导语：如何才能写好一篇关于人工智能的综述报告，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
2017年7月，国务院印发《新一代人工智能发展规划》，不仅对人工智能的发展做出了战略性部署，还确立了“三步走”的政策目标，力争到2030年将我国建设成为世界主要的人工智能创新中心。[1]值得注意的是，此次规划不仅仅只是技术或产业发展规划，还同时包括了社会建设、制度重构、全球治理等方方面面的内容。之所以如此，是由于人工智能技术本身具有通用性和基础性。换句话说，为助推人工智能时代的崛起，我们面对的任务不是实现某一个专业领域或产业领域内的颠覆性技术突破，而是大力推动源于技术发展而引发的综合性变革。
也正因为如此，人工智能发展进程中所面临的挑战才不仅仅局限于技术或产业领域，而更多体现在经济、社会、政治领域的公共政策选择上。首先，普遍建立在科层制基础上的公共事务治理结构，是否能够适应技术发展和应用过程中所大规模激发的不确定性和不可预知性再者，长久以来围绕人类行为的规制制度，是否同样能够适应以数据、算法为主体的应用环境最后，如何构建新的治理体系和治理工具来应对伴随人工智能发展而兴起的新的经济、社会、政治问题
应对上述挑战并不完全取决于技术发展或商业创新本身，而更多依赖于我们的公共政策选择。本文试图在分析人工智能发展逻辑及其所引发的风险挑战的基础上，对人工智能时代的公共政策选择做出分析，并讨论未来改革的可能路径，这也就构成了人工智能治理的三个基本问题。具体而言，人工智能本身成为治理对象，其发展与应用构成了治理挑战，而在此基础上如何做出公共政策选择便是未来治理变革的方向。
一、人工智能的概念及技术发展逻辑：算法与数据
伴随着人工智能技术的快速发展，尤其是其近年来在棋类对弈、自动驾驶、人脸识别等领域的广泛应用，围绕人工智能所可能引发的社会变革产生了激烈争论。在一方面，以霍金[2]、马斯克[3]、比尔-盖茨[4]、赫拉利[5]为代表的诸多人士呼吁加强监管，警惕“人工智能成为人类文明史的终结”;在另一方面，包括奥巴马[6]在内的政治家、学者又认为应该放松监管，充分释放人工智能的技术潜力以造福社会。未来发展的不确定性固然是引发当前争论的重要原因之一，但围绕“人工智能”概念内涵理解的不同，以及对其发展逻辑认识的不清晰，可能也同样严重地加剧了人们的分歧。正因为此，廓清人工智能的概念内涵和发展逻辑不仅是回应争论的需要，也是进一步提出公共政策建议的前提。
人工智能研究的目标是使机器达到人类级别的智能能力，而其中最重要的便是学习能力。[10]因此，尽管“机器学习”是“人工智能”的子域，但很多时候我们都将这两个概念等同起来。[11]就实现过程而言，机器学习是指利用某些算法指导计算机利用已知数据得出适当模型，并利用此模型对新的情境给出判断，从而完成行为机制的过程。此处需要强调一下机器学习算法与传统算法的差异。算法本质上就是一系列指令，告诉计算机该做什么。对于传统算法而言，其往往事无巨细地规定好了机器在既定条件下的既定动作;机器学习算法却是通过对已有数据的“学习”，使机器能够在与历史数据不同的新情境下做出判断。以机器人行走的实现为例，传统算法下，程序员要仔细规定好机器人在既定环境下每一个动作的实现流程;而机器学习算法下，程序员要做的则是使计算机分析并模拟人类的行走动作，以使其即使在完全陌生的环境中也能实现行走。
由此，我们可以对“人工智能”设定一个“工作定义”以方便进一步的讨论：人工智能是建立在现代算法基础上，以历史数据为支撑，而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算系统。这一概念尽管可能仍不完善，但它突出了人工智能技术发展和应用的两大基石——算法与数据，有助于讨论人工智能的治理问题。
首先，算法即是规则，它不仅确立了机器所试图实现的目标，同时也指出了实现目标的路径与方法。就人工智能当前的技术发展史而言，算法主要可被划分为五个类别：符号学派、联接学派、进化学派、类推学派和贝叶斯学派。[12]每个学派都遵循不同的逻辑、以不同的理念实现了人工智能(也即“机器学习”)的过程。举例而言，“符号学派”将所有的信息处理简化为对符号的操纵，由此学习过程被简化(抽象)为基于数据和假设的规则归纳过程。在数据(即历史事实)和已有知识(即预先设定的条件)的基础上，符号学派通过“提出假设-数据验证-进一步提出新假设-归纳新规则”的过程来训练机器的学习能力，并由此实现在新环境下的决策判断。
从对“符号学派”的描述中可以发现，机器学习模型成功的关键不仅是算法，还有数据。数据的缺失和预设条件的不合理将直接影响机器学习的输出(就符号学派而言，即决策规则的归纳)。最明显体现这一问题的例子便是罗素的“归纳主义者火鸡”问题：火鸡在观察10天(数据集不完整)之后得出结论(代表预设条件不合理，超过10个确认数据即接受规则)，主人会在每天早上9点给它喂食;但接下来是平安夜的早餐，主人没有喂它而是宰了它。
所有算法类型尽管理念不同，但模型成功的关键都聚焦于“算法”和“数据”。事实上，如果跳出具体学派的思维束缚，每种机器学习算法都可被概括为“表示方法、评估、优化”这三个部分。[13]尽管机器可以不断的自我优化以提升学习能力，且原则上可以学习任何东西，但评估的方法和原则(算法)以及用以评估的数据(数据)都是人为决定的——而这也正是人工智能治理的关键所在。算法与数据不仅是人工智能发展逻辑的基石，其同样是治理的对象和关键。
总而言之，围绕“人工智能是否会取代人类”的争论事实上并无太大意义，更重要的反而是在廓清人工智能的内涵并理解其发展逻辑之后，回答“治理什么”和“如何治理”的问题。就此而言，明确治理对象为算法和数据无疑是重要的一步。但接下来的重要问题仍然在于，人工智能时代的崛起所带来的治理挑战究竟是什么当前的制度设计是否能够对其做出有效应对如果答案是否定的，我们又该如何重构治理体系以迎接人工智能时代的崛起本文余下部分将对此做进一步的阐述。
二、人工智能时代崛起的治理挑战
