王　颖，王　欣，唐万梅

WANG Ying,WANG Xin,TANG Wanmei

重庆师范大学 计算机与信息科学学院，重庆 401331

College of Computer and Information Science,Chongqing Normal University,Chongqing 401331,China

1　引言

互联网技术、设备和网络资源的逐步发展和日趋丰富使人们的日常生活与Internet的关系愈来愈密不可分。CNNIC报告显示，我国网民数量截至2016年6月已达7.10亿[1]。网络信息过载和信息迷航等问题成为众网民获取想要信息以及得到个性化推荐的需求无法满足的主要原因，这种情况下，推荐系统通过分析用户行为，向不同用户提供更准确的个性化推荐越来越迫切。

推荐系统作为一种基于用户网络行为信息向用户提供与其行为相关信息的信息预测与交付系统[2-5]，目前已被广泛应用于电影、音乐、阅读、电商、广告、社交网络、新闻媒体、基于地理位置的推荐、个性化邮件等多个领域[6]。作为推荐系统最普遍采用的算法，基于用户近邻的协同过滤推荐的基本原理是通过寻找与目标用户兴趣相似的用户集合即近邻用户，向目标用户推荐近邻用户喜欢且目标用户未评分过的物品。如，某推荐系统中存在任意用户A及与其兴趣相似的邻居用户B、C、D，假设B、C、D用户看过电影《阿甘正传》且对该电影评分较高，而A用户未看过《阿甘正传》，则推荐系统根据A和B、C、D的邻居关系，向A推荐《阿甘正传》这部电影。任何推荐都应该伴随合理的推荐解释，即为何这样推荐[7-8]，而基于用户近邻推荐，具有较强解释性。此外，基于用户近邻的推荐具有实现相对简单，可解释性强，高效、稳定等显著的优越性[9]。目前常用的近邻方法有：KNN、K-means、K-d Trees、LSH等。……