PAGEPAGE30PAGE基于用戶數(shù)據(jù)的推薦系統(tǒng)設(shè)計(jì)國(guó)內(nèi)外文獻(xiàn)綜述伴隨網(wǎng)絡(luò)、傳感等技術(shù)的發(fā)展與廣泛應(yīng)用，數(shù)據(jù)種類和數(shù)量均呈指數(shù)級(jí)快速增長(zhǎng)。在存儲(chǔ)這些海量數(shù)據(jù)的同時(shí)，如何從中提取出不同用戶的準(zhǔn)確有效信息，進(jìn)而更好地服務(wù)于其社會(huì)經(jīng)濟(jì)活動(dòng)，這是進(jìn)行數(shù)據(jù)分析、實(shí)現(xiàn)精準(zhǔn)推薦的主要目的之一。通過(guò)對(duì)應(yīng)用領(lǐng)域大量數(shù)據(jù)的系統(tǒng)分析，建立用戶畫像與推薦項(xiàng)目模型，并基于恰當(dāng)?shù)耐扑]算法進(jìn)行個(gè)性化精準(zhǔn)推薦。一個(gè)設(shè)計(jì)優(yōu)良的推薦系統(tǒng)不僅能幫助用戶更好地進(jìn)行經(jīng)濟(jì)活動(dòng)決策、增加購(gòu)買頻次與數(shù)量，而且能在帶來(lái)新用戶的同時(shí)，提升新老用戶的忠誠(chéng)度；對(duì)企業(yè)和社會(huì)來(lái)說(shuō)，則可以增強(qiáng)競(jìng)爭(zhēng)力，創(chuàng)造更多經(jīng)濟(jì)與社會(huì)收益，促進(jìn)其健康發(fā)展。隨著推薦技術(shù)的發(fā)展，越來(lái)越多的學(xué)者開(kāi)始注重對(duì)用戶進(jìn)行畫像的問(wèn)題，通過(guò)精準(zhǔn)刻畫用戶特征從而對(duì)推薦的質(zhì)量進(jìn)行提升，這作為目前多數(shù)推薦系統(tǒng)主要運(yùn)用的思想。接下來(lái)本文將對(duì)通過(guò)用戶畫像的方式提供推薦的技術(shù)進(jìn)行梳理并加以分析。推薦技術(shù)中經(jīng)常將用戶的興趣偏好作為推薦依據(jù)，通過(guò)了解用戶的相關(guān)偏好而進(jìn)行推薦。用戶偏好通常分為長(zhǎng)期偏好和短期偏好，其中長(zhǎng)期偏好作為一種人們內(nèi)心存在的情感傾向，具有長(zhǎng)時(shí)間內(nèi)穩(wěn)定的屬性特征。最早提出的的長(zhǎng)期偏好推薦是基于模型的協(xié)同過(guò)濾算法[5]，通過(guò)對(duì)用戶和項(xiàng)目之間的矩陣進(jìn)行分解，并映射到高維的隱含空間中，其中用戶的隱含因子向量具有用戶的長(zhǎng)期偏好，而項(xiàng)目的隱含因子向量具有項(xiàng)目本身的屬性，通過(guò)這種方式進(jìn)一步了解用戶的興趣，更準(zhǔn)確的提供推薦結(jié)果。其中將用戶和項(xiàng)目進(jìn)行映射而形成的隱含因子向量的模型稱為隱含因子模型[6]，該模型作為學(xué)習(xí)用戶長(zhǎng)期偏好的主要技術(shù)。通過(guò)用戶的長(zhǎng)期偏好進(jìn)行推薦的模型，在實(shí)際應(yīng)用中具有不錯(cuò)的成果。其中Salakhutdinov等人通過(guò)受限玻爾茲曼機(jī)（RestrictedBoltzmannMachine,RBM）在用戶和項(xiàng)目的矩陣中進(jìn)行用戶偏好的隱含特征提取，通過(guò)對(duì)用戶的影片評(píng)分向量進(jìn)行壓縮從而得到對(duì)應(yīng)的隱藏狀態(tài)，接著對(duì)影片評(píng)分進(jìn)行重新建模的操作，最后得出預(yù)測(cè)得分實(shí)現(xiàn)推薦[7]。Wang等人利用深度置信網(wǎng)絡(luò)對(duì)音頻中的內(nèi)容進(jìn)行自動(dòng)學(xué)習(xí)，接著結(jié)合矩陣分解協(xié)同過(guò)濾從而生成個(gè)性化的推薦結(jié)果，由此提升了推薦的性能[8]。Laura等人提出基于評(píng)分系統(tǒng)的偏好啟發(fā)式概率方法，當(dāng)評(píng)分?jǐn)?shù)據(jù)越高時(shí)，體現(xiàn)出的用戶偏好就越強(qiáng)，這為推薦方法提升了可擴(kuò)展性[9]。