２０１ １年第２Ｏ卷第１１期 ｈｔｔｐ：／／ｗｗｗ．ｃ—Ｓ—ａ．ｏｒｇ．ｃｎ 汁算机系统应用 基于用户行为与角色的协同过滤推荐算 李幼平 ，一，尹柱平 ｆ桂林航天工业高等专科学校，桂林５４１００４） （桂林电子科技大学商学院，桂林５４１００４） 摘要：针对传统协同过滤推荐算法中以稀疏评分讨‘算用户相似性可能并不准确的问题，提出以用户行为对应 一定分值填补空缺的Ｉ．ｕ评分矩阵，并以分角色下的权重系数Ｋ约束用户相似性计算的改进协同过滤推荐算法。 实验表明，改进算法的推荐质量更高。 关键词：协同过滤；Ｉ．ｕ评分矩阵；相似性计算；用户行为；用户角色 Ｃｏｌｌａｂｏｒａｔｉｘ ｅ Ｆｉｌｔｅｒｉｎｇ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｕｓｅｒｓ’Ｂｅｈａｖｉｏｒ ａｎｄ Ｒｏｌｅｓ ＬＩ Ｙｏｕ．Ｐｉｎｇ ．ＹＩＮ Ｚｈｕ—Ｐｉｎｇ （Ｇｕｉｌｉｎ Ｃｏｌｌｅｇｅ ｏｆＡｅｒｏｓｐａｃｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ ５４１００４，Ｃｈｉｎａ） （Ｓｃｈｏｏｌ ｏｆ Ｂｕｓｉｎｅｓｓ，Ｇｕｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ ５４ １ ００４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅ ａｒｅ ｓｐａｒｓｅ ｒａｔｉｎｇｓ ｐｒｏｂｌｅｍ ｉｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＣＦ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ａｎｄ ｂａｓｅｄ ｏｎ ｔｈｉｓ ｓｐａｒｓｅ ｒａｔｉｎｇｓ ｗｉｌｌ ｌｅａｄ ｔｏ ｔｈｅ ｆａｃｔ ｔｈａｔ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｍａｙ ｎｏｔ ｂｅ ａｃｃｕｒａｔｅ．Ｆｏｒ ｔｈｉｓ ｒｅａｓｏｎ，ａ ＣＦ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｆｉｘｅｄ Ｉ－Ｕ ｒａｔｉｎｇｓ ｍａｔｉｒｘ，ｗｈｉｃｈ ｉｓ ｇｉｖｅｎ ｂｙ ａ ｃｅｒｔａｉｎ ｒａｔｉｎｇｓ ｏｆ ｕｓｅｒ ｂｅｈａｖｉｏｒ ｉｎｓｔｅａｄ ｏｆ ｖａｃａｎｃｉｅｓ ｒａｔｉｎｇ，ａｎｄ ｗｅｉｇｈｔｅｄ ｃｏｅｆｉｆｃｉｅｎｔ Ｋ ｂａｓｅｓ ｏｎ ｕｓｅｒｓ’ｒｏｌｅ ｔｏ ｃｏｎｓｔｒａｉｎ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｂｅｔｔｅｒ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｑｕａｌｉｔｙ． Ｋｅｙ ｗｏｒｄｓ：ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ；Ｉ－Ｕ ｓｃｏｒｅ ｍａｔｒｉｘ；ｓｉｍｉｌａｒｉｔｙ ｃａｌｃｕｌａｔｉｏｎ；ｕｓｅｒｓ’ｂｅｈａｖｉｏｒ；ｕｓｅｒｓ’ｒｏｌｅ． 