[5] 刘通江，王陆. 基于信息理论的个性化教学系统的研究[J]. 计算机工程与应用，2004，（9）：074.
[6] 柏宏权，李艺. 利用适应性超媒体技术建构智能网络课程[J]. 电化教育研究，2004，（4）：41-44.
[7] 刘媛筠，李志民. 当代图书馆的三种信息服务模式[J]. 图书馆杂志，2013，（1）：26-31.
[8] 熊才平，何向阳，吴瑞华. 论信息技术对教育发展的革命性影响[J]. 教育研究，2012，（6）：22-29.
[9] 何向阳，熊才平，郑娟. 论网络信息资源的再生与利用[J]. 电化教育研究，2013，201（3）：4.
[10] 斯蒂芬・P・罗宾斯，玛丽・库尔特. 管理学[M]. 李原，孙健敏，黄小勇，译. 北京：中国人民大学出版社，2012：518.
[11] 蒋志辉. 网络环境下个性化学习的模式建构与策略优化[J]. 中国远程教育，2013，（3）：48-51.
收稿日期：2015-05-30
定稿日期：2015-07-30
关键词：个性化推荐；电子商务；购物网站
中图分类号：F713.1 文献标识码：A 文章编号：1001-828X（2012）08-0-01
一、个性化推荐
1.定义。随着电子商务规模的逐渐扩大，网上商品的种类和数量也快速增长。商品不断丰富，顾客购物选择的余地大大扩展，但顾客往往需要花费大量的时间才能找到合适的商品。这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便，从而可能造成客户流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐是根据用户的资料信息、兴趣爱好和以往购买行为，向用户推荐其可能感兴趣的信息和商品。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物过程提供完全个性化的决策支持和信息服务。
2.个性化推荐的作用。成功的个性化推荐系统，向用户推荐他们感兴趣的商品，从而促成交易，即将电子商务网站的浏览者转变为购买者；在用户购买过程中向用户推荐自己确实需要但在购买过程中没有想到的商品，有效提高电子商务系统的交叉销售；为用户提供个性化的推荐服务的同时，与用户建立长期稳定良好的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。
3.知名购物网站中个性化推荐应用。淘宝网站为例，在登录已买到的宝贝页面，除了可以查看到用户购物历史记录，还有推荐内容，如：“您可能对这些宝贝感兴趣”；购物车页面的推荐，如：“您可能感兴趣的宝贝”“猜你喜欢的”。
当当网为例，网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”，点击进入，再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”；在已购商品页面，有推荐“根据您购买的商品，当当猜您会喜欢”。
进入卓越亚马逊网站，提示用户“您好，请登录以获取为您订制的推荐”。
二、个性化推荐系统主要算法
完整的推荐系统由3个部分组成：收集用户信息的行为记录模块、分析用户喜好的模型分析模块、推荐算法模块。其中，推荐算法模块是最核心的部分。根据推荐算法的不同，推荐系统可以分为如下几类：
1.关联规则推荐。关注用户行为的关联模式。如买了香烟的人大多会购买打火机，因此可以在香烟和打火机间建立关联关系，通过这种关系推荐其他产品。这种算法最为简单直接，往往也会把用户理解的过于简单，是不太智能的算法，所以这种算法基本被淘汰了，只有少数小规模购物网站还是这种推荐模式。
