项目评价方法下移动网络论文

【摘要】随着移动互联网的发展，在移动网络有效获取信息将会变得愈发的困难。个性化推荐技术的提出与应用，使得传统Internet上信息过载的局面得到了一定程度上的缓解。本文在现有的推荐算法的基础之上提出了一种基于用户分类与记录可信度加权的协同过滤推荐算法。并使用J2ME技术设计了一个移动网络个性化推荐原型系统。下面是小编整理的《项目评价方法下移动网络论文 (精选3篇)》的文章，希望能够很好的帮助到大家，谢谢大家对小编的支持和鼓励。

项目评价方法下移动网络论文 篇1：

网络直播对播音主持专业人才培养的影响分析

摘要：5G技术的发展和移动网络终端的普及为用户随时随地观看网络直播提供了便利，这为网络直播行业快速发展提供了新的契机。在网络直播环境快速发展的背景下，播音主持行业面临客观环境变化的挑战。学校的播音主持专业人才培养实践必须顺应网络直播环境的变化，转变人才培养模式。一方面，教师的播音主持教学要打破录制间和演播厅等场所的局限，实现移动媒体直播学习；另一方面，要在播音主持人才培养中融合直播平台，形成新的网络播音主持教学模式，适应网络直播环境的时代发展趋势和环境需求。基于此，本文结合笔者的人才培养经验，分析网络直播反映的信息传播方式的变化，探究网络直播对播音主持专业人才培养的影响和对策，供同行参考与讨论。

关键词：网络直播；播音主持专业；人才培养

播音主持与主播的角色既有相似性又有差异性，在人才培养实践中需要把握好区别和尺度，以更有针对性的人才培养方式培育适合时代发展的人才。随着网络直播的发展和流行，电商直播带货逐渐取代传统的电视购物模式，播音主持人才培养也要一改以往戏剧化、夸张化的主持风格，以真实、有张力的模式适应当前的播音主持人才培养需要。播音主持专业是为社会发展培育高素质的主持人和播音员，而主播的工作责任除了主持节目外，还包括视频剪辑、视频调色、视频特效等多元内容。基于此，播音主持专业人才培育需要适应时代发展的趋势，更系统、更综合地组织专业技能培训和人才综合素质培养。

一、网络直播对播音主持专业人才培养的影响

（一）网络直播给播音主持人才培养带来的发展机遇

1.信息生产传播的方式发生变革

网络直播是网络技术和移动终端设备发展的产物，以APP为支撑实现视频信息实时交互。网络通信技术快速发展体现在移动终端设备日益增强的便利性、可操作性、移动性等方面，用户可以在法律允许的范围内自由传播信息。借助媒体平台接收信息、传播信息，有利于拓宽信息的传播范围，打破时空的界限，信息可以实现交互式存在。传统媒体传播信息需要在特定的环境和时空下，但新媒体环境下网络直播打破了这样的限制，通过网络，任何用户都可以以特殊的身份参与到不同时间和空间的信息传播过程中，实现不在场到在场的转化。在这两种状态的转换过程中，媒介的融合极大地推动了信息生产和传播方式变革。

2.信息传播的主体发生变革

移动互联网时代的发展和智能手机的普及，使用户的行为发生了明显的变化，移动化和碎片化的信息传播已经成为常态，在新的工具不断发展的现实条件下，人人都可能因为一个契机变成流量中心，人人都是新的传播主体。群众获取信息的渠道日益多元，可以在信息交互媒介中与他人实现低成本互动，从信息的被动接受者转化而信息传播者。互联网技术的快速发展导致传播媒介和传播主体多元化，新媒体凭借极强的互动性刺激个体传播知识的主观能动性，实现主体角色的转化。

（二）网络直播给播音主持专业人才培养带来的挑战

1.傳统的主持风格受到冲击

传统媒介和传统媒体环境背景下，央视、各大地方卫视的主持风格以稳定、大气、端庄、字正腔圆为主，这是被电视受众和播音人广泛接受的播音主持风格。随着平民化的网络直播新业态的发展，在直播平台中出现了多元化的主播类型，既没有固定统一的风格，又没有传统媒介的直接限制。新媒体环境下的主播文化更自由且充满娱乐性，网络冲击下用户更青睐娱乐性强的主持风格，其凭借直接且生动的传播方式满足了大众的精神需要，冲击着传统的主持风格。

2.主流媒体主播的地位受到动摇

传统媒体具有受众面广、社会影响力大的特点，播音主持是广电媒体信息传播的重要角色。但新媒体蓬勃发展，网络主播势头正猛，甚至出现大量的草根主播和明星主播，冲击着主流媒体主播的地位，出现了国家级媒体主播向网络直播主播转型的现象。近年来，主流媒体的流量大大降低，收视率和收听率远不如从前，主流媒体主播不再具备传统媒体时代的吸引力和关注度，甚至各大奖项中主流媒体主播获得奖项日益减少。近几年来，主流媒体中专业的播音主持的离职率增加，逐步向新媒体时代网络直播主播靠拢。

