王 秀，刘学军，陈振春，邵 帅

(南京工业大学 计算机科学与技术学院，南京 211816) E-mail： wangxiu@njtech.edu.cn

1 引 言

随着现代化技术的逐渐普及，人们进入了一个网络信息时代，在享受网络带来便利的同时也陷进了“信息过载”境遇，如何从海量的信息资源中准确而快速地寻找到自己感兴趣的事物是一件及其困难的事情.而推荐系统可以有效解决这一问题，其通过收集、挖掘相关信息主动向用户推荐相关物品.常用的推荐算法可以大致分为如下几类：协同过滤推荐算法(Collaborative Filtering，CF)、基于内容的推荐算法(Content-based Recommendation，CB)以及混合推荐算法(Hybird Recommendation).

协同过滤是目前应用最成熟的推荐算法之一，根据用户之间的评分、浏览及购买历史等历史行为比较，为目标用户寻找兴趣或特征相似的用户作为邻居，并为目标用户推荐其可能喜欢的项目.其又可以分为基于用户(User-based CF)和基于项目(Item-based CF)的算法两类.User-based CF算法根据用户对物品的喜欢情况分析用户之间的相似性，然后推荐相似用户喜欢过的物品；Item-based CF算法同理，根据物品被用户的喜欢情况分析物品的相似度，然后向其推荐相似物品.

传统的协同过滤推荐算法主要通过余弦、Pearson等方法来计算用户间的相似度[1]，其核心思想是，将不同的项目视为不同的维度通过利用用户-项目评分信息，然后根据用户在相同维度上的评分来计算其相似度.然而用户的评分数据非常稀疏[2]，用户之间共同评分的项目因此也更少，使得当根据余弦、Pearson方法来计算用户间的相似度时，不能准……