对于推荐人的选择这一问题没有标准的答案，往往我们需要结合你的意向专业所需特质和你个人的履历来选择合适的推荐人。最好的推荐人往往应该是和你有足够交集，对你有足够细致地了解，从而能将你身上的某些专业特质落实到实处的人。推荐人的分量也是一个需要重点考量的因素，在选择的时候我们往往需要做一番权衡。
在选择好推荐人后，我们需要和推荐人取得联系。其实除了真正能给推荐人留下深刻印象或长久以来和推荐人保有密切联系的申请人，推荐人是否愿意帮你写推荐信，以多大的积极性帮你完成推荐信的写作，和你向推荐人发出请求过程中的表现密切相关。记住“说服”不是从你提出请求后开始的，从你准备提出请求之前“说服”就已经开始了。
在邀请推荐人之前，首先请确保你对整个申请流程，一些重要环节的开始结束日期，一些具体化的要求都要有一个明确的了解，有了这些了解你才能把握从与推荐人接触到获得推荐信整个过程中应有的节奏，有一个明确的规划。
邀请时的礼节
邀请时间：
注意时间问题，没有推荐人会喜欢突然袭击，在规划好的基础上尽早与推荐人取得联系，给推荐人和你自己足够的机动时间。
邀请方式：
在有可能的情况下，尽量在发出正式邀请前与推荐人见一面，一方面可以帮助对方回忆，另一方面你也可以在交谈的过程中提及自己对未来研究生活的规划。可以和推荐人探讨一下相关专业的问题让他知道你并不是盲目出国。这可以表现你的诚意和学术态度。
很多情况下，因为地域或者时间原因，双方没有时间见面，我们往往要用文字的形式联系推荐人，这时候我们要注意的是联系的时间选择和措辞。总的原则只有一个那就是尽可能地从对方角度考虑问题，让推荐人更容易帮你完成推荐信的写作。
不是所有的推荐人都会答应推荐请求。有些推荐人日程太满，还有些推荐人每年有推荐名额限制。在请求的结尾告诉对方，即使不方便推荐也表示理解并且依然感谢。平常看待“邀请被拒”，寻找其他推荐人即可。但是，不要“海投”推荐人，更不要在推荐人答应邀请后“放人鸽子”。
这些准备能帮你获得推荐人的好印象
了解你的推荐人：
你不能一味地向推荐人展示自己，而不顾推荐人的特点。你的推荐人往往已经处理过多位师哥师姐的推荐信，他很可能已经有自己的一套关于推荐信的处理方法。在邀请推荐人之前尽可能的找到之前的师哥师姐了解情况，从而了解推荐人更偏好地邀请方式和推荐人推荐信的风格。之后你就可以给推荐人提供更加精准的个人资料，以便于推荐人为你写出更加个性化的推荐信。
让推荐人了解你：
巧妇难为无米之炊。为了推荐人能够写出更加具体，更有价值的推荐信，让推荐人了解你尤为重要，这里我们需要为推荐人准备一个资料包，主要包括下面这些内容。
1. 一张你自己的照片，让推荐人记起你是谁，个人照次之，最好是你和推荐人同框的照片，在照片背后标注这是什么时候，你们在做什么，然后表达对推荐人的感谢。
2. 一个自述，简单介绍自己，着重说明你选择这位推荐人的理由，比如推荐人的研究方向可以客观地评价你的学术能力等。然后进行你的目的说明。
3. 一些项目，你所研究的每个研究项目的总结，无论这是在学校还是研究实验室。如果你有，或者有技术报告，也请附上。
4. 你的学习成绩，用表格分类整理你意向专业的相关成绩，并附上任课推荐人的联系方式。
5. 你的获奖情况，课外活动名录，获奖介绍等。
6. 提交推荐信的邮箱和地址以及告诉推荐人截止日期（建议比真实日期提前，毕竟大家都可能有拖延症）。最后，截止日期之前，你需要提前和推荐人确认是否提交并表达感谢。
不是所有的推荐人都愿意亲笔写
不可避免的会有推荐人不愿意亲自写的情况，这时候推荐人往往会答应最后署名或者在过程中参与，切不可以为不会有变数，尽可能地让推荐人有所参与避免最后出现意见不和。
1. 某些推荐人会希望有一个填写的模板。
1．为了便于校方查阅，必须提到被推荐者的全名。推荐者的身份不重要，当然你要是请院士来写也不错，但最关键是要说服招生委员会相信推荐人是真正了解被推荐人的。
2．必须交待与被推荐者的认识期间?何时开始认识或认识多久 ，认识程度?偶尔见面或密切接触 及关系?师生关系，上下级关系，同事等。
3．对被推荐者的优点介绍及评价，这是推荐信的核心。主要包括被推荐者的天赋，学习成绩，研究能力，工作经验，学习精神，组织能力，品行及个性方面。注意说辞应与其他申请材料如成绩单、获奖证书等相呼应，不要出现矛盾而使人误会。人无完人，所以同时也应提及其缺点，以做到公正客观。最好通过实例说明。教授们要的不是完人，而只是学生，一个普通但足够优秀的学生。
4．必须表明推荐人的态度，是极力推荐还是有保留地推荐。
5．最好要求推荐人在信封封口处签名，以确保其真实性。最好在“是否保留日后审阅推荐信的权利”一栏填“NO”。
【关键词】推荐免试研究生；大四学年；教育引导；学业指导
推荐优秀应届本科毕业生免试攻读硕士学位研究生（以下简称“推免生”）是免去全国研究生入学考试的初试，直接进入复试选拔的硕士研究生招生制度，其目的是从源头上保证了研究生的生源质量，是高校全面实施素质教育的有效措施，也是高校选拔、培养高层次科研人才的重要渠道，对创新人才培养具有较强的引领作用。我国自1985年开始在部分高校试行推荐免试研究生制度。20余年的高等教育实践证明，推荐免试研究生这一举措在很大程度上保证了研究生的生源质量，选拔培养了一大批富有创新能力的研究型人才，促进了我国的经济社会发展和科技进步。2006年，教育部印发了《全国普通高等学校推荐优秀应届本科毕业生免试攻读硕士学位研究生工作管理办法（试行）》，我国高校的推荐免试研究生工作更趋规范化、科学化。但与此同时，高校推免生的招生规模不断扩大，推免比例、推免生的数量不断增加，一些问题也逐渐突显出来。一些推免生获得推免资格并被录取后，在大四学年的综合表现急剧下降；而高校“重推荐、轻引导”的传统观念，又使得我们疏于对推免生进行适时、科学的教育引导与学业指导。据北京林业大学2012年的一份调查显示，推免生在推免前后的生活、学习和心理状况都发生了很大变化，生活状态由有序变为无序，学习地点也从教室转向了宿舍，不同程度地表现出懈怠、浮躁等不良心理情绪。因此，改变“重推荐、轻引导”的教育与管理理念，加强对推免生在大四学年的教育引导和学业指导，是做好优秀本科向研究生转型的关键，将有利于其研究生阶段科研能力和创新能力的培养与提高。
一、加强对推免生在大四学年教育引导和学业指导的目的和重要性
教育引导和学业指导，旨在帮助学生解决其在学校的生活和学习过程中遇到的，诸如价值观、人生观、伦理观、专业兴趣、科研与学习的方法及效率等方面的问题与困惑，根据学生本人的价值取向、伦理倾向、教育背景、学习动机、专业兴趣与科研能力等，引导、辅助他们最终实现自我价值的最大化。研究表明，高质量的教育引导和学业指导对于激发学生的成功动机起到了关键作用。加强对推免生在大四学年教育引导和学业指导工作的重要性，主要体现在以下几个方面。
（一）是保障推荐质量的要求
至1985年推荐免试研究生政策实施以来，许多高校对研究生推免办法进行了许多有益改革和探索，推荐模式也不断与时俱进。推免生选拔过程中，高校近些年越来越倾向于综合考察学生的学习成绩、实践能力、思维能力、创新能力等多项指标。但是，在目前国内高校的本科生综合评价体系中，学习成绩仍然占很大比重，其他能力如科研创新能力、动手实践能力、逻辑思维能力、团队协作与组织能力等由于难以量化，只能泛泛定性评估，而这些能力却恰恰是推免生从事其硕士阶段科研和学习所必需的。所以，在大四学年，通过科学、有效的教育引导和学业指导工作，进一步加强推免生科研创新能力及其他能力的培养，是保证推免生推免质量的基本要求，也是推免生招生制度实现其全面实施素质教育、培养创新人才目标的基本要求。
（二）是实现优秀本科生向合格研究生转型的需要