不同于其他颠覆性技术，人工智能的发展并不局限于某一特定产业，而是能够支撑所有产业变革的通用型技术。也正因为此，其具有广泛的社会溢出效应，在政治、经济、社会等各个领域都会带来深刻变革，并将同时引发治理方面的挑战。具体而言，挑战主要体现在以下三个方面。
再者，治理方法的滞后性，即长久以来建立在人类行为因果关系基础上的法律规制体系，可能难以适用于以算法、数据为主体的应用环境。人工智能的价值并不在于模仿人类行为，而是其具备自主的学习和决策能力;正因为如此，人工智能技术才不能简单地理解为其创造者(即人)意志的表达。程序员给出的只是学习规则，但真正做出决策的是基于大规模数据训练后的算法本身，而这一结果与程序员的意志并无直接因果关联。事实上也正由于这个特点，AlphaGo才可能连续击败围棋冠军，而其设计者却并非围棋顶尖大师。也正是在这个意义上，我们才回到了福柯所言的“技术的主体性”概念。在他看来，“技术并不仅仅是工具，或者不仅仅是达到目的的手段;相反，其是政治行动者，手段与目的密不可分”。[15]就此而言，长久以来通过探究行为与后果之因果关系来规范人的行为的法律规制体系，便可能遭遇窘境：如果将人工智能所造成的侵权行为归咎于其设计者，无疑不具有说服力;但如果要归咎于人工智能本身，我们又该如何问责一个机器呢由此，如何应对以算法、数据为核心的技术主体所带来的公共责任分配问题，是当前面临的第二个治理挑战。
上述三方面共同构成了人工智能时代崛起所带来的治理挑战。面对这些挑战，各国也做出了相应的公共政策选择。本文第三部分将对各国人工智能的治理政策进行对比性分析。在此基础上，第四部分将提出本文的政策建议。
三、各国人工智能治理政策及监管路径综述
美国于2016年同时颁布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两个国家级政策框架，前者侧重从技术角度指出美国人工智能战略的目的、愿景和重点方向，而后者则更多从治理角度探讨政府在促进创新、保障公共安全方面所应扮演的角色和作用。就具体的监管政策而言，《为人工智能的未来做好准备》提出了一般性的应对方法，强调基于风险评估和成本-收益考量的原则以决定是否对人工智能技术的研发与应用施以监管负担。[17]日本同样于2016年出台了《第五期(2016～2020年度)科学技术基本计划》，提出了“超智能社会5.0”的概念，强调通过推动数据标准化、建设社会服务平台、协调发展多领域智能系统等各方面工作促进人工智能的发展和应用。[18]
尽管美国和日本的政策着力点不同，但其共有的特点是对人工智能的发展及其所引发的挑战持普遍的包容与开放态度。就当前的政策框架而言，美日两国的政策目标更倾斜于推动技术创新、保持其国家竞争力的优势地位;当涉及对人工智能所可能引发的公共问题施以监管时，其政策选择也更倾向于遵循“无需批准式(permissionless)”的监管逻辑，即强调除非有充分案例证明其危害性，新技术和新商业模式默认为都是被允许的。[19]至于人工智能的发展对个人数据隐私、社会公共安全的潜在威胁，尽管两国的政策框架都有所涉及，却并非其政策重心——相比之下，英国、法国则采取了不同的政策路径。
在本文看来，无论是“无需批准式监管”还是“审慎监管”，在应对人工智能时代崛起所带来的治理挑战方面都有其可取之处：前者侧重于推动创新，而后者则因重视安全而更显稳健。但需要指出的是，这两种监管路径的不足却也十分明显。正如前文第二部分所指出，一方面，快速迭代的技术发展与商业模式创新必将引发新的社会议题，无论是算法是否受到言论自由的权利保护还是普遍失业对社会形成的挑战，它们都在客观上要求公共政策做出应对，而非片面的“无需批准式监管”能够处理。更重要的是，“无需批准式监管”的潜在假设是事后监管的有效性;然而，在事实上，正如2010年5月6日美国道琼斯工业指数“瞬间崩盘”事件所揭示的，即使单个电子交易程序合规运行，当各个系统行为聚合在一起时反而却造成了更大的危机。[23]在此种情形下，依赖于合规性判断的“事后监管”基本上难以有效实施。另一方面，人工智能本身的自主性和主体性使得建立在人类行为因果关系基础上的“审慎监管”逻辑存在天然缺陷：既然人类无法预知人工智能系统可能的行为或决策，开发者又如何证明人工智能系统的无害性
正如本文所反复强调的，人工智能与其他革命性技术的不同之处，正是在于其所带来的社会冲击的综合性和基础性。人工智能并非单个领域、单个产业的技术突破，而是对于社会运行状态的根本性变革;人工智能时代的崛起也并非一夜之功，而是建立在计算机革命、互联网革命直至数字革命基础上的“奇点”变革。因此，面对人工智能时代崛起所带来的治理挑战，我们同样应该制定综合性的公共政策框架，而非仅仅沿袭传统治理逻辑，例如只是针对具体议题在“创新”与“安全”这个二元维度下进行艰难选择。本文在第四部分从承认技术的主体性、重构社会治理制度、推进人工智能全球治理这三方面提出了政策建议，并希望以此推动更深入地围绕人工智能时代公共政策选择的研究与讨论。
四、人工智能时代的公共政策选择
《新一代人工智能发展规划》明确提出了到2030年我国人工智能发展的“三步走”目标，而在每一个阶段，人工智能法律法规、伦理规范和政策体系的逐步建立与完善都是必不可少的重要内容。面对人工智能时代崛起的治理挑战，究竟应该如何重构治理体系、创新治理机制、发展治理工具，是摆在决策者面前的重要难题。本文基于对人工智能基本概念和发展逻辑的梳理分析，结合各国已有政策的对比分析，提出以下三方面的改革思路，以为人工智能时代的公共选择提供参考。
上述三方面从整体上对人工智能时代的公共政策框架做出了阐述。与传统政策局限于“创新”与“安全”之间做出二维选择不同，本文以更综合的视角提出了未来公共政策选择的可能路径。就其内在联系来讲，建立并完善围绕算法和数据的治理体系是起点，其将重构人工智能时代的规则与制度;创新社会治理机制并完善社会保障体系是底线，其将缓解人工智能所带来的影响与波动;构建全球治理机制则成为了制度性的基础设施，推动各国在此之上共同走向人工智能时代的“人类命运共同体”。
五、结语
[参考文献]
[5][以]赫拉利.人类简史[M].北京：中信出版社，2014.
