1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述

本文从协同创新平台和推荐算法两方面，总结了相关文献和研究成果。

1. 现状分析

1.1 协同创新平台现状分析

1.1.1协同创新研究现状

随着全球经济一体化发展和大科学时代的到来，协同创新已成为创新型国家和地区提高自主创新能力的全新组织模式。作为人才聚集地、知识创新的源泉，高校承担了人才创新、知识创新、结构创新的历史重任 ^{REF _Ref535000878 h * MERGEFORMAT [1] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003800370038000000} 。南京工业大学是首批14家国家协同创新中心通过”2011计划”认定，成为首批”2011计划”建设体之一。探索和构建高校科研协同创新平台已成为大势所趋，重中之重。

截止到2019年1月5日，作者以”Collaborative Innovation Platform”为检索词在Elsevier SDOS 电子书外文数据库中检索到100篇相关研究，其中最早的论文发表在2003年。以”协同创新”、”协同创新平台”为关键词在CNKI中国期刊网中检索发现，协同创新在1998年开始出现相关研究，主要研究方向是企业协同创新机制，截止到2019年1月5日有6908篇相关论文。关于协同创新平台在2008年开始出现相关研究，主要是复杂产品协同创新平台研究，截止到2019年1月5日有295篇相关论文。

国外学者的研究方向多为企业协同创新，针对其他领域的应用研究相对较少。1965 年，Ansoff 针对企业发展第一次提出了协同的概念，即相对于企业各独立组成部分进行简单汇总而形成的企业群整体的业务表现，是在资源共享的基础上，两个企业之间彼此促进，共同发展的关系 ^{REF _Ref535000895 h * MERGEFORMAT [2] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003800390035000000} 。国外学者研究了工厂、气候、医学、农业等范围的协同创新，如Peter Enderwick等人研究全球工厂系统的协同创新，提出了在全球工厂系统的背景下，在快速变化的商业环境中采用外包合作企业进行创新的理论基础 ^{REF _Ref535000906 h * MERGEFORMAT [3] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003900300036000000} ；Bruneel等人研究大学与产业之间合作障碍的性质，探讨不同机制对降低与大学定位相关的障碍以及与大学合作伙伴合作所涉及的交易的影响 ^{REF _Ref535000932 h * MERGEFORMAT [4] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003900330032000000} 等等，但是高校协同创新等方面的研究相对较少。

协同创新的本质目的在于，打破创造主体及要素间的壁垒与障碍，使得相关主体围绕共同目标协同运作，最终实现”1 1gt;2”的协同效应 ^{REF _Ref535000999 h * MERGEFORMAT [5] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003900390039000000} 。

目前国内学者对协同创新的研究主要集中在产学研、高校、人才培养、校企合作四个方面，具体研究又集中在协同创新内涵、组织模式、科研团队建设、平台构建等方面。张艺等人对协同创新的内涵、层次与架构进行了探索 ^{REF _Ref535000999 h * MERGEFORMAT [5] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003900390039000000} 。宋婷婷等人从总体设计、组织结构、管理制度以及评价机制 4 个方面剖析了高校协同创新科研组织模式构建的思路，并在此基础上，完成了高校协同创新科研组织模式框架图，但是仍然缺乏实证案例加以证明 ^{REF _Ref535000878 h * MERGEFORMAT [1] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300030003800370038000000} 。胡智惠等人对高校协同创新激励机制进行了探讨，提出报酬、资源、文化、政策四个方面的激励机制 ^{REF _Ref535001037 h * MERGEFORMAT [6] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000330037000000} 。

1.1.2协同创新平台研究现状

李景奇等人指出目前的协同创新平台分为三种：基于web2.0的科研协同平台、基于管理流程的科研协同平台、基于文档管理的科研协同平台，并且提出了基于私有云盘的科研协同平台的总体架构,设计了其功能结构，改善了常见科研协同平台对科研核心活动的协同支持不足的问题 ^{REF _Ref535001046 h * MERGEFORMAT [7] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000340036000000} 。