本科阶段的教育是提高研究生培养质量、造就创新型人才的重要保证。但作为优秀本科生获得免试资格的推免生并不意味着其将来一定是合格的硕士生，必须在大四学年通过细致的教育引导与学业指导工作，帮助他们实现从优秀本科生向合格研究生的科学转型。可以利用大四学年进一步学习并培养研究生阶段所需要的各种基本素质和技能，同时进一步完善推免生的知识结构，加强针对硕士阶段研究方向的知识储备，做好与研究生阶段的有效衔接。推荐免试研究生招生制度给推免生提供了一个学年的时间让其在身心、学业等多方面实现从本科生到硕士生的转型，而科学合理的教育引导与学业指导措施无疑将帮助他们顺利地实现该转型。
（三）是提高研究生培养质量的要求
推免生不仅为自己赢得了研究生入学资格，更为自己在客观上延长了研究生培养时间，这为高质量地完成其硕士学位论文提供了时间保障。以三年制硕士生为例，研一学年主要用于适应环境和理论课学习，研三学年的“找工作”将占据其很大一部分学习时间，从而只有研二一学年是硕士生实质性地开展课题研究的时间。而对推免生而言，大四推荐免试研究生阶段就大多已确定好其硕士生导师，这将有利于他们早日融入其导师的课题组，并逐步熟悉研究生阶段学习及课题研究所需要的专业知识与技能。通过有效的教育引导和学业指导，可以帮助推免生充分利用大四近一个学年的时间进行针对性的知识与技能储备，以缩短他们将来新学习阶段的适应期，并为他们将来能更加深入地、高质量地开展课题研究提供时间保障。
（四）是改变“重推荐、轻引导”观念的要求
推荐免试只是一种招生途径和人才选拔形式，目的是为了选拔出更优秀的本科生从事更为深入的、更高层次的研究性学习和科研创新。高校应改变“重推荐、轻引导”的传统教育与管理理念，秉持实施全面素质教育、培养创新科研人才的制度设计初衷，从根本上保证推荐免试研究生招生制度的选拔和培养质量，加强对推免生在学业、生活以及心理状态等方面全方位的教育引导和学业指导，使其顺利地完成由优秀本科向研究生的转型与跨越。
（五）是加强心理健康教育，树立坚定的理想信念的要求
推免生总体成绩较好、素质较高，但这不能完全表明他们一定有着较高的学习和科研创新能力，也不能完全反应他们的心理健康状况，更不能想当然地认为他们一定有着高尚、坚定的理想信念。研究生阶段与本科生阶段的学习生活有着显著不同，硕士生们将面对更加激烈的学术竞争，更加多元复杂的人际关系，更大的学业及学术成果压力。因此，要在大四学年通过教育引导和学业指导工作，对推免生进一步加强心理健康教育和理想信念教育，培养他们健全的人格和高尚坚定的理想信念，使他们将来能够以更加坚强的信念和顽强意志对待挫折和压力、面对挑战和诱惑，最终高质量地完成其硕士生阶段的学业。
二、教育引导和学业指导的措施
（一）加强学术诚信教育
学术诚信作为一种道德规范，是社会职业道德体系的重要组成部分，它对所有从事科研活动的主体（包括研究生在内）起着重要的规范、引导作用。学术诚信，应该是每一位研究生必备的基本素质。目前，大学校园内学术腐败之风愈演愈烈。扭转如此不良风气，必须加强思想教育和职业道德素质教育，尤其是学术诚信教育。作为优秀科研创新人才的预备梯队成员，要把学术诚信教育作为对推免生在大四学年进行教育引导和学业指导的第一课，让他们尽早树立并践行“诚信是学术的生命”的理念以及严谨求实的求学、治学风尚。
（二）塑造健全人格
健全人格是大学生适应社会、全面发展的重要基础。大学生正处在人生成长的关键时期，其人格发展具有较强的可塑性。作为学校，要结合学生人格发展的要求，有针对性的组织开展人格培育专项训练活动，为学生实施人格养成提供平台和载体。在对推免生在大四学年进行教育引导和学业指导过程中，同样要有针对性地继续深化心理健康教育成果，引导他们培养、塑造、巩固良好的心理意志品质和健全人格，进一步确立他们科学、正确、高尚的人生观、世界观、价值观，为他们将来能够顺利完成其硕士生学业奠定思想及精神基础。我们要引导他们持续性地把人格培育与日常学习和生活相结合，使他们尽快实现从本科生到研究生的心理转变和角色转变，增强人际沟通能力和团队协作能力，增强对集体或科研团队的认同感、归属感和荣誉感。
（三）加强科研能力培养
大四学年是进行专业课学习、毕业实习和毕业设计阶段，是做好推免生与研究生衔接的关键阶段，又是培养推免生科研创新能力的有利时期。要指导推免生应结合自己将来的研究方向开展毕业实习和毕业设计。在本校读研的学生应尽早确定自己的硕士生导师，提前进入实验室并逐渐融入导师的科研团队，提前熟悉科研环境和将来研究方向所需的知识与技能，并密切结合将来的研究方向完成自己的毕业实习和毕业设计任务。对于推免到外校的学生，也要指导他们有效的利用毕业设计阶段尽早熟悉自己将来的研究方向和科研环境，并创造条件让他们尽量到外校导师的实验室去完成毕业设计。在对推免生的学业指导上，还要指导他们培养、锻炼、积累基本的科研能力和素质、经验、方法，尤其是独立发现问题、解决问题以及理论与实践相结合的能力，以做好与研究生阶段的有效衔接。
（四）搭建与研究生导师的交流平台，引导积极参加学术交流活动
在大四学年，要创造各种条件帮助推免生与其导师搭建交流平台。无论推免生是否在其导师的实验室在进行毕业设计，都要指导他们主动地、适时地与导师沟通、汇报学习或科研工作进展。另外，要引导推免生积极、主动地参加相关专业的学术交流活动。还要引导推免生与具有海外留学经历的老师多交流，以进一步加深他们对相关专业或研究方向的了解。要积极创造条件，引导推免生与本学科高年级学术成果较突出的研究生多交流，以帮助他们了解研究生学习阶段的注意事项，尽早做好研究生阶段的学习与科研规划。
关键词：交互感知；初始信任；交互信任；推荐信任
中图分类号：C93 文献标识码：A
Abstract： Based on interpersonal trust theory the paper divides the process of user's trust in the recommendation system into three stages from initial trust to interactive trust and to recommend trust. The paper discusses the key factors which affect trust of each stage and constructs the comprehensive model of multistage user trust. The method of structural equation model is used for empirical test and analysis. The studies show that the initial trust is mainly affected by trust tendency， normality and word of mouth； the interactive trust is mainly affected by initial trust， perceived usefulness and perceived ease of use； the recommend trust is mainly affected by interactive trust， perceived usefulness and perceived reliability. Finally， the paper puts forward useful countermeasures and the direction of future research.