2.协同过滤推荐。利用用户的历史信息，计算用户之间的相似性；利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度；根据喜好程度来对目标用户进行推荐。协同过滤又可分为两种：基于用户的协同过滤和基于商品的协同过滤。
基于用户的协同过滤是第一代协同过滤技术，原理也很简单：人以群分，即在网站上购买相同商品的消费者应该有相似的兴趣偏好。系统找出这些有相同商品购买记录或浏览记录的用户，然后把他们还没购买的商品相互推荐，如把用户A买过、但用户B还没有购买的商品推荐给B，反之亦然。当然，在实际推荐应用中，系统会找到与A相似的多位用户，将那些A未购买而其他人已经购买的商品，计算概率，再进行排序，最后把排名靠前的商品推荐给A。
基于商品的协同过滤，是目前使用最多的个性化算法。因为大型的购物网站，其用户数量远远大于商品数量，使用基于用户的个性化算法会造成很多问题。相应的，基于商品的协同过滤技术的原理：物以类聚，系统先判断哪些商品之间有潜在关联，再根据用户的购买记录，把关联度高的商品推荐给用户。比如“啤酒-尿布”看似风牛马不相及的商品，如果在销售记录中同时出现的频率越高，说明商品的潜在关联就越强，就可以向用户推荐。
协同过滤算法可以发现用户潜在的兴趣偏好，从而为其推荐新信息；能推荐难以进行内容分析的产品；但由于是基于用户对产品的评分，所以对新用户进行推荐或者是对用户推荐新产品，精度不高。
3.基于内容的推荐。基于内容的推荐是协同过滤技术的延续与发展。分别对用户和产品建立配置文件；比较用户与产品配置文件的相似度；推荐与其配置文件最相似的产品。如，在商品CD推荐中，基于内容的系统首先分析用户买过的打分较高的CD的共性(歌手、风格等)，再推荐与这些用户感兴趣的内容相似度很高的其他CD。基于内容的推荐算法根本在于信息获取和信息过滤。
基于内容的推荐算法能处理新用户、新产品的问题(冷启动)；能推荐新产品和非流行产品，发现隐藏信息；但是如果两个不同的产品恰好使用了相同的描述词，这两个产品就无法区分；而且如果系统只推荐与用户的配置文件高度相关的产品，那么推荐的只是与用户之前购买过的产品相似度很高的产品，无法实现推荐的多样性。
4.基于网络结构的推荐。要先建立用户—产品二维关联网络。把用户和产品的内容特征看成抽象的节点，所有算法利用的信息都藏在用户和产品的选择关系中。对于任意目标用户A，假设A选择过所有的产品，每种产品都具有向A推荐其他产品的能力，把所有A没有选择过的产品按照他喜欢的程度进行排序，把排名靠前的推荐给A。
基于网络结构的推荐同样面临着新用户新产品的问题。而且如果把用户与产品的所有关联关系都考虑在内，无法区分出长期兴趣和短期兴趣点，大大降低推荐准确度。
5.混合推荐。上述几种方法的有机结合，实际的推荐系统中最常见的是基于协同过滤和基于内容的结合。
三、个性化推荐技术的新应用
一般情况下，网站针对已注册用户根据用户信息或购买记录进行推荐。同时，个性化推荐还应该考虑到匿名购买者，也就是购买者不需要注册或者登录也能使用个性化推荐功能。这类技术的实现要选择合适的匿名用户行为特征识别方法，如服务器端日志挖掘技术和客户端信息采集技术等，从而实现对此类用户的个性化推荐。
针对用户存在多兴趣或兴趣发生转移情况，一些网站提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法，使之适合用户多兴趣下的个性化推荐。
个性化推荐最热门应用就是将推荐和社会网络结合起来，把社会网络加入个性化推荐系统，借助顾客的朋友、家人的评分信息来进行推荐产品。它让顾客的朋友和家人做“导购”，把他们买的而且评分较高产品推荐给顾客。
参考文献：
[1]刘洋.面向电子商务网站的个性化推荐系统[J].中小企业管理与科技(上旬刊),2012(01).
[2]侯治平.用户行为模式下电子商务网站个性化推荐研究[J].电脑与信息技术,2011(04).