二、网络直播对播音主持专业人才培养影响的解决对策

（一）转变传统教学模式，培育正确的价值观念

借助项目教学法组织播音主持专业教学，能使学生认真且主动地参与到教学实践中，实现教学平台和直播平台的共享共融，基于播音主持教学大纲融合适合学生的实践项目，以科学的项目计划和项目实施方案为基础，提供科学合理的项目评价和指导。在网络直播平台教学中，学生是项目实施的主体，能激发学生在项目过程中的探索性和主动性。合理利用网络直播组织开展播音和主持教学，能一改传统的僵化教学模式，打破传统的课堂教学中时间与空间的限制。以带有娱乐性的授课形式开展教学重点与教学难点教学，在线上和线下互动式和交互式学习中以点击量来评判授课质量及学生表现，实现播音主持授课形式多元化。教学模式的转变并不意味着授课方式走向完全的娱乐性，一方面，教师要保障授课活动的严肃性，另一方面，教师还要遵循一定的教学原理，进行积极的教学设计。教师要适应网络直播教学的趋势，编写教案，制定周密的考核计划，构建网络直播教学资源库，奠定适应新媒体时代发展趋势的播音主持人才培养基础。网络直播是时代发展的产物，主播的专业素养是整个行业可持续发展的基础，播音主持专业教学应设置相应的网络直播课程，并从专业的角度传递给学生播音发声技巧和直播技巧，拓展学生在专业学习中的知识领域，丰富学生就业发展和专业学习的方式[1]。我国网络技术发展起步晚且网络监管体系不完善，网络直播环境下越来越多的网络主播为获得直接的经济效益和关注度忽视了直播内容，错误的价值理念与社会现象容易影响播音主持人才的职业观念。应从思维导向着手，培养学生良好的职业素养和职业底线。

（二）完善教学体系，确定课程结构

网络直播对播音主持专业人才而言既是新的发展机遇，也是行业领域的重大威胁。为适应人才培养的发展趋势，教师需要完善播音主持教学体系，优化播音主持课程的教学结构。以价值观教育为例，学校应设置专门的价值观重塑课程并纳入播音主持教学计划大纲，使学生在课程学习中树立正确的价值观念。为提升播音主持专业学生的职业素养，实现对学生的综合教育，要从语言表达能力、发音控制能力、应急处理能力、编辑采访能力等多个方面强化教学，适应竞争激烈的播音主持行业和网络直播行业[2]。例如在实时网络直播中，主持人缺乏备稿时间，面对急稿，更是检验学生的快速备稿能力与应急反应能力[3]。一名合格的主持人需要具备熟练的发声技巧和现场突发状况处理能力，只有结合新媒体环境对播音主持人才的新要求，优化教学体系和课程结构，才能提升播音主持人才的核心竞争力。在网络直播的冲击下，播音主持专业课程教学需要设置一些实用性课程，以优化学生的素质结构，如语言组织和表达、文艺作品演播等，组织学生参与专业的竞赛活动，在不同的场合中保持良好的状态和积极的表现，不断提升播音主持专业人才的综合素养。

（三）明确专业发展定位，整合专业教学资源

要从根源上缓解网络直播对播音主持专业人才培养的冲击，就要明确播音主持人才培养的定位，培育具有职业素养和综合素质的复合型人才。各个高校应以市场上的人才需求为基础，结合新媒体行业的特殊性，培育具有创新能力和时代精神的综合人才。以人才培养目标为依托，重新审视播音主持教学，能明显增强播音主持专业教学的有效性和增加时代特色。知识经济背景下播音主持专业教学需要整合多元化的社会资源，推动教学活动优化和升级。在具体的人才培养实践中，教师要基于学生的性格特征、专业能力，制定有针对性的教学策略，在播音主持理论和实践融合的学习中提升人才的专业素质。新媒体环境呈现出复杂性、变化性的特征，教师要掌握媒体行业的动态发展趋势，不断改进播音主持人才培养思路，实时掌握整个行业的发展动态，在人才培育中渗透先进的思想和意识，锻炼和提升学生的实践能力，推动播音主持专业人才培养发展，结合新媒体环境推动传媒文化行业实现新发展，在人才培养中满足学生成长的多元需要，培养出具有专业素养和综合技能的高素质媒体人才，实现播音主持专业的教学价值[4]。

三、结语

网络直播环境下的播音主持专业人才培育需要适应新的发展趋势，与专业和学科教学需要相适应，实现网络直播和实践教学模式的融合，将高校学生带入新媒体世界，以项目实施教学方式充实多媒体实践课程的方式和内容，推动播音主持课程不断完善，构建适应网络直播环境的播音主持人才培育架构。教师们需要结合个人的教学经验，转变传统教学模式，培育正确的价值观念，完善教学体系，优化课程结构，明确专业发展定位，整合专业教学资源。

参考文献：

[1] 唐群，胡璨.新媒体时代复合型播音主持人才的培養模式研究[J].传媒坛，2019，2（24）：72，74.

