刘 欢, 范亚芹, 梁乃生

(1. 吉林大学 通信工程学院, 长春 130012; 2. 中国移动通信集团吉林省公司 网优中心, 长春 130021)

0 引 言

近年来, 随着国内互联网的发展和普及, 用户对于有效网络信息的获取遇到严重的信息过载问题, 从大量信息中及时找到用户感兴趣的信息是非常困难的, 推荐系统正是解决该问题的工具[1]。因此笔者研究基于网络信息的内容推荐。推荐系统通过使用推荐算法, 分析用户的兴趣、 搜索历史等特征对其进行综合分析, 同时进行个性化推荐[2]。在当前应用频率较高的推荐系统中, 有两类方法使用最为广泛, 一是基于内容的过滤(CBF: Content-Based Filtering), 二是协同过滤(CF: Collaborative Filtering)[3]。CF是通过分析用户兴趣, 在用户群中找到指定用户的相似用户, 综合这些相似用户对某一信息的评价, 形成系统对该指定用户对此信息的喜好程度进行预测的一项技术[4,5]。因为CF是以相似用户为基础判断目标用户对某一事物可能有的偏爱程度, 所以对于目标用户自身实际的偏好还是无法进行准确反映, 因此对于用户个性化方面有所忽略, 可能会导致推荐结果与目标用户预期结果偏差过大。同时它还存在相似用户群的局限性问题。比如, 对某个事件的报道信息有许多, 当其在某一时刻被几个用户注意到, 而如果他们观看的信息又恰巧不相同, 这时协同过滤的作用就会受到限制, 不能把关注该消息的用户认定为具有相似性。而CBF通过当前用户的历史行为进行选择性的推荐, 所以对每个用户的偏好具有针对性。……