基于推荐技术的个性化旅游地图服务方法研究读书报告.docx
《基于推荐技术的个性化旅游地图服务方法研究读书报告.docx》由会员分享，可在线阅读，更多相关《基于推荐技术的个性化旅游地图服务方法研究读书报告.docx（23页珍藏版）》请在冰点文库上搜索。
基于推荐技术的个性化旅游地图服务方法研究读书报告
读书报告
基于推荐技术的个性化旅游地图服务方法研究
姓名：
层次：
硕士
年级：
2012级
指导教师：
学科专业：
地图学与地理信息系统
撰写日期：
2013年11月
信息工程大学地理空间信息学院
二○一三年十一月
目录
目录0
1.前言1
2.个性化地图服务相关技术研究1
2.1个性化地图服务的概念1
2.2个性化地图服务的研究内容2
3.个性化旅游信息服务相关研究3
3.1旅游服务的发展缺陷3
3.2个性化旅游服务的现状4
3.3个性化旅游服务系统的结构5
3.4旅游路线优化技术研究6
4.个性化推荐技术7
4.1个性化推荐系统7
4.1.1个性化推荐系统的概念7
4.1.2个性化推荐系统的作用8
4.1.3个性化推荐系统的框架及流程9
4.1.4个性化推荐服务的研究内容12
4.2个性化推荐技术的发展史12
5.个性化定制技术14
5.1个性化定制服务的含义14
5.2个性化定制服务的服务模式14
6.个性化推荐算法研究15
6.1常用的推荐算法15
6.1.1基于内容的推荐算法16
6.1.2基于关联规则的推荐算法16
6.1.3协同过滤推荐算法17
6.1.4混合推荐算法20
6.2个性化推荐算法所面临的问题21
7.基于推荐技术的个性化旅游地图服务分析与思考23
参考文献25
1.前言
随着信息技术和互联网的蓬勃发展，网络上的资源呈爆炸式增长，一方面，人们能从网络上获取的资源也越来越丰富，给生活带来了极大的便利；另一方面，海量的信息空间带给用户更多元化选择的同时，反而使用户迷失在信息的海洋，用户不得不花费更多的时间成本来寻找所需的信息，即所谓的“信息超载（informationoverload）”现象。
为了解决这些问题，个性化推荐系统（PersonalizedRecommendationSystems）由此产生，它利用用户的偏好信息自动的向用户推荐符合其兴趣特点的对象[1][2]。
个性化推荐通过对用户个性、习惯、偏好的分析，能够及时跟踪用户的需求变化来自动调整信息服务的方式和内容，定制的向用户提供其感兴趣的信息和服务。
与搜索引擎提供的“一对多”式的信息服务不同，个性化推荐系统输出的结果更符合用户需求，同时用户参与度也更低，从而使得用户寻找信息的成本大大降低。
个性化推荐作为一种崭新的智能信息服务方式，能够有效地解决“信息超载”带来的一些问题，目前已经成为各主流互联网站点不可或缺的新一代信息服务形式。
2.个性化地图服务相关技术研究
2.1个性化地图服务的概念
地图是地理信息可视的表现，地图服务是以地理信息系统为核心，地图为载体，提供详细地理信息的服务。
在空间信息应用中，地图服务一直处于核心地位[53]。
个性化服务到目前还没有统一的定义，其基本含义是一种能够提供适应用户个性需要的服务，即可以根据用户提出的明确要求被动地提供服务，或者通过对用户个性、知识结构、认知特征、使用行为等多种信息进行挖掘、加工、整理，而主动地提供满足用户潜在需求的服务模式，个性化服务的主要内容包括服务资源的个性化、服务方式的个性化、服务内容的个性化[54][55]。
个性化地图服务以满足用户以地图为载体的地理信息个性化需求为目标，实现地图服务资源的个性化、地图服务方式的个性化、地图服务内容的个性化，以此提高用户效率，改善用户体验。
个性化地图服务主要从可视化角度，研究服务资源、方式及内容的个性化。
个性化地图服务有定制和自适应两种服务模式：
基于参数化模板技术，通过用户配置和模板修正实现快速高效的地图定制服务；基于用户行为跟踪与数据挖掘的情境建模技术，实现自适应地图服务。