.1 文献标识码:A 文章编号:1001-828X(2012)08-0-01
一、个性化推荐
1.定义。随着电子商务规模的逐渐扩大,网上商品的种类和数量也快速增长。商品不断丰富,顾客购物选择的余地大大扩展,但顾客往往需要花费大量的时间才能找到合适的商品。这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便,从而可能造成客户流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐是根据用户的资料信息、兴趣爱好和以往购买行为,向用户推荐其可能感兴趣的信息和商品。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物过程提供完全个性化的决策支持和信息服务。
2.个性化推荐的作用。成功的个性化推荐系统,向用户推荐他们感兴趣的商品,从而促成交易,即将电子商务网站的浏览者转变为购买者;在用户购买过程中向用户推荐自己确实需要但在购买过程中没有想到的商品,有效提高电子商务系统的交叉销售;为用户提供个性化的推荐服务的同时,与用户建立长期稳定良好的关系,从而有效保留客户,提高客户的忠诚度,防止客户流失。
3.知名购物网站中个性化推荐应用。淘宝网站为例,在登录已买到的宝贝页面,除了可以查看到用户购物历史记录,还有推荐内容,如:“您可能对这些宝贝感兴趣”;购物车页面的推荐,如:“您可能感兴趣的宝贝”“猜你喜欢的”。
当当网为例,网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”,点击进入,再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”;在已购商品页面,有推荐“根据您购买的商品,当当猜您会喜欢”。
进入卓越亚马逊网站,提示用户“您好,请登录以获取为您订制的推荐”。
二、个性化推荐系统主要算法
完整的推荐系统由3个部分组成:收集用户信息的行为记录模块、分析用户喜好的模型分析模块、推荐算法模块。其中,推荐算法模块是最核心的部分。根据推荐算法的不同,推荐系统可以分为如下几类:
1.关联规则推荐。关注用户行为的关联模式。如买了香烟的人大多会购买打火机,因此可以在香烟和打火机间建立关联关系,通过这种关系推荐其他产品。这种算法最为简单直接,往往也会把用户理解的过于简单,是不太智能的算法,所以这种算法基本被淘汰了,只有少数小规模购物网站还是这种推荐模式。
2.协同过滤推荐。利用用户的历史信息,计算用户之间的相似性;利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度;根据喜好程度来对目标用户进行推荐。协同过滤又可分为两种:基于用户的协同过滤和基于商品的协同过滤。
基于用户的协同过滤是第一代协同过滤技术,原理也很简单:人以群分,即在网站上购买相同商品的消费者应该有相似的兴趣偏好。系统找出这些有相同商品购买记录或浏览记录的用户,然后把他们还没购买的商品相互推荐,如把用户A买过、但用户B还没有购买的商品推荐给B,反之亦然。当然,在实际推荐应用中,系统会找到与A相似的多位用户,将那些A未购买而其他人已经购买的商品,计算概率,再进行排序,最后把排名靠前的商品推荐给A。
基于商品的协同过滤,是目前使用最多的个性化算法。因为大型的购物网站,其用户数量远远大于商品数量,使用基于用户的个性化算法会造成很多问题。相应的,基于商品的协同过滤技术的原理:物以类聚,系统先判断哪些商品之间有潜在关联,再根据用户的购买记录,把关联度高的商品推荐给用户。比如“啤酒-尿布”看似风牛马不相及的商品,如果在销售记录中同时出现的频率越高,说明商品的潜在关联就越强,就可以向用户推荐。
协同过滤算法可以发现用户潜在的兴趣偏好,从而为其推荐新信息;能推荐难以进行内容分析的产品;但由于是基于用户对产品的评分,所以对新用户进行推荐或者是对用户推荐新产品,精度不高。
3.基于内容的推荐。基于内容的推荐是协同过滤技术的延续与发展。分别对用户和产品建立配置文件;比较用户与产品配置文件的相似度;推荐与其配置文件最相似的产品。如,在商品CD推荐中,基于内容的系统首先分析用户买过的打分较高的CD的共性(歌手、风格等), 再推荐与这些用户感兴趣的内容相似度很高的其他CD。基于内容的推荐算法根本在于信息获取和信息过滤。 基于内容的推荐算法能处理新用户、新产品的问题(冷启动);能推荐新产品和非流行产品,发现隐藏信息;但是如果两个不同的产品恰好使用了相同的描述词,这两个产品就无法区分;而且如果系统只推荐与用户的配置文件高度相关的产品
