程 飞，贾彩燕

（北京交通大学计算机与信息技术学院，北京 100044）

1 引言

目前，很多大型的电子商务网站为了获得更好的经济效益，通常会给用户推荐合适的资源，以提高用户的使用满意度，如Amazon、Ebay、Alibaba、Yahoo等网站都使用了各种形式的推荐系统。在一些商业公司的赞助下，许多计算机研究机构也举办了一些相关的竞赛，如ACM KDD CUP 2011 Contest、Netflix Prize Competition（2009 年）等。随着用户数量、用户信息量、网络资源数量的增多，推荐系统的设计和实现面临更大的挑战[1]。

为了实现推荐的功能，系统需要根据已有用户对资源的评价，来预测用户对未评价资源的喜爱程度。目前主要有两类方法来解决这样的问题：基于邻居[2，3]（Neighborhood Approach）的方法和基于潜在因子模型[4～6]（Latent Factor Models）的方法。

基于邻居的方法比较直观，容易理解。这类方法使用统计技术寻找与目标用户有相同或相似兴趣偏好的邻居，根据邻居用户的评分来预测目标用户对资源的评分值，选取预测评分最高的前N 个资源作为推荐集反馈给目标用户。它的中心思想是有相同兴趣或偏好的用户往往会对同样的资源感兴趣，这也非常符合人们的心理。这类方法的核心是要准确计算目标用户的邻居，也就是用户相似性，所以也称为基于用户（User-Based）的协同过滤方法。类似地，可以考虑资源之间的相似性，使用目标用户评价过的资源集合来预测用户可能感兴趣的其它资源，这类方法称为基于资源（Item-Based）的协同过滤方法。

基于潜在因子模型的方法将用户和资源的特征同时映射到相同的潜在因子空间（Latent Factor Space），以使得它们可以直接比较。……