[2] 刘婷，姚建惠，樊东宁.“网络直播平台”支持下的播音主持实践教学模式初探[J].西部广播电视，2019（9）：51-52.

[3] 屈义植.网络直播对播音主持专业人才培养的影响及对策[J].记者摇篮，2018（10）：90-91.

[4] 张雪姣，郭纹，李甜.应用型本科院校《广播播音与主持》课程教学方法改革研究[J].戏剧之家，2019（1）：155-157.

作者简介：蒋善铭（1973—），男，安徽安庆人，专科，一级播音员，研究方向：播音主持。

作者：蒋善铭

项目评价方法下移动网络论文 篇2：

移动环境下个性化推荐系统的设计实现

【摘要】随着移动互联网的发展，在移动网络有效获取信息将会变得愈发的困难。个性化推荐技术的提出与应用，使得传统Internet上信息过载的局面得到了一定程度上的缓解。本文在现有的推荐算法的基础之上提出了一种基于用户分类与记录可信度加权的协同过滤推荐算法。并使用J2ME技术设计了一个移动网络个性化推荐原型系统。

【关键词】个性化推荐；移动网络；J2ME；协同过滤；记录可信度

1.引言

近年来，随着移动互联网的迅速发展，特别是国内3G牌照发放后，移动互联网用户增长迅速。根据中国互联网络信息中心（CNNIC）发布的《第30此中国互联网络发展状况统计报告》显示，2012年上半年中国互联网电脑网民规模达到5.38亿，而手机网民数量将达到3.88亿。据DDCI互联网数据中心预测，到2013年中国手机网民将达7.2亿，首次超越电脑网民[1]。随之而来的是移动互联网上各类信息的爆炸式增长，使得人们通过移动网络获取信息更加方便的同时，也使得人们获取有价值的信息愈发的困难。

为解决Internet上信息淹没的现状，个性化推荐技术得到了广泛的应用。针对移动互联网的特殊性，本文把传统Internet上个性化推荐技术应用到移动互联网上，提出了移动个性化推荐的离线解决方案，并且设计了基于J2ME的移动个性化推荐系统。

2.ATC与CF结合的推荐模型

2.1 相关技术概述

为解决文本分类中人为因素的影响，自动文本分类（Automatic Text Cat-egorization）技术得到了快速的发展与应用。目前比较常用的有KNN，朴素贝叶斯分类，SVM等分类方法。这些方法都是建立在统计学的基础上，通过特征提取来标注文本文档，建立文档模型后不同的方法应用不同的分类器来进行文本分来处理。文本分类建立在大量文档的基础之上，从而消除了不同的人对文档文类不同的分歧，使得分类过程不受人为因素的影响。

协同过滤（Collaborative Filt-ering，CF），又称协作型过滤，是在信息过滤与信息发现领域非常受欢迎的技术。一个协作型过滤算法通常的做法是对一大群人进行搜索，从中找出与当前用户喜好相同的一小群人，并且对这些人的偏好内容进行考察，将结果组合起来构造出一个经过排名的推荐列表[2]。协同过滤技术分为基于用户相似性的协同过滤（User-based），基于推荐项目的协同过滤（Item-based）与基于模型的协同过滤（Model-based）三种基本方式。User-based协同过滤是发现相似用户群体，根据相似用户的浏览记录来进行兴趣发现并推荐给用户；Item-based协同过滤计算推荐项目之间的相似性，把与用户以前浏览的项目相似的项目推荐给用户；Model-based协同过滤首先建立个性化推荐的数学模型，根据数学模型来计算推荐集。

本文主要应用朴素贝叶斯分类器与基于项目的协同过滤算法来构建移动网络的个性化推荐系统。

2.2 个性化推荐模型

基于J2ME的移动网络个性化信息推荐系统整体架构如图1所示，系统模型基于C/S结构设计，客户端采用J2ME技术实现手机客户端信息浏览系统，服务器端采用Servlet实现。

