唐四慧

(华南理工大学 工商管理学院，广东 广州 510640)

随着互联网应用的普及，使用这些应用的个体与个体之间的交互行为会产生一些大量的，相互作用的信息网络，Newman在他的论文中将这种在结点上存有信息的网络归结为信息网络，他举的最典型的信息网络的例子就是引文网；另一个就是万维网，这个网络不同于互联网，它是由网页及网页之间的链接组成的。[1]对于万维网的研究非常多，最多的研究领域是网页的推荐算法，根据CNNIC的调查，2010年仅中国网页数量达到600亿个，年增长率达78.6%，在这样的庞大的网络中如何有效的提供网页搜索推荐确实是一个具有挑战性的问题。

一、研究背景

对于如此巨大的网页数量，更多的研究是将推荐问题聚焦在一些特定的应用中，如Amazon的图书推荐、Netflix的电影推荐、Youtube的视频推荐、eBay的商品推荐等等。推荐系统各种各样，包括协同过滤(collaborative filtering)推荐系统，基于内容(content-based)推荐系统，混合(hybrid)推荐系统。[2]随着用户使用数据的不断被记录，基于用户行为数据形成的信息网络之上的推荐方法也随之被提出，其中有周涛的资源分配算法，[3]Han的RankClus算法。[4]在周涛的资源分配算法中，他将用户和产品的二部图映射为产品单粒子图，对边和点进行加权来做推荐的，这种映射的操作会使推荐问题简化，但也会使得一些信息被丢失掉；在考虑了映射操作会使得异质信息网络的信息损失后，Han在其RankClus算法中，直接对异质的信息网络进行排序和聚类操作，研究结果显示这种不进行映射的算法所得的排序结果和聚类结果都更加有意义。……