Keywords： interactive perception； initial trust； interactive trust； recommend trust
近年来随着网络购物市场的迅猛发展，使得消费者陷入海量的商品信息包围之中，消费者若依靠个人搜索找到令自己满意的商品并非易事，因此推荐系统在网络购物平台得到了广泛应用。网络购物推荐系统的功能在于减轻信息过载给消费者带来的决策影响，帮助消费者快速找到感兴趣的商品，其重要性已得到了商家及消费者的广泛认可[1]。但与一般信息技术系统存在的用户信任问题一样，推荐系统也存在用户信任问题，影响了推荐系统功能的体现。
目前，关于推荐系统的研究大都集中在推荐算法与应用方面，而忽略了其他的评价指标对推荐系统用户满意度的影响。国内外学者们对用户信任模型研究大多数是针对一般信息技术，其中，最具影响力的当属Davis于1989年提出的技术采纳模型（TAM）。杨永清等（2012）以价值理论为核心，借鉴TAM理论中的核心变量，根据移动互联网服务的特性，提出移动互联网用户采纳的理论模型，揭示了影响用户采纳移动互联网的关键因素及其作用机理[2]。但网络购物推荐系统与其他信息技术存在很大区别，用户与推荐系统之间并不是简单的单向信任关系，推荐结果会反向影响用户的信任。用户对推荐系统推荐结果的采纳会受到多方面因素的影响。信息技术方面的用户信任研究成果不能很好的解释推荐系统的用户信任行为[3]。且我国的网络购物环境也与国外存在差异。国内推荐系统的信任问题研究还较少，其中实证研究大多数是基于技术采纳模型来进行影响因素的探讨。
但是对于网络购物推荐系统来说，用户与推荐系统之间的信任并不是静态的一成不变。诸多的研究表明，用户与推荐系统交互过程中形成的对系统的社会角色感知以及对系统的信任，不仅直接影响着用户对推荐结果的采纳以及采纳行为的持续，而且还影响用户对系统的满意度评价。用户与推荐系统之间存在着不断交互的过程，是从初始信任到交互信任再到对推荐信任的过程，因此将用户对推荐系统的信任影响因素按照信任的过程分为三个方面。
1 理论及假设模型
为了使推荐系统能更好地服务于消费者，实现推荐系统对商家及消费者的双重作用，消费者信任推荐系统是最基本的前提。由于信任属于社会学范畴，关于信任的研究，信任的客体大多数是人，人与人之间的信任关系是在不断的交流中形式的。Sztompka（1999）认为对信息系统的信任与对人的信任并无本质区别，因为所有的信息系统是由人设计、开发并操作的[4]。
通过以上的分析表明，将信息系统视作信任的客体是合理的，因此本文在研究用户对推荐系统的信任问题时，借鉴了社会学领域中有关人际信任的相关理论。
1.1 一般信息技术系统的信任研究
大量信息技术的信任研究侧重从技术特性视角解释用户信任行为。TAM模型以形式简单、解释力强、较高的信度等优点，被广泛应用于信息技术用户信任的研究中。TAM最主要的优势在于它阐明了感知有用性、感知易用性这两个关键信念变量与态度和行为意向之间的逻辑关系，并以此来分析影响信息技术采纳的外部原因，TAM的基本框架如图1所示。TAM理论认为，信念影响用户的态度，态度影响用户的行为意向。众多信息技术采纳研究的结果表明，感知的有用性对用户的态度和行为意向产生显著的影响，感知的易用性对用户使用态度产生显著的影响，也对感知的有用性有影响[5]。
虽然TAM模型解释信息技术采纳行为的效果得到了大量验证，但也有学者指出TAM设计的维度过于简单，实用性不足。一些学者基于TAM理论进行了扩展，而且也提出了一些新的理论。较成功的TAM修正模型包括：创新扩散理论（IDT）、使用和满意理论（U&G）以及可用性理论三种。韩超群等（2012）基于信息系统、行为科学和心理学理论，从一般技术因素、特定技术因素、消费者心理因素和社会影响因素四个方面构建了一个整合的移动服务用户采纳行为的结构方程模型[6]。
移动商务作为信息技术系统的新兴应用，随着移动终端的普及，近年来受到了学者们的广泛关注，林家宝与鲁耀斌（2011）探讨了股民对移动证券信任的影响因素，不同于以往的信息技术信任研究，作者认为信任的发展是一个动态的过程，并将信任划分为：初始信任的建立、信任的维持以及信任的衰退[7]。基于信任的动态发展过程，本文基于交互感知的视角，认为用户与推荐系统之间的信任是从初始信任到交互信任再到对推荐信任的多阶段动态过程。
1.2 基于交互感知的推荐系统信任研究
推荐系统作为信息技术的一类，但又与一般的信息技术不同，这主要表现在推荐系统的交互性与实时性上。人机交互是以系统为媒介进行的彼此交流，用户向推荐系统表明自己的需求，系统向用户推荐可能感兴趣的商品，用户再对推荐结果进行反馈，这些用户与系统之间的交流就形成了交互的过程。用户会基于与推荐系统的交互来感知对推荐系统的信任程度。
1.2.1 用户初始信任阶段研究
在网络购物环境下，用户是通过推荐服务载体-网络购物平台初次接触推荐系统，因此，用户的初始信任不仅受用户个人因素的影响，同时也受网络购物平台特征的影响。这里我们可以将平台特征视为外部因素，用户个人特征视为内部因素。网络购物平台的保障性特征是用户初始信任阶段，用户关注的重点，如安全标识信息、第三方认证信息、法律法规信息等，这些信息表明了推荐系统所处环境的合法性与正规性。这些因素能够影响到用户对网络购物平台正规性的感知，进而作用于用户的初始信任。据此，提出假设H1：
H1：平台的正规性正向影响用户的初始信任。
从心理学角度分析，不同个体的信任倾向有所差异，信任倾向在信任关系形成初期，用户初始信任阶段具有很重要的作用[8]。另外，Cardholm提出了用以描述电子商务用户信任BATE模型，并提出了基于经验的信任，他认为基于经验的信任对于用户再次使用电子商务尤其重要[9]。
据此，提出假设H2、H3：
H2：用户的信任倾向正向影响用户的初始信任。
H3：用户的使用经验正向影响用户的初始信任。
在初始信任阶段，除了信任倾向及使用经验会对用户信任产生影响，用户对推荐系统的了解程度也会影响初始信任，良好的口碑能够促使用户增加对推荐系统的好感，建立良好的第一印象，能够提高用户对推荐系统的信任程度[10]。据此，提出假设H4：
H4：系统的口碑正向影响用户的初始信任。
1.2.2 用户交互信任阶段研究
用户与推荐系统建立初始信任后，二者之间通过不断的交互过程，证实之前预期的知识。这个“预期-证实”的过程会不断影响用户对推荐系统的信任，这时初始信任演变为交互信任。初始信任是交互信任的开始，若用户对推荐系统有一个良好的初始信任，那么用户对推荐系统的交互过程就有着较高的包容性。
在交互信任阶段，基于期望-证实理论，若推荐系统的行为满足用户的期望，用户会感知系统是有用的，会提升用户的交互信任，否则交互信任会降低[11]。
据此，提出假设H5、H6、H7：
H5：用户的初始信任正向影响用户的交互信任。
H6：用户的感知有用性正向影响用户的交互信任。
H7：交互阶段的互动性正向影响用户的交互信任。
其次从交互过程的易用性看，如果交互过程是用户可控制的，这会一定程度上降低用户对推荐系统感知的不确定性，增加用户对交互阶段的信任[11]。据此，提出假设H8：
H8：用户的感知易用性正向影响用户的交互信任。
1.2.3 用户推荐信任阶段研究
用户推荐信任阶段关乎到用户是否采纳推荐系统产生的推荐结果。如果交互过程中，用户的期望不断的得到证实，势必会加强用户对最终推荐的信任。
Gefen对用户在线购物行为的实证表明，感知有用性与感知易用性都会影响用户在线购物的意向，即对推荐的信任[12]。而最终的推荐结果将涉及具体的销售商家，如果商家拥有着良好的诚信，会提高用户对结果的感知可靠性，进而影响对推荐的信任。
据此，提出假设H9、H10、H11、H12：
H9：用户的交互信任正向影响用户的推荐信任。
H10：用户的感知有用性正向影响用户的推荐信任。
H11：用户的感知易用性正向影响用户的推荐信任。
H12：用户的感知可靠性正向影响用户的推荐信任。
1.3 模型构建
基于上述分析，针对用户对网络购物推荐系统信任的交互过程，从信任三个阶段，设定了三个基本影响因素，结合平台与个人特征变量，并为每个信任阶段设定了特定的阶段变量，以最终信任阶段的阶段变量为因变量，对各变量之间的作用路径提出了12条基本假设。模型的基本框架如图2所示。
2 研究方法
2.1 数据收集
本文选择本校的大三及大四学生为调研对象。在设计问卷时，以相关文献中设定的问题为基础，考虑网络购物推荐系统的特点，做了适当的扩展，所有的结构变量均采用多个测度项，保证了问卷的内容效度，共设定了30个问题，限于篇幅，具体的问卷未列出。所有问题问卷采用Likert七级量表，受访学生基于对问题的认可程度，按1（非常不赞同）～7（非常赞同）对相关问题分别进行打分。
调查共发放问卷400份，回收有效问卷355份，问卷有效率为88.75%。有效问卷数与测度项数比例达10.65：1，符合样本至少为测量题项5倍的基本研究要求。样本信息统计显示，60%为男生，40%为女生，每天上网时间3个小时以上的占65%，3小时以上的占35%。
本文采用结构方程模型分析软件AMOS21.0进行假设检验，同时运用社会科学统计软件SPSS19.0进行信度与效度检验。通过对因子分析、相关性分析、回归分析及方差分析等传统多元数据分析的基础上，对路径图中各变量之间的假设关系进行验证。
2.2 信度和效度检验
由表1可知，本研究中的所有因子的Cronbach’s α和CR值都高于0.80，表明各因子具有较好的信度。各因子的平均抽取方差（AVE）都大于0.50，表明量表具有良好的收敛效度。
对于效度，对角线的AVE平方根均大于纵向与横向元素，所有各因子之间的区别效度都满足要求。
2.3 假设检验
本文采用AMOS21.0对结构方程模型进行检验，模型路径系数结果如图3所示，假设检验结果所表2所示。
2.4 个人特征的调节作用
用户的个人特征除对初始信任产生直接影响外，还可能调节用户感知的主观影响因素包括交互信任以及感知有用性、感知易用性和感知可靠性对推荐信任的作用。通过各因子均值进行回归分析，回归结果如表3所示，可以发现信任倾向对交互信任与推荐信任、感知可靠性与推荐信任之间的关系存在正向的调节作用，这说明对于有着高信任倾向的用户，交互信任对推荐信任的影响更大，而对于有着低信任倾向的用户，交互信任对推荐信任的影响就要小一些，感知可靠性的影响同理。由于信任倾向与感知有用性的交互项的回归系数不显著，因此，信任倾向不存在对感知有用性与推荐信任间的调节作用。