作者在百度中检索到11个协同创新平台，大多为校企协同创新。其中华南校企协同创新平台（测试版）（http://www.ip2vc.com/），主要与专利和知识产权相关，提供专利管理、专利产业化、知识产权融资、知识产权交易等功能。成都校院企地协同创新平台（http://www.cdkjdc.com/），主要有政策资源、服务资源、创新人才、创新企业、科技成果等等整合。也有政产学研方面的协同创新平台，如长春市政产学研用金介协同创新云平台（http://www.ccxtcx.com/#2），主要有科技项目管理、创新支撑平台、医药健康平台、科技大市场、创新园区等功能。也有以资源整合为主的协同创新平台，如中关村协同创新平台（http://z.iluhao.com/）主要是对信息、条件、服务、成功、专家资源的整合，是科技创新与成果转化一站式服务平台，但是其搜索功能使用体验欠佳。

作者浏览的协同创新平台中，中国知网的OKMS知识管理及协同创新平台（http://okms.cnki.net/home/#page1）功能最为强大，有机构知识仓库、协同研究、协同研讨、协同创作以及个人知识管理等核心功能，可以说是目前三种协同创新平台的结合。

孔祥年作者认为目前高校协同创新平台建设面临的困惑有：平台架构欠完善、制度保障欠规范、职能定位较单一、经费紧缺且筹措方式有限。提出协同创新平台应该具有平台架构多元化、组织模式市场化、职能定位多样化、制度保障规范化、建立学习型协同创新团队等特点 ^{REF _Ref535001057 h * MERGEFORMAT [8] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000350037000000} 。如何构建科研协同创新平台，需要实现哪些功能，是在具体实现过程中值得思考的问题，分析了本文之后，对后续的研究提供了思路。

目前大多数协同创新平台都是校企协同创新以及资源整合，很少有高校的协同创新平台，已有的协同创新平台中以知识图谱等形式展示信息的平台尤其稀少，并且有推荐功能的协同创新平台也很少。

2. 推荐算法现状分析

2.1 发展现状

截止到2019年1月5日，作者以”Recommendation algorithm”为检索词在Elsevier SDOS 电子书外文数据库中检索到2443篇相关研究，其中最早的论文发表在1995年。以”推荐算法”为关键词，在CNKI中国期刊网中共检索到4056篇相关论文，国内最早的研究出现在2001年。国内学者研究发展速度很快，特别是2016年，相关论文数量达到453篇。

目前主流的推荐技术包括协同过滤推荐技术和基于内容的推荐技术 ^{REF _Ref535001067 h * MERGEFORMAT [9] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000360037000000} 。

2.1.1 基于内容的推荐算法

基于内容的推荐技术，是来源自信息检索领域，主要是对产品的内容等信息进行特征提取，而不是依赖于用户的评分信息 ^{REF _Ref535001067 h * MERGEFORMAT [9] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000360037000000} 。江周峰等人研究了将图书的社会化标签与实体图书相结合的方式来补充图书的特征项，通过基于内容的推荐算法测试提出的模糊标签识别方法 ^{REF _Ref535001086 h * MERGEFORMAT [10] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000380036000000} 。何跃等人提出基于关联规则-LDA主题模型内容推荐方法，将相关子话题的内容精确推送给用户 ^{REF _Ref535001107 h * MERGEFORMAT [11] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003100300037000000} 等等。

2.1.2基于协同创新的推荐算法

协同过滤推荐算法的基本思想是通过和目标用户具有相似兴趣偏好的其他用户对目标的项目进行评价，从而判断评价结果是否对用户有价值，从而决定是否将项目推荐给用户。协同过滤推荐算法是目前广泛应用的个性化推荐技术之一 ^{REF _Ref535001067 h * MERGEFORMAT [9] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003000360037000000} 。李远博等人研究了基于PCA降维的协同过滤推荐算法 ^{REF _Ref535001179 h * MERGEFORMAT [12] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003100370039000000} ；车晋强等人研究了基于Spark的分层协同过滤推荐算法 ^{REF _Ref535001187 h * MERGEFORMAT [13] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003100380037000000} ；殷聪等人研究了基于IF-IDF的情景后过滤推荐算法 ^{REF _Ref535001196 h * MERGEFORMAT [14] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003100390036000000} ；王兴茂等人研究了基于贡献因子的协同过滤推荐算法 ^{REF _Ref535001203 h * MERGEFORMAT [15] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200300033000000} ；丁少衡等人研究了基于用户属性和评分的协同过滤推荐算法 ^{REF _Ref535001210 h * MERGEFORMAT [16] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200310030000000} 等等。

