李 颖, 李永丽, 蔡观洋

(1. 吉林师范大学 计算机学院, 吉林 四平 136000； 2. 东北师范大学 计算机科学与信息技术学院, 长春 130117；3. 吉林大学 计算机科学与技术学院, 长春 130012)

0 引 言

个性化推荐在当前互联网服务行业的地位越来越重要, 它是解决信息过载的重要方式。协同过滤算法则是个性化推荐算法中应用最成功的一种技术, 该算法实现简单, 部署方便, 在商业领域得到广泛应用[1], 很多学者对其进行了深入全面地研究, 以克服该算法在应用过程中的不足。

协同过滤算法, 也叫社会过滤算法, 它充分利用“人”这个元素的社会属性。社会中的每个人都有一些和自己兴趣相似的个体, 本算法基于这样的假设： 一个人可能更喜欢和他兴趣相投的人所感兴趣的项目。该算法是在系统的所有用户行为数据上进行学习的, 不需要考虑项目的内容信息。因此, 对非结构化的信息, 如电影、 音乐和视频等, 可以产生不错的推荐结果。但是, 该算法仍存在许多不足, 如由数据稀疏性导致的推荐精度不高, 用户/项目冷启动和推荐多样性等问题[2]。其中推荐精度作为衡量个性化推荐算法的重要指标, 得到了学者的重视, 并提出了许多方式用以提高推荐精度。

George等[3]为了降低活跃用户对推荐结果影响, 通过归一化用户评分项目组的出现频率, 对用户的每个评分项目都添加一个归一化因子, 然后参与到用户/项目间的相似性计算中。因此, 降低了那些被活跃用户评价过的项目在推荐过程中的重要度。……