为了进一步直观的研究信任倾向的调节作用，我们取信任倾向的均值（4.31）为临界点，将355个有效样本分成A、B两组，A组为高信任倾向的用户（204人），B组为低信任倾向的用户（151人）。分别对A、B两组样本做因变量（推荐信任）对自变量（交互信任、感知可靠性）的回归分析，回归结果如表4所示。
通过表4回归分析的结果绘出信任倾向调节作用的效果图，信任倾向对交互信任与推荐信任、感知可靠性与推荐信任之间的调节效果分别如图4、5所示，可以看出，在交互信任（或感知可靠性）较低时，高信任倾向的用户对推荐结果的信任较高，随着交互信任（或感知可靠性）的增大，高信任倾向与低信任倾向的用户之间对推荐结果的信任差距逐渐缩小，并且当交互信任（或感知可靠性）增大到一定程度时，低信任倾向的用户对推荐结果的信任程度甚至会超过高信任倾向的用户对推荐结果的信任程度。
3 结果讨论
本文借鉴人际信任关系中，人与人之间经过交互形成信任的理论来研究消费者与推荐系统这一人机交互过程的用户信任问题。将用户与推荐系统之间的信任过程分成从初始信任到交互信任再到对推荐信任的三阶段过程。研究了影响网络购物推荐系统的各阶段用户信任的重要影响因素。根据上述数据分析的结果，从路径系数的显著性分析，本文提出的12个假设中，9个得到支持，得出的主要结果有：
（1）从用户的初始信任阶段看，平台正规性是影响网络购物推荐系统的初始信任的最重要因素，是用户评估平台安全性的第一步，正规可靠的网购平台才能使用户产生初始信任。平台口碑显著影响推荐系统的初始信任，口碑信息是第三方关于推荐系统评价的综合，良好的口碑可以表明外界对于推荐系统的一致评价是可信的。
个人特征中的信任倾向显著影响初始信任，这是因为不同个体的信任倾向有所差异，信任倾向对用户初始信任的形成具有很重要的作用，信任倾向高的用户更容易接受新鲜事物。并且信任倾向不仅直接显著影响初始信任，还间接调节其他变量（交互信任、感知可靠性）对推荐信任的影响。使用经验对初始信任并无影响，这里的使用经验是指使用其他信息系统的经验，本文样本中的对象为在校高年级大学生，样本的群体内并无使用经验的明显差异。
（2）从用户的交互信任阶段看，初始信任是影响用户的交互信任的最重要因素，这就犹如人际信任中的第一印象一般，良好的第一印象是进一步交流的基础。
另外，交互信任同时受用户感知有用性与感知易用性的影响，如果在与系统的交互过程中，系统反馈给用户的都是不符合用户需求的信息，那用户势必会对推荐系统能否为自己推荐正确的结果产生质疑。而且推荐系统只有通过友好的界面、便捷的操作使用户容易上手，用户才能有耐心的进行下一步的动作。
交互过程的互动性并不会对用户的交互信任产生显著影响，这可能是由于现实生活中大家的生活节奏都较快，不可能花费大量的时间与系统进行互动，简单有效的互动就可以满足用户的基本需求。
（3）从用户的推荐信任阶段看，交互信任是影响用户的推荐信任的最重要因素，用户与推荐系统之间的交互使得用户对系统的诸多功能都有了具体的了解，不再是基于印象的估计。
另外，用户的感知有用性与感知可靠性均对推荐信任产生影响，有用性在于系统最终推荐的结果是否是用户需要的结果，当符合用户的需求时，下一步用户就会对这些结果进行筛选，而筛选的依据就是商家的可靠性，对于商家的可靠性，用户可以通过查看商家总体的信誉以及产品的历史评分来估计。
最后用户的信任倾向调节其他变量（交互信任、感知可靠性）对推荐信任的影响，不同信任倾向的用户，交互信任与感知可靠性对推荐信任的影响并不相同，这是因为信任倾向高的用户更倾向于依据自己的主观意向来决定是否采纳推荐结果，而信任倾向低的用户则更倾向于依据系统的客观评价来决定是否采纳推荐结果。
4 结论与展望
本文基于平台的信任前因、个人的信任前因以及认知的信任前因来构建用户对推荐系统的多阶段信任模型，基于交互的多阶段信任为网络购物平台提供了构建用户信任机制的新思路。研究发现，信任倾向、正规性、口碑显著影响用户的初始信任，初始信任、感知有用性、感知易用性显著影响用户的交互信任，交互信任、感知有用性、感知可靠性显著影响推荐信任。其中，初始信任阶段平台的正规性起到决定性的作用，交互信任阶段初始信任起到了决定性的作用，推荐信任阶段交互信任起到了决定性的作用。因此，网络购物平台应该重视平台正规性的建设，用户只有对平台建立了初始信任，才会通过不断的交互过程演变为最终的对推荐结果的信任。本文的研究虽然考虑到了用户信任随时间演化的动态过程，但只是将这一动态过程划分为三个信任阶段，并没有深入研究信任演化过程的机理，结合心理学中人际信任的演化理论来探究推荐系统中用户信任的演化机理是未来的主要研究方向。
参 考 文 献
[1] 李金海，何有世.在线评论信息挖掘分析的数据来源可靠性研究[J].软科学，2015，29（4）：94-99.
[2] 杨永清，张金隆，满青珊，等.移动互联网用户采纳研究_基于感知利益_成本和风险视角[J].情报杂志，2012，31（1）：200-207.
[3] 黄浩.移动内容服务采纳过程中的信任变化分析[J].管理评论，2014，26（4）：122-129.
[4] Sztompka P. Trust： A Sociological Theory [M]. UK： Cambridge University Press， 1999.
[5] 边鹏.技术接受模型研究综述[J].图书馆学研究，2012，1：2-10.
[6] 韩超群，杨水清，曹玉枝.移动服务用户采纳行为的整合模型―基于移动阅读的实证研究[J].软科学，2012，26（3）：134-139.
[7] 林家宝，鲁耀斌.移动证券用户的初始信任模型研究[J].管理评论，2011，23（11）：59-68.
[8] Gefen D， Karahanna E， Straub D W. Trust and TAM in online shopping： An integrated model [J]. MIS Quarterly， 2003， 27（1）：51-90.
[9] Cardholm L. Building trust in an electronic environ-ment [C]// Proceedings of the Fourth Nordic Workshop on Secure IT systems， Kista， Sweden， 1999.
[10] 铁翠香.网络口碑效应实证研究――基于信任和感知价值的中介作用[J].情报科学，2015，33（8）：72-78.
作者简介:刘绮虹（1986-），女，广西北海人，硕士研究生，主要研究方向：信息安全； 武小年（1972-）, 男, 湖北监利人，副教授, 主要研究方向：信息安全、分布式计算； 杨丽（1986-），女，广西南宁人，硕士研究生，主要研究方向：信息安全。
文章编号:1001-9081（2011）07-1887-04doi:10.3724/SP.J.1087.2011.01887
（桂林电子科技大学 信息与通信学院，广西 桂林 541004）
（）
摘 要:在信任计算中，推荐信任具有极强的主观性，存在欺骗、诋毁等攻击行为，这些将掩盖被推荐用户行为的真实性，威胁系统安全。针对该问题，提出一种基于用户行为的加权信任计算方法，使用时间衰减标识反馈信息的时间属性，通过直接信任和推荐信任加权计算用户信任度；同时采用反馈可信度评估第三方推荐信任的真实性。仿真实验表明该方法具有较好的动态适应性，能够有效平衡恶意推荐，准确反映用户的行为变化，并计算用户行为的可信性，为系统安全决策提供可靠支持。
关键词:直接信任; 推荐信任; 时间衰减; 反馈可信度
中图分类号:TP393.08文献标志码:A
Weighted trust computation method based on behaviors of users
LIU Qi-hong, WU Xiao-nian, YANG Li
（School of Information and Communication, Guilin University of Electronic Technology, Guilin Guangxi 541004，China）
Abstract: In trust computation, recommendation trust has very strong subjectivity and some aggressive behaviors like deception and slander. Those factors will conceal the authenticity of the behaviors of recommended users and threaten the system security. To address the problem, this paper proposed a weighted trust computation method based on users' behaviors. The time attribute of feedback information was identified by using time attenuation. And the trustworthiness of users was computed based on direct trust and recommendation trust with different weights. Also, this paper introduced feedback credibility to evaluate the authenticity of recommendation trust. The simulation experiments show that this method has better adaptability to the dynamics of trust. It can effectively reduce the impact of malicious recommended trust, and compute accurately the trust of users according to users' behaviors, which provides reliable information to correctly make security decision for the system.
