张新猛，李 松

（1.天津市体育彩票管理中心，天津 300074；2.河北工业大学 计算机科学与软件学院，天津 300401）

协同过滤算法[2]是时至今日非常成功的一种个性化推荐技术，在很多领域中得到了应用。协同过滤算法中最重要的一步是相似度的计算方法。传统的协同过滤算法在计算相似度时多采用余弦相似性、相关相似性、修正的余弦相似性等度量方法。以上方法基本都是依据项目评分进行相似性计算的。但是在现实的评分矩阵中，评分在大多情况下是比较稀疏的，导致单纯地依据评分向量度量相似度效果不佳，导致推荐精度降低。这是传统的协同过滤推荐模型存在的一大弊端[3]，评分矩阵的稀疏性问题随着信息量的急速增加将愈加突出。借鉴基于内容的推荐系统[4]，将项目属性引入到相似性的度量方法中。同时传统的基于项目协同过滤算法不能体现用户意向随时间的变化，而这一点在个性化推荐中又是极度重要的。本文首先运用考虑项目属性的相似度计算方法来衡量项目相似度，其次通过反映项目与用户意向相关程度的数据权重来调整评分预测公式，基于以上两点得出一种新的协同过滤算法；新的算法既能解决评分矩阵稀疏时相似性计算不准确的问题，又能表示用户意向的转移。

1 基本算法描述

基于项目的协同过滤推荐算法[1]的核心就是通过用户对目标项最近邻项的评分产生最后的推荐结果，用户对目标项的评分通过用户对目标项最近邻项评分的加权平均值逼近来预测。……