个性化推荐系统范文第1篇
别跟我说"我爱你",这个谎,因为以前我也对别人撒过
我输过，但我没怕过;我败过，但我没放弃过
要理想不要幻想，要激情不要矫情。凡事知足常乐。
我们一直在寻觅，寻觅，那个我们都有的结局。
从蛹破茧而出的瞬间，是撕掉一层皮的痛彻心肺.
伤感个性签名：是我勇敢太久，决定为你一个人而活。
每个人都是一个国王，在自己的世界里纵横跋扈
就在那一瞬间，我仿佛听见了全世界崩溃的声音。
谁都不想辜负的人，最后很可能会辜负自己。
在别人眼里，天空是蓝色的，可在我眼里，它是灰色的
天空的飞鸟，是你的寂寞比我多，还是我的忧伤比你多?
最美的不是那个和迩一起避雨的屋檐，而是那个下雨天
QQ个性签名：说忘记就忘记的，恐怕是没有真正的爱过
个性化推荐系统范文第2篇
摘要：以黄花蒿（Artemisia annua L.） 1-脱氧-D-木酮糖-5-磷酸还原异构酶基因（DXR）为研究对象，利用美国国家生物技术信息中心（NCBI）网站及生物信息学软件对碱基分布、氨基酸组成、亲疏水性及编码蛋白结构进行预测，用Clustal W进行多序列比对，用MGEA构建系统发育树，用STRING进行蛋白互作网络分析，研究黄花蒿DXR基因特征并预测分析DXR蛋白结构与功能。结果表明：黄花蒿DXR基因mRNA序列长度为1 419 bp，编码蛋白包含472个氨基酸，等电点为6.15；DXR蛋白为疏水性蛋白，无信号肽，无跨膜结构域。多序列比对及系统发育树分析表明，黄花蒿DXR蛋白与杭白菊DXR（BAE79548.1）的相似度最高，为98%，且处于同一分支，亲缘关系较近。蛋白结构分析显示，α-螺旋、无规则卷曲是黄花蒿DXR蛋白的主要结构元件。互作网络分析显示，黄花蒿DXR在2-甲基-D-赤藓糖醇-4-磷酸（2-C-methyl-D-erythritol-4-phosphate，MEP）代谢途径中，可与CMS、DXS、HDS等多个蛋白发生互作。黄花蒿DXR基因在进化过程中相对保守，获得的保守区序列信息为其他物种DXR基因的克隆奠定了基础，深入研究该蛋白酶的结构和功能特征，也为今后提高青蒿素的生物合成量提供理论支持。
关键词：黄花蒿；DXR基因；生物信息学；同源序列；多重序列比对；蛋白结构；蛋白互作网络；青蒿素；生物合成量
黄花蒿（Artemisia annua L.）为菊科蒿属的一年生草本植物，生态适应性非常广，在我国各地均有分布，已入药2 000多年，具有清热解毒的功效，为我国传统中草药之一。其主要有效成分青蒿素在抗疟，治中暑、荨麻疹和灭蚊等方面具有重要功效，是目前世界卫生组织推荐治疗疟疾的首选药物[1-2]。中国青蒿素产量占世界总产量的70%左右[3]，由于野生资源的黄花蒿中青蒿素含量较低（0.01%～0.8%），致使青蒿素价格较高，很难满足医药需求[4]。近年来，利用环己烯酮[5]、青蒿酸[6-7]等物质化学合成青蒿素取得一定成果，但因青蒿酸的生产主要依赖黄花蒿叶片，青蒿素的全化学合成几乎不可能[8]。生物合成青蒿素仍是生产青蒿素的主要途径，培育黄花蒿则成为提高青蒿素产量的关键。通过对青蒿素生物合成中关键酶的研究，利用基因工程获得高产转基因黄花蒿植株是解决这一矛盾的有效途径。
青蒿素是含有过氧基团的倍半萜内酯，属于萜类化合物。绝大多数萜类化合物的合成前体是异戊烯基焦磷酸（IPP），植物体内IPP的生物合成主要存在2条不同的代谢途径：一是定位于细胞质中的甲羟戊酸（mevalonate，MVA）途径[9]；另一条是定位于质体中的2-甲基-D-赤藓糖醇-4-磷酸（2-C-methyl-D-erythritol-4-phosphate，MEP）途径[10]。1-脱氧-D-木酮糖-5-磷酸还原异构酶（DXR）催化1-脱氧-D-葡萄糖-5-磷酸（DXP）产生异构并还原生产MEP，是MEP代谢途径中最重要的限速反应，也是细胞质体内类异戊二烯化合物代谢中的重要调控稳点[11]。DXR在植物类异戊二烯生物合成过程中发挥了重要作用。Mahmoud等发现，薄荷过量表达DXR，可促进叶片中薄荷油等单萜的合成，使薄荷精油量提高50%[12]。Carretero-Paulet等发现，在过量表达DXR的转基因拟南芥中，叶绿素、类胡萝卜素水平都显著提高[13]。Graham等通过对青蒿基因组测序并对青蒿素合成相关基因进行分析表明，DXR与青蒿素合成呈正相关[14]。
