杨立 胡运红 邵桂荣

摘要：针对现有的推荐系统多采用近邻用户的偏好行为来预测当前用户的偏好，而不考虑用户的偏好会随着时间的变化而改变，影响了推荐准确率的问题，提出了一种基于时间衰减与偏好波动的协同偏好获取方法。首先，基于时间因素、用户历史偏好等获取偏好衰减增量与衰减速度，并据此生成衰减函数，使用衰减函数对用户历史行为数据进行衰减修正；其次，基于用户的历史偏好分布获取其偏好波动幅度；最后，将衰减函数与偏好波动幅度分别加入到最近邻获取与偏好获取流程，协同为用户生成推荐列表。在大规模真实数据集上的实验结果表明，所提出的方法与基于属性评分分布的协同过滤（RDCF）与最优TopN的协同过滤（OTCF）相比，平均绝对误差（MAE）值分别降低了近6.42%和7.73%。实验结果表明所提方法能够提高推荐准确度，提升推荐质量。

关键词：

推荐系统；时间衰减；衰减增量；衰减速度；偏好波动

中图分类号： TP391.9； TP18 文献标志码：A

0引言

随着大数据时代的到来，海量信息资源充斥整个信息服务领域，而其展示平台或资源获取途径虽然在近年来有了较大的发展，资源检索与筛选技术也趋于成熟，但仍不能为用户提供符合其需求的个性化资源推荐服务。特别是随着移动客户端的普及，资源展示界面越来越小型化，用户及服务提供商对于高质量的推荐系统的需求也越来越大。

推荐系统的主要思路就是基于用户的历史偏好信息，采用基于模型或基于内容的方法来建立用户的兴趣模型，将用户可能感兴趣的，且没有过行为记录的商品推荐给用户[1-3]。……