Key words: direct trust；recommendation trust；time attenuation；feedback credibility
0 引言
分布式系统，如云计算［1］、网格计算［2］、P2P等，最大限度地提高了资源的共享程度，并能够通过分布协作支持大规模的分布计算，具有极大的应用前景。但在这些分布式系统中，用户跨域访问及行为的不确定性，使得基于传统软件系统形态的安全技术和手段不能满足其安全需求。而信任机制［3］为解决分布式环境中的安全问题提供了新思路，其能够在没有第三方权威影响的情况下建立不同用户和用户、用户与资源间的信任，并有助于指导系统安全决策，从而为分布式系统提供有效的安全保障。
信任是指在特定的环境下，对某一个体能够独立、安全且可靠地完成任务的坚定信念。目前的信任模型研究［4-7］包括局部推荐、全局可信和身份信任等方面，且主要针对服务方的服务质量进行评价，为用户选择优质服务提供依据，而往往忽略了用户行为的潜在威胁。用户是计算机系统中维持系统正常运行的基本元素，也是系统攻击事件的发起者。因此，加强对用户行为的信任评估，有利于规范用户行为，保障系统安全。
本文提出一种基于用户行为的加权信任计算方法，以网格平台为背景，使用时间帧和衰减函数标识推荐的时间属性，通过对用户的直接信任和推荐信任综合加权计算用户信任度，并采用反馈控制机制动态调整计算用户信任和惩罚恶意推荐服务方。该方法能够客观地计算用户的信任,为后续的系统决策提供可靠的数据支持。
1 相关定义
本文的信任计算主要通过直接信任和推荐信任进行综合加权计算；通过时间衰减标识推荐信任的时间属性；通过反馈可信度识别推荐服务方的推荐真实性，并惩罚恶意推荐和修正被推荐的用户信任。相关概念定义如下。
定义1 实体。指系统中请求服务或提供服务的个体（如用户和服务方）及代表个体的进程。
定义2 时间帧。为系统进行信任采信的时间，以系统初始化时为信任采信原点，以t表示时间帧，t∈N，N为正整数。
定义3 信任度。是对一个实体身份和行为的可信度评估，与这个实体的可靠性、诚信和性能有关，信任度随实体的行为而动态变化。实体n的信任度记为UTtn。
定义4 直接信任。是指某一实体i对与之直接交互的另一个实体n的交互结果进行评价而得到的可信程度，记为DT tin。
定义5 推荐信任。是指某一实体j通过推荐信任关系获得的关于另一实体i对实体n的信任度，记为etin。
3 仿真实验及结果分析
本文基于omnet++4.0仿真软件，采用C++语言对上述用户加权信任计算方法进行了仿真测试。仿真测试采用图1所示的拓扑结构建立了一个仿真测试环境，通过跟踪观察系统中不同用户的用户信任，服务方反馈可信度的变化趋势来检测本方法的有效性；为验证本方法的抗攻击性，将采用本方法与不采用本方法的系统成功交互率进行了比较分析。仿真测试环境中的仿真参数如表1所示。
图1 系统平台的拓扑结构
表1 仿真环境中的仿真参数
3.1 信任计算方法的有效性
仿真实验中存在合法用户、恶意用户、诚实服务方、恶意服务方。合法用户合法使用资源和进行合法操作；恶意用户则滥用资源和违法操作，破坏系统安全。诚实服务方根据交易情况对用户给予诚实的评价；恶意服务方则提供不诚实推荐，即贬低某些用户的推荐信任，诋毁其良好的交互行为，或提高某些恶意用户的推荐信任，意图掩盖其攻击行为并骗取服务。
在实验中，首先对诚实服务方和恶意服务方在推荐信任中的反馈可信度变化进行测试。以恶意用户与合法用户比例为1∶1，恶意服务方与诚实服务方则分别以1∶1和1∶2比例的测试结果如图2所示。
从图2可以看出，恶意服务方提供不诚实的反馈，其反馈可信度逐步下降，诚实服务方一直提供诚实的反馈，反馈可信度逐步上升；反馈可信度的变化符合慢增快减的变化要求，下降快,上升慢。但从图2（a）和（b）的对比可以看出，随着恶意服务方的减少，恶意推荐降低，反馈可信度相应回升；反之反馈可信度下降。实验结果表明了式（3）计算的反馈可信度能够准确、稳定地反映服务方提供反馈的情况，从而降低虚假推荐对用户信任度的影响，并对恶意服务方进行惩罚。
其次，对式（6）计算的用户信任度进行测试。设恶意用户与合法用户的比例为1∶2，以恶意服务方与诚实服务方1∶1和1∶2比例分别测试用户信任度的变化，结果如图3所示。
图2 反馈可信度的测试结果
图3 用户信任度的测试结果
首先，从图3可以看出，合法用户的用户信任值随着其良好行为不断上升，而恶意用户因为其破坏行为导致其用户信任值不断下降，下降到一定的程度后导致用户信任值过低，从而无法获得服务因而不再更新用户信任值；用户信任度的变化符合慢增快减的变化要求，下降快，上升慢。其次，从图3对比可以看出，由于用户可信度主要由用户自身行为的好坏决定，反馈可信度权重较小，因此尽管诚实服务方增加，用户信任度变化不明显，符合用户信任计算的权重影响。上述实验结果表明，式（6）所计算的用户信任度的变化趋势与用户行为一致，其能够有效识别用户的恶意行为，并抑制恶意用户的破坏行为。
3.2 系统的抗攻击性
最后，实验测试了系统采用式（6）的用户信任度计算方法和不采用该信任计算在系统决策时对系统的影响。采用用户信任度计算后，只有当用户信任度满足相应的条件，系统才提供服务，否则将拒绝提供服务。但若不考虑用户信任度，系统接受所有用户访问请求，但在服务过程中，用户的恶意行为可能会导致服务的失败。因此，采用用户访问的成功交互率来衡量不同用户访问对系统的攻击性。成功交互率指的是在仿真时间内，用户与服务方进行成功交互的次数与用户申请服务次数的比例。成功交互率能够在一定程度上反映系统的抗攻击能力。实验分别以恶意用户与合法用户1∶1，恶意服务方与诚实服务方1∶1的比例；恶意用户与合法用户1∶2，恶意服务方与诚实服务方1∶2的比例进行了测试，测试结果分别如图4所示。
从图4中可以看出，初始时，系统采用信任计算和不采用信任计算的成功交互率都相差不大，但一段时间后，在采用信任计算的系统中，随着信任计算的深入，系统逐步识别出恶意用户和恶意服务方，并在系统决策中加强对恶意用户的服务控制，因而，系统的成功交互率随着时间的递增不断提高。而没有采用信任计算的系统因无法识别恶意用户，使得其成功交互率基本保持在恶意用户与合法用户访问的比率上。采用信任计算的系统的成功交互率都要高于不采用信任计算的系统。而图4的对比也说明，恶意用户和恶意服务方越少，系统的成功交互率越高，这进一步表明系统通过采用本文的信任计算方法能够有效识别恶意用户并抵御其攻击行为，确保较高的成功交互率，从而保障系统安全。
4 结语
本文提出了一种基于用户行为的加权信任计算方法，通过直接信任和推荐信任进行综合加权计算；以时间帧和时间衰减函数标识推荐信任的时间属性；通过反馈可信度识别推荐服务方的推荐真实性，并惩罚恶意推荐和修正被推荐的用户信任。仿真实验结果表明该方法能够有效识别推荐信任中的虚假推荐和恶意用户，能够在一定程度上抑制合伙欺骗攻击行为，为系统正确决策提供依据。
图4 成功交互率的测试结果
参考文献:
［1］ WIKIPEDIA. Cloud computing ［EB/OL］. ［2010-08-10］. /wiki/Cloud _computing.
［2］ FOSTER I, KESSELMAN C. The grid: Blueprint for a new computing infrastructure ［M］. 2nd ed. New York: Morgan Kaufmann, 2004.
［3］ 张润莲,武小年,周胜源,等. 一种基于实体行为风险评估的信任模型［J］. 计算机学报, 2009, 32（4）: 689-698.
［4］ 田春岐,邹仕洪,王文东,等. 面向P2P网络应用的基于声誉的Trust管理模型［J］. 通信学报, 2008, 29（4）: 64-71.
［5］ 张宇,陈华钧,姜晓红,等. 电子商务系统信任管理研究综述［J］. 电子学报, 2008, 36（10）: 2011-2020.
关键词:数字图书馆;推荐系统;研究进展
Abstract:By introducing several common recommendation systems such as Tapestry， Fab， Citeseer， SERF， Melvyl and Amazon， this article summarizes the overseas research progress on digital library recommendation sys- tems， analyzes theirmajor characteristics， and points out their reference significance to digital library construction at home·
Keywords:digital library; recommendation system; research progress
数字图书馆推荐系统是通过向用户提供有关的文献信 息或利用的建议，帮助用户找到和选择比较相关信息的一 种工具。它能够收集和统计用户查找信息，通过分析用户 行为的特点来对信息内容进行推荐。近年来，国外对数字 图书馆推荐系统的研究取得一定的进展，本文将对国外常 见的几种数字图书馆推荐系统加以介绍和评价.
