韩丽莎

（福州理工学院，福建 福州 350506）

在当今大数据时代，商品推荐系统已成为电子商务的重要研究内容.它能够主动快速地挖掘出潜在顾客，并利用潜在顾客的兴趣爱好和购买能力，为潜在顾客推荐感兴趣的商品，既增加了网站的销售量又增加了顾客对商品网站的信任度.

1 传统协同过滤商品推荐算法

协同过滤商品推荐[1]又叫做社区过滤，是Goldberg等学者1992年首次提出的.传统协同过滤商品推荐算法的关键是找出目标顾客的邻居，据最相似邻居的打分对目标顾客未购买的商品进行计算预测，并最终推荐给目标顾客.算法可划分为3个过程：建立顾客模型；形成最相似邻居；进行推荐.

（1）建立顾客模型.顾客打分数据用m×n维矩阵Rst表示，m是顾客数目，n是商品数目，rst是顾客s对商品t的评分.

（2）形成最相似邻居.据打分矩阵Rst计算顾客间的相似度，形成目标顾客的最相似的邻居集合.

（3）进行推荐.据最相似的邻居已经购买或已经浏览或已经评价但目标顾客还没有发现的商品形成候选商品集合，然后计算预测目标顾客对候选商品的打分，产生top-N商品，从而进行推荐.

随着顾客数目和商品数据的剧增，顾客打分数据呈现出极端稀疏问题[3]，这对商品推荐结果的准确性有着重大影响.对于稀疏问题，目前尚无彻底的解决办法：Sarwar[4]等人利用单值分解方法处理稀疏的数据，结果发现这种方法虽然在一定程度上会提高商品的推荐质量，但会导致数据遗失，且计算复杂度高、可扩展性差；……