Dai等人提出了一種循環(huán)共演化嵌入過(guò)程模型，通過(guò)對(duì)項(xiàng)目特征和用戶偏好進(jìn)行追蹤，進(jìn)一步學(xué)習(xí)用戶和項(xiàng)目之間存在的隱特征，以此為依據(jù)進(jìn)行推薦，達(dá)到精準(zhǔn)化推薦的效果[10]。隨后Cheng等人利用聯(lián)合訓(xùn)練寬度線性模型和深度神經(jīng)網(wǎng)絡(luò)提出了Wide&Deep模型，該模型不僅具有線性模型中的記憶能力，還擁有神經(jīng)網(wǎng)絡(luò)中的泛化能力，在兩種能力的結(jié)合下取得了良好的推薦效果[11]。運(yùn)用結(jié)合不同模型的方式從而提升推薦效果的思想，Travis等人將隱含因子模型和領(lǐng)域模型進(jìn)行整合，提出了協(xié)同記憶的網(wǎng)絡(luò)模型，在兩種模型的優(yōu)勢(shì)作用下進(jìn)一步增強(qiáng)了推薦的性能[12]。Xue等人對(duì)物品之間的非線性高階關(guān)系進(jìn)行分析，并將這種關(guān)系的特征融入推薦，提出了一個(gè)具有極強(qiáng)表達(dá)力的基于物品的協(xié)同過(guò)濾模型，進(jìn)一步提升推薦的能力[13]。上述成果都是在基于用戶長(zhǎng)期的興趣偏好下實(shí)現(xiàn)的，通過(guò)高效的推薦模型，極大地改善了推薦效果，進(jìn)一步推動(dòng)了推薦技術(shù)的發(fā)展。在用戶的偏好中短期偏好也是一種不可忽略的特征，對(duì)于短期偏好是指用戶在某一短暫的時(shí)間內(nèi)所具有的情感傾向，會(huì)隨著某種因素進(jìn)行改變，而這種特征會(huì)直接影響用戶對(duì)推薦結(jié)果的滿意度，因此捕捉用戶的短期偏好也有利于改善推薦效果。目前最為常見(jiàn)的短期偏好推薦場(chǎng)景就是基于會(huì)話的推薦[14]，通過(guò)短暫的時(shí)間間隔而表現(xiàn)出的用戶行為就是用戶所具有的短期偏好，此時(shí)只能依靠這種行為對(duì)用戶進(jìn)行推薦。起初，Hidasi等人利用門控循環(huán)單元（GatedRecurrentUnit，GRU）對(duì)用戶在會(huì)話中的行為進(jìn)行預(yù)測(cè)，并將每一個(gè)會(huì)話記作一個(gè)序列的方式進(jìn)行建模，再根據(jù)隱藏狀態(tài)對(duì)下一步行為進(jìn)行概率預(yù)測(cè)[15]。隨后，Tan等人對(duì)輸入數(shù)據(jù)偏移的問(wèn)題進(jìn)行考慮，并融合了數(shù)據(jù)增強(qiáng)的方法，對(duì)上述模型做了改進(jìn)，從而提升最終的推薦效果[16]。Tuan等人通過(guò)使用三維的卷積神經(jīng)網(wǎng)絡(luò)對(duì)多源的數(shù)據(jù)進(jìn)行建模，提出了一種可以把會(huì)話中存在的點(diǎn)擊行為和相對(duì)應(yīng)的項(xiàng)目描述信息進(jìn)行結(jié)合的方法[17]。在此基礎(chǔ)上，Wu等人認(rèn)為對(duì)于電子商務(wù)系統(tǒng)中出現(xiàn)的用戶會(huì)話現(xiàn)象可以視為一種瀏覽組合行為，可以通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworks，RNN）對(duì)用戶的行為進(jìn)行建模，還與基于前饋網(wǎng)絡(luò)的協(xié)同過(guò)濾模型進(jìn)行結(jié)合，進(jìn)一步增強(qiáng)了模型的準(zhǔn)確率[18]。Wu等人還提出了一種非參數(shù)推薦模型，通過(guò)季節(jié)變化和用戶偏好的時(shí)序變化作為依據(jù)，采用兩個(gè)LSTM網(wǎng)絡(luò)對(duì)用戶和商品的狀態(tài)構(gòu)建動(dòng)態(tài)模型，達(dá)到精確捕捉用戶興趣的目的，從而完成高質(zhì)量推薦[19]。目前基于會(huì)話的推薦也逐步成為推薦領(lǐng)域關(guān)注度較高的一個(gè)課題，對(duì)于用戶的短期興趣捕捉也成為了學(xué)者們不斷研究的方向，取得的研究成果也在推動(dòng)著該領(lǐng)域的發(fā)展。