近年来，拟南芥、番茄、水稻、玉米、银杏、橡胶树及喜树等多种植物的DXR基因得到解析[15-16]，但尚未有报道利用生物信息学的方法系统研究这些基因，制约了其他物种中该基因的克隆与功能验证。本试验利用生物信息学方法对黄花蒿DXR基因以及GenBank上已发表的其他植物DXR基因进行序列分析和功能预测，利用分子互作技术对黄花蒿DXR基因进行全面分析，旨在为提高黄花蒿青蒿素产量提供新思路，为其他植物DXR基因的克隆、功能验证提供理论和实践参考依据。
1 材料与方法
数据来源于美国国家生物技术信息中心（NCBI）核苷酸和蛋白质数据库中已登陆的黄花蒿DXR基因的核苷酸序列（GenBank登录号：AF182287.2）、氨基酸序列（GanBank登录号：AAD56391.2）[17]。
黄花蒿DXR序列分析：利用NCBI在线工具ORF-Finder翻译蛋白并进行开放阅读框（ORF）查找。利用ExPASy ProtParam预测分析编码蛋白的相对分子量、理论等电点、稳定性等理化性质[18]。用Target 1.1 Server在线软件分析编码蛋白的导肽[19]。用SignalP 4.1在线软件分析编码蛋白信号肽[20]。用TMHMM Server软件对编码蛋白的跨膜结构域进行预测分析[21]。用WOLF PSORT预测蛋白亚细胞定位信号[22]。用ProtScale分析编码蛋白的亲疏水性。用NetPhos 2.0 Server分析编码蛋白潜在的磷酸化位点[23]。利用NCBI BLAST筛选同源序列，用Bioedit软件进行多序列比对分析。利用MEGA 5.2 软件邻接算法N-J（Neihgbor-Joining）[24]，选用JTT+I模型运算1 000次构建系统进化树，并利用Bootstraping自展法对其进行评估。
蛋白结构预测及互作网络分析：用NCBI CDD工具对蛋白保守区域进行预测分析；用ExPaSy-SOPMA软件分析编码蛋白二级结构；用SWISS-MODEL自动建模方式来筛选构建三维模型，用X射线衍射结构进行模型修饰；用Swiss-Pdb viewer构建拉氏构象图，对建模准确性进行评估；用STRIG 9.1（http：//string.embl.de/）[25]进行蛋白质互作网络分析。
2 结果与分析
2.1 黄花蒿DXR基因分析和蛋白分析
2.1.1 黄花蒿DXR基因序列分析 NCBI上登录的黄花蒿DXR序列是从黄花蒿mRNA中克隆得到的全长CDS（coding sequence）序列。序列全长为1 419 bp，其中包含多个起始密码子（ATG）和1个终止密码子（TGA）。其中A有379个，T有415个，A+T含量较高，为55.95%；C有292个，G有333个，C+T含量较少，为44.05%。
2.1.2 黄花蒿DXR编码蛋白的氨基酸组成及其理化性质分析 通过ORF-Finder软件分析发现，黄花蒿DXR编码蛋白编码472个氨基酸。该预测蛋白原子总数为7 204个，分子式为C2 278H3 634N600O677S15，蛋白相对分子量为50.74 ku；理论半衰期为30 h；不稳定系数为33.53，小于40.0，说明该蛋白属于稳定性蛋白。此外，该蛋白脂肪系数为98.37，亲水性系数为0.020，理论等电点（PI）为6.15。由其氨基酸组分可知，丙氨酸Ala（A）、亮氨酸Leu（L）含量最高，为9.70%；半胱氨酸Cys（C）含量最低，为1.50%；带负电荷总残基数（Asp+Glu）为49个，带正电荷总残基数（Arg+Lys）为44个（图1）。
2.1.3 DXR蛋白导肽、信号肽及亚细胞定位预测分析 用TargetP 1.1 Server预测DXR导肽，结果显示，该序列mTP（定位于线粒体）值为0.030，cTP（定位于叶绿体）值为0.691，SP（信号肽）值为0.022，推测该序列不含有线粒体目标肽、分类途径信号肽，可能为叶绿体转运肽。SignalP 4.1预测显示，黄花蒿DXR蛋白为非分泌蛋白。用WOLF PSORT软件对该蛋白进行亚细胞定位发现，该蛋白最可能定位于细胞质上，可信度高达76%。
2.1.4 DXR蛋白亲/疏水性及磷酸化位点分析 利用ProtScale预测黄花蒿DXR蛋白的亲/疏水性，由图2可见：在黄花蒿DXR蛋白氨基酸中，第167～193位氨基酸区域具有很强的疏水性，在第171位氨基酸处达到最强疏水性峰值，为2.444；第32～44位氨基酸区域具有很强的亲水性，在第40位氨基酸处达到最强亲水性峰值，为-2.224。由于亲水性氨基酸的个数多于疏水性氨基酸，预测黄花蒿DXR蛋白为亲水性蛋白。