,那么推荐的只是与用户之前购买过的产品相似度很高的产品,无法实现推荐的多样性。
4.基于网络结构的推荐。要先建立用户—产品二维关联网络。把用户和产品的内容特征看成抽象的节点,所有算法利用的信息都藏在用户和产品的选择关系中。对于任意目标用户A,假设A选择过所有的产品,每种产品都具有向A推荐其他产品的能力,把所有A没有选择过的产品按照他喜欢的程度进行排序,把排名靠前的推荐给A。
基于网络结构的推荐同样面临着新用户新产品的问题。而且如果把用户与产品的所有关联关系都考虑在内,无法区分出长期兴趣和短期兴趣点,大大降低推荐准确度。
5.混合推荐。上述几种方法的有机结合,实际的推荐系统中最常见的是基于协同过滤和基于内容的结合。
三、个性化推荐技术的新应用
一般情况下,网站针对已注册用户根据用户信息或购买记录进行推荐。同时,个性化推荐还应该考虑到匿名购买者,也就是购买者不需要注册或者登录也能使用个性化推荐功能。这类技术的实现要选择合适的匿名用户行为特征识别方法,如服务器端日志挖掘技术和客户端信息采集技术等,从而实现对此类用户的个性化推荐。
针对用户存在多兴趣或兴趣发生转移情况,一些网站提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法,使之适合用户多兴趣下的个性化推荐。
个性化推荐最热门应用就是将推荐和社会网络结合起来,把社会网络加入个性化推荐系统,借助顾客的朋友、家人的评分信息来进行推荐产品。它让顾客的朋友和家人做“导购”,把他们买的而且评分较高产品推荐给顾客。
参考文献:
[1]刘洋.面向电子商务网站的个性化推荐系统[J].中小企业管理与科技(上旬刊),2012(01).
[2]侯治平.用户行为模式下电子商务网站个性化推荐研究[J].电脑与信息技术,2011(04).
【关键词】个性化推荐技术 Web挖掘 政府网站 电子政务
随着我国经济技术的不断发展，信息产业的进步，我国在电子方面的工作也越来越完善，政府网站的建立，能够有效提高政府信息化治理水平，政府网站是一个面向公众和企业开放的平台，是政府形象的一个重要的载体。从目前我们对于很多用户对政府网站反映的情况来看，用户在浏览政府网页的时候，常常会为找不到自己需求的信息而苦恼，从而使得现在的政府网站的实际效益大打折扣，如何满足社会公众对政府网站以及其提供信息的需求，让用户快速有效的获得推荐系想你，本着以人为本，为民服务的宗旨，本文将通过个性化推荐技术改善这一现状。
1 Web数据挖掘技术在政府网站中的应用
Web数据挖掘技术是实现个性化推荐技术中的核心环节，Web数据挖掘实际上就是从www相关的资源中挖掘有价值的隐含信息，本质上是一种和商业有关的数据处理技术，并且也已经被广泛的运用于电子商务网站中，是大数据时代下数据处理中的核心技术之一，它主要通过对数据进行详细的分析、统计、推理等工作，发现数据之间的联系。通过Web数据挖掘可以实现对用户的个性化推荐。
1.1 政府网站中Web数据挖掘的重要意义
政府网站作为政府办公和治理的新型方式在最近几年获得很大的发展，但是当前的政府网站对于用户信息的处理能力还相对较弱，无法像电子商务网站那样，在浏览政府网站的时候提供个性化的信息推荐，因此Web数据挖掘能够有效的解决这一难题。Web数据挖掘能够把政府的信息更好的整合和运用，从而更加直观的呈现给公众，对于用户信息数据的发掘和整理也能提高政府的信息化办公水平。
1.2 Web数据挖掘在政府网站中应用领域
Web数据挖掘在政府网站中的应用主要体现在几个重要的领域：
（1）促进政府部门的电子贸易，即能从浏览器段的数据中发现隐藏的信息，并且将信息处理后应用于政府的电子贸易中。
（2）用于政府网站的优化，即有效的组织信息，个性化推荐技术不仅仅要求能够对访问者的信息进行分析和处理， 同时也要求政府网站内部信息的组织和优化，从而才能更好的为用户提供感兴趣的信息，进而对用户提供针对性的定制信息，吸引更多的访问量。
（3）优化搜索引擎，用户访问政府网站的时候经常要用到搜索的功能来实现对目标信息的查找，Web数据挖掘能够对引擎进行优化，进而帮助用户通过搜索引擎发现自己要找的关键信息；
（4）帮助政府完成决策，Web数据挖掘技术能够帮助政府采集海量的数据，并且对数据进行分析和贵咋，从访问者的信息中发现潜在价值，从而帮助政府制定重大的决策和法规；
