1. 国内外同类研究概况

2.1国内外研究现状

2.1.1“智群化”国内外现状

“智群化”，也叫做智慧群体，是指一定数量的个体在合作和竞争中表现出来的总体大于个体之和的合力智慧。群体智慧的发挥在动物界、昆虫类、以及人类世界处处可见。从字面上看，群体智慧是“群体所拥有或形成的智慧”，正式的概念是由Wechsler于1964年最早提出。2004年，James Surowiecki撰写并出版了《群体的智慧：如何做出最聪明的决策》一书，是一部具有里程碑意义的著作。Surowiecki将群体智慧视为一种新的管理理念和管理模式，进而掀起人类社会在企事业管理和群体行为上的重大变革。^[1]目前国外的对“智慧群体”的研究现状：从研究领域来看，国外“群体智慧”的研究横跨了自然可续写和社会科学两大阵营，体现了国外学术界的重视和广泛认可，也反映了“智慧群体”对各学科所具有普遍指导和使用价值；从研究主题来看，内容丰富且广泛；从研究方法看，基本做到了规范研究与实证研究并重。虽然国外展开了关于群体智慧各方面的基础理论研究，但没有更深入的去挖掘。我国对于“群体智慧”的研究工作是从2010年后才开展，现有的研究成果数量极为有限。以国内译言网为例，众包翻译的优势不仅在于众多网络译者发挥个体的翻译智慧，更重要的是将个体译者所拥有的私人资源共享并在于其他译者的交流互动中使其激活，发挥群体译者的群体智慧。

2.1.2网络学习资源个性化推荐研究现状

目前，我国的教育仍然是以传统的以班级为单位的授课方式为主，由于学生人数众多，教师很难做到“因材施教”，难以满足学生的个性化学习需求。^[2]国外研究认为，智能的个性化学习资源推荐服务不仅能够解决学生个性化需求的问题，还能够有效低避免了信息迷航和过载的情，因此，个性化学习资源推荐的研究得到了国外教育学者的广泛关注。推荐系统的最早普遍应用是电子商务等其他领域，帮助用户确定符合需求的商品或服务。在2007年，我国教育领域开始关注网络学习资源个性化推荐亚久。近些年，一些互联网公司也开始开发带有个性化推荐功能的教学辅助系统。我国的网络学习资源个性化推荐研究领域研究目前处于多元化的稳定发展阶段，国内学者们对其关注度也呈上升趋势。但是，研究仅偏重模型构建、系统设计和技术实现，在真正的教学实践中还并未获得有效进展。

Herlocker等^[13]（2004）综述了能够使推挤系统革新，使得其能够更好做出推荐的几个新的因素，另外，也通过实践检验了新的模型与传统模型的区别。现有的个性化学习资源推荐系统的研究中，^[7]最常用的个性化学习资源推荐算法主要包括基于内容（Content-based，简称CB）的推荐、基于协同过滤（Collaborative Filtering,简称CF）的推荐以及混合推荐（Hybrid Recommendation,简称HR）三种类型。协同过滤技术是根据用户对资源的评分矩阵，利用相似算法找到待测资源或用户的最近“邻居”，再根据邻居用户或邻居资源来预测为评分的目标资源，通过预测结果来为学习则提供较准确的个性化推荐。在算法的运行期间需要用到数据的差异分为基于内存的协同过滤以及基于模型的协同过滤。其中，内存的协同过滤又细分为基于用户的协同过滤和基于项目的协同过滤。但各种算法都存在其优缺点，单独一种技术很难实现最好的推荐效果，因此，研究者通常会将两种或者两种以上的推荐技术混合的方式应用到实际中，并发挥其长处，给用户提供更快捷更准确的学习资源推荐，以达到更好的推荐效果。虽然学习资源个性化推荐已经成为教育领域研究的热点问题，但是仍有一些问题继续解决和进一步优化。