用NetPhos2.0 Server预测结黄花蒿DXR蛋白磷酸化位点发现，在DXR有17个丝氨酸（Ser，S）磷酸化位点、6个苏氨酸（Thr，T）磷酸化位点、3个酪氨酸（Tyr，Y）磷酸化位点。在整个氨基酸序列中，第7位氨基酸（S）、第40位氨基酸（S）的磷酸化预测值最高，为0.992，可能受蛋白磷酸化激酶磷酸化。
2.2 多序列比对和系统进化树分析
用NCBI BLAST筛选得到14条黄花蒿DXR同源序列（表1），应用Clustal W进行多重序列比对分析。图3结果发现，中间功能区域的氨基酸序列较为保守，两端区域的氨基酸序列差异较大，且N-端差异大于C-端差异。用MEGA5.2 软件N-J法构建系统进化树。由图4结果可知：16个物种的DXR氨基酸序列聚集成2大分支：黄花蒿、艾菊、杭白菊、甜叶菊聚为分支Ⅰ；千金子、蓖麻、毛果杨等聚为分支Ⅱ。由传统分类学可知，分支Ⅰ中的黄花蒿、艾菊、杭白菊、甜叶菊4个物种均属菊科，分支Ⅱ中的千金子、蓖麻、毛果杨等11个物种不属于菊科。这表明DXR是1种相对保守的蛋白，物种的进化速度与物种DXR蛋白的进化速度是一致的，DXR可以作为生物遗传分析、分子进化研究的重要因子。
2.3 DXR蛋白结构预测及互作网络分析
2.3.1 黄花蒿DXR蛋白保守区预测 利用NCBI CDD在线分析黄花蒿DXR蛋白保守区域。图5结果显示，DXR蛋白含有DXP_reductoisom、DXP_redisom_C、DXPR_C 3个保守结构区域，预测该蛋白属于SDR 超家族、DXP_redisom_C超家族及DXPR_C超家族。
2.3.2 黄花蒿DXR蛋白结构分析 用ExPaSy-SOPMA软件分析DXR蛋白二级结构。由图6可知，该蛋白由37.08%无规则卷曲、28.81% α-螺旋、23.94%延伸链、10.17%β-转角组成，无规则卷曲、α-螺旋是其主要构件，延伸链贯穿于整个蛋白质中。
利用Swiss-MODEL根据同源蛋白构建黄花蒿DXR蛋白的三级结构（图7-A），该蛋白包含28个α-螺旋、25个β-折叠和大量无规则卷曲。通过Swiss-Pdb Wiewer构建拉氏构象图（图7-B）对预测的DXR三维模型进行评估发现，预测模型的二面角位于黄色核心区域，其空间结构稳定，该蛋白利用Swiss-MODEL同源建模得到的三维结构的可信度极高。用VAST Search在线软件预测DXR蛋白的功能位点（图7-C），预测DXR蛋白两端的α-螺旋、β-折叠结合部位为主要的功能位点。
2.3.3 黄花蒿DXR蛋白互作网络分析 根据黄花蒿DXR蛋白质三维结构模型，利用STRING交互式数据库进行蛋白质互作网络分析。结果表明，DXR在催化DXP产生异构并还原生产MEP代谢过程中与多个蛋白发生互作，主要包括：CMS、DXS、eugene3.09030001、gw1.III.2599.1、gw1.171.35.1、gw1.VI.2744.1、estExt_Genewise1_v1.C_LG_XVIII1471、MCS、gw1.I.8813.1、HDS等（图8）。
3 结论与讨论
次生代谢产物是地球上最丰富的有机化合物，由于其功能特殊、用途广泛，现已成为国际上研究的热点、焦点。目前已经有多种萜类化合物被分离提取，应用到医学、农业、工业等各领域。青蒿素作为黄花蒿的1萜类次生代谢产物，因其具有抗疟效率高、速度快、毒性低等优点，已经成为全球抗疟的主要药物。2011年，因对青蒿素的抗疟研究作出贡献，我国的女药学家屠呦呦获得了拉斯克奖[26]。青蒿素的获取主要依赖于黄花蒿的生物合成，全面了解青蒿素生物合成途径关键酶的功能，通过基因工程等手段调控其在植物体内表达，获得大量有用的青蒿素，可为提高青蒿素产量开辟新的思路。