1 Tapestry系统 1992年12月，美国施乐公司研究所开发了Tapestry 系统，这是早期的推荐系统，目的是过滤海量的电子邮 件，推荐电子新闻[1]。在Tapestry系统中，用户可以对阅 读过的文章发表意见，标注出他们是“喜欢”或“讨厌” 这篇文章。其他用户既可以根据关键词检索文章，也可以 根据用户的评注来选择文章阅读。Tapestry系统以促进用 户之间相互了解为前提，从而让用户清楚哪些评注具有参 考价值;它不是自动根据用户兴趣进行推荐，而需通过用 户构造较复杂的查询才能得到检索结果。其体系结构如图 1所示。开发者Goldberg等人还首次提出“协同过滤”的 概念:即人们相互协作，通过记录其对阅读过的文档的反 应态度(有兴趣或不感兴趣)进行筛选，这对以后的推 荐系统研究与开发具有重要的启发意义.
2 斯坦福大学的Fab系统 Fab系统是斯坦福大学数字图书馆项目研究的一部分 内容。1997年3月， M·Balabanovic详细介绍了Fab系统 的结构与功能[2]。Fab旨在帮助用户从海量的互联网信息 中筛选出有用信息。该系统结合了基于内容的推荐和协同 推荐的优点，采用混合推荐技术向用户推荐感兴趣的信 息。其推荐过程可分为两步:第一，收集信息建立可管理 的数据库;第二，为特定用户从数据库中选择所需要的信 息。Fab主要由3个部分组成:收集(即查找特定主 题的网页)、选择(即为特定用户查找网页)和中央 路由器。每个都根据有用户评价的网页所包含的词语 构成一个文档(Profile)。收集的文档代表目前的主 题，而选择的文档代表单个用户的兴趣。收集将 收集到的网页提交给中央路由器，再由中央路由器根据页 面与用户文档的匹配程度向用户推荐页面;用户的选择代 理还可以删除用户已经看过的页面，并在任何单批的推荐 (通常为10页)确保每个站点最多推荐一个页面。用户的 反馈往往投入了大量的时间和精力，应将其存储在各自的 选择文档中，并确保不被其他用户反馈所“淹没”.
用户需要对推荐的页面予以评级，据此更新其个人选择代 理的文档以及调整原始收集的文档。同时，用户评价 较高的页面直接推荐给具有相近兴趣的用户，实现协同推 荐。而打分特别高的网页将会直接推荐给用户的最近邻 居，即和用户具有相似偏好的其他用户。Fab系统的优点 是综合了各种主要的过滤方法，能够对一些数据量大、变 化性强的信息进行过滤，可以进行动态反馈，实现个性化 推荐服务.
3 C iteseer系统 CiteSeer是在自动引文标引(AutonomousCitation Inde- xing， ACI)的基础上建设的一个学术论文数字图书馆 (网址为http: //citeseer·ist·psu·edu)，它提供了一种通过 引文链接检索文献的方式，目标是从多个方面促进学术文 献信息的传播与反馈。CiteSeer可以检索互联网上“Post- script”和“PDF”文件格式的学术论文。它通过网上搜 索引擎，根据给定的关键词查找、下载论文，分解论文， 提取摘要、引文等特征信息，然后建成数据库。用户可利 用关键词或链接到与给定文章有相同引文或引用了该文章 的论文在数据库中寻找相关文献。除了简单浏览和关键词 搜索，系统可利用文字信息和共引分析方法找到相似文 献。CiteSeer采用自动引用标引来提高科技文献分发或检 索的质量，考虑了文档间的引用关系，把引证脉络凸显出 来，按照文章声望的高低向用户。这些系统从大的分 类上都为信息检索系统，但同时也包含了信息过滤及协作 过滤技术。CiteSeer预测用户对网页喜好程度，对网页的 评价是通过监控用户的书签以及书签目录隐含信息而得 到。如果把一个URL保存到一个书签目录中，则认为用 户喜欢该URL代表的网页。用户概况表通过一系列URL 来描述。使用最邻近邻居方法计算用户间的相似度，把出 现在多个邻居中的URL向目标用户推荐[3].
Citeseer系统主要由以下部分组成:自动定位、获取 研究刊物的子;文档解析器和数据库生成器;支持关 键词检索和引用链接浏览的数据库浏览界面。该系统的结 构见图2。2008年7月， K·Chandrasekaran等人提出了一 种新的推荐方法，系统可以向Citeseer数据库中的作者推 荐他们可能感兴趣的研究论文[4]。首先，根据作者已发表 的论文情况，为其建立用户文档。然后，基于用户文档与 收集到的文档内容的相似性，向作者推荐其他论文。该文 还介绍了一种表示用户文档的新方法:概念树和使用树形 修改距离度量计算用户文档和内容文档之间相似性的算 法。实验证明，基于概念的算法要比传统的基于空间向量 模型推荐技术效果较好.
4 基于图表的数字图书馆推荐系统 2002年，美国Arizona大学的Z·Huang等人介绍了一 种基于图表的数字图书馆推荐系统[5]。该系统综合了基于 内容的推荐系统和协同推荐系统的特征，且在网上书店进 行实施。网上书店记录了图书的主要内容、客户的个人背 景和购买历史等，这些内容与数字图书馆中的文档内容、 用户特征、使用记录等很相似。此方法包括两个阶段。第 一阶段，使用实际客户和图书的特征向量来表示客户和图 书。客户的特征向量包括客户的个人背景，图书的特征向 量主要包括图书的特性和文本信息，如标题、简介、前言 等。然后根据特征向量，利用相似性公式，计算客户与客 户之间以及图书与图书之间的相似性。这种模型比较简 单、直观。第二阶段，对书籍、客户和购买交易模型化， 形成一个扩展的图表。利用第一阶段计算的相似性权重， 构建一个包含图书层和客户层的双层图表。如图3所示.
图3中上层是图书层，下层是客户层。图书层的每个 节点代表一本书，两个节点之间的链接代表两本书内容的 相似性。客户层的每个节点代表一个客户，两个节点之间 的链接代表客户个人背景的相似性。该模型除了描述层内 部的联系，也描述了层与层之间的联系。这些联系基于客 户的购买历史，图书层的节点和客户层的节点间的一条链 接代表着一次购买。在该模型中，推荐活动成为一种图表 搜索任务。模型中有3种链用来寻找与客户有密切联系的 图书，可以使用不同的图表搜索方法来定义推荐条目.
5 俄勒冈的SERF系统 目前图书馆拥有很多数字无障碍资源，既有内容的标 引数据也有大量原始内容。使用现成的搜索技术可以单点 获取图书馆资源，但是这种全文索引技术并不能够完全满 足图书馆查询需要。针对这种情况，美国俄勒冈州立大学 图书馆于2004年设计了一个电子推荐过滤系统(The Sys- tem for Electronic Recommendation Filtering ， SERF)[6].
SERF是一种通过协作过滤的新型搜索引擎，当用户提问 时， SERF记录了这个问题，当用户查看结果或利用一个 网页时，可以通过鼠标点击决定找到的信息结果是否有 用。利用SERF可以统计是否满足用户的信息需求结果， 然后再向其他有类似问题的用户进行推荐。经过多次训练 和改进， SERF不断
提高推荐的能力。实验表明， SERF有 效地提高了检索效果和效率。SERF鼓励用户输入更长、 信息量更大的查询，收集用户对搜索结果的评价，看其是 否满足用户的信息需要。这些评价可以为后来有类似需要 的用户提出建议。一段时间后， SERF就可以从用户反馈 中知道哪些文件对哪些信息需求有价值。这种推荐系统有 助于提高图书馆文献信息搜索过程的效率。用户有了推荐 信息后，就只需查看少量的搜索结果，而且推荐的文件往 往比传统的搜索引擎返回的文件用户评价得分高。SERF 的设计和利用深受协同过滤方法影响，希望能对信息进行 更有效的搜索，因为许多用户具有非常相似甚至相同的信 息需求。因此，通过研究第一个人的信息需要，可以减少 其他具有相同需求的用户检索信息花费的时间和精力。然 而， SERF又不同于传统的协同过滤。它不是根据兴趣的 相似性将用户进行匹配，而是根据信息内容的相似性进行 匹配。信息内容不仅包括反映有关用户以往兴趣的个人资 料，也包括对他们当前信息需求的表述。SERF将用户指 定的文字查询作为他们当前需要的指标，用户首先输入与 所需信息相关的问题或陈述，如果之前的用户有过类似的 查询， SERF就向用户推荐之前的用户搜索到的相关且有 用的文件、网站或数据库。SERF通过以下观察确定与问 题有关的资源:①用户明确指出哪些资源是有价值的;② 用户的某种行为暗示着该种资源是有用的，以使用关键词 匹配的技术找到类似的信息需求。SERF实际上是采用协 同过滤进行图书馆资源的搜索.
6 加州大学M elvyl推荐系统 2006年7月，加州大学伯克利分校图书馆项目推出 了Melvyl推荐系统，旨在缩小用户需求及用户对信息检索 系统的期望与图书馆实际能提供的服务之间的差距[6].