协同过滤推荐分为三种类型：基于用户的协同过滤、基于项目的协同过滤、基于模型的协同过滤。研究协同过滤推荐算法的文献中，常常使用关联算法、聚类算法、分类算法、回归算法、矩阵分解、神经网络、图模型、隐语义模型等方法来计算。

2.1.3 其他推荐算法

Badr Ait Hammou等人研究大数据下的近似并行推荐算法 ^{REF _Ref535001216 h * MERGEFORMAT [17] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200310036000000} 。Tommasel等人将人格特质的定量分析与最常用的跟随推荐预测因素（即拓扑和内容）相结合，分析了用户个性如何影响跟随者的选择的过程，并将组合因子插入到计算目标用户和潜在跟随者之间的相似性的推荐算法中 ^{REF _Ref535001224 h * MERGEFORMAT [18] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200320034000000} 。Balakrishnan等人研究利用直观聚类方法的产品推荐算法 ^{REF _Ref535001233 h * MERGEFORMAT [19] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200330033000000} 。Safran等人开发了两种新颖的算法：TOP-KT（计算推荐给工人的前k个最合适的任务）和TOP-KW（计算推荐给任务请求者的前k名最佳工作者）。两种算法都表现出卓越的实时性能，无论数据集大小如何，都能在几毫秒内提出有效的建议 ^{REF _Ref535001240 h * MERGEFORMAT [20] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200340030000000} 等等。

2.2推荐算法存在的问题及对策

现有研究的推荐算法主要存在的问题有：数据稀疏性、冷启动、实时性与扩展性等等，如，硕良勋等人指出当前协同过滤推荐算法易受数据稀疏性与冷启动的问题；车晋强等人指出的推荐系统实时性与扩展性问题等等。

针对推荐算法存在的问题，很多国外学者提出了一些改进算法。如Papagelis等人提出了一种基于用户到用户相似性的增量更新来解决可伸缩性问题的方法，比传统CF更快地推荐数量级，同时保持推荐质量 ^{REF _Ref535001248 h * MERGEFORMAT [21] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200340038000000} 。

在国内，也有很多学者研究改进推荐算法。如孙天昊等人研究了基于Hadoop分布式改进聚类协同过滤推荐算法，改善协同过滤推荐算法在大数据下的稀疏性和可扩展性问题 ^{REF _Ref535001257 h * MERGEFORMAT [22] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200350037000000} ；陈功平等人研究了改进Pearson相关系数的个性化推荐算法，改进后的皮尔森相似度的推荐效果好于原始皮尔森相似度 ^{REF _Ref535001264 h * MERGEFORMAT [23] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200360034000000} ；高倩等人研究了改进的面向数据稀疏的协同过滤推荐算法，缓解用户数据稀疏性问题 ^{REF _Ref535001270 h * MERGEFORMAT [24] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200370030000000} ；硕良勋等人研究了基于改进最邻近的协同过滤推荐算法，降低了平均绝对误差值，提升了推荐准确度，达到提高推荐质量效果的目的 ^{REF _Ref535001275 h * MERGEFORMAT [25] 08D0C9EA79F9BACE118C8200AA004BA90B02000000080000000E0000005F005200650066003500330035003000300031003200370035000000} 等等。

文章最后，相关的文献和研究提供了很多思路和方法，但没有将推荐算法实现的相关研究。本文将参考已有的推荐算法相关研究，探究适合科研协同创新平台的算法，并从推荐算法实现和平台的可视化分析等角度进行相应的调查和研究。

本文文献综述的总结^[1-25]如下表：

参考文献

[1] 宋婷婷,张晓妮,孙楠,刘军弟.高校协同创新科研组织模式探索[J].技术与创新管理,2015,36(04):345-349.

[2] 吕静,卜庆军,汪少华.中小企业协同创新及模型分析[J].科技进步与对策,2011,28(03):81-85.