[7]Turing，A.M.ComputingMachineryandIntelligence.Mind，1950，59(236).
[11][12][13][美]佩德罗-多明戈斯.终极算法：机器学习和人工智能如何重塑世界[M].黄芳萍译.北京：中信出版社，2016.
[14]Benkler，Y.TheWealthofNetworks：HowSocialProductionTransformsMarketsandFreedom.YaleUniversityPress，2006.
[15]Foucoult，M.DisciplineandPunish.A.Sheridan，Tr.，Paris，FR，Gallimard，1975.
[16]Srnicek，N.，&Williams，A.TheFutureisn'tWorking.Juncture，2015，22(3)：243-247.
[19]Thierer，A.PermissionlessInnovation：TheContinuingCaseforComprehensiveTechnologicalFreedom.MercatusCenteratGeorgeMasonUniversity，2016.
[21]周衍冰.大数据产业在法国的发展及应用[N].学习时报，2014-11-03.
[22]Thierer，A.D.，&Watney，C.J.CommentontheFederalAutomatedVehiclesPolicy，2016.
[23][美]杰瑞·卡普兰.人工智能时代：人机共生下财富、工作与思维的大未来[M].杭州浙江人民出版社，2016.
[25]VanParijs，P.BasicIncome：ASimpleandPowerfulIdeafortheTwenty-firstCentury.Politics&Society，2004，32(1).
关键词：数据挖掘；方法；数据挖掘技术；数据仓库
BriefAnalysisofDataMiningTechniques
WEIXiao-ling
(DepartmentofPrimaryeducation,QinzhouUniversity,Qinzhou535000,China)
Abstract:Dataminingtechniquesisanemergingresearchfieldindatabaseandartificialintelligence．IspresentwidespreadresearchdatabanktechnologyIspresentwidespreadresearchdatabanktechnology,Itmayrefineusefully,thelatentinformationfromthemassivedata,Aftertenseveralyearsresearchandapplication,Hadalreadyestablishedthequitesolidrationale,atpresent,iscloselyintegratedwithapplications,Furtherreformoftheexistingtechnologydevelopment.
Keywords:datamining;methods;datamining;techniquesdatawarehouse
1引言
随着计算机技术，特别是数据库技术的快速发展和广泛应用，各行各业积累的数据量越来越大，传统的数据处理方式已很难充分利用蕴藏在这些数据中的有用知识，为适应这种需求，数据挖掘（DataMining，DM）应运而生，并得以蓬勃发展，越来越显示出其强大的生命力。
数据挖掘技术是人们长期对数据库技术进行研究和开发的结果。起初各种商业数据是存储在计算机的数据库中的，然后发展到可对数据库进行查询和访问，进而发展到对数据库的即时遍历。数据挖掘使数据库技术进入了一个更高级的阶段，它不仅能对过去的数据进行查询和遍历，并且能够找出过去数据之间的潜在联系，从而促进信息的传递。
从80年代末数据挖掘开始出现，短短二十多年它的发展速度很快。目前数据挖掘技术在零售业的购物篮分析、金融风险预测、产品质量分析、通讯及医疗服务、基因工程研究等许多领域得到了成功的应用．很多专题会议也把数据挖掘和知识发现列为议题之一。
2数据挖掘技术概述
所谓数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘的核心模块技术历经了数十年的发展，其中包括数理统计、人工智能、机器学习。今天，这些成熟的技术，加上高性能的关系数据库引擎以及广泛的数据集成，让数据挖掘技术在当前的数据仓库环境中进入了实用的阶段。
数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先未知，有效和可实用三个特征。
3数据挖掘技术功能
1)自动预测趋势和行为
数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。一个典型的例子是市场预测问题，数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户，其它可预测的问题包括预报破产以及认定对指定事件最可能作出反应的群体。
2)关联分析
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。
3)聚类
数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。聚类技术主要包括传统的模式识别方法和数学分类学。80年代初，Mchalski提出了概念聚类技术其要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。
4)概念描述
概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该类对象中所有对象的共性。生成区别性描述的方法很多，如决策树方法、遗传算法等。
5)偏差检测
4数据挖掘常用技术
在数据挖掘中最常用的技术有：
人工神经网络：人工神经网络方法从结构上模仿生物神经网络，是一种通过训练来学习的非线性预测模型。它将每一个连接看作一个处理单元(PE)，试图模拟人脑神经元的功能。它可以完成分类、聚类、特征挖掘等多种数据挖掘任务。
决策树：决策树是数据挖掘中经常要用到的一种技术，可以用于分析数据，同样也可以用来作预测。它利用树的结构将数据记录进行分类，树的一个叶结点就代表某个条件下的一个记录集，根据记录字段的不同取值建立树的分支；在每个分支子集中重复建立下层结点和分支，便可生成一棵决策树。常用的算法有CHAID、CART、Quest和C5.0。