（5）增强政府对民众信息的获取，进而发挥政府的职能，对于大量数据的法分析能够让政府及时的掌握民众关心的问题，提高政府的治理能力。
2 政府网站中个性化推荐的主要方式
个性化推荐是一种主动面向用户的，个性化的推荐服务，个性推荐系统的出现为很多的电子商务、信息服务带来的全新的机遇，而且随着亚马逊、淘宝等电子商务领域中对个性化推荐技术的应用，现在的个性化推荐技术和理论知识已经相当的丰富，这些对于政府网站中个性化推荐技术的应用都是相当好的技术背景，其中个性化推荐的主要方式有：
2.1 协同过滤的推荐方式
这种算法又叫“社会过滤”，是使用时间最长而且也是最广泛的推荐方式。它的基本思想是根据客户浏览过的网页推理出相似的邻居用户，在根据用户对信息的检索情况作为二级的参考来发现用户可能需要的资源。例如用户浏览了政府网站中的教育板块，又在教育板块中检索了关于教育改革的信息。协同过滤的推荐方式就能够发现用户可能感兴趣的信息，并且对信息按照资源检索的频率进行排序，排序越是靠前，说明客户越是有所需求，核心思想就是发现目标用户的邻居用户实现对关键信息的推荐。
2.2 基于内容的推荐方式
基于内容的个性化推荐方式主要是分析对象在内容上相似性，并且结合其他的用户检索信息推算出用户可能需要的信息。这种推荐方式是建立在用户对已经浏览过的资源相似的资源会优先选择，根据推荐对象的不同对该对象进行分析，基于内容的推荐方式上需要根据内容的具体格式、形式、内容不同采取不同的算法。基于内容的推荐方式要求与资源的内容分析要到位，在政府网站中，要注意政府网站内容本质上的差异，抓住客户浏览过的内容内在含义的关联，是基于内容推荐方式的重点。
2.3 基于网络结构的推荐方式
基于网咯结构的推荐方式要求把用户和信息资源抽象成图像中的点，而且在推算的过程中不考虑用户的协同关系和资源本身的内同，而用户与浏览资源之间的关系抽象成线来表示，通过图论等统计学理论对用户信息的推送过程既不同于一般的协同算法也不同于基于内容的算法的推荐方式，基于网络结构的推荐方式不考虑用户的信息，以及用户动作的信息，也不考虑到资源的整合，而是将用户和资源进行抽象后进行分析，相对来比较独立，就用户和资源之间的关系的真实性而言会影响到推荐的效果，但是这种方式的计算效率较高，而且对于信息处理技术要求更高。
2.4 基于语义的推荐方式
显然基于语义的推荐方式，要求处理系统能够理解处理的数据，因此改变了以往简单的计算机语言对心理处理的常规方式，在一定程度上提高了计算机推理和自动处理技术的引用，是相对来说更加智能化的推荐过程，基于语义的推荐方式更加的智能化，逻辑性也较高。对于政府网站中应用来说，这种方式的构建往往较为复杂，鉴于政府网站对于信息处理要求层次，该技术的应用过程还未得到广泛的利用。
3 政府网站个性化推荐技术中信息的采集
更具客户的感兴趣的信息进行进行个性化的推荐关系着性化推荐服务质量的好坏，只有通过准去的信息采集，才能通过一些列的算法加工和处理信息，从而为用户提供个性化的信息推荐，才能做到有针对性的提高用户的浏览体验。有效的搜集用户信息是个性化推荐的前提，其中对待推荐资源的整合和优化是其必要的条件，政府网站的核心功能就是政府能够通过网站，实现政府机构的电子化、信息化、网络化的办公过程。在这个过程中能够让公众快递的、及时准确的了解到与自己行业相关的政策和法律法规。在政府网站的信息采集过程要具备几个关键的要求：
（1）准确的采集用户的个人资料，以及用户在浏览过程中的浏览记录以及检索信息，准去的采集数据能够为个性化推荐的算法提供一个良好的数据基础，进而推算出用户的偏好，如果信息采集不准确，也就无法保证个性化推荐的质量；
（2）及时的更新用户的信息，在用户的浏览过程中，信息是动态的，因此对于用户借阅信息以及记录的采集也要保证动态的更新，只有这样才能保证信息采集的过程是科学有效的。
其中信息的主要的来源有：
（1）用户在网站注册中填写的个人信息；
（2）浏览网站的过程中检索时留下的记录信息。
4 结语
随着社会的不断发展，人们对于人性化服务的需求的不断扩大，改善我国政府网站中现有的推荐方式，提供个性化推荐服务是非常有必要的，能够大大的优化我国政府网站的质量，提高公民浏览政府网站时对关键信息的索取，从而提高政府网站的实际效益，进而更好的人民大众服务。
参考文献
[1]沙招友.某开发区电子政务网站个性化推荐服务的设计[D].北京邮电大学，2009.19-19.