Melvyl推荐系统探讨了两种生成推荐系统的方法:第一种 方法利用加利福尼亚大学洛杉矶校区图书馆的流通数据进 行推荐。基于流通数据的推荐是一种以加权图模型为基础 的简便方法，它以图书为节点，以借阅了相同书目的用户 为边。当同一本书被不同用户借阅的次数越多，它在模型 边上的权重就越大。通过沿着同一用户借阅其他条目的 边，可以为模型中的任何一个节点产生推荐。根据边上的 权重可以迅速对推荐进行排序.
如图4所示， A， B， C， D 代表了4个不同条目， A与B， C， D连线上的数字分别代表同 时借阅了A和B的人数为1， A 和C的人数为3， A和D的人数 为5人。因此，对A的推荐排序 依次是: D， C， B。第二种方法 是基于相似性的推荐，通过一定 的手段使用书目记录中的术语，开发具有相似条目的查询 “更多像这样的条目”。该算法为目标条目分析书目元数 据的内容，选择有记录的最重要的术语，形成一个新查 询。排在最前面的条目是由于新查询作为推荐而被提出.
此外，还将同一作者、主题或相关内容的图书进行聚合， 从而为用户迅速找到相关的图书资料。Melvyl推荐服务可 作为一种查询扩展工具，当检索出的结果过于狭窄或单一 时，还给用户建议可选择的检索策略。Melvyl带有推荐服 务功能的网上图书馆目录很受用户欢迎，对学术研究也十 分有帮助.
7 Amazon网络书店的推荐系统 亚马逊网络书店采用了条目对条目的协同推荐算法， 先在网下建立一个项目相似表，网上推荐时先查看这个表 中用户的购买和评级情况，然后计算出总的客户数和购买 目录的数量，再得出推荐结果[7]。由于此算法推荐的都是 类似条目，因此推荐效果比较好，能够在大量的数据中进 行短时间的实时推荐。它的图书推荐策略具有如下特点.
1)推荐内容比较丰富。亚马逊网络书店具有比较完 备的图书信息，包括:①图书外表信息，如书的封面、尺 寸、页数、装订形式等。②图书的出版形式，如书名、作 者、出版社、出版日期、国会图书馆分类号、ISSN等.
③图书的销售信息，包括销售价格、销售排名等。④书的 内容信息，书评摘要、精彩片段。⑤服务信息，图书的递 送的时间、库存状况等。亚马逊网络书店还通过对一些侧 面信息的描述来反映图书的内容。比如书籍的适用年龄、 与该书主题相关度较大其他书籍、与该书具有相同读者群 的书籍、该书在亚马逊销售排行榜中的位置等。而“用语 索引”功能会列出书中出现最频繁的100个名词或形容 词;“索引”功能会标出书中引用过的其他书籍的信息; “标签”功能允许读者为书籍添加自己认为能够描述该书 内容特点的标签，并可以查看相同标签下的其他书籍信 息。亚马逊还通过一些数据分析，如全文复杂单词量，句 子平均单词量来揭示图书的可读性指数和复杂性指数。这 些功能是为了向用户推荐更多可购买的图书，在一定程度 上也帮助读者了解到了与书籍内容相关的信息.
2)推荐的自动化程度较高。亚马逊提供了“一点即 通”功能。用户注册后，它会自动记忆其IP地址，当用 户再次访问时会直接进入“我的商店”，注册用户可以直 接快速地寻找到所需的物品，满足了其个性化需求。利用 用户注册程序，搜集用户信息，提供相关服务。当用户在 查找书籍时，向读者提供相关书籍和服务，并进行相关跟 踪分析，不断地搜集读者信息，以便向读者提供合适的可 选择图书。根据用户的年龄、职业、兴趣爱好等基本信息 情况，亚马逊网络书店定期通过电子邮件提醒用户他们感 兴趣的图书信息，还利用软件收集用户在购物爱好和购物 历史方面的信息，随时为用户购买图书提供建议。它自动 分析用户的购买记录，为每个用户提供为其个性化专门定 制的推荐书目。向老用户提供“购物建议单”服务。根 据产品的不同属性，给用户相应的产品信息与消费信息， 以图书为例，除了价钱，折扣外还给予不同等级的推荐， 用1颗星到5颗星来表示。用户还可留下自己的意见，通 过人与人之间的互动关系进行互相推荐。在自动协同过滤 系统中，它向用户提供一个推荐过程直观的说明，使用户 参与推荐，获得更好的推荐效果.
3)推荐方法多种多样。亚马逊采用了多种推荐策略， 包括个性化与非个性化推荐策略的混合使用。书评推荐是 它的一大特色，主要来自书的作者、出版者与读者，从不 同角度以不同方式来撰写书评，以便对一本书提供多角度 的分析与评价。专家书评包括与亚马逊策划联盟所提供其 他媒体专家的书评以及网站的编辑书评，内容较为专精， 参考价值比较大。而读者书评大多是主观性的感受以及对 所购图书的满意度。亚马逊网络书店对撰写书评提出了具 体要求，撰写书评的人都要遵循特定的规定。读者评论则 较自由，可以留下通信地址，以便于读者相互交流和进行 个性化信息服务，对相类似的图书进行推荐.
目前国外常见的数字图书馆推荐系统有:①卡内基· 梅隆大学开发的主动协作过滤推荐系统(Active Collabora- tive Filtering， ACF)协作过滤推荐，主要用于电子文档的 推荐。ACF系统通过指针实现协作过滤服务，指针包含指 向电子文档的超文本链接，电子文档的上下文信息以及用 户撰写的电子文档评论。在ACF系统中，用户可以通过 主动的方式将创建的指针推荐其他感兴趣的用户。也可以 将创建的指针保存在系统中供其他用户查看， ACF系统适 合用于用户群体比较小的场合。②MIT开发的GroupLens 自动协同过滤推荐系统，主要用于新闻组信息的推荐，通 过客户评分信息自动搜索客户的最近邻居。③由明尼苏达 大学开发的研究型自动协作过滤推荐系统MovieLens可以 用于Web电影资源的推荐，系统通过浏览器的方式进行 用户数据的收集与推荐结果显示.
这些系统的主要特点表现在:①个性化的推荐。很多 的推荐结果是对具体用户或用户群体的，针对性较强。② 推荐的自动化程度比较高。大多数的推荐功能都通过计算 机自动完成，包括用户兴趣偏好信息收集，需求特点分 析、相关文献内容的匹配等都是通过系统自动进行。③推 荐方法比较丰富。推荐策略包括基于内容的推荐、基于用 户使用记录分析推荐、基于关联规则推荐、基于协作过滤 推荐、基于引文分析推荐等，有些综合采用多种推荐策略 与方法。④推
荐载体多样化。除了文本图书外，还包括多 媒体、网络资源等。⑤实时性强。许多系统实时网络在线 推荐。⑥注意推荐效果的反馈和评价，不断改进系统功 能。这些做法对我国的数字图书馆推荐系统建设具有一定 的启示和借鉴意义。
[关键词] 电子商务 推荐系统 推荐技术
一、引言
随着网络的广泛普及，电子商务对传统的商贸活动产生了革命性的变化，产生从以商品为中心到以客户为中心的商业模式的转变。新的商业环境在为企业提供新的商机的同时，也对企业提出了新的挑战。围绕客户进行服务，为客户提供所需要的商品，所以对每个客户提供个性化的服务已经成为必要。而电子商务推荐系统成为解决问题的重要途径。本文研究了电子商务推荐系统中的各类推荐技术。
二、电子商务推荐系统
电子商务推荐系统定义为：利用电子商务网站向用户提供商品信息和建议，帮助客户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。它是一个基于客户网上购物的以商品为推荐对象的个性化推荐系统，为客户推荐符合其兴趣爱好的商品。分析客户的消费偏向，向每个客户具有针对性地推荐的产品，帮助客户从庞大的商品目录中挑选真正适合自己需要的商品。电子商务推荐系统在帮助了客户的同时也提高了客户对商务活动的满意度,从而换来对电子商务站点的进一步支持。
电子商务推荐系统主要起到了三个方面的作用：首先，极大地增加了客户，可以把网站的浏览者转变为购买者，提高主动性；其次，可以提高网站相关系列产品的连带销售能力；最后，可以提高、维持客户对网站的满意度和信任度。
电子商务推荐系统具有良好的发展和应用前景。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留客户，提高电子商务网站系统能大大提高企业的销售额。成功的电子商务推荐系统将会产生巨大的经济效益和社会效应。
三、电子商务推荐技术
目前,电子商务推荐系统中使用的主要推荐技术有基于内容推荐,协同过滤推荐,基于知识推荐,基于效用推荐，基于关联规则推荐,混合推荐等等。
1.基于内容的推荐。它是信息过滤技术的延续与发展，项目或对象通过相关特征的属性来定义，系统基于商品信息, 包括商品的属性及商品之间的相关性和客户的喜好来向其推荐。基于商品属性主要是基于产品的属性特征模型推荐。