通過(guò)對(duì)用戶的興趣偏好進(jìn)行提取與分析，并以此為推薦依據(jù)的思想在推薦系統(tǒng)中具有較為出色的表現(xiàn)，但是在較為復(fù)雜的實(shí)際應(yīng)用環(huán)境中，通過(guò)單一的特征不能很好地解決相關(guān)問(wèn)題，因此將長(zhǎng)短期偏好綜合考慮的模型開(kāi)始逐漸發(fā)揮重要作用。Airbnb通過(guò)分別捕捉用戶短期和長(zhǎng)期的興趣，進(jìn)一步完成個(gè)性化的實(shí)時(shí)推薦，從而為用戶提供合適的出租房推薦列表[20]。Zhou等人提出了深度興趣演化網(wǎng)絡(luò)，通過(guò)門控循環(huán)單元（GRU）對(duì)用戶的興趣序列進(jìn)行獲取，并追蹤用戶興趣的演變，根據(jù)用戶的興趣度量，從已經(jīng)準(zhǔn)備好的候選產(chǎn)品中進(jìn)行挑選，形成推薦列表，完成最終的推薦[21]。分析利用用戶興趣的時(shí)序性變化可以更好地提升推薦結(jié)果，在此思想上馮等人提出了一種長(zhǎng)短興趣多神經(jīng)網(wǎng)絡(luò)混合動(dòng)態(tài)推薦模型（HybridDynamicRecommendationModelbasedonMultipleNeuralNetworks，MN-HDRM），該模型通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)用戶的短期興趣變化進(jìn)行學(xué)習(xí)，利用前饋神經(jīng)網(wǎng)絡(luò)對(duì)用戶的長(zhǎng)期穩(wěn)定興趣進(jìn)行學(xué)習(xí)，從而構(gòu)建了這種混合動(dòng)態(tài)的推薦模型，在多項(xiàng)評(píng)價(jià)指標(biāo)中顯示出相對(duì)優(yōu)越的性能[22]。Du等人提出了一種神經(jīng)協(xié)同過(guò)濾（NCF）框架，通過(guò)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替換內(nèi)積的形式，以此來(lái)對(duì)用戶和項(xiàng)目之間的關(guān)系進(jìn)行學(xué)習(xí)，獲取用戶的興趣偏好，實(shí)現(xiàn)準(zhǔn)確推薦[23]。Okura考慮到用戶瀏覽過(guò)程中的時(shí)間順序，使用遞歸神經(jīng)網(wǎng)絡(luò)了解用戶的隱式特征，并結(jié)合潛在因子模型來(lái)實(shí)現(xiàn)新聞信息的推薦[24]。雖然用戶興趣偏好被視為推薦準(zhǔn)確的主要依據(jù)，但是時(shí)序性問(wèn)題也受到很多關(guān)注，在推薦中通過(guò)時(shí)序性特征實(shí)現(xiàn)更為精準(zhǔn)的刻畫也成為了研究的一部分。隨著推薦技術(shù)的不斷優(yōu)化，越來(lái)越多的模型被引入推薦中，通過(guò)獲取時(shí)序性信息來(lái)提升推薦的方式逐漸得到廣泛應(yīng)用，其中使用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long-ShortTermMemory，LSTM）的頻率也在逐步上升。LSTM是一種非線性模型[25]，可以構(gòu)造出更大的深度神經(jīng)網(wǎng)絡(luò)，該模型主要用于解決長(zhǎng)序列在訓(xùn)練過(guò)程中出現(xiàn)的梯度消失和梯度爆炸問(wèn)題。利用LSTM最顯著的特點(diǎn)就是可以學(xué)習(xí)并決定在何時(shí)對(duì)記憶內(nèi)容進(jìn)行清除，其中含有的門控單元能夠用在編碼和解碼的網(wǎng)絡(luò)中，并且在機(jī)器翻譯中表現(xiàn)良好。當(dāng)長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合推薦技術(shù)時(shí)，利用其突出的門控機(jī)制來(lái)對(duì)用戶的行為信息進(jìn)行刻畫，可以很好地考慮了用戶興趣的時(shí)序性變化，以便于提升后期推薦的準(zhǔn)確性。近年來(lái)將該技術(shù)與推薦進(jìn)行結(jié)合的方式受到研究者的不斷關(guān)注。