遗传算法：遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。其基本思想是基于Darwin的进化论和Mendel的遗传学说。该算法由密执安(Michigan)大学教授Holland及其学生于1975年创建。与传统搜索算法不同，遗传算法从一组随机产生的初始解，称为种群(Population)，开始搜索过程。种群中的每个个体是问题的一个解，称为染色体(Chromone)。染色体是一串符号，例如一个二进制字符串。这些染色体在后续迭代中不断进化，称为遗传在每一代中用适应度(Fitness)来衡量染色体的好坏。生成下一代染色体，称为后代(Offspring)。后代是由前一代染色体通过交叉(Crossover)或变异(Muration)运算形成。根据适应度大小选择部分后代淘汰部分后代，从而保持种群大小是常数。适应度高的染色体被选中的概率高。这样，经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。
近邻算法：将数据集合中每一个记录进行分类的方法。
规则推导：从统计意义上对数据中的“如果-那么”规则进行寻找和推导。
5数据挖掘技术实现
在技术上可以根据它的工作过程分为：数据的抽取、数据的存储和管理、数据的展现等关键技术。
1)数据的抽取
数据的抽取是数据进入仓库的入口。由于数据仓库是一个独立的数据环境，它需要通过抽取过程将数据从联机事务处理系统、外部数据源、脱机的数据存储介质中导入数据仓库。数据抽取在技术上主要涉及互连、复制、增量、转换、调度和监控等几个方面的处理。在数据抽取方面，未来的技术发展将集中在系统功能集成化方面，以适应数据仓库本身或数据源的变化，使系统更便于管理和维护。
2)数据的存储和管理
3)数据的展现
在数据展现方面主要的方式有：
查询：实现预定义查询、动态查询、OLAP查询与决策支持智能查询；报表：产生关系数据表格、复杂表格、OLAP表格、报告以及各种综合报表；可视化：用易于理解的点线图、直方图、饼图、网状图、交互式可视化、动态模拟、计算机动画技术表现复杂数据及其相互关系；统计：进行平均值、最大值、最小值、期望、方差、汇总、排序等各种统计分析；挖掘：利用数据挖掘等方法，从数据中得到关于数据关系和模式的知识。
4)数据挖掘一般过程
图1描述了数据挖掘的基本过程和主要步骤。
过程中各步骤的大体内容如下：
5.1确定业务对象
清晰地定义出业务问题,认清数据挖掘的目的是数据挖掘的重要一步.挖掘的最后结构是不可预测的,但要探索的问题应是有预见的,为了数据挖掘而数据挖掘则带有盲目性,是不会成功的
5.2数据准备
1)数据的选择
搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。
2)数据的预处理
研究数据的质量，为进一步的分析作准备。并确定将要进行的挖掘操作的类型。
3)数据的转换
将数据转换成一个分析模型。这个分析模型是针对挖掘算法建立的。建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。
5.3数据挖掘
对所得到的经过转换的数据进行挖掘。除了完善从选择合适的挖掘算法外,其余一切工作都能自动地完成。
5.4结果分析
解释并评估结果。其使用的分析方法一般应作数据挖掘操作而定，通常会用到可视化技术。
5.5知识的同化
将分析所得到的知识集成到业务信息系统的组织结构中去。
6数据挖掘技术的应用
7结束语
参考文献：
[1]张士玲,杨林楠,孙向前,等.浅论数据挖掘技术[J].福建电脑,2005(8):61-62.
[2]杨雪.浅析数据挖掘技术[J].华南金融电脑,2005(8):83-85.
[3]张倩.数据挖掘技术综述[J].甘肃科技,2005,21(7):92-93.
[4]黄晓霞,萧蕴诗.数据挖掘应用研究及展望[J].计算机辅助工程,2001(4):23-29.
关键词：撮合；框架模型；方法算法；应用；综述；展望
2撮合技术研究进展
2.1概念发展研究
Wallace等认为撮合是为了婚姻目的将两个人进行配对的过程[1]，他根据对会员特征的归类，并结合实验对象最后的婚姻状况报告，研究提出了如何使俱乐部在婚姻撮合行为中更为科学有效地运作。随着知识经济的出现以及撮合技术进一步在信息领域的应用，撮合逐渐成为一种借助知识共享智能系统而存在的信息供给者与消费者之间的合作伙伴关系[2]。Daniel等人认为撮合是一种基于计算机可识别信息及内容语言的自动化处理进程，该进程通过分别接收一组供给信息和需求信息作为输入，从而输出一组满足需求的k组最优供给方案的撮合队列[3]。电子商务的发展及INTERNET环境的变迁，对商务活动中交易方案的合理化、交易区间的最大化以及交易实现的高效率性提出了更高的要求。唐亮贵等提出了在INTERNET环境中基于Multi-Agent的撮合交易模型[4]，该研究认为撮合交易的基本思想和目标是：资源的合理配置、优化配置以及交易区间、交易量和交易效率的优化；从而提供一个优化的交易平台，充分体现出高质量、高水平、高效率的交易服务。
普遍地，撮合被认为是一种在潜在合作伙伴和交易者之间进行商业活动的进程，它通过使有意进行经济价值交换的交易者与潜在对象获得联络并进行磋商，是一种在供给与需求之间寻找可能匹配空间的自动化过程[5]。撮合能够通过的方式对供需双方的信息进行收集、存储，通过相应撮合模型及算法的处理，使潜在的交易对象能够获得联络并进行磋商，从而产生优化的交易匹配方案。综合学者对撮合概念的研究，总结撮合的基本模式如图1所示。
2.2框架模型研究
早期的撮合模型和撮合系统主要基于计算机中介通信（Computer-MediatedCommunication）的框架，如通过组织内的电子邮件系统等方式。这一时期的撮合，计算机仅被当作一种信息中介工具，由个体之间自主地进行信息交流及交易活动。被Adelman等人称作“婚姻市场中间人”（MarriageMarketIntermediary，MMI）的撮合系统[6]，则是使用计算机中介将媒体中的服务信息集中起来，并按照信息匹配的方法为单身男女进行婚姻撮合的。研究强调了婚姻中介决策支持的重要意义和作用，并使用了三阶段模型来解释了的撮合行为：“搜寻”（信息获取）、“配对”（可兼容对象的集中）以及“互动”（一组配对的形成或者拒绝）。随着撮合应用领域的扩展，需求的多样化和信息的高容量需求使得基于的撮合成为研究和应用所广泛认同的框架模型。除了作为一个单独的存在之外，撮合者还包含了在知识共享中间件中的结构化共享信息以及对应的撮合算法[7]。
基于的撮合框架模型经历了从中央式结构（CentralizedArchitecture）到分布式结构（Decentralized/DistributedArchitecture）的变迁。早期的撮合框架多采用中央式结构，使用一个服务于单个或者多个用户。这是因为，在P2P（PeertoPeer）技术尚未成熟时期，终端之间缺少有效沟通联络的方法，中央式结构因易于构建和控制、直观简单而成为撮合唯一的解决方案[8]。但在研究与应用中逐渐发现中央式结构也存在一些弊端，如难以应付过大用户量的承载问题和意外故障可能导致整个系统瘫痪崩溃的安全问题[9]。分布式结构的多撮合框架模型则能有效地解决上述问题[10]，成为目前撮合系统/平台最常用的框架结构。图2可表达一般多撮合的框架模型。