以此为用户提供显性定制和隐性自适应的个性化地图服务。
地图定制服务可以分为两种：
一种是实时定制实时使用，即用户交互选择系统功能与外形后即时可用；另一种是在线定制离线制图，即用户在线定制个性化需求地图，然后由制图人员根据用户的定制需求进行离线制图，再将定制产品推送给用户使用[56]。
地图自适应服务也可分为两种：
一种是直接面向用户的自适应地图服务，能够自适应多变情境为用户提供实时的动态可视化信息；另一种是面向制图人员的自适应地图设计服务，而所设计出的面向用户的地图产品不一定具有自适应功能。
本文中主要研究面向用户的地图自适应服务。
由初级到高级发展的个性化地图服务如图6.1所示：
图6.1个性化地图服务的服务方式与层次
2.2个性化地图服务的研究内容
个性化地图服务是在多维动态情境下将用户需求的地理信息通过地图这种可视化方式，以个性化的表达方式呈现给用户，总体上包括以下内容的相关理论、方法与技术：
（1）理论与技术框架包括概念，理论与技术框架。
（2）空间数据组织与表达包括空间数据的分类、存储、表达。
（3）界面设计包括界面设计模板与模板库，界面设计规则库。
（4）地图可视化包括地图可视化规则库，自适应符号设计与符号库，地图
可视化模板库，自适应制图综合等。
（5）情境建模包括多维动态情境的分类，多维动态情境分类建模与整体建
模。
（6）定制与自适应机制包括界面、地图可视化、空间数据等的定制与自适
应机制。
（7）自适应相关标准制定包括自适应程度（自适应的用户可控程度）标准，
自适应内容（哪些内容需要自适应）标准，自适应方式（某种情境下
是否有最佳的适应方式，该最佳方式是什么）标准等。
（8）原型系统实现包括需求分析，原型系统构架，系统模块设计，实现技
术。
（9）系统评价包括评价框架，评价方法，评价标准，评价指标，评价与设
计的关系等。
2.3个性化地图服务知识内容
个性化地图服务过程是一个基于地图可视化知识和情境知识的适应性决策过程，其研究围绕适应方式、适应信息、适应过程、适应目标展开。
因此，个性化地图服务需要的基本知识包括了适应的对象、适应的主题、适应的方法、适应的评价知识。
适应的对象：
即个性化地图服务多维情境知识，包括用户背景知识、任务知识、系统知识、物理环境知识；
适应的主题：
即适应性空间数据、适应性界面、适应性地图可视化知识，包括适应性空间数据组织与管理及适应性界面与地图可视化的原理性知识、可视化规范和标准、专家经验等；
适应的方法：
即适应性决策知识及实现自适应的操作性知识，包括适应规则与控制知识、自适应推理、匹配算法等；
适应的评价：
即适应过程及整体效果评价知识，包括可嵌入系统中实现自评价的知识和系统开发完成后的外部整体评价知识。
以上知识是个性化地图服务知识库建立时必须的内容，多样化的知识各具特征，为进一步进行知识的表达与知识库的构建，知识分类非常必要。
3.个性化旅游信息服务相关研究
3.1旅游服务的发展缺陷
现在的大多数旅游产品（旅游服务）不被人们看好的重要原因是在整个旅游过程中游被导游“牵着走”，没有一点自主性。
旅游企业出于利益的：
考虑，像“赶场子”一样把客人从这个景点带到那个景点、从这个指定购物商店带到那个购物商店，每个景点只留出短短几十分钟的时间。
客人们在这样的旅游方式中被迫形成一种“在景点活动就是拍个照片做纪念”的“习惯”。
感觉太匆忙，没有自主性。
这实际上使我国大部分的旅游活动还处于一个较低层次消费的阶段—“急急匆匆、赶路搭车，一路上的好景色来不及琢磨”，不能够使旅游者身心的满足程度达到一个理想的状态。
单一性形态的“自然、人文景观观光”的旅游产品和“赶路、搭车、照相”的旅游方式对旅游者的吸引力有所下降，人们已经不再满足于“走马观花”式的简单活动，而对具有综合性特征的旅游地、体验性和参与性的旅游项目产生了浓厚的兴趣嘲．这种需要倾向的变化取决于以下原因：