内容推荐技术分析商品的属性及其相关性可以脱机进行，因而推荐响应时间快。缺点是难以区分商品信息的品质和风格，而且不能为用户发现新的感兴趣的商品，只能发现和用户已有兴趣相似的商品。
2.协同过滤推荐。协同过滤推荐是目前研究最多、应用最广的电子商务推荐技术。它基于邻居客户的资料得到目标客户的推荐,推荐的个性化程度高。利用客户的访问信息,通过客户群的相似性进行内容推荐,不依赖于内容仅依赖于用户之间的相互推荐,避免了内容过滤的不足,保证信息推荐的质量。
协同过滤推荐优点有:能为用户发现新的感兴趣的商品;不需要考虑商品的特征,任何形式的商品都可以推荐。缺点是:稀疏性问题,用户对商品的评价矩阵非常稀疏;可扩展性问题,随着系统用户和商品的增多,系统的性能会越来越低;冷启动问题,如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐。
3.基于知识的推荐。在某种程度上可以看成是一种推理技术，各个方法因所用的知识不同而有明显区别。基于知识的推荐提出了功能知识的概念。简单的说，功能知识是关于某个项目如何满足某个特定客户的知识，它能解释需要和推荐之间的关系。在基于知识的推荐看来，客户资料可以是任何能支持推理的知识结构，并非一定是用户的需要和偏好。
4.基于效用的推荐。它是根据对客户使用项目的效用进行计算的，核心问题是如何为每个客户创建效用函数，并考虑非产品属性，如提供商的可靠性和产品的可用性等。它的优点是能在效用函数中考虑非产品因素。效用函数通过交互让用户指定影响因素及其权重对于大多数用户而言是极其繁琐的事情，因而限制了该技术的应用。
5.基于关联规则的推荐系统往往利用实际交易数据作为数据源，它符合数据源的通用性要求。以关联规则为基础，把已购商品作为规则头,推荐对象作为规则体,其中关联规则的发现最关键且最耗时,但可以离线进行。其特点是实现起来比较简洁,推荐效果良好,并能动态地把客户兴趣变化反映到推荐结果中。
6.混合推荐技术。混合推荐系统整合两种或更多推荐技术以取得更好的实际效果。最常见的做法是将协同过滤推荐技术与其它某一种推荐技术相结合。例如,结合基于协同过滤和基于内容推荐这两种推荐技术,尽量利用它们的优点而避免其缺点,提高推荐系统的性能和推荐质量。比如,为了克服协同过滤的稀疏性问题,可以利用用户浏览过的商品预期用户对其他商品的评价,这样可以增加商品评价的密度,利用这些评价再进行协同过滤,从而提高协同过滤的性能。
四、总结
电子商务推荐系统，一方面有助于电子商务网站内容和结构自适应性的实现，另一方面在帮助客户快速定位感兴趣的商品的同时也为企业实现了增值。电子商务推荐系统作为有利的分析工具和促销手段，已成为电子商务网站的竞争工具，必将获得广泛的应用和发展。本文对电子商务推荐系统进行了介绍，并对推荐技术进行了概述。目前国内的电子商务网站在这方面的实践处在快速发展的阶段，因此还需要继续研究出更智能、更优化的电子商务推荐技术。
参考文献：
[关键词] 多智能体系统 偏好推荐 个性化 拍卖
一、引言
近年来，网络信息量有了飞速增长，如何快速发现用户潜在需求并做出正确的反应成为当前电子商务中亟待解决的问题。传统的信息获取手段在处理非结构化的资料的能力相对较弱，它不能从海量的信息中找出用户感兴趣的知识，更不能处理随用户不同而变化的个性知识、随地域不同而变化的区域性知识以及不同领域的专业性知识等。为此，本文试图创建基于多智能体的用户偏好挖掘模型，通过网络顾客提供的静态和动态信息，对顾客偏好进行分析，建立基于多agent的顾客需求系统，以发现顾客的真实需求。
二、推荐系统框架分析
一般个性化推荐系统的推荐的过程是：用户提交检索信息、偏好表示、信息推荐、用户反馈。在多agent推荐系统中，系统对用户行为的识别和表示，是通过智能体合作协商通信来实现的。个性化推荐系统的基本功能包括：分析顾客的行为，建立顾客行为的表示模型；利用模型向用户提供推荐；对推荐进行反馈，并根据反馈修正推荐。基于多agent系统的顶层数据流程图如图1。
用户识别模块：对用户历史信息进行对比识别，并对用户的浏览习惯进行识别，以减少用户误识别的概率。
行为识别模块：根据信息及其来源识别用户和行为，并将信息转换为系统可识别的偏好信息，以便于数据分析。
行为收集模块：将用户记录按照相应格式存入数据库。
用户偏好模块：判断是否有用户记录，并根据用户即时信息和存档信息选择构建偏好模型或进行偏好更新。
数据挖掘模块：被动的接受请求或主动的对用户历史行为记录进行数据挖掘，通过神经网络、聚类等方法，进行顾客购买、访问行为的分析，或在数据分析人员的干预下进行推荐效果分析，为偏好推荐模块提供参考。
偏好推荐模块：根据相关模块得到的用户偏好信息、用户行为信息、数据挖掘结果和相应推荐规则，做出推荐。
推荐协商模块：其通过与“黑板”进行关于当前搜索趋势方面进行交互，并对推荐结果进行相应修正。并在用户反馈的基础上，对用户偏好进行学习，并建立相应的学习经验。在对结果进行修正后，将推荐结果返回给用户。
在整个推荐过程中，这样一个行为收集、偏好分析、推荐结果的过程将不停的重复修正，最终满足客户需求。
三、系统协商过程
偏好推荐部分是个性化推荐系统研究的核心。提高推荐的质量被作为所有推荐系统的共同目标，然而，不同的推荐方法在不同的市场环境中的适应性各有不同。引入多智能体拍卖协商机制后，所有被推荐的项目都有自己投标价格，系统就可以从中筛选出投标价格最高的推荐项目提供给用户。
本统体系结构严格遵照mas（multi-agent system）有关agent生命周期思想，通过模拟拍卖过程进行偏好推荐。在系统中偏好推荐agent作为卖方智能体，协商agent作为拍卖主持智能体。协商智能体根据客户对商品的需求程度、个人偏好、风险态度、供货数量等利用博弈分析算法自动计算出最优竞价策略，并向供应商发出投标，等待交易消息，收到成功消息，偏好推荐agent在第一次报价时根据经验得到的权重进行加权，得到第一次报价。协商agent获得投标消息后，拍卖主持agent处理收集到的各竞标agent投标信息，根据拍卖机制库将投标结果进行排序，然后公布该阶段的最高投标人和当前的次高投标价，并发送给各竞标agent，然后进入下一阶段。确定投标价格，后通知客户，并进行交易，若协商失败，则开始一轮新的协商。如果某一阶段，上一阶段的次高价格已经超过它的保留价，它就发消息给拍卖主持agent，然后退出拍卖将最终投标消息返回给用户。直到最后一个阶段，拍卖主持agent处理完收集到的各竞标agent投标信息后，公布竞标结果。
四、系统算例
系统采用movielens站点的数据集进行实验，通过对协通过滤算法的推荐结果进行竞标优化。对推荐结果的评价采用统计精度度量方法中被广泛采用的平均绝对偏差mae作为推荐精度度量标准。平均绝对偏差mae通过计算预测的用户评分与实际的用户评分之间的偏差度量预测的准确性，mae越小，推荐质量越高。设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定义为：
试验过程中,分别指定用户聚类的数目为30,40,目标用户的最近邻居个数从10增加到40,间隔为10,分别计算本文提出的算法与传统的协同过滤推荐算法的mae,试验结果如图4.1：
由图看出，本文提出的基于mas的协同过滤推荐算法均具有较小的mae。由于本系统只是对协同过滤算法进行优化，其结果的改进是有限的，如果卖方可以采用不同的推荐算法，其推荐精度将可能有较大的提高。由此可知，与传统的最近邻协同过滤推荐算法比较，本文提出的算法可以有效提高推荐系统的推荐质量，弥补了协同过滤算法在稀疏度和冷启动方面的缺陷。
五、结束语
本文的创新点在于，利用多智能体系统在人工智能协商方面的优势，提出了一个基于多智能体个性化推荐系统的架构，在原有推荐算法的基础上通过对不同的推荐结果进行有效性协商，根据不断进行自学习得到最优的推荐结果，以弥补原有推荐算法智能化不足的缺点，为量化、感知用户需求等问题提供了新的研究思路。
参考文献：
[1]王继成 潘金贵 张福炎:web文本挖掘技术研究[j].计算机研究与发展，2000，37(5):513～520
[2]韦鲁玉 丁华福:基于agent的个性化智能信息检索系统[j]. 信息技术， 2007，(01)