现实世界中的撮合问题比较复杂，往往需要同时考虑多个维度属性的撮合。学者针对不同环境、不同对象、不同目的下的撮合问题进行研究，构建了一些有代表性的撮合框架模型。
软件的概念被扩展到消费者购买行为（ConsumerBuyingBehavior，CBB）这一传统市场营销模型中，为基于的电子商务市场发展起到了推动作用。该模型从六个阶段对基于的电子商务撮合系统来划分整个撮合交易行为[11]：需求确定、产品中介、供货方中介、磋商、购买及交付、服务和评价。
基于多的企业能力匹配决策支持系统依据企业能力模型构建，能够帮助企业加强或创造其匹配市场需求的企业能力。这个多系统由一组互相协作的组成，包括：需求（RequestAgent，RA）、能力（CompetenceAgent，CA）和公共信息（PublicInformationAgent，PIA）。系统中的器能够成为企业能力信息的要求者和提供者，它在能力知识库中通过推理及与其他互动来生成企业能力的撮合匹配方案，在解决能力匹配问题的知识上具有优势[12]。
应对租赁住房的网络搜寻问题，Du等人构建了一个基于“溯因合取查询回答”（AbductiveConjunctiveQueryAnswering）的撮合系统框架[13]，该系统模型将租赁住房的撮合方案定义为对租房需求的“溯因合取查询回答”（AbductiveConjunctiveQueryAnswering）。该系统分为两个部分：线下部分将从网络上搜集和存储的各类租赁住房信息集中到描述逻辑程序本体（DLPOntology）中，包含了控制器、转换器、恢复器和封装器四个构件；线上部分则建立在一个应用“溯因合取查询回答”（AbductiveConjunctiveQueryAnswering）的撮合器（matchmaker）之上，对用户的租赁住房需求做出回应。
面对现实世界中复杂多维度的撮合需求，Daniel等人构建了一个基于的GRAPPA（GenericRequestArchitectureforPassiveProviderAgents）撮合匹配模型，通过计算候选对象各个维度的关联度来对可能的匹配进行优先排序。通过该模型建立的撮合“知识库”和“工具库”能够广泛地适用于各种电子商务市场中的撮合交易应用[14]。他随后的研究进一步定义了多维度撮合的概念，并实现了XML结构的EJB撮合应用，该研究定义了某些领域的不同关联函数并应用于人力资源领域。
2.3方法算法研究
在撮合框架模型下，根据撮合对象的属性对供给、需求双方按照一定的条件进行匹配的方法算法是实现撮合的重要技术方法。许多学者针对撮合的方法及算法进行了深入的研究，总体来看，撮合方法可以分成三类[15]：功能性撮合（FunctionalBasedMatchmaking）、非功能性撮合（Non-functionalBasedMatchmaking）以及复合撮合方法（HybridMatchmaking）。
功能性撮合方法（FunctionalBasedMatchmaking）对用户的服务或商品的功能性描述与需求信息进行过滤与处理[16]，主要的方法有本体撮合（OntologyBasedMatchmaking）、语义撮合（SemanticMatchmaking）、基于语义的本体撮合（OntologyBasedSemanticMatchmaking）、演绎撮合（DeductiveMatchmaking）和相似性撮合（SimilarityMatchmaking）等。
非功能性撮合方法（Non-functionalBasedMatchmaking）按照服务或商品的非功能性要求进行撮合，多用于WebService的撮合匹配问题研究与应用[16]。该方法对用户提出的非功能性要求（通常指QoS约束）过滤，例如WebService的可用性、可得性、完整性、性能、可靠性、可管理性和安全性等约束。常用的方法有QoS撮合（QoSBasedMatchmaking）、本体QoS撮合（OntologyBasedQoSMatchmaking）、语义QoS撮合（SemanticBasedQoSMatchmaking）、本体语义QoS撮合（OntologyBasedSemanticQoSMatchmaking）以及约束规划QoS撮合（QoSBasedMatchmakingbyConstraintsProgramming）等。
复合撮合方法（HybridMatchmaking）是功能性和非功能性撮合方法的联合应用[15]。一般地，撮合进程依据服务或商品的功能性需求展开，当生成的撮合方案容量较大的时候，基于非功能性撮合的结果输出能够有效较少方案数目，使撮合能够更易于找到最合适的匹配方案。两种撮合方法的联合应用，无疑能够提高撮合的效率、柔性和精度。
不同撮合问题研究中，研究主要从描述逻辑语言和算法两个角度来解决撮合中主要的技术方法问题。正如前文中所述，这二者也是撮合系统的最重要组成部分。
2.3.1描述逻辑语言研究
早期网络上已经存在一些寻求和发现WebService的途径如UDII（UniversalDescriptionDiscoveryandIntegration，通用描述、发现与集成服务）和ebXML（E-businesseXtensibleMarkupLanguage，电子商务全球化标准），但这些电子商务行业中标准化描述方法的应用无法在既有服务界面来实现撮合功能[17]，并且在产品和服务描述上的柔性和丰富性有所欠缺[18]。为进一步解决服务发现与服务提供的问题，许多研究通过使用语义网（SemanticWeb）来应用于WebService描述来实现信息自动处理功能[19]。
Transtour等通过对语义网技术（SemanticWebTechnologies）和电子商务标准框架（StandardFrameworksforE-commerce）的对比分析研究表明，以往的描述语言技术不足以填补现有电子商务标准框架与语义网技术应用需求之间的空白。该研究以RDF（ResourceDescriptionFramework）和DAML（DarpaAgentMarkupLanguage）这两种基于语义网的描述逻辑语言为例，进一步指出基于语义网的自动撮合和磋商技术在今后复杂的商务环境中将起到重要作用，语义网技术和工具的应用将会在其中扮演更为重要的角色[18]。