[3] Enderwick P, Buckley P J. Beyond supply and assembly relations: collaborative innovation in global factory systems[J]. Journal of Business Research, 2017.

[4] Bruneel J, d#8217;Este P, Salter A. Investigating the factors that diminish the barriers to university#8211;industry collaboration[J]. Research policy, 2010, 39(7): 858-868.

[5] 张艺,许治,朱桂龙.协同创新的内涵、层次与框架[J].科技进步与对策,2018,35(18):20-28.

[6] 胡智惠,蔡熙文,王成伟.高等学校协同创新激励机制探讨[J].合作经济与科技,2018(24):166-167.

[7] 李景奇,卞艺杰,张国宝,郭枫,高远.基于私有云盘的科研协同平台[J].计算机系统应用,2018,27(11):42-50.

[8] 孔祥年.高校协同创新平台建设的若干建议#8212;#8212;以江苏省为例[J].山东社会科学,2016(S1):575-576.

[9] 刘明昌.基于内容的推荐技术研究[J].现代营销(下旬刊),2016(06):243.

[10] 江周峰,杨俊,鄂海红.结合社会化标签的基于内容的推荐算法[J].软件,2015,36(01):1-5.

[11] 何跃,丰月,赵书朋,马玉凤.基于知乎问答社区的内容推荐研究#8212;#8212;以物流话题为例[J].数据分析与知识发现,2018,2(09):42-49.

[12] 李远博,曹菡.基于PCA降维的协同过滤推荐算法[J].计算机技术与发展,2016,26(02):26-30.

[13] 车晋强,谢红薇.基于Spark的分层协同过滤推荐算法[J].电子技术应用,2015,41(09):135-138.

[14] 殷聪,张李义.基于TF-IDF的情境后过滤推荐算法研究#8212;#8212;以餐饮业O2O为例[J].数据分析与知识发现,2018(11):28-36.

[15] 王兴茂,张兴明.基于贡献因子的协同过滤推荐算法[J].计算机应用研究,2015,32(12):3551-3554.

[16] 丁少衡,姬东鸿,王路路.基于用户属性和评分的协同过滤推荐算法[J].计算机工程与设计,2015,36(02):487-491 497.

[17] Hammou B A, Lahcen A A, Mouline S. APRA: An approximate parallel recommendation algorithm for Big Data[J]. Knowledge-Based Systems, 2018, 157: 10-19.

[18] Tommasel A, Corbellini A, Godoy D, et al. Personality-aware followee recommendation algorithms: an empirical analysis[J]. Engineering Applications of Artificial Intelligence, 2016, 51: 24-36.

[19] Balakrishnan J, Cheng C H, Wong K F, et al. Product recommendation algorithms in the age of omnichannel retailing#8211;An intuitive clustering approach[J]. Computers amp; Industrial Engineering, 2018, 115: 459-470.

[20] Safran M, Che D. Real-time recommendation algorithms for crowdsourcing systems[J]. Applied Computing and Informatics, 2017, 13(1): 47-56.

[21] Papagelis M, Rousidis I, Plexousakis D, et al. Incremental collaborative filtering for highly-scalable recommendation algorithms[C]//International Symposium on Methodologies for Intelligent Systems. Springer, Berlin, Heidelberg, 2005: 553-561.

[22] 孙天昊,黎安能,李明,朱庆生.基于Hadoop分布式改进聚类协同过滤推荐算法研究[J].计算机工程与应用,2015,51(15):124-128.

[23] 陈功平,王红.改进Pearson相关系数的个性化推荐算法[J].山东农业大学学报(自然科学版),2016,47(06):940-944.

[24] 高倩,何聚厚.改进的面向数据稀疏的协同过滤推荐算法[J].计算机技术与发展,2016,26(03):63-66.

[25] 硕良勋,柴变芳,张新东.基于改进最近邻的协同过滤推荐算法[J].计算机工程与应用,2015,51(05):137-141.

2. 研究的基本内容、问题解决措施及方案

本文研究的问题:

本文研究的是以南京工业大学为例的协同创新平台的学者推荐实现及可视化分析的相关问题。