[2]牟向伟.模糊语义个性化推荐系统在电子政务中的应用研究[D].大连海事大学，2010.12-23.
[3]单明.基于个性化推荐的电子商务推荐系统的设计与实现[D].吉林大学，2014.5-6.
[4]蒋兴龙.电子政务个性化服务体系结构研究[D].电子科技大学，2006.23-25.
作者简介
孙虹（1980-），男，现为交通运输部科学研究院工程师。主要研究方向为交通信息化建设、电子政务。
作者单位
移动互联网大潮来临，基于移动端的各种新闻客户端成为人们获取资讯的主要媒介，这也成为新旧媒体融合发展中的一大主要态势。与过去典型以来编辑操作的传统媒体不同的是，如今的移动新闻客户端把机器的角色放在了首要位置中。这是新科技革命为媒体发展带来的福利，技术驱动型媒体平台如雨后春笋般搭建开来，共享经济环境下全民创作势不可挡。随着更多种类丰富的内容不断诞生，有限的编辑劳动力感受到了运营的负担，及时编辑部投入很大的运营成本增加运营人员，在个性化阅读者日益差异化的阅读兴趣面前仍显得微弱。在资本和技术的推动下，“大智移云”成为时代背景，技术公司成为主导媒体生态的一大重要角色，个性化推荐新闻客户端被广泛运用。
个性化新闻客户端最先由“今日头条”带动而来，如今在北京的大街上，到处可见它的商业广告，各方数据也不断说明今日头条所获得的用户群体已占客户端相当大的一部分；接着，腾讯新闻客户端、一点资讯客户端、搜狐新闻客户端陆续引入个性化推荐的机器算法，实现编辑+机器二力共同作用的新闻信息制作模式。任何一个人的手机页面中，都能够出现更多符合个人兴趣点的多方面内容，突破了新闻单一枯燥的特点，正在得到更多人的好评。
二、个性化推荐新闻客户端中的问题
个性化推荐新闻客户端让忙碌的人们不再受困于海量信息，能够在很快的时间内获得自己需要的信息。但这种机制的优势也容易带来不可忽视的缺陷。
（一）自媒体平台门槛低导致内容源参差不一
以个性化推荐新闻客户端为例，现在几乎每家客户端都搭建了自媒体平台，所有有能力参与创作的人都可以通过注册账号提供内容，而这些文章一经，便通过高度快捷的个性化推荐机制传播到各处。这种传播效率令人欣慰，但需要思考的是，这些科技媒体担负的不再是媒体的角色，新闻专业主义从来也不是他们需要考虑的问题。在商业化运营的过程中，这些提供内容制作的平台把海量内容当作吸引流量的入口，大肆鼓励各行各业的人们参与创作，既要满足大类阅读需求，更要满足小众群体的长尾阅读需求。我国网民呈现出低年龄、低学历、低收入水平的特点，而当这些人参与到个性化推荐客户端的制作中后，就很容易暴露出更多问题。
（二） 内容娱乐化、浅薄化带来乱象
以“今日头条”为例，笔者通过长时间的使用，观察发现其并不能做到基于读者兴趣的个性化推荐，首屏推荐内容多为娱乐八卦类内容。一点资讯客户端的首页推荐基本符合用户兴趣，但也夹杂着笔者并未订阅过的娱乐八卦内容。社交媒体环境下，碎片化的浅阅读已成为常态。技术的运用、硬件的升级，使得如今的个性化推荐新闻客户端打破了传统媒体单一的功能，它所承担的多功能价值已经对它自身的功能提出挑战，它已成为集媒体、社交、娱乐、购物于一体的多功能媒体，而这同时也折射出个性化推荐新闻客户端所面对的社交场景。事实上，人类已走进娱乐时代，任何人都深受着“娱乐至死”的影响，个性化推荐新闻客户端的内容除了新闻信息，同时提供了视频、游戏、小说、音乐等其他娱乐方式。数据表明，视频、游戏、音乐已经成为用户最热衷的移动娱乐方式。娱乐化时代，人们忽视了严肃新闻的方向，过多了关注了娱乐性，个性化推荐新闻客户端从内容和功能上来说，已是促使个性化推荐新闻客户端自身文化不断娱乐性的原因所在。