首先，由于旅游资源的开发和旅游产品的多样化，使游客对目的地和旅游项目有了更多的选择余地，旅游消费已经逐渐步入买方市场；其次，信息技术（网络、电视和平面媒体）使许多人足不出户就能对心仪的旅游景点获得较为深入的了解，旅游目标明确清晰；第三，消费者休闲方式的多元化，休闲生活越来越受到重视，人们的健康意识越来越强；第四，旅游者对综合性、体验性、参与性旅游项目的需求期待越来越高；第五，游客在旅游过程中期望单位时间和金钱支出获得的收益最大化。
那些综合型旅游地和旅游活动项目能够使人们从中获得集知识性、娱乐性、体验性、享受性为一体的多重满足。
由于旅游产品生产与消费的同步性特点，旅游服务活动的完成需要由生产者和消费者双方共同参与。
这种生产和消费的同步性和不可分割性是旅游企业经营和市场营销一个至关重要的概念。
这决定了旅游业是以市场为导向的产业，也决定了旅游产品供给和质量控制在旅游企业经营中的重要性。
在旅游消费活动中，人们更期望获得具有象征性的理想产品和令人满意的服务，获得幸福感和满足感，甚至得到他人赞许或声望符号之类非物质的商品。
我们经常提及在游客进行旅游决策时，所考虑的在一定资金和时间限制下所追求的最大效益原则．实际上，整个出游过程中，在追寻最大效益的规律作用下，旅游者所追求的是幸福感和满足感，而不是那种曲解的“在最短的时间内，到最多的地方”。
3.2个性化旅游服务的现状
旅游行业已成为全球成长最快的行业之一，预计2011年全球旅游及相关行业总产值高达6万亿美元，占世界GDP总和的9.1%[46]。
改革开放30多年来，我国旅游业实现了持续快速增长。
目前，我国已经成为全球第三大入境旅游接待国和亚洲第一大出境旅游客源国，国内旅游已形成世界最大市场之一，居民人均出游率达1.6次，旅游直接就业达1350万人，旅游消费对社会消费的贡献超过10%，旅游业的综合带动功能越来越突出，对扩大内需、拉动就业、促进经济结构战略性调整发挥了明显作用。
近年来，关于“自驾游”、“自助游”的报道屡见不鲜。
2010年春节期间，杭州市统计局、国家统计局杭州调查队对杭州市区城镇居民家庭的抽样调查资料显示，打算出游的家庭中九成首选自助游。
去年国庆长假期间，湖北重点旅游景区“一江两山”迎来海内外大批游客。
其中，大量旅游者都是自助出游，据初步统计，国庆长假前两日，散客旅游者占湖北省接待总量接近90%[47]。
随着散客游的逐步升温，各级政府以及旅游主管部门开始越来越重视散客市场，纷纷采取一系列措施便利游客的自助旅行。
一些旅游景点相继推出当地“自助游旅游手册”，给即将来本地自助游的外地游客提供一个包罗吃、住、行、游、购、娱等项目的“旅游向导”。
泉州市推出泉州侨乡旅游集散中心，为散客游泉州提供多样的选择。
石家庄市开通的“北戴河数字旅游平台”以“散客”和“自助游客”为服务对象，应用360度全景视频旅游服务系统，通过手机上网和“游客信息亭”等方式，向游客提供全面、精准、便捷的旅游资讯服务。
传统旅行社旅游相比就比较平淡，再加上频频出现的游客与旅行社纠纷，导游强迫游客购物，甚至辱骂游客事件，都使游客在选择旅行社出游时更加谨慎。
3.3个性化旅游服务系统的结构
个性化旅游服务系统由客户端和服务器端组成，服务器端主要包括用户认证、用户建模、数据匹配、推荐结果封装四大模块，实现用户合法性认证、用户兴趣发现、个性化推荐以及产生推荐结果这一个完整的过程。
而客户端的主要完成发送用户请求以及接受服务器端的信息，并且提供对个性化推荐结果的反馈信息。
系统各模块详细介绍如下：
（1）用户请求。
这一部分包括用户提交需求以及用户提交反馈信息两部分的内容。
（2）用户认证。
这一模块主要功能是对用户身份进行验证，通过验证的用户才能合法的使用个性化服务系统系统。
（3）用户建模。
不同的用户可能有不同的兴趣和要求，用户兴趣建模是一个能为用户提供个性化推荐系统的核组成部分，它能够获取每个用户的不同需求。
用户兴趣建模的主要步骤分为：
①在观察用户选择的基础上，记录、识别用户的目标；②在识别用户目标的基础上，分析用户的兴趣所在，为个性化的推荐提供依据。
个性化推荐。
根据不同用户的模型，考虑不同用户不同的兴趣倾向，按照一定的规则，在服务数据库中匹配关联信息，作出决策，给不同的用户提供不同的推荐结果。
（4）发送推荐信息。
将推荐结构按照一定的数据结构和传输标准打包后发送给用户。
（5）用户反馈。
该模块收集用户对收到的推荐结果作出的反应，并将收集到的信息发送到服务器端，以便于服务器端进一步调整用户模型以及推荐策略。
3.4旅游路线优化技术研究
随着经济的发展，人们的生活水平不断提高，旅游已成为日常生活中一项重要活动。
旅游路线的设计与优化成为了旅游者最关注的问题之一[50]。
举个客观的例子来说：
假设一位旅游爱好者打算今年的五月一日早上8点之后出发，到全国十个著名景点旅游，最后再回到徐州。
他考虑到跟团旅游受限太大，打算自己作为背包客出游。
为了让他能有一个快乐顺利的旅程，我们针对如下的几种情况，为他设计出详细的行程表，该行程表包括具体的交通信息（车次、航班号、起止时间、票价等）、宾馆地点和名称，门票费用，在景点的停留时间等信息。
针对选取在规定时间内花最少钱游览尽可能多的景点，我们分成五个步骤来研究，先研究在时间不限的情况下或者旅游费用不限的情况下，游客将十个景点全游览完，分别至少需要多少旅游费用；再研究游客准备2000元旅游费用或者旅客只有5天的时间，想尽可能多游览景点，分别设计旅游行程表；最后综合以上的研究结果，游客在只有5天的时间和2000元的旅游费用下，想尽可能多游览景点，建立数学模型并设计旅游行程表[51]。
步骤一：
是一个典型的最佳旅行商问题，简称TS问题。
一个单一旅行者由起点出发，经过所有给定需求点，最终回到出发点的最小路径成本问题[52]。
旅行总费用包括交通费用和在景点游览时的费用，由于每个景点都要游览，景点游览时的费用为必须的消费，所以应从交通费和缩短时间着手进行设计，综合考虑所有约束条件做出最低成本的方案。
步骤二：
是在不考虑费用约束，要求在最短时间游览所有景点，缩短时间最有效的方式是乘坐最快捷的交通工具。
这样就可以把路程转换为时间来计算，将地图中的网络图转化成加权网络图，从原点徐州出发前往各个点，最终回到原点，求出最小路径。
通过运用步骤一的模型，改变目标为最短时间，并作出相应的约束调整，得出最佳线路为：
徐州→祁县→
崂山→普陀山→北京→洛阳→西安→黄山→庐山→武汉→常州→徐州。
步骤三：
求在步骤一的基础上充分考虑费用的限制设计出最佳旅游线路，根据约束做出一个最佳Hamilton圈，使得景点数目最多且费用在2000元以内。
费用在2000元之内成为了约束条件。
步骤四：
限定了时问为5天，不考虑费用的情况下游览尽量多的景点。
在步骤二的基础上充分考虑时间的限制，做一个以5天为约束条件类似于步骤三的最佳Hamilton圈，从而做出最佳线路：
徐州→北京→洛阳→西安→山西→武汉→常州→徐州，共游览6个景点。
步骤五：
实际上是对步骤三和步骤四的综合考虑，不仅要考虑时间限制问题，还要考虑费用在预算范围内的问题，在三、四问基础上加以5天和费用小于2000元的约束做出最佳Hamilton圈，得出最佳线路。
4.个性化推荐技术
4.1个性化推荐系统
4.1.1个性化推荐系统的概念
个性化推荐（PersonalizedRecommenderSystem）是Web应用的一个重要组成，许多学者提出了个性化的定义。
StefanoMizzaro[3]认为个性化推荐的过程应该是：
记录和保存用户行为，对收集的信息进行分析挖掘出属于用户自己的爱好和需求，在用户下一次访问时即可根据挖掘出的信息向用户发送匹配的信息。
个性化协会给出的定义是：
“个性化是技术和用户信息的组合，用来建立业务和每个独立顾客之间的联系。
”由此可以归纳出个性化主要包括针对性和自动性两个要素：
针对性是指系统针对用户独特的个性需求提供相应的服务方式；自动性是指个性化的过程不需要人工干预，系统通过跟踪分析用户的访问规律自动完成这一过程。
推荐系统的使用者是用户（user）,推荐的对象是项目（item），项目是推荐系统提供给用户的产品或服务，也即最终的推荐内容。
根据项目的不同，推荐系统可以大致分为两类[45]，一类推荐系统的项目为网页链接，主要运用web挖掘技术，推荐符合用户兴趣的网页；另一类推荐系统的项目为产品，这类推荐系统主要应用在购物环境下，帮助用户找出其真正想要购买的产品或者服务。
推荐系统是也一种信息过滤（InformationFiltering,IF）机制，这种机制可以减少用户在查询信息过程中附加的额外成本，Resnick[4]认为推荐系统是“利用服务网站向客户提供服务信息和建议，帮助用户决定应该购买什么产品或者获得什么样的服务，模拟销售人员帮助客户完成购买过程”。
根据推荐系统个性化程度的不同，可以将推荐系统分为三类[5]：
①非个性化推荐系统：
推荐系统对所有用户的推荐是无差别的。
这类推荐一般基于工作人员的手工推荐或统计分析技术。
②半个性化推荐系统：
推荐系统分析用户当前的浏览行为对用户产生推荐，不同用户的行为不会完全一致，因此得到的推荐列表各不相同。
③完全个性化推荐系统：
相对于半个性化推荐系统，完全个性化推荐系统将保存用户的各种历史信息，并从中了解用户的特质，通过找到与当前用户相同喜好的用户，实现推荐因此，这种推荐系统一般只能对注册用户提供服务，个性化程度最高。
此外，还可根据推荐算法执行的宿主将推荐系统分类为基于服务器端（Server）的推荐系统、基于客户端（Client）的推荐系统、基于代理（Agent）的推荐系统，其中Agent技术是网络智能的一个研究方向[6]。
4.1.2个性化推荐系统的作用
个性化推荐不仅可以给用户带来很大的方便，使其及时的获得自己需要的信息和服务，而且对提供个性化推荐的网站也带来了很大的益处。
总的来说个性化推荐的作用主要表现在以下三个方面。
（1）个性化推荐可以将浏览者变为购买者已经有明确目标的用户可以在网络上利用搜索引擎或检索系统找到自己需要的东西，但对于大多数人来说，上网只是冲浪，随便看看，没有明确的目的或者对自己购买的商品和服务缺乏相关的专业知识，很难有耐心在海量的服务目录中逐项查找是否有自己感兴趣的服务。
而个性化推荐系统可以根据用户的兴趣有针对性地向浏览者推荐满足其兴趣的服务，这样就可能引起浏览者的兴趣，从而将一个没有购买目的的浏览者变为购买者。
（2）提高服务网站的交叉服务能力原理就是基于用户已经获得的服务，为他
们推荐一些相关的服务。
比如：
一个电子商务网站可以根据用户已经添加到购物车中的商品信息，来为用户推荐其可能购买的商品。
（3）提高客户对网站的忠诚度一个成功的个性化推荐系统，实际上可以在服
务提供者和用户之间建立起一条牢固的纽带。
用户一般都喜欢光临那些能够提供高效的服务荐的网站，如果某网站可以针对用户的兴趣偏好，为用户提供满意的、高效的服务推荐，用户会选择该网站并可能会重复在该网站上获取服务。
4.1.3个性化推荐系统的框架及流程
推荐系统的一般工作流程如图1所示：
推荐系统首先通过用户行为收集用户对资源的评价信息，然后对信息进行预处理，再利用推荐技术形成对用户的个性化推荐，最后将推荐信息显示给用户。
有的推荐系统还带有反馈过程[7]，允许用户对推荐做出评价，并把这些评价作为反馈信息返回给推荐系统，然后推荐系统根据这些反馈对自身做出调整，以便能为用户做出更好的推荐。
图2-1个性化推荐系统流程图
①获取评价信息：
该阶段的主要任务是从用户处获得用户对资源的评价，形成评价表，以便对用户的爱好做出推测，这一步是推荐系统工作的基础。
用户的评价可以是文本，也可以是用户对资源的评分。
此阶段形成的评价表一般采用m×n的矩阵R来表示，其中Ri,j=第i个用户对第j个资源的评价，因而评价表有时也被称为评价矩阵。
推荐系统可以显式或隐式地获取用户对资源的评价信息[8]。
