王 森

（重庆理工大学计算机科学与工程学院，重庆400054）

1 引言

推荐系统（Recommendation System）作为信息过滤的一种重要应用，已经成为各主流网站不可缺少的个性化信息服务形式。它能够帮助用户从大量的互联网商品中发现自己感兴趣的商品（包括电影、书籍、餐厅、交通等）。目前的推荐算法很多，而基于预测评分值的推荐算法（简称为预测算法）运用最为广泛。这类算法主要是利用用户对已知商品的评分值、用户的交易记录、商品的内容等信息预测出用户对未知商品的评分值，进而根据评分值大小对商品排序，选择预测值最大的前N个商品构成top－N推荐列表。因此，这类算法都致力于预测准确率的提高。但是，在实际的推荐过程中，准确率并不是增强用户对推荐商品满意度的唯一标准，推荐商品的多样性也是一种重要指标。比如电影推荐系统，可能它具有很好的评分预测功能，有很高的推荐准确率，但是它可能经常推荐同一种类型的影片给观众，仍然不能令用户满意。因此，一个好的推荐系统应该同时兼顾推荐的准确性和多样性，避免向用户推荐过于相似的商品。然而，准确性和多样性两个标准是相互制约的，准确性的增加必然会导致多样性的降低，而多样性的增加也会导致准确性的下降，如何在这两者之间找到平衡是一个亟待解决的问题。

本文提出了一种新的推荐方法，该方法是建立在预测推荐算法基础上的，首先利用预测算法估计出用户对未知商品的评分值，然后利用用户－评分效用矩阵对所有商品进行聚类，并为每个商品类别赋予相应的权重，最后从不同的商品类中挑选商品进入最终的推荐列表。……