Pal等采用LSTM對(duì)文本特征進(jìn)行提取，但卻忽略了關(guān)鍵部分的信息，只關(guān)注整體的文本信息，從而導(dǎo)致最終的推薦效果一般[26]。WuCY等通過(guò)利用LSTM對(duì)用戶和項(xiàng)目在每一時(shí)刻的動(dòng)態(tài)隱表示進(jìn)行學(xué)習(xí)，分別構(gòu)成穩(wěn)定和時(shí)變的兩種評(píng)分模塊，接著對(duì)兩類隱表示的內(nèi)積進(jìn)行聚合實(shí)現(xiàn)對(duì)單一時(shí)刻評(píng)分的預(yù)測(cè)，從而得出推薦結(jié)果，但最終的推薦結(jié)果準(zhǔn)確性較低，主要原因是對(duì)上下文內(nèi)容語(yǔ)義的規(guī)則性考慮不完善所導(dǎo)致的[27]。隨后Xing等人利用LSTM網(wǎng)絡(luò)對(duì)天氣降雨進(jìn)行預(yù)測(cè)，將降水視為一種時(shí)空序列問(wèn)題，采用多層卷積LSTM層堆疊構(gòu)建出預(yù)測(cè)結(jié)構(gòu)，實(shí)現(xiàn)了端到端的降水預(yù)測(cè)模型[28]。羅洋等人提出的融合注意力LSTM的協(xié)同過(guò)濾推薦算法，解決了提取單詞之間的前后語(yǔ)義關(guān)系不夠充分的問(wèn)題，并在電影類數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)比對(duì)，證明了該算法在推薦性能上有顯著提升[29]。張素智等人考慮到數(shù)據(jù)的時(shí)效性問(wèn)題，提出了基于長(zhǎng)短期記憶網(wǎng)絡(luò)的協(xié)同過(guò)濾算法，通過(guò)對(duì)數(shù)據(jù)在不同時(shí)間下產(chǎn)生的變化進(jìn)行描述，并對(duì)用戶的行為偏好進(jìn)行動(dòng)態(tài)的模擬，從而達(dá)到較高的推薦準(zhǔn)確度[30]。通過(guò)利用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)時(shí)序性變化進(jìn)行捕捉，有利于提升推薦中的準(zhǔn)確性，也有助于增強(qiáng)用戶良好的使用感受。在目前的推薦技術(shù)研究中，發(fā)現(xiàn)僅使用屬性進(jìn)行推薦略有不足，通過(guò)屬性之間的關(guān)聯(lián)進(jìn)行分析計(jì)算，則可以讓推薦達(dá)到更好的效果。因此有學(xué)者通過(guò)關(guān)聯(lián)性的方式對(duì)用戶進(jìn)行畫像，從而達(dá)到精準(zhǔn)推薦的目的。例如，Chader等人將社交分享內(nèi)容作為信息來(lái)源，分析了用戶關(guān)聯(lián)性對(duì)用戶畫像的重要性，利用目標(biāo)用戶最密切的關(guān)系進(jìn)行推薦，提升了推薦結(jié)果的準(zhǔn)確性[31]。Nguyen等人提出了一種供分析師使用的可視化分析方法，以目標(biāo)用戶為中心來(lái)建立分析框架，通過(guò)交互式可視化分層用戶畫像，幫助分析師進(jìn)行有效的調(diào)查研究，對(duì)做出某些決定提供了相對(duì)正確的思路[32]。在社交網(wǎng)絡(luò)中，用戶的關(guān)聯(lián)性往往是體現(xiàn)在朋友之間的，此時(shí)的好友關(guān)系便處于較為重要的地位，通過(guò)好友間的相似關(guān)聯(lián)進(jìn)一步體現(xiàn)社交網(wǎng)絡(luò)的便利性。Liben-Nowell作為最早對(duì)社交網(wǎng)絡(luò)中鏈接預(yù)測(cè)問(wèn)題進(jìn)行研究的學(xué)者，提出了相似性度量的方法，以此作為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)[33]。通過(guò)關(guān)聯(lián)性對(duì)用戶進(jìn)行畫像成為推薦中的一種有效手段，其中過(guò)仕明在數(shù)字圖書館的場(chǎng)景下，對(duì)不同的群體潛在服務(wù)特征進(jìn)行挖掘，從而實(shí)現(xiàn)精準(zhǔn)刻畫用戶畫像，為用戶提供了合適的圖書推薦結(jié)果[34]。