Larks是在撮合用于描述供给和需求属性要求特征的语言[20]。该语言巧妙地平衡了描述逻辑在撮合问题中同时强调的语义表达性和效率性，使撮合模型能够同时进行文本匹配和语义撮合。DMAL用于研究WebService的发现与提供，被学者进一步发展为DMAL-S（DARPAAgentMarkupLanguageforServices），成为一种用于描述WebService和Agent属性与能力的高级本体语言[21]，它提供了对WebService的功能（服务配置）、如何执行（服务模型）、以及服务如何得到（服务落地）的标准化描述，是WebService能力描述的重要工具。通过软件的自动化处理，DAML-OIL（DARPAAgentMarkupLanguageOntologyInterchangeLanguage）拥有易被人类理解的规范语义能力，用于分别描述需求方和供给方的服务和商品属性要求[22]，已经成为最具表达能力的本体语言之一。
随着撮合研究和应用领域的不断延伸，不断出现了新的描述逻辑语言用于对服务和商品的信息描述。制造服务描述语言（ManufacturingServiceDescriptionLanguage，MSDL）就是一种通过有向标签树的形式对制造服务进行规范描述的高级本体语言[23]，它用于描述制造业供应链中供需双方制造能力的匹配相似性。语言语义不如数字表达要求精度高，在描述不确定性的语言变量更为合适[24]，因此使用语词来替代数字变量的模糊语言方法也更适合处理非确定性信息的撮合问题。基于霍恩子句逻辑的Datalog（也称作Top-k-Datalog语言）是一种成熟且有用的描述语言，它能够扩展地结合模糊语言方法的使用来制定撮合规则和查询的软约束，通过相应的算法寻找出按优先顺序排列的k组配对。
2.3.2算法研究
基于OWL-S描述，Paolucci等在研究WebService能力撮合匹配问题时提出了输出最小距离算法，该算法严格判定需求输入是否规范以及服务提供方的输出是否满足需求者的输入，但在处理非确切服务匹配问题时因为灵活性不够而适用性不强[25]。TRANSTOUR算法则基于RDF对服务的描述，通过图位匹配方法比较服务供需方的描述，如果双方描述的根元素相似，则描述相似；反之，则不相似[18]。LARKS算法源于LARKS语言中对服务的四个功能参数输入、输出、约束内、约束外的分解设定，通过五个有序不同的过滤器的单独或联合使用，根据成本排序来进行服务的撮合匹配[20]。
Manaster在研究中将组合数学（combinatorics）和递归函数理论（RecursiveFunctionTheory）首次应用到婚姻撮合问题中[26]。静态婚姻撮合算法（StableMarriageMatchingAlgorithm）[27]不仅在早期的研究中可以为静态婚姻撮合问题中的每个单身对象找到最合适的配对，Choi等人还通过将服务消费者捆绑到服务提供者，采用该算法对服务的撮合匹配进行了研究。与OWL-S和LARKS等其他撮合方法不同的是，该算法还实现了网络节点中的时序安排[28]，扩大了多变环境下算法对多网络节点的支持能力。
在COINS（CommonINterestSystem）这一多推荐系统中，Leonard使用SMART撮合算法和WordNet算法来比较系统内不同用户的属性特征，实现系统内具有相似兴趣用户的互相推荐[8]。在复杂的电子商务市场撮合匹配过程中，往往难以一次性达到精确有效的撮合方案。当供给需求双方的真实意向约束无法达成一致，便得不到合适的匹配结果导致撮合失败。Michael等构建了扩展撮合成分（ExtendedMatchmakingComponent，EMC）算法[29]，当供需双方真实约束无法匹配但双方又愿意放宽各自的约束条件时，该算法能快速有效地确定最后双方磋商的一致意向。
Noia等修正了经典的结构化归纳算法并提出了潜在排序算法（rankPotentialAlgorithm）[5]，通过对不同撮合匹配的分类以及打分，得出不同撮合配对的优先顺序，从而完成电子商务市场上交易双方的撮合匹配过程。Gatteschi等人在研究网络招聘问题时，基于就业者知识技能及其他能力概念的属性比较，也使用了排序算法[30]对网上择业者给予了撮合匹配决策支持。
张振华等根据电子中介处理个人之间单件物品交易时的多属性匹配问题，建立了多目标匹配模型（多目标指派模型），推导了用理想点法求解该模型[31]，并以二手房交易问题为例的仿真算例表明该方法有一定通用性。樊治平等通过将买卖双方的满意度语言评价信息的效率矩阵转化为二元语义形式，以买方与卖方双方满意度最大为目标构建了多目标优化模型[32]。进一步研究针对IT服务的供给方和需求方分别给出的语言满意度评价信息，将语言评价信息转化为三角模糊数并进行多指标信息的集结运算，以供给方和需求方双方满意度最大为目标构建了服务供需双边匹配的模糊多目标优化模型[33]。
3撮合技术应用现状
金融领域因其产品和服务的虚拟性特征，应用了撮合交易机制来提高服务质量和效率。A-Match是一个使得商能够动态出入的用户资产管理撮合系统[34]，该系统使用撮合器（matchmaker）来支持商在系统中的服务交易。IBM苏黎世研究所应用撮合机制建立了保险服务的网络虚拟市场[35]，为保险服务网上提供和交易提供了便利。
IM3（IntelligentMobileMatchMaker）[36]是一个通过移动网络与终端来为用户提供最合适的旅游资讯信息的撮合系统。该系统基于移动终端接入互联网中央服务器，通过用户需求偏好和旅游资讯的语义描述与分析，构建了同时解决偏好冲突和不完全信息的算法模型，能够有效地为用户推荐最感兴趣和最合适的旅游资讯。
类似于证券股票市场的竞价撮合机制，我国电力交易市场也有具有相似的交易特征。部分研究依据撮合匹配理论方法，基于成本、效率、容量等视角，构建了电力市场撮合交易模型与机制[44，45]，并投入了实际应用，如南方区域电力市场年度月度竞价交易平台、华东区域电力市场年度月度竞价交易平台、江苏和河南等地推行的高耗能小机组向高效率大机组转让发电计划的发电权交易市场平台等。
4研究评述与展望
4.1撮合概念与理论深化
推荐系统是为解决Internet上的信息过载问题而提出的一种智能系统，它能从Internet的大量信息中向用户自动推荐出符合其兴趣偏好或需求的资源。推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求[46]。
如前文所述，撮合系统的问题描述及其框架模型、方法算法都与信息领域的推荐系统有一定相似之处。特别是在电子商务领域的应用研究中，推荐系统与撮合系统都采用了的框架结构，在语义描述和推荐/撮合算法上没有明显的区分和界限。笔者认为：推荐系统解决的是信息过载问题，它能够帮助用户检索有用信息，并且根据用户的偏好进行信息过滤与信息推荐，从而达到为客户提供个性化服务和提高客户忠诚度等目的；而撮合系统的目的则是促成交易的双边匹配方案，实现资源的合理配置、优化配置以及交易区间、交易量和交易效率的优化。如何认识撮合系统与推荐系统的异同，在研究与应用过程中正确将二者区分或者相结合，还有待进一步深入研究。
4.2不完全信息条件下撮合研究