（三）个性化推荐客户端限制用户视野
个性化推荐新闻客户端的特点在于，人们基于“强关系”而产生的社会信任，使人们形成了较之以往更为密切的社会互动，个体与个体之间、个体与社会之间的联系日益紧密。人们为了感知世界的变化，不再主动去寻找自身需要的文化信息，而是依赖于社交媒体所形成的社群氛围，社群传递什么样的文化信息，人们就选择接受什么样的文化信息，因此，自身对于世界的认知过程已经变成了对这一社会群体中文化信息所形成环境的印象。在移动社交时代，人们的生活与个性化推荐新闻客户端注定彻头彻尾的捆绑在一起，正如麦克卢汉所说的，“媒介是人的延伸”，在一个快速变动而有丰富多元的移动化时代，移动互联网已成为一种普遍的生活方式，而个性化推荐新闻客户端也将这个时代的媒介文化呈现出不同特点。
三、个性化推荐新闻客户端的发展
以智能手机媒体为代表的个性化推荐新闻客户端，无论是对于电视环境下成长的一代，还是对于互联网环境下成长的一代，都带来了全新的改变。作为一种肩负文化传播的平台，它也应该营造出精英文化与大众文化和谐发展的场景，从而也使越来越多的优秀文化形态被传递。
（一）打破媒体局限，发挥新闻力量
当前，我国在继续推进社会改革的过程中遇到很多问题，突出了表现为社会转型过程中，由于人们的社会权利不平等造成的不均衡的利益表达机制，使得弱势群体的话语权被牢牢掌握在强势群体。个性化推荐新闻客户端的出现于普及，使得任何人都可以借助媒介平台进行公共活动的讨论，这是新时期为公民赋权的一个最好机会，应该牢牢把握这个有利的形式实现社会民主的进程。所以，现在应努力打破移动社交平台娱乐化、碎片化的信息传递局限。
（二）弥补法律空白，营造媒体环境
新闻客户端的迅速到来，对我国现有关于媒体文化的法律法规和政策监管提出了挑战，我国关于手机等个性化推荐新闻客户端的法律还依然存在空白。个性化推荐新闻客户端的快速性和网络传播模式，很容易在各个环节滋生问题，任何个体作为这张大网上的一个环节，其不良行为都有可能诱发社会问题的产生。面对当下对个性化推荐新闻客户端的控制越来越难的情况，政府应该观察这一新媒体的快速应用带来的危害，尽快完善监督管理立法，尽早出台个性化推荐新闻客户端方面的立法，从媒体终端运营到媒体内容制造等方面规范各个环节，减少由于技术失误带来危害媒介安全和意识形态安全的问题发生。
（三）提高媒体技术，丰富媒体内容
根据高登・摩尔提出的摩尔定律，技术每隔18个月就会被新的技术所代替，而现在互联网的发展速度已经完全超过了这个时间，在摩尔定律面临行将失效的时候，更应该注重产品性能的完善和质量的提高。因此要继续推进媒体平台的研发技术，这需要国家和有关公司共同参与进来，实现政府部门和企业部门结合从而带来利益最大化。同时，在提高媒体平台产品体验的时候，要日益丰富媒体文化的表现形式，在满足受众娱乐需求的基础上，继续推进传统精英文化的与时俱进。