张思明，游天童

（福州大学 数学与计算机学院，福建 福州350108）

随着互联网信息的不断膨胀，信息过载也越来越严重，因而推荐系统越来越受到人们的重视。最简单的推荐算法是全局排名方法 GRM(Global Ranking Method)，该算法不考虑用户的个性化需求，因而其推荐结果的质量并不好。于是，考虑用户偏好的协同过滤CF(Collaborative Filtering)推荐算法被广为应用，并迅速成为最受欢迎的推荐算法之一。协同过滤算法考虑用户兴趣，在用户群中寻找目标用户的相似用户组，综合这些相似用户对某一项目的评价，预测目标用户对此项目的兴趣。

目前，协同过滤算法主要分为两类[1]：基于内存的方法和基于模型的方法。基于内存的方法在整个数据库上执行，从训练数据库中找出与目标用户最相关的K个用户，然后把他们的评分信息结合在一起对目标用户的评分情况进行预测。主要有基于Pearson相关性的方法、基于向量相似度的方法等。这些算法主要有两个缺点：易受稀疏的评分数据的影响；算法的可伸缩性差。与之相对，基于模型的方法并不直接使用单个用户的评分信息，而是预先按照用户评分的模式对用户进行聚类，然后计算目标用户与各个类别之间的相似度，找出最相似的类，用该类对某个项目的评分作为目标用户对该项目的评分。主要的方法有贝叶斯网络方法、聚类的方法。基于模型的方法在建立聚类的过程中较为耗时，而且对目标用户做出的评分预测也存在准确性较低的问题。……