协同过滤推荐算法（ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍ 算法的准确性。故本文提出了一种改进的协同过滤推 ｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ）是目前应用和研究最为广泛的 荐算法。并通过验证实验表明本算法有更高精确度。 推荐技术之一（¨，它根据用户对项的Ｉ—ｕ评分矩阵来计 算用户的相似度，从而产生目标用户的最邻近用户集， １基于用户行为与角色的推荐算法 通过这一集合中用户对项的打分预测产生目标用户对 １．１问题的提出 未知项的打分，取预测打分最高的首选若干项作为结 传统协同过滤推荐算法基于以下假设：如果用户 果推荐给用户。它可忽略项目对象本身的内容问题， 对一定项的打分较相似，则他们对其他项的打分也较 能应用在可计算的文本领域和非结构化的电影、音乐 相似。它是以用户对项打分的Ｉ．ｕ评分矩阵作为学习 和图书等复杂对象领域【 。这一推荐如同现实中的口 用户偏好并产生推荐的基础，但用户的打分常常十分 碑，不局限于用户原有的感兴趣内容，可发现用户可 稀疏。 能感兴趣的新内容。 事实上，用户对项的打分作为对资源项的偏好表 形成用户的最邻近用户集是协同过滤推荐算法中 达，但同时，用户的系统行为也是对偏好的表达。以 最为关键的＿。。步【引，但传统协同过滤推荐算法存在稀 用户的浏览、点击作为一个基本偏好的筛选过程。以 疏性问题，用户对资源项的打分非常稀疏，以稀疏的 用户的“收藏”操作表明对某一信息资源的关注，并 打分产生用户间的相似性可能并不准确，从而影响了 存在针对这…资源的偏好。用户查询则是对自身偏好 ①收稿时间：２０１１－０３．１７；收到修改稿时ｆ￣：２０１１－０４—１１ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ研究开发１０３ 计算机系统应用 ｈｔｔｐ：／／ｗｗｗ．ｃ—ｓ—ａ．ｏｒｇ．ｃａ ２０１１年第２Ｏ卷第１ｌ期 资源的明确查找。在系统中以日志方式记录用户行为， 其中，Ｃ．ｆ，为用户ｉ和ｊ共同评分项的交集，Ｃ．ｆ＋Ｃ， 为用户已评分项的并集。 １．２基于用户角色和行为的改进算法过程 并以１～４的分值与上述用户行为对应，以此填补并修 正Ｉ—Ｕ评分矩阵。 在得到用户对项的直接打分和通过用户行为填补 传统协同过滤推荐算法过程有三个阶段【 】：建立 Ｉ—ｕ评分矩阵，计算用户相似度并产生目标用户的最邻 评分数据后，协同过滤推荐算法将预测用户对未打分 的未知项的打分，以此产生推荐。其中，较典型的是 ｓｌｏｐｅ ｏｎｅ算法【４ｌ，它是以用户共同打分项的打分情况 猜测用户对目标未打分项的打分：假定存在用户ｘ， Ｙ和Ａ都已对Ｉｔｅｍ １打分，且用户Ｘ，Ｙ也对Ｉｔｅｍ２ 打分，如表１： 表１用户评分表 ＼ ａｔｍ．ｇ ｕ ＼＼ Ｉｔｅｍ１ Ｉｔｅｍ２ Ｘ ５ ３ Ｙ ４ ３ Ａ ４ 口● 那么根据Ｓｌｏｐｅ Ｏｎｅ算法，用户Ａ对Ｉｔｅｍ２ Ｊ打 分为：４－［（５—３）＋（４－３）］／２＝２．５。 但在ｓｌｏｐｅ ｏｎｅ算法中，默认了用户对Ｉｔｅｍ２的打 分倾向是相似甚至是相同的，显然，在评分数据稀疏 时这种倾向并不存在。