蒋宗礼+李慧

摘要：传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此，提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度，通过信任关系的传递规则，建立没有直接信任关系的用户之间的信任关系，然后融合用户相似度与信任度，用于传统的协同过滤推荐系统，找出用户的最近邻居集，进行项目的评分预测，从而产生推荐列表。实验表明，改进后的算法能有效提高系统推荐的准确性。

关键词：协同过滤；推荐系统；信任度；用户相似度

DOIDOI：10.11907/rjdk.162798

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2017）006-0028-04

0 引言

随着互联网的迅猛发展，信息过载问题越发严重。为了缓解该问题，在海量信息中找到真正所需的信息，Goldberg等[1]在1992年首次提出了协同过滤推荐算法。该算法利用用户对项目的评分记录，计算与目标用户有着相似兴趣爱好的最近邻居用户集，并根据该邻居集对目标项目的评分情况，计算目标用户对目标项目的预测评分值，最终把N个最高预测评分值的项目推荐给目标用户。协同过滤推荐算法简单高效，已经成为目前最流行的个性化推荐算法之一。然而，随着系统规模的扩大，协同过滤算法会出现数据稀疏性（Data Sparsity）、冷启动（Cold Start）、可扩展性等问题，使得协同过滤算法容易受到这些问题的困扰[2]。

针对稀疏性问题，Sarwar等[3]提出使用矩阵奇异值分解的方法对评分矩阵进行降维以减少稀疏性。邓爱林等[4]提出首先根据基于项目的协同过滤算法预测部分项目评分，减少评分稀疏性，再根据基于用户的协同过滤算法为用户推荐。……