何 慧

（江西师范大学 商学院，南昌 330022）

0 引言

智能推荐系统中，推荐算法的设计往往基于用户行为建立用户与物品之间的网络关系，如用户-用户、用户-物品、物品-物品，进而建立用户潜在商品偏好预测算法，如经典的协同过滤算法、标签推荐算法、关联推荐算法等。这些推荐算法得到了学术届一致认同，也在产业界得到了广泛应用。但是，商品信息的增长速度远远超过人类行为足迹，从而导致建立的用户与物品的网络关系极为稀疏，进而导致推荐算法的准确度的降低。为了解决数据稀疏性问题，国内外学者提出了多种改进算法，如缺失值填充法，基于降维的推荐算法，基于影响集和云模型的协同过滤推荐算法等。这些算法仍是基于用户对物品的历史行为关系而设计，虽然在一定程度上提高推荐的精度，但并未完全解决用户行为稀疏导致的推荐精度的衰减问题。事实上，用户的购买行为除了受到历史购买习惯和偏好的影响外，还与商品的种类密切相关，用户商品的关注存在时效性，即特定的时间段关注并购买某几种商品。为此，本文考虑用户关注商品类型分布特征，建立了基于高斯模型和概率矩阵分解的混合推荐算法。首先利用高斯模型建立用户关注商品种类偏好分布，然后基于用户对商品的评分矩阵，利用概率分解模型生成潜因子实现对商品的预测，最后基于商品类型偏好分布和概率潜因子商品预测模型建立混合商品推荐预测算法。……