同时，ｓｌｏｐｅ ｏｎｅ算法容易陷入 一个逻辑的死循环，计算用户的相似性并预测评分是 根据相似用户的评分来计算，即默认了用户之间是相 似的，是可允许通过其他任意用户的打分来预测评分。 但如果ｘ、Ｙ和Ａ之间的打分倾向是不一样的，这个 式子就不成立了。包括加权ｓｌｏｐｅ ｏｎｅ算法，仍依据这 一默认的假设。 故本文认为，在计算用户相似性时，要考虑影响 用户偏好或评分倾向的一些重要而稳定的属性。根据 这种在用户自身明确而稳定的属性对用户群进行划 分，由此产生的用户群称之为角色。因而同一角色下 用户具有较好的关联和相似的偏好特征，从而具有相 同的打分倾向。 以这一思想，定义约束权重系数Ｋ来计算用户相 似度ｓｉｍ。相同角色时，Ｋ为１；不同角色时，取用户 之间评分的项的交集比例来作为Ｋ的值，。在多评分 数据下，两用户即使角色不同，如果共同评分项较多， Ｋ也越接近１，同样可成为相似用户。则权重系数Ｋ 的计算式为： Ｉ１，相同用户角色 一 ｌ ／（ ＋ ），不同用户角色 （１） １ ０４研究开发Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ 近用户集，预测评分产生推荐项集。基于传统算法， 改进算法的过程描述如下： 第一阶段：建立以用户行为填补的修正Ｉ．ｕ评分 矩阵。 统计用户对项的评分形成了Ｉ．Ｕ评分矩阵，它是 计算用户相似性的重要数据源。在ｍ个用户对ｎ个项 进行打分的基础上，以用户行为对应一定分值填补部 分空缺项的打分，建立修正的Ｉ－Ｕ评分矩阵。 第二阶段：依靠用户角色，基于约束系数Ｋ的最 邻近用户集的形成。 度量用户相似性的方法主要有余弦相似性、相关 相似性、以及修正的余弦相似性三种。本文应用基于 皮尔逊相关系数（Ｐｅａｒｓｏｎ Ｃｏｒｒｅｌａｔｉｏｎ）并能度量两组 用户评分数据线性关系的相关相似性度量法【６】，具体 计算公式为： 砌蚴＝ 畸 屿 －２（２） 其中，Ｉ。为已打分项ａ，Ｉｉｉ为用户ｉ和Ｊ均已打分的项 集，．Ｒｉａ表示用户ｉ对项目ａ的打分， 表示用户Ｊ对 项目ａ的评分， ，， 表示用户ｉ和Ｊ的平均评分。 计算任意用户之间相似约束系数Ｋ的值，并以式 （２）计算用户相似性时加入约束系数Ｋ进行加权，以 代替 ，以ＫＲｊｏ代替 ，得到式： ∽＝ ｑ（ ）ｃ 一尼－）／Ｊ 畸（巩 ）２× 畸（ 一 ）２（３） 计算得到用户相关系数后，设定一个阈值 ，把 满足ｓｉｍ（ｉ，Ｊ）＞０的相似度以Ｔｏｐ－Ｎ排序，产生最邻近 用户集Ｖ。 第三阶段：生成预测评分和推荐项。 由集ｖ中用户对当前项ｉ的打分，采用平均加权 法来计算预测打分并产生推荐结果，则用户ｕ对目标 项目ｉ的预测打分 计算式为Ｌ７Ｊ： ，＝Ｒｕ＋［∑ ，ｓｉｍ（ｕ，ｖ）×（ 一 ）／∑ （ ，ｖ）Ｉ］（４） 其中， 为用户Ｕ对所有项打分的均值，ｓｉｍ（ｕ，ｖ）表 示用户ｕ，ｖ的相似度，Ｒ 表示最近邻用户集中的用 户ｖ对项ｉ的打分， 为项ｖ的平均打分。 ２０１１年第２０卷第１１期 ｈｔｔｐ：／／ｗｗｗ．ｃ—Ｓ—ａ．ｏｒｇ．ｃｎ 计算机系统应用 对 ，进行Ｔｏｐ—Ｎ排序，推荐前Ｎ项给用户。 ３．２推荐算法质量的度量指标 本文采用常用的统计精度度量方法中的平均绝 对误差ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）作为度量指标。