由图1可以看出推荐模型可以分为四个主要部分：

1）用户信息采集分为显性的信息采集与隐性信息采集方式。显性的信息采集方式为在用户的终端浏览界面设置信息反馈栏目，在该栏目中用户可以设置自己的使用偏好信息；隐性的信息采集方式为根据用户对信息的浏览时间，对信息是否保存，对信息是否转发等情况对信息内容做出隐性的评价。本文使用5分制规则，对信息保存，转发评分为5分，根据用户对信息浏览时间的长短为信息设置1-5分的分值。

2）信息发布系统主要负责添加推荐信息，在此过程中使用朴素贝叶斯文本分类器对文本类别进行划分。

3）个性化推荐引擎采用基于用户背景信息分类与历史记录可信度加权的Item-Based协同过滤算法产生推荐信息集。

4）终端系统采用基于J2ME技术实现，提供信息浏览与用户偏好采集功能等。

2.3 朴素贝叶斯文本分类

文本分类是将未知的文本类型划分到规定好的类别中，从而降低人为因素的影响。朴素贝叶斯分类以古典数学理论为基础，分类效率稳定，同时模型构建简单，性能优越。因此本文选取朴素贝叶斯分类器作为文本分类的工具。

本文使用的基于朴素贝叶斯分类的文本分类过程如下：

（1）训练文本的向量空间表示

生成向量空间模型的步骤有文本分词处理，除去停用词，特征选择等。经过各个阶段，最终将确定一组特征词作为特征词空间W={w1，w2，w3，…，wm}，w表示特征词。将文本映射到该组特征词空间，使文本的表示形如T（A）={pA1，pA2，pA3，…，pAm}，pAi为文档频率法表示词wi在文档A上的权重。pAi还可以通过信息增益法，开方拟合检验等其他方法表示[3]。

（2）计算每个特征词所属类别的概概率分布

计算每个特征词属于每个类别的概率，具体计算方法：分别计算每类文件的质心，并计算出每个词能够代表每个类别的概率，最终形成如表1所示的特征词-文本类别对应矩阵。关于文件集质心的计算可以参考文献[4][5]。

（3）向量空间模型的形成

根据已选定的特征词空间，将待分类文本映射到特征词空间中，使其表示为向量空间形式：T（X）={pX1，pX2，pX3…pXm}。

（4）根据特征词的概率分布情况，计算待分类文本所属类别的概率

确定待分类文本T（X）属于分类Ck（Ck∈{C1，C2，C3…Cn}）的概率R（k），R（k）的计算方法如公式1所示。

（公式1）

（5）确定待分类文本的类别

按（4）中所提计算公式分别计算待分类文本属于每个类别的概率R（k），具有最大值R（k）的类别即为该待分类文本的最终分类。

2.4 基于用户分类与记录可信度加权的协同过滤算法

本文提出的改进的协同过滤算法与传统的协同过滤算法的区别主要有两点：依据用户的背景信息进行分类与用户的历史记录信息加权。按用户背景信息进行过滤的想法源于一个假设：相同背景信息的用户具有相似的信息需求，根据用户的背景信息去除关联度小的用户群体记录，可以降低历史评分记录的维数，提高程序的运行速度；考虑到用户的偏好可能随着时间的推移而变换，历史的评分记录不能真实反映当前的用户偏好，因此对用户的历史评分记录进行加权处理，使得距离当前时间较近的评分记录拥有较高的权限，这样既考虑历史记录的影响，又可以突出最新评论的真实性。

（1）用户分类方法

对用户进行分类，就是要筛选出影响用户获取信息类别的关键背景信息，又称为关键因素。以获得的关键因素作为分类标准对用户进行分类。

用户分类主要有三个步骤：

1）统计用户最关注信息的所属类别，也就是用户的偏好情况。

2）计算出用户信息基本信息集的信息熵。

3）计算用户基本信息中每个属性的信息增益，从中选择信息增益最大的属性作为影响用户获取信息的关键因素，并以此关键因素作为用户背景信息分类标准来进行用户分类。

当用户背景信息分类量较大，或者用户历史记录信息量非常大时，可以采用多个用户背景信息组合的方法获取关键因素。信息增益与信息熵的相关用法可以参考ID3分类算法[6]，此外还有一些基于信息增益的特征选取方法，文献[7]给出了一种改进的特征选取方法。

（2）信息相似度计算

研究发现“用户的最新评价信息拥有最高的权重，而距离当前时间越远的记录拥有的权值越小”，项目加权便是建立在这个基础上进行的。由此可知项目可信度函数具有单调递增性。另外，为了确保近期不同用户的评分信息具有大致相同的权值，可信度函数应是一个凸函数。所以，可信度函数要综合考虑长期情况下数据权重的差别性和短期内数据权重的相似性。最终设定可信度函数为：以项目排列顺序为自变量的函数f（Sui），1≤Sui≤M，M为记录总数，并且0

