杨丰瑞，郑云俊，张 昌

(1.重庆邮电大学 通信新技术应用研究中心，重庆 400065; 2.重庆重邮信科(集团)股份有限公司，重庆 401121)

0 引言

在信息化时代，我们很难在短时间内从大量的数据中选择有用的信息，而传统的推荐算法已经不能满足用户对有效信息的需求。在这种复杂的数据背景下，基于个性化的推荐算法成为一个热点的研究主题[1]。

如今推荐系统一直是帮助用户在短时间内获取有效信息的最有用的工具之一。越来越多的电子商务和视频网站如亚马逊[2]、Twitter[3]和YouTube[4]制定了各自的推荐系统，以促进销售和提高用户体验。亚马逊的CF(Collaborative Filtering)算法比传统的CF算法，大大节约了资源。Twitter帮助用户找到合适关注的账号，提升用户参与度，吸引更多新用户来到Twitter平台。YouTube使用用户的观看历史、搜索记录以及用户统计信息为用户推荐视频。

本文的主要工作为：提出了结合特征传递和概率矩阵因式分解(feature Transfer and Probability Matrix Factorization, TPMF)的社交网络推荐算法,其主要思想是融合个人潜在特征、社会潜在特征和推荐项目间的关联特征属性，将三者结合在统一的推荐框架中，将实验数据应用到所提出的推荐算法中，分析了推荐的各方面性能以及实验参数对推荐性能的影响。

1 相关工作

推荐系统通过分析用户购买和评级的历史记录来进行预测和推荐。协同过滤[5-6]是个性化推荐中最成功的技术之一，使用用户的大量评分记录来预测目标用户将会选择哪些项目已被广泛研究[7-9]，但算法存在稀疏性问题、评级数据不平衡和冷启动问题，很难向新用户或者评价项目少的用户提供推荐服务。……