当 ＭＡＥ值越小，推荐的质量越好。ＭＡＥ是用于计算 ２改进的ＣＦ算法描述 输入：ｍ个用户对ｎ个项的打分，用户行为产生 对项的填补打分，Ｉ．ｕ评分矩阵；分角色用户相似度 ｓｉｅ，用户评分项的并集和共同评分项的交集，相似 ｒ推荐的预测评分值和用户真实评分值之间的偏离程 度【９ｌ，它的计算公式为： 阈值０，推荐首选项数Ｎ。 输出：用户的Ｔｏｐ．Ｎ推荐。 算法过程： １）根据用户行为以相应分值修正用户的Ｉ．ｕ评分 矩阵。 ２）计算任意用户之间相似约束系数Ｋ的值，根据 式（３）计算用户ｉ和Ｊ的相似度ｓｉｍ（ｉ， ），比较ｓｉｍ（ｉ， ）与 ０大小，把满足ｓｉｍ（ｉ， ）＞０的相似度以Ｔｏｐ—Ｎ排序， 产生最邻近用户集ｖ。 ３）由集Ｖ中用户对当前项ｉ的评分，根据式（４） 计算目标用户Ｕ对项ｉ的预测评分 。 ４）对 进行Ｔｏｐ－Ｎ排序，推荐前Ｎ项给用户。 ３验证实验结果 ３．１测试数据集 从ｈｔｔｐ：／／ｗｗｗ．ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｎｏｄｅ／７３下载Ｍｏｖｉｅ Ｌｅｎｓ提供的公共测试数据集ｍｉｌｌｉｏｎ．ｍ１．ｄａｔａ来验证算 法的有效性。该数据集由６０４０个用户对３９００部电影 评价打分产生的约１００万个评分数据，它含有三个数 据表，分别为用户信息表（ｕｓｅｒｓ）、电影信息表（ｍｏｖｉｅｓ） 和评分信息表（ｒａｔｉｎｇｓ）。其中用户信息表包含角色划 分的职业类型属性。 为了测试本文提出的基于角色划分的协同过滤推 荐算法的有效性，实验共进行两次，分别选择用户信 息表中以职业（Ｏｃｃｕｐａｔｉｏｎ）代号为７的行政管理者 ｆｅｘｅｃｕｔｉｖｅ／ｍａｎａｇｅｒｉａ１）和１ ７的技术工程ｆＪ￣（ｔｅｃｈｎｉｃｉａｎ／ ｅｎｇｉｎｅｅｒ）的所有用户进行相关数据测试。虽然通过用 户的职业属性在一定程度上缩小了测试数据集，但分 析在传统算法下的推荐数据情况，满意的推荐结果较 集中在相同背景下的用户之间，因而是不影响检验算 法的有效性。另值得指出的是，划分用户集能有效降 低计算的时耗。 在进行测试实验时，要进行数据的稀疏度计算Ｉ８】Ｊ 低稀疏度的数据产生的预测评分才是可靠的。 稀疏度＝所有已评分值的项数／ｆ用户数×资源数） （５） ＭＡＥ＝［∑ｎ－ Ｐｉ－ｑ Ｉ］／ｎ 其中，Ｐ 为用户的预测评分值，ｑ 为用户的实际评分 值，ｎ为预测项的个数。 ３．３实验结果 通过Ｅｘｃｅｌ表格和Ａｃｃｅｓｓ数据库对数据进行预处 理，把数据以）ｋ－－比例分为两部分，８０％部分作为训 练ｂａｓｅ集，２０％部分作为测试ｔｅｓｔ集。预处理后数据 样本的格式如下： Ｅ 一 《 ９￣８３０ｔ３６８ 图Ｉ预处理后数据样本的格式 通过数据预处理和统计得到两个测试数据集： １）职业代码７下的６７９个用户，涉及３２７６部电影， 一共有１０４５６１个评分数据，数据稀疏度为４．７％。 其中用户最少已评电影２Ｏ部，最多１５２１部。２）职 业代码１７下的５０２个用户，涉及３１９６部电影，共 ７２８１６个评分数据，数据稀疏度为４．５％。其中用户 最少已评电影２０部，最多ｌ５９５部。并进一步统计 各用户的已评项数ｎ和用户的评分均值 。 对测试数据集１和２分别进行预测评分的计算并 计算ＭＡＥ值，与传统ＣＦ算法下的ＭＡＥ值比较，得 到结果如图２和图３。 