李 玲，王移芝

(北京交通大学 计算机与信息技术学院，北京 100044)

0 引 言

为了缓解“信息超载(information overload)”造成的影响，推荐系统应运而生。推荐系统通过分析用户的行为，可以发现用户的潜在兴趣以及为用户提供个性化服务，例如Amazon的图书推荐[1]、YouTube的视频[2]等等。而协同过滤(collaborative filtering)是迄今为止应用最成功的个性化推荐技术[3]。协同过滤推荐的基本思想是根据用户之间的相似性预测用户的喜好，然后进行资源的推荐。因此，用户历史记录越多，协同过滤产生的推荐效果越好。然而，由于信息数量日益增加，用户对项目的评分数据也日益稀疏，推荐的精确度大幅降低[4-5]。

传统的协同过滤算法通常采用皮尔逊相关系数和余弦相似度度量用户之间的相似度。然而，传统的度量方法只考虑用户间共同评分项的信息，忽略了恶意信息的影响，对找到用户的近邻产生一定干扰。为降低数据稀疏性对系统推荐质量的影响，提高推荐精确度，针对上述问题，研究人员相继提出了多种应对办法。文献[6]提出使用sigmoid函数，提出SPCC方法强调共同评分项的重要性，评分项越多，用户间的相似度越大。另外，余弦相似度计算忽略用户的评分尺度，所以提出了改进的余弦相似度度量，即ACOS(adjusted cosine)[7]。文献[8]提出了一种结合项目时效性的算法，以缓解数据稀疏问题带来的影响，为用户推荐时效性高的项目。

尽管专家和学者们从不同角度提出了多种改进方法[9-10],并取得了理想的效果，但是用户关系的准确刻画仍然影响着推荐结果的精确度。……