武玲梅,陆建波,刘春霞

(广西师范学院计算机与信息工程学院,广西 南宁 530023)

0 引 言

如今互联网信息急剧增加，为用户提供了很多选择，但过多的信息会出现信息过载的问题。为用户提供合适的商品，可以有效地提高用户的满意度。随着快速增长的社会数据，支持高效和有效的方法从大数据中提取有效特征越来越重要。推荐系统可以利用用户历史数据挖掘一些潜在的需求，进而为用户提供可能感兴趣的商品。

近年来随着网上商品的选择越来越多，推荐系统变得必不可少，为改善用户体验，很多公司和网站使用推荐系统来为用户推荐商品。虽然之前已提出很多算法，但仍有一些众所周知的问题有待解决，如数据稀疏性和冷启动，对于这些问题，许多研究者建议利用附加信息帮助建模，如内容[1-2]、标签[3-4]、社会信息[5-6]或用户多次反馈[7]。由于许多在线服务的选择丰富，推荐则扮演着越来越重要的角色[8]。对于个人，使用推荐系统可以让人们更有效地利用信息。例如，淘宝等网站根据用户的浏览痕迹给用户推荐相关商品。现有的推荐算法大致分为3类[9-10]：基于内容的推荐算法、协同过滤算法和混合推荐算法。基于内容的推荐方法是根据用户的爱好或商品的属性来推荐。协同过滤算法是根据用户过去的喜好或活动，如用户对商品的评分等信息，从而做出推荐。混合推荐算法通过组合基于内容和协同过滤这2种方法来获得最佳效果。

目前许多推荐系统使用的是协同过滤(Collaborative Filtering，CF)推荐算法，CF的基本原理是根据用户过去的偏好以及与其兴趣相似的用户的选择为用户推荐物品。……