两个实验均选取最近邻用户集为１０到３５个邻居， 间隔为５，从图２与图３可看出本文提出的改进协同 过滤推荐算法具有较小的ＭＡＥ值，具有更高的推荐 质量。 Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ研究开发１ ０５ 计算机系统应用 １．１ ｈｔｃｐ：／／ｗｗｗ．Ｃ—Ｓ—ａ．ｏｒｇ．ｃｎ ２０１１年第２Ｏ卷第１１期 荐质量。 ０．９； — ～参考文献 传统ｃＦ １王茜，杨莉云，杨德礼．面向用户偏好的属性值评分分布协同 Ｉ，Ｕ ０，Ｓ 《 ： ’ 州酯一改进ｃＦ 过滤算法．系统工程学报，２０１０，（４）：５６１—５６８． ２黄晓斌．基于协同过滤的数字图书馆推荐系统研究．大学图 ０．７卜 ０ ６ 一一一 …一一一 ｕ－－一－ｒ 一一ｕ－ 书馆学报，２００６，（１）：５３—５７ ３ Ｋｉｎ ＢＭ，Ｌｉ Ｑ，Ｐａｒｋ ＣＳ，ｅｔ ａ１．Ａ ｎｅｗ ａｐｐｒｏａｃｈ ｆｏｒ ｃｏｍｂｉｎｉｎｇ ｃｏｎｔｅｎｔ—ｂａｓｅｄ ａｎｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｓ．Ｊｏｕｍａｌｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２００６，２７：７９—９１． １０ １５ ２Ｏ ２Ｓ ３０ ３５ 最近邻个数 图２由测试集１得到的ＭＡＥ值对比 ｌ １ ４周敏，周继鹏，丁光华．ＰＳＬ：针对大规模数据应用的并行 Ｓｌｏｐｅ Ｏｎｅ算法．科学技术与工程，２０１０，３：７１ １－７１４． ５ Ｔｉｎ Ｗ Ｘｕ Ｊ，Ｐｅａｎｄ ＹＱ．ＣＦ Ｉｍｐｒｏｖｅｍｅｎｔ Ｂａｓｅｄ ｏｎ 传统ｃＦ 改进ｃＦ １ ０．９ 趔 ｕＪ ０．８ 《 Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ａｎａｌｙｓｉｓ ｏｆ Ｄｉｓｃｒｅｔｅ Ｅｘｐｌｉｃｉｔ Ｒａｔｉｎｇ Ｖｅｃｔｏｒ． Ｐｒｏｃ．ｏｆ ｔｈｅ ２００９ Ｆｉｒｓｔ ＩＥＥＥ Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，９：８１４—８１６． ０．７ ０，６ 一一～。。…………………～…一…一一。—’…一 ６ Ｓａｒｗａｒ Ｂ，Ｋａｒｙｐｉｓ Ｇ Ｋｏｎｓｍｎ Ｊ，ｅｔ ａ１．Ｉｔｅｍ－Ｂａｓｅｄ Ｃｏｌｌａｂｏ－ ｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ａｌｇｏｒｉｔｈｍｓ．Ｐｒｏｃ ｏｆ ｔｈｅ ｌＯｔｈ Ｉｎｔ’１ Ｗｌｏｆ１ｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｎｆ，２００１．２８５—２９５． ７ Ｂｒｅｅｓｅ Ｊ，Ｈｅｃｋｅｒｍａｎ Ｄ，Ｋａｄｉｅ Ｃ．Ｅｍｐｉｉｃａｌ Ａｎａｌｒｙｓｉｓ ｏｆ ｌ０ ｌ５ ２Ｏ ２５ ３０ ３５ 最近邻个数 图３ 由测试集２得到的ＭＡＥ值对比 ４结论 与传统协同过滤推荐算法比较，本文提出的改进 协同过滤推荐算法最大不同的是：从评分数据稀疏问 题和产生最近邻的相似性计算出发，讨论了Ｉ．