DXR在萜类物质MEP合成途径中具有特殊作用，可将DXP异构化并还原生产MEP。黄花蒿DXR作为青蒿素生物合成的重要限速酶而倍受关注。生物信息学是当今生命科学和自然科学的核心领域，是后基因组时代的重要研究方法。本研究根据NCBI上登录的黄花蒿DXR基因序列，应用生物信息学技术对该基因及编码蛋白进行比对、分析、建模等研究，应用STRING对该基因编码蛋白进行互作网络分析。基因序列分析发现，该基因中A+T碱基含量较高，为55.95%，高于50%，且错配率较低，核苷酸稳定。编码蛋白氨基酸序列分析发现，DXR蛋白不稳定系数为33.53，属于不稳定性蛋白。多序列比对及系统发育树分析发现，黄花蒿DXR与杭白菊DXR同源性最高，为98%，亲缘关系最近。DXR在进化上高度保守，可作为其他物种生物遗传分析和分子进化研究的重要因子。蛋白结构分析显示，无规则卷曲、α-螺旋是其主要结构元件。蛋白互作网络分析表明，黄花蒿DXR可能与1-脱氧木桶糖-5-磷酸合成酶（DXS）互作。本研究结果为深入探讨黄花蒿DXR蛋白功能和萜类生物合成的分子机制提供重要基础信息，为提高黄花蒿青蒿素的生物合成量提供了理论支持，也为其他植物萜类等次生代谢产物的研究提供了一定依据。
参考文献：
[1]Klayman D L.Qinghaosu （artemisinin）：an antimalarial drug from China[J]. Science，1985，228（473）：1049-1055.
[2]World Health Organization.World malaria report 2010[R]. Geneva：WHO，2010.
[3]White N J.Qinghaosu （artemisinin）：the price of success[J].Science，2008，320（5874）：330-334.
[4]Liu B，Wang H，Du Z，et al. Metabolic engineering of artemisinin biosynthesis in Artemisia annua L.[J]. Plant Cell Reports，2011，30（5）：689-694.
[5]Zhu C，Cook S P.A concise synthesis of （+）-artemisinin[J]. Journal of the American Chemical Society，2012，134（33）：13577-13579.
[6]Lévesque F，Seeberger P H.Continuous-flow synthesis of the anti-malaria drug artemisinin[J]. Angewandte Chemie，2012，51（7）：1706-1709.
[7]Hao H D，Li Y，Han W B，et al. A Hydrogen peroxide based access to qinghaosu （artemisinin）[J]. Organic Letters，2011，13（16）：4212-4215.
[8]Yadav J S，Babu R S，Sabitha G.Stereoselective total synthesis of （+）-artemisinin[J]. Tetrahedron Letters，2003，44（2）：387-389.
[9]Newman J D，Chappell J.Isoprenoid biosynthesis in plants：Carbon partitioning within the cytoplasmic pathway[J]. Critical Reviews in Biochemistry and Molecular Biology，1999，34（2）：95-106.
[10]马 靓，丁 鹏，杨广笑，等. 植物类萜生物合成途径及关键酶的研究进展[J]. 生物技术通报，2006（Z1）：22-30.
[11]Takahashi S，Kuzuyama T，Watanabe H，et al. A 1-deoxy-D-xylulose 5-phosphate reductoisomerase catalyzing the formation of 2-C-methyl-D-erythritol 4-phosphate in an alternative nonmevalonate pathway for terpenoid biosynthesis[J]. Proceedings of the National Academy of Sciences of the United States ofAmerica，1998，95（17）：9879-9884.