（公式2）

从公式1中可见f（Sui）值域为[0，1]，符合上述描述条件。

计算项目相关相似度的方法有很多，包括余弦相似度法，Pearson相关性[8]等。本文采用余弦相似度法来获取相似性，公式3为改进的余弦相似度公式[9]。

（公式3）

其中，U表示项目Ii，Ij已经评价的用户集；Vui为用户u对Ii项目的评价分数；Sui为用户u对Ii项目评价记录的标识序号；f（Sui）则表示用户u针对Ii项目评价记录所占的权值。

（3）改进的协同过滤算法描述

输入：推荐用户u基本信息，所有用户背景信息及历史评论信息。

输出：对用户u的Top-N推荐

具体步骤：

1）找出影响用户分类的关键因素

2）以1）中获得的关键因素为基础，选取所属类别相同的用户群体。根据分类规则和个体用户的基本资料获取与该用户所属类别相同的用户群组。

3）获取用户群的历史记录，按时间排序。

4）根据3）所得的记录顺序进行记录可信度加权，获得评分矩阵。

5）在用户参与评论的条目中搜寻未经用户评论条目的最近邻居集。

6）预测用户对未浏览和未评论过的条目的评价情况，生成推荐集。获取评价排序的TopN条信息推荐给用户。

3.移动个性化推荐系统设计

3.1 整体架构

如图2给出了基于J2ME的移动网络个性化信息推荐系统的层次模型，主要分为客户端数据获取层，Web层，数据操纵层，数据存储层。客户端主要负责向终端用户显示推荐信息并且获取用户的显性输入的信息和用户隐性输入的信息；Web层主要由Servlet，JSP实现，负责向系统的数据库中添加推荐信息，并且提供Servlet访问接口供J2ME客户端程序以HTTP/HTTPS方式获取或添加信息；数据操纵层主要是一些JAVA BEAN，这些JAVA BEAN封装了数据操纵API，向外界提供统一的访问接口；数据存储层主要应用Oracle 10g数据库管理软件。

3.2 客户端程序流程

客户端通过一个主MIDlet程序启动，提供了推荐信息显示，信息收藏，信息检索，用户个人偏好反馈等主要功能模块，主要功能的程序流程图如图3所示。首次使用客户端程序需要注册用户名、密码等信息，以后应用可以直接利用保存在J2ME记录管理系统（RMS）中的个人信息进行登录，经过验证成功后的用户可以进行相关操作。

3.3 服务器端程序结构

服务器端程序主要模块为文本分类模块，个性化推荐模块。为降低用户等待时间，这两个模块的运行均采用离线运行的模式执行。即设定固定的运行时间或手动运行来更新特征词空间，概率分布信息，以及用户的分类属性，推荐集信息等。

文本分类模块负责将文本分类相关的数据信息保存在文本文件或数据库中，以便输入文本时无需再次计算相关参数，可以直接进行分类运算，提高实时性。

个性化信息推荐模块负责产生与维护用户对用户的推荐信息集，该过程要保证推荐信息的新颖性，因此需要在后台启动一个运行线程，实时更新推荐集信息。

3.4 客户端-服务器通信方法

JAVA ME API提供了J2ME MIDlet程序与服务器端通信两种方法：基于socket连接的方式和基于超文本传输协议的HTTP通信方式，本文使用HTTP方式实现客户端-服务器端通信。客户端与服务器通过HTTP输入/输出流的方式进行数据交换，程序的一端使用特定的编码格式向输出流（OutputStream）中写数据，在另一端打开输入流（DataInputStream），并且从流输入流中读取数据，解码后完成信息的传递。下面给出了一个Post方式提交信息的Http方式连接服务器的代码片段。

在上文提出的移动个性化信息推荐模型的基础上，本文作者在实验室环境下设计开发了一种基于J2ME的移动个性化信息推荐原型系统，系统运行界面如图4所示。

为测试系统推荐的正确性，在实验室六名志愿者的参与下，根据他们前四天的浏览记录推荐第五天的偏好信息，推荐正确率在80%左右。

5.结束语

本文为解决移动网络上的信息过载状况提出了一种解决方案，设计实现了基于J2ME的移动网络个性化推荐原型系统，并且取得了较好的推荐效果。由于时间有限，该原型系统在推荐效率和通用性方面仍然有待改进。

参考文献

[1]工业和信息化部运行监测协调局[EB/OL].http：//yxj.miit.gov.cn/n11293472/n11295057/n11298508/14741971.html.

[2]Toby Segaram.Programming Collaborative Intelligence[M].O’Reilly Media，2007（8）.

[3]陆玉昌，鲁明羽，李凡，周立柱.向量空间法中单词权重函数的分析和构造[J].计算机研究与应用，2002，10（10）： 1205-1210.

