,

(三明学院 信息工程学院，福建 三明 365004)

0 引 言

由于互联网上的信息数据以爆炸性的速度快速增长，使得用户无法区分和获取有效信息，导致信息利用率低下并且信息超载。因此，许多学者已将注意力转向研究根据网站收集的用户信息给用户自动推荐商品。推荐系统可以通过对目标用户精准投放兴趣信息来减少无用信息量，提高用户点击转换率。目前主流的推荐算法都是基于协同过滤算法，该算法在预测用户的兴趣度时会不但单只利用该用户的信息，而是经由全部用户对物品的行动来计算用户之间、物品之间的类似度，经过聚合相似度和用户的行动数据来决议推荐内容。传统的协同过滤算法基于邻近用户域来预测用户个性。基本原理是使用所有用户的历史数据来计算各用户的邻居，并将类似的最近邻居分数数据给目标用户，这是为了产生目标用户的推荐信息[2]。随用户规模和项目规模的爆炸式增长，如何下降算法的复杂度、同时不影响算法的推荐精度是协同过滤算法面临的一个挑战。为了因对这些挑战，本文提出了一种基于物品协同过滤算法的电子商务推荐系统，通过分析用户行为日志挖掘用户物品间的相关度，据此预测用户偏好，形成推荐清单。并针对电子商务的特性，考虑用户行为时间上下文关系对用户兴趣度影响，对算法细节上进行了调整，使得推荐结果更加精准。

1 基于物品协同过滤算法

基于物品的协同过滤算法会向用户们提供符合用户偏好的物品。……