信息推荐系统研究热点：第二版成果

信息推荐系统是信息服务科学一个重要的研究领域。随着电子商务、社交媒体的流行和发展，信息推荐系统得到了国内外学者、研究机构和企业界的广泛关注，可以深入研究并可能取得的研究方向和热点也有很多。

(1)基于协同过滤的信息推荐算法的实时性和可扩展问题研究

协同过滤是目前应用最成功的信息推荐技术，广泛地应用于电子商务、数字图书馆等领域中。在基于协同过滤的推荐算法中，最近邻的选择是最为核心的问题，因为最后的预测结果要使用选择后的最近邻来进行组合预测，其效率将直接影响基于协同过滤的信息推荐算法的效率。随着信息系统规模的扩大，用户数量和资源项目数量将急剧增加，用户评分矩阵的规模必然随之急剧增加。而协同过滤推荐必须快速处理高维评分矩阵，这就要求在很短时间(如几毫秒)内实时搜索成千上万的邻居，在最近邻基础上提供协同推荐。而这对于经典的协同过滤算法来说，是很难实现的，这就导致了基于协同过滤算法的实时性和可扩展问题的研究。因此，应用相关的技术改进经典的协同过滤算法，降低算法的维度，提高算法的实时性和可扩展问题是当前信息推荐系统研究的热点之一。

(2)社会化信息推荐研究

当前社会化媒体迅速发展和兴起，社交媒体上产生了大量用户和项目的社会化属性信息，使得社会化信息推荐成为信息推荐系统领域研究的热点，同时也逐渐成为当前学术界和产业界共同关注的热点问题。其中，社会化属性信息是实现社会化推荐的关键维度信息，它包括用户之间的好友关系、信任关系、关注关系等社交关系，同时也包括项目之间的相同社会化标签和相同类别信息等。因此，如何基于社会化网络分析的理论和方法，将用户或者项目的社会化属性融入传统“用户—项目”两维推荐系统中，在社会化网络关系计算的基础上构建社会化信息推荐模型，已成为信息推荐领域的一个研究热点。

(3)基于情境感知的信息多维推荐研究(www.xing528.com)

传统的信息推荐系统和相应算法仅关注用户与信息资源之间的两维关联关系，较少考虑用户所处的情境(Context)信息，导致推荐精准度不高。特别是在泛在环境(Ubiquitous Computing)中，用户的个性化信息需求具有高度情境敏感性，同一用户在不同情境下会偏好不同的信息资源，并在搜索过程中采取不同的选择策略。因此，面向泛在环境的个性化推荐系统应考虑相关情境信息，将情境信息融入推荐过程中，即将传统两维的“用户—资源”推荐服务模型扩展为包含多种情境信息的多维推荐服务模型，以提高泛在环境下信息推荐服务的精准度。目前，基于情境感知的信息多维推荐服务的模型与算法也是信息推荐领域的研究热点之一。

(4)基于用户画像的信息推荐研究

在大数据环境下，随着互联网应用系统规模的不断扩大，表征用户特征的数据体量日益增多，数据种类变得更加繁杂，数据更新也日趋快速，对于当前大多数个性化推荐系统而言，都或多或少存在着功能不足的问题。如何从这些海量增长、异构多源和实时高频的数据中攫取有价值的用户信息，如何从相似的用户中尽可能地捕捉用户兴趣，仍然是当前推荐领域应解决的关键问题。

用户画像是用户真实数据的虚拟代表，其根据用户的基本属性内容、情境特征、社交行为习惯等用户属性，抽象得到用户原型，再通过标签的形式，如性别、所在地区、年龄、兴趣爱好、社交行为习惯等，构造出用户的立体“画像”。该画像可以清楚地描绘出用户的属性特征，有利于我们分析用户的社交特性、兴趣爱好、行为倾向等，有着极大的应用价值。用户画像作为后续数据分析加工的起点，能够通过收集用户社会属性、偏好特征等维度数据来对用户特性进行刻画，能够有效挖掘用户兴趣，弥补个性化推荐系统捕捉用户兴趣偏好能力不足的问题。因此，对用户行为进行画像，以此构建基于用户画像的推荐系统将成为信息推荐领域的研究热点之一。