现有对服务和商品撮合交易的研究中，描述问题和对象的属性、供需要求通常是比较确切的。然而在现实复杂多变的商务环境中，由于双边信息不对称、信息的模糊性等原因，需求方对多样化的服务和商品属性要求信息往往是模糊或不完备的（即模糊信息）。在针对供需信息实现最优的双边撮合匹配中，有时也面临着服务和商品属性权重信息不完全的情况。在多属性决策问题研究中，参数信息不能完全确定的决策研究已经取得一定进展，如何在信息不完全条件下的撮合问题中寻求优化的撮合匹配方案，在理论和现实需要上都是值得研究的主题。
4.3撮合模型和算法扩展
通过文献综述可以看出，现有研究成果普遍认为撮合匹配是一种基于的决策支持行为，由撮合器（matchmaker）依据双方属性信息按照一定目标进行最优化匹配。多数研究在构建撮合框架模型时，依据特定问题的服务和交易特征，较多地从系统构架和语义算法的角度来进行研究，鲜有数学模型的构建与求解。与推荐系统所强调的信息过滤与推荐算法不同的是，撮合应用在电子中介商品交易问题中通常以目标函数和约束条件的模型构建与优化为研究内容和目标，存在许多算法研究成果应用于撮合交易模型的求解。可以推断，多属性匹配模型的研究也对撮合研究的模型构建和算法求解有着重要的借鉴研究意义。
4.4基于群决策的撮合研究
现实中的撮合问题不仅发生在于单个个体之间，网络社群的盛行和商务模式的发展也使得群体之间的撮合成为必要，如群体服务、团体大客户购买等行为。与单个个体撮合问题不同的是，群体之间的撮合需要考虑群内单个成员的偏好与决策。群体之间的撮合中需要集结各个决策个体的偏好为群体偏好，再根据群体偏好和群属性、群目标进行撮合。群决策理论方法能够把不同成员的关于方案集合中各方案的偏好按某种规则集结为决策群体的一致或妥协的群体偏好序[47]，从而使得一个群体能够共同进行一项联合行动决策。如何将群决策理论与方法巧妙地应用到群体撮合问题中，在理论和实践上都有研究的意义和必要性。
4.5撮合技术应用实践
[1]WallaceKM.AnExperimentinScientificMatchmaking[J].MarriageandFamilyLiving，1959，21（4）：342-348.
[2]GeneserethMR.AnAgent-BasedFrameworkforInteroperability.SoftwareAgents[M].MITPress，1997，317-345.
[3]VeitDJ，WeinhardtC，LlerJRPM.Multi-DimensionalMatchmakingforElectronicMarkets[J].AppliedArtificialIntelligence，2002，16（9-10）：853-869.
[4]唐亮贵，唐世国.Internet环境中电子商务交易模型综述[J].重庆商学院学报，2002（006）：85-88.
[5]NoiaTD，SciascioED，DoniniFM，etal.ASystemforPrincipledMatchmakinginanElectronicMarketplace[J].InternationalJournalofElectronicCommerce，2004，8（4）：9-37.
[6]AdelmanMB，AhuviaAC.MediatedChannelsforMateSeeking：ASolutiontoInvoluntarySinglehood[J].CriticalStudiesinMediaCommunication，1991，8（3）：273-289.
[7]KuokkaD，HaradaL.MatchmakingforInformationAgents[C]//InternationalJointConferenceonArtificialIntelligence.LawrenceErlbaumAssociatesLTD，1995：672-678.
[8]FonerL.AMulti-AgentReferralSystemforMatchmaking[C]//ProceedingstheFirstInternationalConferenceonthePracticalApplicationofIntelligentAgentsandMulti-AgentTechnology.1996：245-262.
[9]FonerLN.Yenta：AMulti-Agent，Referral-BasedMatchmakingSystem[C]//ProceedingsoftheFirstInternationalConferenceonAutonomousAgents.ACM，1997：301-307.
[10]FonerL.CommunityFormationViaaDistributed，Privacy-ProtectingMatchmakingSystem[J].CommunityComputingandSupportSystems，1998：359-376.
[11]OjhaA，KumarPradhanSK.FuzzyLinguisticApproachtoMatchmakinginE-Commerce[C]//9ThInternationalConferenceonInformationTechnology.IEEE，2006：217-220.
[12]YuL，BiqingH，WenhuangL，etal.KnowledgeBasedDecisionSupportSystemforMatchmakingofEnterpriseCompetence[C]//2000IeeeInternationalConferenceonSystems，Man，andCybernetics.IEEE，2000：2023-2027.
[13]DuJ，WangS，QiG，etal.AnAbductiveCQABasedMatchmakingSystemforFindingRentingHouses[C]//Proc.ofJointInternationalSemanticTechnologyConference.2011：394-401.
[14]VeitD，MüllerJP，SchneiderM，etal.MatchmakingforAutonomousAgentsinElectronicMarketplaces[C]//ProceedingsoftheFifthInternationalConferenceonAutonomousAgents.ACM，2001：65-66.
[15]DharanyadeviP，DhavachelvanP，BaskaranR，etal.QualitativeAnalysisonMatchmakingTechniquesforWebServiceDiscovery[J].InternationalJournalofAdvancementsinComputingTechnology，2010，2（2）：130-143.
[16]KritikosK，PlexousakisD.RequirementsforQos-BasedWebServiceDescriptionandDiscovery[J].IEEETransactionsonServicesComputing，2009，2（4）：320-337.
[17]KawamuraT，HasegawaT，OhsugaA.ProposalofSemantics-BasedWebServiceMatchmaking[C]//ProceedingsoftheFourthInternationalConferenceonComputationalIntelligenceandMultimediaApplications.IEEEComputerSociety，2001：87.
[18]TrastourD，BartoliniC，CastilloJG.ASemanticWebApproachtoServiceDescriptionforMatchmakingofServices[C]//ProceedingsoftheInternationalSemanticWebWorkingSymposiumSWWS.2001：447-461.
[19]LeeTB，HendlerJ，LassilaO.TheSemanticWeb[J].ScientificAmerican，2001，284（5）：34-43.
[20]SycaraK，WidoffS，KluschM，etal.Larks：DynamicMatchmakingAmongHeterogeneousSoftwareAgentsinCyberspace[J].AutonomousAgentsandMulti-AgentSystems，2002，5（2）：173-203.
[21]AnupriyaA.DAML-S：SemanticMarkupforWebServices[C]//ProceedingsoftheInternationalSemanticWebWorkingSymposiumSWWS.2002：411-430.
[22]TomazRF，LabidiS.IncreasingMatchmakingSemanticsinIntelligentCommerceSystem[C]//InternationalConferenceonWebIntelligence.IEEE，2003：616-619.
[23]AmeriF，DuttaD.AMatchmakingMethodologyforSupplyChainDeploymentinDistributedManufacturingEnvironments[J].JournalofComputingandInformationScienceinEngineering，2008，8（1）：11002-11011.
[24]ChaoKM，YounasM，LoCC，etal.FuzzyMatchmakingforWebServices[C]//19ThInternationalConferenceonAdvancedInformationNetworkingandApplications.IEEE，2005：721-726.
[25]MartinD，BursteinM，HobbsJ，etal.OWL-S：SemanticMarkupforWebServices.W3CMemberSubmission.2004，22（2008-01-07）：2004-2007.
[26]ManasterAB，RosensteinJG.EffectiveMatchmaking（RecursionTheoreticAspectsofaTheoremofPhilipHall）[J].ProceedingsoftheLondonMathematicalSociety，1972，3（4）：615.
[27]GusfieldD，IrvingRW.TheStableMarriageProblem：StructureandAlgorithms[M].1989.
[28]ChoiKH，LeeK，ShinH，etal.EfficientAlgorithmforServiceMatchmakinginUbiquitousEnvironments[J].E-CommerceandWebTechnologies，2005：258-266.
[29]StrbelM，StolzeM.AMatchmakingComponentfortheDiscoveryofAgreementandNegotiationSpacesinElectronicMarkets[J].GroupDecisionandNegotiation，2002，11（2）：165-181.
[30]GatteschiV，LambertiF，SannaA，etal.ASemanticMatchmakingSystemforJobRecruitment[C]//Proc.Ofthe10ThInternationalConferenceonKnowledgeManagementandKnowledgeTechnologies.[S.1.]：2010：50-59.
[31]张振华，汪定伟.电子中介中的多属性匹配研究[J].计算机工程与应用，2005，41（4）：9-11.
[32]陈希，樊治平.电子采购中具有语言评价信息的交易匹配问题研究[J].运筹与管理，2009（003）：132-137.
[33]陈希，樊治平，李玉花.IT服务供需双边匹配的模糊多目标决策方法[J].管理学报，2011，8（7）：1097-1101.
[34]PaolucciM，NiuZ，SycaraK，etal.MatchmakingtoSupportIntelligentAgentsforPortfolioManagement[C]//ProceedingsoftheNationalConferenceonArtificialIntelligence.MITPress，2000：1125-1126.
[35]FieldS，HoffnerY.Vimp-aVirtualMarketPlaceforInsuranceProducts[J].ElectronicMarkets，1998，8（4）：3-7.
[36]CalìA.Im3：ASystemforMatchmakinginMobileEnvironments[C]//Knowledge-BasedIntelligentInformationandEngineeringSystems.Springer，2005：156.
[37]BarolliL，KoyamaA，ChengZ，etal.AnAgentBasedMatchmakingSystemUsingKnowledgeBase[C]//22ndInternationalConferenceonDistributedComputingSystemsWorkshops.IEEE，2002：142-146.
[38]LeeKKK，ChiuDKW，HungPCK.Web-ServiceBasedInformationIntegrationforE-FinancialPlanningSystemMatchmakingDecisionSupport[C]//InternationalConferenceonWebIntelligenceandIntelligentAgentTechnologyWorkshops.[S.1.]：IEEE，2006：259-262.
[39]HaraH，FujitaS，SugawaraK.Agent-BasedJobMatchmakingSystemforTeleworkers[C]//ArtificialIntelligenceandSoftComputing.ACTAPress，2004.
[40]GoodyearP.NetworkedLearninginHigherEducationProject[R].UK：LancasterUniversity，2001.
[41]KesterL，VanRosmalenP，SloepP，etal.MatchmakinginLearningNetworks：ASystemtoSupportKnowledgeSharing[C]//ProceedingsWorkshopLearningNetworksforLifelongCompetenceDevelopment.Sofia，Bulgaria：2006：93-100.
[42]NicholsDM，TwidaleMB.Matchmakingandprivacyinthedigitallibrary：strikingtherightbalance[C]//Proceedingsofthe4thUK/InternationalonElectronicLibraryandVisualInformationResearch.London，UK：Aslib，1997：31-38.
[43]KonstanJA.IntroductiontoRecommenderSystems：AlgorithmsandEvaluation[J].AcmTransactionsonInformationSystems（Tois），2004，22（1）：1-4.
[44]夏清，孙正运.考虑交易成本的区域市场撮合交易模型[J].电网技术，2005，29（17）：1-4.
[45]肖海波，韩正华，陈彤.我国区域电力市场批发竞争运营模式探讨[J].华中电力，2007，20（1）：51-54.