ｕ评分 矩阵的修正问题和仅依靠用户打分是否能成为最近邻 的问题，并提出了改进的方法，以用户行为对应分值 Ｐｒｅｄｉｃｔｉｖｅ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ．Ｐｒｏｃ．ｏｆ ｈｅ ｔ１４ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ａｒｔｉｉｃｉｆａｌ Ｉｎｔｅｌｌｉｇｅｎｔ． １９９８，４３—５２． ８ Ｈｅｒｌｏｃｋｅｒ几，Ｋｏｎｓｔａｎ ＪＡ，Ｔｅｒｖｅｅｎ ＬＧ Ｅｖａｌｕａｔｉｎｇ Ｃｏｌｌａｂｏ－ ｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ｓｙｓｔｅｍ．ＡＣＭ Ｔｒａｎｓ．ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ，２００４，２２（１）：５—５３． 替代的方式修正了Ｉ．Ｕ评分矩阵并以权重系数Ｋ约束 最近邻用户的计算，使得推荐算法能更好的产生最邻 近用户集。实验结果表明，本算法较显著地提高了推 （上接第１０２页） ９冯克鹏．基于协同过滤的数字图书馆推荐系统研究．软件导 刊，２０１０，５：１６—１８． ｐｃｓ．ｈｔｔｐ：／／ｗｗｗ．ｍｉｃｒｏｓｏｆｔ．ｃｏｒｎ／ｗｈｄｃ／ｗｉｎｈｅｃ／ｐｒｅｓ０６．ｍｓｐｘ． ２００６． ５ Ｍｉｃｒｏｓｏｆｔ．ＲｅａｄｙＤｒｉｖｅ ａｎｄ ｈｙｂｒｉｄ ｄｉｓｋ．ｈｔｔｐ：／／ｗｗｗ． ｍｉｃｒｏｓｏｆｔ．ｃｏｍ／ｗｈｄｃ／ｓｙｓｔｅｍ／ｓｙｓｐｅｒｆ／ｐｅｒｆａｃｃｅ１．ｍｓｐｘ．２０１０． ３ Ｐａｎａｂｌａｋｅｒ Ｒ．Ｈｙｂｒｉｄ Ｈａｒｄ Ｄｉｓｋ＆ＲｅａｄｙＤｒｉｖｅＴＭ ６ Ｐａｙｅｒ Ｈ，Ｓａｎｖｉｄｏ ＭＡＡ．Ｃｏｍｂｏ Ｄｒｉｖｅ：Ｏｐｔｉｍｉｚｉｎｇ Ｃｏｓｔ ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ａ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｓｔｏｒａｇｅ Ｄｅｖｉｃｅ．Ｗｏｒｋｓｈｏｐ ｏｎ Ｉｎｔｅｇｒａｔｉｎｇ Ｓｏｌｉｄ－ｓｔａｔｅ Ｍｅｍｏｒｙ ｉｎｔｏ ｔｈｅ Ｓｔｏｒａｇｅ Ｈｉｅｒａｒｃｈｙ，２００９． ７ ｈｔｔｐ：／／ｔｒａｃｅｓ．ＣＳ．ａｍａｓｓ．ｅｄｕ／ｉｎｄｅｘ．ｐｈｐ／Ｓｔｏｒａｇｅ／Ｓｔｏｒａｇｅ．２００７． ｔｅｃｈｎｏｌｏｇｙ：Ｉｍｐｒｏｖｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｐｏｗｅｒ ｆｏｒ Ｗｉｎｄｏｗｓ Ｖｉｓｔａ Ｍｏｂｉｌｅ ＰＣｓ．ＷｉｎＨＥＣ，２００６． ４ Ｋｉｍ ＹＪ，Ｋｗｏｎ ＫＴ，Ｋｉｍ Ｊ．Ｅｎｅｒｇｙ—ｅｆｆｃｉｅｎｔ ｆｉｅ ｐｌａｃｅｍｅｎｔ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｍｏｂｉｌｅ ｓｔｏｒａｇｅ ｓｙｓｔｅｍｓ． ＥＭＳＯＦＴ Ｃｏｎｆｅｒｅｎｃｅ．２００６． １０６研究开发Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ
