最新高新技术企业项目可行性分析报告上海金川国际科技有限公司(范文)

协调过滤（Collaborative Filtering）：

从人类的情报收集活动中,归纳抽象出其所对应的爱好,关心,意图等形态意

识,并通过获取的收集情报及归纳抽象出的形态意识,对人类进行分类,实现类似

人类间的情报交换的手段。

另外，还有各种各样不同的定义方法。比如，1996年出现的协调过滤法研究

系统Group lens（协调过滤法最有名的研究系统之一），其开发者之一Paul Resnick

有过如下的说明。

“Guiding people’s choices of what to read，what to look at，what to

watch，what to listen to （the filtering part），and doing that guidance

base on information gathered from some other people（the collaborative）。”

可翻译成下文：「以从其他用户收集到的情报（协调部）为基础，向每个利用

者提供“应该读什么”，“应该关注什么”，“应该看些什么”，“应该听些什么”等

建议（过滤部）」

从上述的表述中可以看出，对各种各样的情报来说，人们的评价及这些

情报在社会中的影响可以被用来判断情报本身的价值，以及决定是否值得被推荐，

这也就是协调过滤法的一个最大的特征。正是基于这点，有时也称其为社会过滤

法（Social Filtering）。

作为协调过滤方法的一种，为实现能从洪水般的情报中抽取用户必要的信息,

推荐系统（Recommence System）常备使用。另外，为能实现利用者爱好的自动追

踪及判断，Agent系统（Agent system）技术及人工智能技术的研究利用,也有很

大的潜力。

协调过滤法用到的算法有以下几种：

I． Active Collaborative Filtering(ACF)

最初的协调过滤系统是Xerox公司的PARC研究所的电子邮件系统，由David

Malts等人开发研究的Information Tapestry电子邮件系统，该系统被Lotus

Notes 中的Printer部分所采用。

该系统的特点是:彼此相识、指定范围内的用户通过相互指定，可以做到指定

人与其认可的某一领域专家(被指定人)间的情报同步。

II． Automated Collaborative Filtering(ACF)

正如其名称所示，系统会根据用户已有的评价值，对尚未处理的情报进行自

动评价(预测)，将得分高的情报主动向用户推荐。自动评价的预测值则是根据其

他用户和本用户的评价情报，采用皮尔森相关系数等相关算法而计算出来的。

这种方法有它的缺点。由于归根到底是靠用户的评价值而进行推荐的，如果

某个情报谁也没进行评价则永远得不到推荐。另一方面，评价数据不足时推荐的

精度也受影响。另外，情报量和用户数（评价数）差距较大时，难以找到附近的

用户等。