[12]Mahmoud S S，Croteau R B.Metabolic engineering of essential oil yield and composition in mint by altering expression of deoxyxylulose phosphate reductoisomerase and menthofuran synthase[J]. Proceedings of the National Academy of Sciences of the United States of America，2001，98（15）：8915-8920.
[13]Carretero-Paulet L，Cairó A，Botella-Pavía P，et al. Enhanced flux through the methylerythritol 4-phosphate pathway in Arabidopsis plants overexpressing deoxyxylulose 5-phosphate reductoisomerase[J]. Plant Molecular Biology，2006，62（4/5）：683-695.
[14]Graham I A，Besser K，Blumer S，et al. The genetic map of Artemisia annua L.identifies loci affecting yield of the antimalarial drugartemisinin[J]. Science，2010，327（5963）：328-331.
[15]Seetang-Nun Y，Sharkey T D，Suvachittanont W.Molecular cloning and characterization of two cDNAs encoding 1-deoxy-D-xylulose 5-phosphate reductoisomerase from Hevea brasiliensis[J]. Journal of Plant Physiology，2008，165（9）：991-1002.
[16]Yao H，Gong Y，Zuo K，et al. Molecular cloning，expression profiling and functional analysis of a DXR gene encoding 1-deoxy-D-xylulose 5-phosphate reductoisomerase from Camptotheca acuminata[J]. Journal of Plant Physiology，2008，165（2）：203-213.
[17]Souret F F，Weathers P J，Wobbe K K.The mevalonate-independent pathway is expressed in transformed roots of Artemisia annua and regulated by light and culture age[J]. In vitro Cellular & Developmental Biology-Plant，2002，38（6）：581-588.
[18]Wilkins M R，Gasteiger E，Bairoch A，et al. Protein identification and analysis tools in the ExPASy server[J]. Methods in Molecular Biology，1999，112（112）：531-552.
[19]Emanuelsson O，Brunak S，Von Heijne G，et al. Locating proteins in the cell using TargetP，SignalP and related tools[J]. NatureProtocols，2007，2（4）：953-971.
[20]Petersen T N，Brunak S，Von Heijne G，et al. SignalP 4.0：discriminating signal peptides from transmembrane regions[J]. Nature Methods，2011，8（10）：785-786.
[21]Mller S，Croning M D，Apweiler R.Evaluation of methods for the prediction of membrane spanning regions[J]. Bioinformatics，2001，17（7）：646-653.
[22]Horton P，Park K J，Obayashi T，et al. WoLF PSORT：protein localization predictor[J]. Nucleic Acids Research，2007，35（Web Server issue）：W585-W587.
[23]Blom N，Gammeltoft S，Brunak S.Sequence and structure-based prediction of eukaryotic protein phosphorylation sites[J]. Journal of Molecular Biology，1999，294（5）：1351-1362.
[24]Gascuel O，Steel M.Neighbor-Joining revealed[J]. MolecularBiology & Evolution，2006，23（11）：1997-2000.
[25]Franceschini A，Szklarczyk D，Frankild S，et al. STRING v9.1：protein-protein interaction networks，with increased coverage andintegration[J]. Nucleic Acids Research，2013，41：D808-D815.
[26]Miller L H，Su X.Artemisinin：discovery from the Chinese herbal garden[J]. Cell，2011，146（6）：855-858.