隨后張長(zhǎng)浩以商旅為背景，建立了一種快速識(shí)別敏感用戶群體的用戶畫像方法，根據(jù)相關(guān)信息得到用戶的多維度特征，并通過(guò)實(shí)驗(yàn)證明該方法提升了分類的準(zhǔn)確率[35]。通過(guò)在不同領(lǐng)域中采用不同方式進(jìn)行用戶畫像的手段，在很大程度上會(huì)影響推薦的結(jié)果，對(duì)用戶畫像進(jìn)行精準(zhǔn)的刻畫，有助于提升推薦系統(tǒng)的性能。通過(guò)關(guān)聯(lián)性提升推薦效果的手段，最為常見(jiàn)的融合技術(shù)還有知識(shí)圖譜，由于其具有萬(wàn)物關(guān)聯(lián)的特點(diǎn)，在推薦中應(yīng)用也十分廣泛。關(guān)于知識(shí)圖譜推薦的研究方法大致分為三類：基于本體的推薦系統(tǒng)[36]、基于開(kāi)放鏈接數(shù)據(jù)的推薦系統(tǒng)[37]和基于圖嵌入的推薦系統(tǒng)[38]。利用知識(shí)圖譜進(jìn)行推薦的主要思想就是通過(guò)關(guān)聯(lián)性的手段為用戶提供準(zhǔn)確的推薦服務(wù)，其中Saraswathib等采用動(dòng)態(tài)構(gòu)建本體的方式，計(jì)算相似度并進(jìn)行重排序，為用戶推薦合適的職位[39]。Passant等提出的將開(kāi)放鏈接數(shù)據(jù)庫(kù)Dbpedia[40]中的音樂(lè)屬性信息引入推薦，利用鏈接數(shù)據(jù)語(yǔ)義距離對(duì)無(wú)效數(shù)據(jù)進(jìn)行清理，通過(guò)語(yǔ)義距離的計(jì)算判斷音樂(lè)間相似性，再結(jié)合用戶的評(píng)分和歷史行為完成最終的推薦。最為經(jīng)典的DeepWalk[41]和LINE[42]技術(shù)以高效的優(yōu)勢(shì)得到廣泛應(yīng)用。隨后Palumbo等提出的向量化模型entity2rec，主要是依據(jù)相連接的屬性值使用神經(jīng)網(wǎng)絡(luò)模型對(duì)知識(shí)圖譜中的節(jié)點(diǎn)進(jìn)行訓(xùn)練，將其變換成向量的模式，進(jìn)一步計(jì)算用戶和項(xiàng)目之間的相關(guān)性，最后采用排序函數(shù)生成對(duì)應(yīng)的推薦列表[43]。利用知識(shí)圖譜中的關(guān)聯(lián)性進(jìn)行推薦，在信息細(xì)粒度方面有了提升，進(jìn)一步增加了推薦效果。因此，對(duì)推薦技術(shù)進(jìn)行創(chuàng)新與優(yōu)化是十分值得深入研究的。參考文獻(xiàn)DRohde,BonnerS,DunlopT,etal.RecoGym:AReinforcementLearningEnvironmentfortheproblemofProductRecommendationinOnlineAdvertising.2018.ZhouZ,GuB.ApplicationofComputerDataMiningTechnologyinE-Business[J].JournalofPhysics:ConferenceSeries,2021,1744(4):042107(4pp).周萬(wàn)珍,曹迪,許云峰,等.推薦系統(tǒng)研究綜述[J].河北科技大學(xué)學(xué)報(bào),2020,41(1):76-87.SergioOramas,OriolNieto,MohamedSordo,etal.ADeepMultimodalApproachforCold-startMusicRecommendation[P].DeepLearningforRecommenderSystems,2017.GuoL,LiangJ,ZhuY,etal.Collaborativefilteringrecommendationbasedontrustandemotion[J].JournalofIntelligentInformationSystems,2019,53(1):113-135.YuZ,LianJ,MahmoodyA,etal.AdaptiveUserModelingwithLongandShort-TermPreferencesforPersonalizedRecommendation[C].ProceedingsoftheTwenty-EighthInternationalJointConferenceonArtificialIntelligence,{IJCAI-19},2019:4213-4219.HarshvardhanGM,GourisariaMK,RautaraySS,etal.UBMTR:UnsupervisedBoltzmannMachine-BasedTime-AwareRecommendationSystem[J].JournalofKingSaudUniversityComputerandInformationSciences,2021.LiuH,MooreP,ChenL.Asemanticrecommenderalgorithmfor3Dmodelretrievalbasedondeepbeliefnetworks[J].InternationalJournalofComputationalScienceandEngineering,2019,19(1):93.SongH,MoonN.Eye-trackingandsocialbehaviorpreference-basedrecommendationsystem[J].JournalofSupercomputing,2019,75(4):1990-2006.WangX,ShengY,DengH.JointDeepNetworkwithAuxiliarySemanticLearningforPopularRecommendation[J].IEEEAccess,2020,PP(99):1-1.LiuY,GuoB,LiN,etal.DeepStore:AnInteraction-AwareWide&DeepModelforStoreSiteRecommendationWithAttentionalSpatialEmbeddings[J].IEEEInternetofThingsJournal,2019,6(4):7319-7333.EbesuT,ShenB,FangYCollaborativememorynetworkforrecommendationsystems[C].The41stInternationalACMSIGIRConferenceonResearch&DevelopmentinInformationRetrieval,2018:515-524.XueF,HeX,WangX,etal.DeepItem-basedCollaborativeFilteringforTop-NRecommendation[J].ACMTransactionsonInformationSystems(TOIS),2019,37(3):33.WangS,CaoL,WangYASurveyonSession-basedRecommenderSystems[J].arXiv:InformationRetrieval,2019.LinH,LiuG,LiF,etal.Wheretogo?PredictingnextlocationinIoTenvironment[J].FrontiersofComputerScience(print),2020,15(1):151306.YanC,ChenY,ZhouL.DifferentiatedFashionRecommendationUsingKnowledgeGraphandDataAugmentation[J].IEEEAccess,2019,PP(99):1-1.TuanTX,PhuongTM.3Dconvolutionalnetworksforsession-basedrecommendationwithcontentfeatures[C].ProceedingsoftheEleventhACMConferenceonRecommenderSystems,2017:138-146.WuS,RenW,YuC,etal.PersonalrecommendationusingdeeprecurrentneuralnetworksinNetEase[C].2016IEEE32ndinternationalconferenceondataengineering(ICDE),2016:1218-1229.WuC-Y,AhmedA,BeutelA,etal.RecurrentRecommenderNetworks[C].ProceedingsoftheTenthACMInternationalConferenceonWebSearchandDataMining,2017: