印桂生，崔晓晖，马志强

(哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

网络技术的发展带来了信息过载［1］现象.作为一种信息过滤手段，协同过滤推荐系统［2］根据用户对某些资源的历史评价信息，主动提供其可能感兴趣的资源列表.

现有协同过滤推荐系统，如Tapestry System［3］，Grouplens［4］，Yahoo Tomoharu［5］等，将发生于不同时刻下的历史信息等同对待，缺乏对其时效量化分析.一种合理的思维是:距离当前时刻越近的历史评价信息在评价预测中具有更高的推荐效用，反之，距离当前时刻越远的历史评价效用越低，即时效随时间发生衰减［6］.一些研究成果采用线性或非线性衰退函数量化评价时效随时间变化情况.KOYCHEV［7］采用线性函数作为时效量化基础.KUKAR［8］采用核函数计算时效随时间衰减情况.DIND［9］指出时效量化是一个随时间发生梯度逐渐下降过程，故指数函数更加适合时效量化.上述模型虽然一定程度上满足时效随时间发生衰退的基本特征，但没有考虑资源的时效衰退差异性问题.在推荐系统中，用户兴趣漂移［10］普遍存在导致时效衰退程度发生动态改变，表现为受欢迎的资源其时效衰减速率较慢.因此，如何根据用户兴趣，探索时效随时间衰退特征，是提高时效量化在推荐系统中实用价值的主要途径.

基于此，提出一种应用遗忘曲线的协同过滤推荐模型(FC-CFRM:forgetting curve based collaborative filter recommendation model).该模型从用户兴趣漂移角度揭示资源时效遗忘速率的差异化规律，通过多阶段时效量化方法和时间单……