个性化推荐系统范文第3篇
对于远程教育, 由于学习者具有不同专业背景、不同学习偏好及不同需要, 通常很难判断哪些课程及相关资源最适合他们的需要。因此, 迫切需要构建一个能进行个性化资源推荐的机制。由于网络教学活动的特殊性, 该推荐系统不仅需要根据用户的注册信息确定单个学习者的教学目标, 并推荐由既定的必修课程, 而且需要根据用户的兴趣点推荐更多有益的相关辅助资源。
1 远程教学资源推荐系统架构
在我们提出的远程教学资源推荐系统中, 除了教师及管理员提供的必修课程之外, 所有的学生都可以通过上传文件或指出文件在因特网中的链接来对课程资源库进行更新, 并且对现有的课程资源进行评分。推荐系统将来自用户的评价信息收集起来, 对学生的兴趣进行预测, 并推荐合适的必修课程及辅助课程。
2 基于用户兴趣实时更新的智能推荐系统
2.1 基于邻居的协同过滤推荐算法
传统的协同过滤推荐系统基于这样一种假设:例如, 如果A和B在过去和你感兴趣的内容都一样, 并且他们都给某课程资源打了高分, 那么你应该也对这一课程资源感兴趣。在这种推荐系统中, 可以将所有用户的评分信息收集起来, 然后使用统计技术搜索目标用户的若干最近邻居, 根据最近邻居对项目的评分预测目标用户对项目的评分, 产生对应的推荐列表。为了找到目标用户的最近邻居, 就必须度量用户之间的相似性, 然后选择相似性最高的若干用户作为目标用户的最近邻居。
协同过滤的相似度的计算是基于用户——项目偏好矩阵的, 矩阵中的每一项表示某一用户对某一特殊项的评分, 矩阵中的空缺单元是用户未作评分的项目, 这种算法的目标就是预测空缺单元的值。这种算法基于与当前用户的相似度选出一个用户子集, 然后将所有评分加权后聚合, 从而生成对当前学习者的预测。基于邻居的算法如下所示：
第一步:使用评分值之间的皮尔森相关性(公式如下), 以当前学习的相似度来为所有学习者加权。
其中, 是用户a对资源的评分;
是用户a给出的平均评分;
是资源总数。
第二步:选出n个与当前学习者相似度最高的用户构成邻居。
第三步:使用如下公式, 用从邻居获得的加权集合来计算一个估计值。
其中是当前学习者a对于资源的评分预测;
是当前学习者a和u的相似度;
qn是邻居中学习者的数目。
2.2 隐式评价推荐方式
从传统的协同过滤算法可以看出, 对目标用户的推荐仅仅依赖于最近邻居用户对项目的评分。基于这种模式的种种不足, 我们提出了一种隐式评价和传统评价并存的评价方式。这种隐式评价基于浏览页面包含的知识点、在页面停留的时间等实时更新评价数据库, 弥补了传统评分方式的不足。
在隐式评价中, 对于用户的兴趣我们采用兴趣向量表示法, 表示为：
其中, 为课程包含的知识点;为用户的行为, 即用户对某课程资源的访问次数和停留时间;为不同的行为具有不同的兴趣权值。对一个知识点 (浏览课程中的知识点)的兴趣度计算公式如下：
根据该公式可以计算出每个知识点的兴趣度, 根据兴趣度可以对学生进行内容推荐。
2.3 实时更新评价信息的智能推荐系统
当用户访问课程资源时, 系统将收集用户页面逗留时间、鼠标移动时间等行为信息形成隐式评价信息, 结合其评分情况更新评价数据库, 并产生推荐。
3 结语与展望
本文所提出的智能推荐系统将传统的显式评价方式与基于用户行为的隐式评价结合起来, 当用户的兴趣发生变化时, 能够及时的更新评价数据库, 对用户产生相对准确的推荐。
我们相信, 随着网络化、数字化的进一步推进, 推荐系统在网络教学中将得到越来越广泛的应用, 为网络学习者提供更为智能化、个性化的服务。
摘要：在现有的推荐系统中, 将所有用户的评分信息收集起来构造用户的偏好, 从而为每个用户推算或推荐最适合的资料。但是当用户兴趣发生变化时, 却不能很好的适应兴趣的动态变化。本文提出了可实时更新用户兴趣的推荐系统, 从而可以自动处理该用户个性化过程。
关键词：推荐系统,远程教学,协同过滤,推荐算法
参考文献
[1] Clay pool M, B rown D.Inferring U serInterest[J].IE E E Internet Computing, 2001, 11～12.
[2] Campos L M, H uete J F.B uildingB ay esion N etwork-B ased Informa-tion R etrieval Sy stems.In:Proc.of th e11 Intl.W orksh op on Database andE xpert Sy stems Applications (DE X A’00) .
[3] 甘未, 邢春晓, 周立柱.基于内容过涟的个性化搜算法[J].软件学报, 2003, 5.
[4] J oh n S B reese, David H eckerman, Carl K adie.E mpirical analy sis ofpredicitive algorithms for collabora-tive filtering[C].M adison:Proceeding sof th e F ourteenth Conference onU ncertainty in Artificial Intelligence, 1998.
[5] Perm M, R ay mond J, R amadass N.Content-boosted collabrotive filieringfor improved recommendations[R].De-partment of Computer Science[M].U niversity of T exas Austin.T X 78712.