2.1.3 用户可信度融合推荐研究现状

邓爱林等^[12]（2008）通过深入分析了解用户评分在极端稀疏的情况下，利用余弦相似值、相关相似值和修正的余弦相似性度量方法来计算用户最近邻居，存在两个用户共同评分的项目非常少的情况下即使在这些项目上的评分非常相似，也不一定就是最近邻居的问题。针对此问题，提出了一种基于项目评分预测的协同过滤推荐算法，有效解决了度量方法上存在的问题，也使得计算后目标用户的最近邻居比较准确，显著提高了推荐系统的推荐质量。朱锐等^[9]（2011）针对用户面对大量功能相同或相近的服务无所适从以及服务推荐系统不能满足每一个用户的偏好要求，提出基于偏好推荐的可信服务选择方法。通过皮尔逊相关系数在一组相关用户中寻找与自己评论最相似、推荐信息最为可信的一组用户，之后根据这一组用户对服务的评价值加权计算出服务的可信度，所谓服务选择的依据。模拟实验的结果表明，这个方法不仅能够将有效解决推荐算法冷启动、推荐信息不够准确等问题，还有效提高了推荐质量。秦继伟等^[10]（2013）针对于现有基于信任的推荐系统中存在的获取用户之间的信任关系难以及建立用户彼此之间偏好关系难的问题，将评分作为推荐决策的重要因素，提出了基于评分信任协同的推荐算法并给出了相关数学表达式并进行实践。通过对公共数据集Epinions的分析，基于用户对项目的评分获取用户之间的相似度以及利用用户的信任标签建立信任关系网络，获去用户间信任值。基于评分信任协同过滤推荐算法，将用户共同评分相似度和信任值相结合，提高了覆盖率，同时实现了精度与覆盖率的良好平衡。王光等^[3]（2014）为了解决传统融合算法没有考虑两个推荐集评分质量的问题，提出了在推荐对象集合中将计算评分数大于平均评分数的对象作为信任子集，能够得到推荐的平均绝对误差最有优的融合参数lambda;，并将其与机遇项目和基于用户的推荐结果融合。通过实际实验表明，这个算法能够较好提高推荐质量。王海艳等^[4]（2014）针对目前基于协同过滤的服务推荐方法较少关注到服务不同属性特征对相似度计算会产生不同影响以及在寻找邻居用户的过程中很少考虑到用户与目标用户之间的信任关系两个问题，改进了传统相似度计算公式并且基于Beta信任模型建立用户间的信任关系，根据改进的相似度计算方法与服务推荐行为的信任度构建出邻居用户的可信联盟，提出了基于可信联盟的服务推荐方法。最后，通过仿真实验，将4种服务推荐方案的推荐质量以及抵御恶意用户能力相比较，得出基于可信联盟的服务推荐方法有效提高了服务推荐结果的精确度，也有效保服务推荐者的可信度，较好的抵抗恶意攻击。Lee等^[14](2016)提出了要提高网络的推荐内容就要通过用户偏好，以及信任与不信任传播。Liu等^[15]（2017）提出了目前的服务推荐大多只基于用户评价信息进行推荐，而没有充分考虑给出评价的那个用户的信誉度问题。许杰等^[6]（2017）为了快速准确地推荐令新用户满意的服务，提出了基于用户推荐服务后的两类反馈信息对历史用户的信誉度进行评估，再通过推荐、反馈、奖惩以及淘汰补选的有机循环来构建逐步趋向稳定可靠的用户信誉评估系统，完成更高质量的服务推荐。基于用户信誉度评估系统的服务推荐方法，是将系统内若干历史用户进行信誉度高低排序并据此为新用户推荐服务，新用户使用推荐服务后对其进行信息反馈，同时对被推荐用户进行打分，由此评估修正相关历史用户的信誉度。最后，通过多次推荐、反馈和评估操作实现基于用户信誉度作为准确有效的推荐服务。系统不仅根据可信用户对历史用户的打分值对历史用户的信誉度采取奖惩策略，还对信誉度较低的历史用户引入淘汰补选策略，使得最终该系统内的历史用户都是信誉度高且可信的。通过具体实例验证了该方法的可行性和有效性。何鹏等^[5]（2018）提出为确保推荐结果的准确性，排除不可信用户信息带来的干扰，从用户聚类的角度，利用迭代自组织数据分析法(ISODATA)改进K-means方法，实现聚类过程中分组的灵活合并与分裂。Tuser方法先根据用户在服务上的标注信息，利用TF-IDF对用户的标签进行加权量化，再进行两阶段的ISODATA聚类，最后，再用从可信用户集RU中为目标用户返回与其最相似的Top-N个用户，根据这N个用户的偏好情况进行服务推荐。通过实验分析，相比已有方法，此方法提高了服务推荐质量、确保用户的服务体验、

参考文献