[4]Lertnattee V，Theeramunkong T.Effect of Term Distributions on Centroid-based Text Categorization[J].Information .

ciences，2004，158（1）：89-115.

[5]E Han，G Karypis.Centroid-based document classification：Annlysis & experimental results.In： European Conf on Principles of Data Mining and Knowledge Discovery（PKDD）.Berlin：Springer-Verlag，2000：424-431.

[6]J.Han and M.Kamber.Data Mining：Concept and techniques Second Edition[M].北京：机械工业出版社，2006（4）.

[7]朱颢东，钟勇.基于改进的ID3信息增益的特征选择方法[J].计算机工程，2010，4（8）：37-39.

[8]刘枚莲，从晓琪，杨怀珍.改进邻居集合的个性化推荐算法[J].计算机工程，2009，6（11）：196-168.

[9]黄少冰.基于J2ME的移动网络个性化信息推荐研究[D].西安电子科技大学（硕士论文），2010.

作者：田亮　宋薇　黄少冰

项目评价方法下移动网络论文 篇3：

推荐系统中的协同过滤推荐技术研究

摘 要：随着移动互联网的进步和信息量的急剧增长，信息过载使得用户获取需求信息更加困难。由于推荐系统可以较好地解决信息过载问题，因而被广泛应用于各种移动网络平台。在推荐系统中，应用最为广泛和成功的一种技术是协同过滤推荐。本文首先介绍了协同过滤推荐技术的原理、分类和存在的问题，然后简要概括了评价推荐系统是比较常用的评估方法，并对进一步需要研究的问题进行总结。

关键词：推荐系统；协同过滤；信息过载

Summary of Collaborative Filtering Recommendation

Technology in Recommendation System

LI Zhuanyun TANG Guilin

（Anhui Post and Telecommunication College，Hefei Anhui 230031）

1 研究背景

互联网的普及和4G技术的快速发展极大推进了通信网络与互联网的深度融合，使得网络中的信息急剧增长，造成“信息超载”，使得用户获取有价值的信息难度越来越大。虽然搜索引擎可以过滤部分信息，但搜索到的信息未必符合用户的需要。为解决“信息超载”的问题，并提供个性化服务，基于Web的推荐系统（Recommender Systems）被广泛应用，并且已取得了许多较有影响的研究成果。近年来，移动互联网服务和信息内容的日益增长，使得智能移动设备逐渐成为人们获取信息的主要平台之一，但同时，也给移动用户带来了严重的“信息超载”的问题[1]，影响了移动用户的体验。随着移动用户的数量急剧增长，国内外大学和研究机构也对移动推荐展开了深入研究，其逐渐成为推荐系统研究领域的热点之一，随之研发出了移动推荐系统（Mobile Recommender System，简称MRS）[2]。

目前，推荐系统所采用的关键技术主要有基于关联规则、基于内容、基于协同过滤的推荐和混合推荐。对协同过滤最早的研究有Grundy system，现在比较著名的基于协同过滤技术的推荐系统有Group Lens/Net Perceptions、Tapestry、Ringo、PHOAKS systems、Jester system以及国内的豆瓣网等。

2 协同过滤推荐技术

协同过滤推荐技术是推荐系统中应用最为成功的技術之一，主要通过收集大量用户信息、历史访问记录等，根据用户或项目间的相似性预测其可能感兴趣的项目，并将预测结果反馈给用户。关于协同过滤算法，Sarwar等人依据协同过滤技术所使用的事物之间的关联性，将其分为基于项目的（Item-based）协同过滤算法与基于用户的（User-based）协同过滤算法。

2.1 基于项目的协同过滤推荐

基于项目的协同过滤推荐，首先根据用户对项目评价的二维矩阵数据来求出不同项目之间的相似度，然后利用相似度计算出结果推荐给用户。这些推荐结果是通过发现与用户喜欢的项目相似的项目来完成的。若要计算两个项目之间的相似度，主要通过对两个用户已经完成的评分记录，然后使用相似性计算方法得出结果。在个性化推荐系统中，各项目之间的关系相对来说变化很小，相对比较稳定，然后利用项目之间的相似性，通过在线计算就能快速得到预测结果。这种方法在提高推荐效率的同时，在某种程度上能解决基于用户的协同过滤系统中存在的可扩展性问题。

