信息推荐系统分类：第二版功能解析

信息推荐系统以用户为中心，为用户提供“信息推送”服务。可以根据推荐系统使用技术分类，即从用户的角度出发，按照推荐技术的自动化程度(Degree of Automation)和持久性程度(Degree of Persistence)两个标准对信息推荐系统进行分类[27]。

(1)自动化程度

自动化程度是用户为了得到推荐系统的推荐而需要显式地通过手工方式或自动输入信息的程度。自动方式意味着推荐的产生不需要用户明显的任何操作，例如用户与网站进行交互时，恰好出现用户感兴趣的推荐。手工方式意味着用户得到自己兴趣的推荐前需要进行一些显式的操作，如对信息资源进行评价等。

(2)持久性程度

信息推荐系统的持久性程度体现了系统所产生的推荐是基于用户当前的单个会话(Session)还是基于用户访问历史的多个会话，即“推荐服务”是瞬时的还是持久的。“瞬时推荐”只考虑了用户的当前会话，不考虑该用户任何的历史信息；而“持久推荐”通过对当前用户的识别，根据他的历史偏好提供推荐服务。

以上的技术分类标准体现出用户对信息推荐系统最重视的性能特性，信息推荐系统应逐渐向自动地、持久地为用户进行个性化推荐的方向发展。根据以上两个标准，可以将信息推荐系统分为以下几个类型:

①非个性化信息推荐系统(Non-personalized Recommendation)。

信息推荐系统的推荐主要基于其他用户对该信息资源的平均评价，这种推荐系统不区分不同用户，所有的用户得到的推荐都是相同的，是非个性化的推荐。这种推荐的产生是自动的，用户参与很少，而且基于用户当前单个会话，对用户不予区分，是瞬时的。(www.xing528.com)

②基于资源内容属性的信息推荐系统(Attribute-based Recommendation)。

信息推荐系统的推荐主要基于信息资源内容的属性特征。由于需要用户输入他所需要的资源内容属性特征，因此这种推荐往往是手工产生。基于资源内容属性的推荐也可以是瞬时的或个性化的，这取决于信息推荐系统是否保存有用户偏好的记录。

③相关性资源推荐(Item-to-Item Correlation)。

推荐系统根据用户当前感兴趣的资源推荐相似的资源。它不需要用户访问或使用资源的历史纪录，只需了解用户当前选择的资源，因此是瞬时的。如果推荐系统产生的推荐是基于用户长期较少改变的资源使用模式，可以认为它是自动的，如果需要用户明确输入一些感兴趣的资源后产生推荐，则认为它是手工的。

④相关性用户推荐(People-to-People Correlation)。

相关性用户推荐又称协同过滤。信息推荐系统根据当前用户与那些已访问并使用了目标资源的其他用户之间的相关性进行推荐，此种推荐是自动产生的，而且是持久的。例如CDNow网站使用该技术完全自动地产生推荐，用户的偏好通过用户在CDNow商务网站建立自己个人音乐站点时的行为获得，不需要用户输入任何信息，而且不同的用户所得到的推荐是根据其个人的具体情况得到的，因此个性化程度较高。