武俊芳，吴 婷

(1.郑州工商学院 机械与电信工程学院，河南 郑州 451400；2.中原工学院 计算机学院，河南 郑州 450000)

0 引 言

当前有大量优秀的协同过滤推荐模型[1-3]，并且在实际应用中取得了不错的推荐效果[4]，然而协同过滤推荐模型存在许多缺陷，最常见的为：在数据稀疏情况下，推荐质量急剧下降[5]。目前主要通过降维技术解决数据稀疏难，如有学者提出了基于概率矩阵分解的降维技术[6]；有学者提了采用主成分分析、因子分析的降维技术[7,8]，这些降维技术可以在保留原始数据信息的基础上，有效实现数据维数，推荐效果得到了明显的改善，但在降维同时，会损失一定数量的重要信息[9]。随后有学者提出了奇异值分解和k近邻的协同过滤相融合的推荐模型，采用奇异值对原始评分矩阵进行分解，然后采用近似评分矩阵估计用户相似度，最后采用k近邻算法进行推荐预测，一定程度上缓解了数据稀疏性问题，但其仍然无法全面挖掘用户特征信息[10]。

针对当前协同过滤推荐模型存在的精度低、冷启动等难题，设计了用户和相似性填充相融合的协同过滤推荐模型，采用标准数据集Movielens和Book-Crossing数据集对模型性能进行测试，结果表明，该模型提高了协同过滤推荐的预测精度，而且预测性能要明显好于对比模型，解决对比模型存在的缺陷，获得了理想的协同过滤推荐效果。

1 相关理论

1.1 经典协同过滤推荐模型

协同过滤模型已经引起了学者们的高度关注，其中基于用户的协同过滤应用最为广泛[11]。……