在大部分推荐系统中，数据的稀疏性问题比较普遍。传统的相似性计算方式存在一定弊端，从而最终影响系统的推荐准确率。为此，张忠平和郭献丽[3]提出了一种新的项目相似性度量方法，即PEV相似性度量方法。但是，该算法的前提是要有一定数量用户评分的项目。但是，对于一个新项目，由于还没有任何用户对其做出过评分，造成新项目无法被推荐，即出现冷启动问题。由于项目的特征属性比较稳定，因此，其在一定程度上能解决新项目的冷启动问题。例如，彭玉和程小平[4]提出了一个基于属性相似性的协同过滤算法，弥补以往协同过滤推荐算法在新项目推荐方面的不足。

2.2 基于用户的协同过滤推荐

基于用户的协同过滤推荐技术通过计算目标用户的最近邻居集进行推荐。其核心概念是假设人与人之间的兴趣具有某种程度的相似性，如观看相似类型电影的用户，则会看相似类型的电影。然而，传统的协同过滤算法并未考虑到用户兴趣是动态变化的，过去访问过的项目的兴趣度并不能代表后来对该项目的兴趣度不变，而且在某些项目中，兴趣度会随着时间的变化而变化。例如，用户对不同衣服的兴趣度随着季节的变化而变化。董立岩等[5]提出将时间因素融入用户项目评分矩阵中，以解决兴趣衰减的问题。但是，该方法过于依赖用户的历史访问记录与评价，忽略了用户数据稀疏的问题，最终影响推荐的准确率。

3 协同过滤推荐技术存在的问题

协同过滤推荐技术作为一种可以实现个性化推荐的技术，虽然在个性化推荐中被广泛应用并取得了巨大成功，但也存在一些不足之处，如由于数据规模庞大而访问记录较少造成的稀疏问题，新用户或新项目无访问记录造成的冷启动问题和数据规模极速增长或需求不断更新造成的可扩展性问题等。国内外研究人员也针对这些问题进行了广泛而深入的研究，且取得了一些成果，但对协同过滤的研究还要不断完善。随着互联网的发展，尤其是移动互联网的广泛应用，如何满足新的需求，也是一个新的挑战。因此，对于协同过滤算法的研究主要集中在处理稀疏性问题、冷开始问题和可扩展性问题及推荐系统的快速反应能力方面。

3.1 稀疏性问题

随着互联网的发展，用户和项目急剧增加，推荐系统的规模越来越大，用户和项目之间的项目选择的重叠则更少，稀疏性问题也将更加突出。目前，解决数据稀疏性问题的方法通常有矩阵填充、矩阵分解和改进相似度计算函数等。对于预设评分方法，这种预测并不能完全代表用户的真实兴趣，尤其是在用户-项目数量急剧增长的情况下，预测的误差率也相对增加，从而最终影响项目推荐的准确性。对于与人工智能方法的结合，此方法在解决数据稀疏性问题的同时往往会牺牲推荐的精度，并且难以解决推荐计算的可扩展性问题。对于降维方法，降维会损失重要信息，由于降维的效果与数据密切相关，并且在项目空间数目维数很高时，降维的效果难以保证。

3.2 冷启动问题

冷启动问题又称第一评价问题（First-rater），或新项目问题（New-item），从一定角度可以看成是稀疏问题的极端情况。协同过滤推荐依靠的是用户对项目的评分才能给出推荐。在推荐系统中，若增加一个新项目，由于没有任何评价信息，那么该项目就永远没有机会被推荐给用户，即新项目的冷启动问题。在协同过滤系统中，针对每个项目，都会有简单的项目内容分析或简介，一般利用这些相关内容，通过计算项目之间的相似性，建立项目的近邻模型，然后根据相似性的大小进行推荐。

冷启动问题中还包括新用户问题，一个新注册加入的用户由于从未对系统中的任何项目进行评价，则系统无法获取其兴趣点，也就无法对其进行推荐。针对这一问题，一般解决方案主要是利用对象熵、受欢迎程度和用户个性属性等进行改进。

3.3 可扩展性问题

在推荐系统中，用户和项目的数据组成一个用户数目为[M]，项目数目为[N]的二维矩阵，计算用户或项目的相似度的时间复杂度为O（[M*N]）。系统的可扩展性问题（即适应系统规模不断扩大的问题）也是影响推荐系统实施的重要因素。因此，开发一种适应系统扩展的算法也至关重要。随着互联网的快速发展，用户和项目急剧增加，在整个空间上搜索目标用户的最近邻居比较耗时，而且现在大多数的推荐系统是在线给出推荐结果，难以满足推荐系统的实时性要求。另外，该类算法较为适用于用户兴趣爱好变化比较稳定的情况，而且用户兴趣模型和项目模型训练的代价一般比较大，不适合频繁地更新数据系统。

