【摘要】：除以上常用的3种方法外，还有一些其他的方法。首先是基于规则的分析方法，它根据历史数据发现项目与项目之间的关联关系，将那些有关联关系的项目一起推荐给用户。Agrawal等［51］利用Apriori算法分析了项目和用户间的关联关系，从而为用户推荐项目；为提高Apriori算法的运行效率，Han等［52］提出了FP-Growth算法为用户推荐项目。
除以上常用的3种方法外，还有一些其他的方法。首先是基于规则的分析方法，它根据历史数据发现项目与项目之间的关联关系，将那些有关联关系的项目一起推荐给用户。Agrawal等［51］利用Apriori算法分析了项目和用户间的关联关系，从而为用户推荐项目；为提高Apriori算法的运行效率，Han等［52］提出了FP-Growth算法为用户推荐项目。还有基于人口统计学的推荐方法，该方法可以在没有项目信息和用户行为信息的情况下进行推荐，在一定程度上解决了冷启动问题［53，54］。值得关注的还有基于社会网络分析的推荐方法，Moon等［55］根据用户的历史购买行为信息建立用户与产品间的偏好关系，从而向用户推荐产品；Wand等［56］采用社会网络分析的方法为在线拍卖系统中购买者推荐可信赖拍卖人员。此外，基于效用的推荐方法在近几年也得到了快速的发展，该方法的优势是可以将供应商可靠性、物品的有用性等非物品的特征信息综合考虑到效用中，提高了推荐的全面性。Shepitsen等［57］针对当前推荐方法不能从个性化效用角度来评价推荐项目，提出了一种基于效用的个性化推荐方法；朱小飞等［58］提出了基于吸收态随机行走的二阶段效用性查询推荐方法，实验结果表明该方法的推荐结果比较理想。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
