袁正午，陈 然

(重庆邮电大学 计算机科学与技术学院，重庆 400065)

0 引言

随着移动互联网、物联网、云计算等技术的快速发展，全球数据量呈爆炸式增长，大数据时代已经到来。“信息过载”[1]是目前人们所面临的主要问题，所谓的“信息过载”就是社会信息数据量超过了个人或系统所能接受、处理或有效利用的范围，并导致故障的状况。在电商、音乐视频、新闻等领域频发这种问题。

个性化推荐引擎是信息过滤的一种手段，在解决信息过载问题中具有重要的应用与研究价值。个性化推荐系统中最常使用的推荐技术是基于协同过滤的推荐技术，而对于传统协同过滤算法来说，可以分为基于用户的协同过滤算法和基于项目的协同过滤算法[2]，但传统的协同过滤算法也存在一些问题。首先其算法自身就存在数据稀疏性[3]问题，当用户数和项目数急剧增长时，评分矩阵变得极其稀疏，在这种情况下其邻居用户的推荐质量是非常差的；其次算法的相似性度量过于简单，例如余弦相似度、皮尔逊(Pearson)相似性度[4]，这些度量指标都只能描述数据某一方面的相似程度，并不能全面地概括数据之间的相似程度。对此，许多学者提出了自己的解决方案。为了解决数据稀疏情况下推荐精度低的问题，黄创光等[5]提出了一种不确定近邻的协同过滤推荐算法，根据推荐系统应用的实际情况，动态地选择推荐的度量方法来对预测结果进行平衡的推荐。文献[6]在计算用户评分相似度时融合用户人口统计特征产生总体相似度，并引入信任机制，将总体相似度和信任度相结合的混合值作为推荐权重，为用户进行推荐。……