3.4 移动推荐系统中应用问题

4G移动互联网的快速发展为移动网络带来了无尽的应用空间，“小巧轻便”及“通讯便捷”两个特点，决定了移动互联网与传统互联网的根本不同之处，也为用户提供了更加丰富的业务种类、个性化服务和更高质量的服务。由于移动设备便于携带，可以随用户移动，这使得推荐的信息要更有针对性，如根据所在位置推荐某用户喜欢的商品、餐饮等信息。目前，针对移动推荐系统的研究也取得了一定的进展，在新闻、搜索、旅游、博客、广告、电影和音乐等领域均有研究成果，如Davidsson C等人的研究[6]是基于位置上下文的个性化移动应用程序推荐，位置信息通过移动设备自动感知或人为设定获取，根据当前位置移动应用程序的使用情况向用户推荐。但目前，由于个人的隐私和信息安全问题，获取移动用户的位置及访问记录等相关信息相对比较困难。因此，如何更好地结合移动社会化网络与移动推荐，有效评价移动推荐系统的性能，设计符合移动设备的交互方式均是今后的主要研究方向。

4 评估方法

推荐系统的评价是一个非常重要的问题，如果推荐系统的推荐质量较高，会使得用户数据越来越多，推荐系统所产生的推荐结果也就越来越精确，从而形成一种良性循环。试验标准的选择和设置是推荐算法试验中的重要组成部分，合理的评价标准能有效检测出算法性能以及算法中有待改进之处。本文使用了推荐系统中评价算法预测精度的指标对算法进行评价，其被分为统计精度度量方法SAM（Statical Accuracy Metrics），決策支持精度度量方法DSAM（Decision Support Accuracy Metrics）和准确率（Precision）三种方法，且本文采用准确率这种评价标准对协同过滤算法进行实验分析与评价。

4.1 统计精度度量方法

SAM使用平均绝对偏差MAE（Mean Absolute Error）。MAE表达直观，易于理解，是最常用的一种推荐质量度量方法。设推荐系统预测的用户评分集合表示为[p1，p2，…，pN]，对应的实际用户评分集合为[q1，q2，…，qN]，则平均绝对偏差MAE定义公式为：

[MAE=i=1Npi-qiN] （1）

在這里，MAE越小，推荐质量越高。

4.2 决策支持精度度量方法

DSAM最常用的决策支持精度尺度是ROC（Receive Operating Characteristic）。ROC把预测过程看作是一个二进制操作，每个信息项只能被预测为好和不好，其把预测过程看作是一个过滤过程。

4.3 准确率（Precision）

准确率（Precision）作为该算法的评价标准，其也是一个衡量推荐系统准确度的评价标准，表示正确推荐数目占整个[Top-N]推荐集的比例。如果[Top-N]推荐集中某个项目[i]出现在目标用户测试集中的访问记录里，则表示生成了一个正确推荐。具体计算为：

[Precision=HitsN] （2）

其中，[Hits]表示算法产生的正确推荐数目，[N]表示算法生成的推荐总数。

4.4 评价指标

对移动推荐系统性能的评价，由于在移动推荐领域中公开可以使用的数据集较少，主要是用评价指标来衡量的。通过调查问卷的方式可以了解到用户的满意度、交互体验等指标。但不足之处是成本较大，样本数量有限。这也是移动推荐系统需要解决的问题之一。

5 结语

推荐系统在过去的十几年中取得了巨大进步，在电子商务、社会网络、网络购物和新闻等领域得到了广泛应用。随着信息技术的迅速发展和信息内容的急剧增长，未来的网络信息个性化服务需求日益提高，个性化推荐系统将会被更广泛地关注和应用。协同过滤推荐技术是推荐技术中应用最成功的技术之一，但其仍存在稀疏性、冷启动和可扩展性等问题需要进行深入、细致的研究，以提高推荐系统的服务质量。本文对目前比较流行的协同过滤推荐系统进行概述，归纳总结了面临的问题，为今后如何在实际应用中解决这些问题提供参考。

参考文献：

[1]李勇.移动互联网信息安全威胁与漏洞分析[J].通信技术，2014（4）：439-444.

[2]Ricci F. Mobile recommender systems.[J]. Information Technology & Tourism，2010（6）：205-231.

[3]张忠平，郭献丽.PEV：一种新的用于Item—Based协同过滤算法的相似性度量方法[J].小型微型计算机系统，2009（4）：716-720.

[4]彭玉，程小平.基于属性相似性的Item-based协同过滤算法[J].计算机工程与应用，2007（14）：144-147.

[5]董立岩，王越群，贺嘉楠，等.基于时间衰减的协同过滤推荐算法[J].吉林大学学报（工学版），2017（4）：1268-1272.

[6]Davidsson C，Moritz S. Utilizing implicit feedback and context to recommend mobile applications from first use[C]// The Workshop on Context-Awareness in Retrieval & Recommendation. ACM， 2011.

作者：李转运 唐桂林