字云飞，李业丽，孙华艳，韩 旭

(北京印刷学院 信息工程学院，北京 102600)

0 引言

在当今大数据、人工智能(AI)时代，自媒体数据、出版数据、社交网络数据、电商数据等成为人们现实与虚拟生活的重要组成部分。为解决大数据时代的海量数据和用户隐性需求之间的矛盾，衍生了精准化和个性化推荐系统，且广泛应用于电商行业。个性化推荐系统为用户获取隐性需求节约了时间、空间等成本，也是解决信息过载的最佳途径。随着网购便捷度不断改善，用户对于网购依赖性极大增强，这也带来了用户隐性需求未能得到满足的问题，促使个性化、精准化推荐系统在电商行业显得前所未有的重要。传统协同过滤算法在电商、社交网络个性化推荐领域得到了较为成功的应用，但随着互联网数据呈几何级数增长、数据内容复杂度不断提高等问题的凸现，这些已有算法也暴露了自身的局限性，协同过滤推荐算法[1-3]的缺点有：(1) 数据的稀疏性问题；(2) 新物品问题；(3) 可扩展性问题。

现有协同过滤推荐算法[4-7]主要通过用户的历史行为、兴趣爱好等来实现个性化推荐，如根据用户A和B相似度高，A对项目i感兴趣，可以推测B也有可能对项目i感兴趣，但推荐过程中如何应用高效的方法精准划分项目候选集S成为推荐系统的核心，且候选集中每个子集i本身就是由多个模糊特征因素(x1,x2,…,xn)构成的，且多个特征因素集在项目中的权重又存在着差异，这会极大地影响推荐的精度和个性化。……