显式获取要求用户必须明确的对资源进行评价和反馈，一般需要用户进行输入，如用户的个人信息、用户对资源的评价等。
用户的评价信息可以是文本，也可以是用户对资源的评分。
目前用户的评价方式主要有以下两种：
（1）用户已经购买或者浏览的资源信息。
（2）用户对一个资源的评价映射到一个有序值，表示用户对此资源感兴趣的程度：
一般来说是1－5或者1－7的范围。
隐式获取是指推荐系统监视用户的行为，根据用户的行为来推测用户对资源的评价，如用户浏览或者购买了哪些资源，推荐系统以此来分析用户的行为特性。
这种信息获取方式不需要用户输入任何信息，而且用户也不知道系统获取了他在网站上的行为信息。
评价信息获取的两种方式各有优缺点。
显式获取简单而直接，用户还可以反馈自己对所推荐资源的感兴趣程度，但很少有用户主动表达自己的喜好。
隐式获取则恰好相反，用户的很多动作都能暗示用户的喜好，不需要用户输入信息就可以获取用户的评价，因此特别受到推荐系统的开发者的青睐。
②评价信息预处理：
由于评价表的稀疏特性和推荐算法本身对评价表的要求，推荐系统在获得评价表以后，大多需要对其进行预处理，下面介绍一下几种常用的预处理方法[9,10,11]
1.降维方法
评价表的维数一般都很高。
假定一个系统有3000个用户和20000种服务，那么评价表就有3000×20000=60M个单元，而在一个典型的基于Web的推荐系统中，百万级的用户数和服务数都是比较正常的。
由于评价表的空间开销巨大，并且推荐算法的时间复杂性一般随着用户数和服务数的增长而增长，因而在执行推荐算法之前，大多需要降维。
降维就是在尽量不丢失信息的前提下，将一个大矩阵分割成多个小矩阵来存储和处理，从而减少信息运算量的过程。
目前，最常用的降维方法是LSI/SVD技术。
2.稠密化方法
由于服务站点一般都含有很多的服务，而每个用户购买或评价的服务数往往只占其中一小部分，导致评价表往往是一个稀疏矩阵：
有效的评价信息只占一小部分，大部分值都是0（表示未作评价）。
由于评价表的稀疏性可能导致推荐算法无法形成有效的推荐，甚至不能做出推荐，因而一般需要进行稠密化处理。
由于降维可以使信息矩阵变得稠密，因而降维技术本身就是一种稠密化技术，另外还有两种方法可以用于稠密化，一种方法是抽样，仅仅抽取评价数超过一定阈值的用户用于推荐，另一种方法对缺省评价（用户对服务未作评价）进行处理，推测出它可能的取值。
3.标准化方法
不同的推荐算法对评价表的输入格式有不同的要求，因而在调用推荐算法之前，一般还需要对推荐表进行变形，以适合推荐算法的需要。
这个过程就是标准化。
标准化常用的方法是二值化处理：
指定一个阈值，将大于阈值的评价映射为1（代表喜欢），其它的映射为0（代表未作评价或不喜欢）。
例如，如果信息矩阵中每个元素的取值为1、2、3、4和5，分别代表用户对项目的评价为特别不喜欢、不喜欢、感觉一般、喜欢和特别喜欢，假设指定的阈值为3，这样信息矩阵中的4和5就映射为1，而其它值就映射为0。
③个性化推荐：
对评价信息进行预处理以后，就可以调用相应的推荐算法对用户进行推荐了。
目前常用的个性化推荐算法（或技术）有：
协同过滤推荐[12]、基于内容的推荐[13]、基于关联规则的推荐[14]、基于Bayesian网络技术的推荐[15]、基于Horting图技术的推荐[16]。
④推荐可视化：
推荐可视化的任务是把推荐形成的结果显示给用户，完成对用户的推荐。
如何有效的把推荐结果显示给用户，这是推荐系统领域的一个研究挑战。
目前常用的推荐可视化方法是Top-N列表：
按照从大到小的顺序把推荐分值最高的N个事物或者最权威的N条评价以列表的形式显示给用户。
⑤反馈处理：
有些推荐系统允许用户对推荐的结果做出评价，并把这些评价作为反馈信息返回给推荐系统，然后推荐系统根据这些信息对自身做出调整，以便能为用户做出更好的推荐。
具有反馈功能的推荐系统是推荐系统的一个发展方向
升级会员 