李俭兵，刘栗材

(1.重庆邮电大学 通信新技术应用研究中心，重庆 400065；2.重庆信科设计有限公司，重庆 400021)

0 引 言

传统推荐系统[1,2]主要有协同过滤推荐、基于内容的推荐、混合推荐[3]。协同过滤算法在推荐领域为最基本推荐算法。传统的协同过滤推荐算法可以分为基于用户的协同过滤和基于产品的协同过滤[4]。目前在协同过滤推荐模型中使用得最广泛的算法是最近邻方法[5,6]。然而最近邻方法有数据稀疏、个性化低和计算负荷量大等特点[7]，大大降低个性化推荐准确性。最近邻算法计算的对象是高维矩阵，需要大量的运算时间且精确度低。文献[3]中提出用一种聚类算法优化K近邻协同过滤算法来提高精确度。文献[8]利用矩阵分解技术和KNN算法提出了扩展滤波算法，简化了矩阵，增强用户影响力。当然在推荐系统中，相似度也非常重要[9]。文献[10]中提出一种基于加权双边网络和协同过滤的资源分配原则来计算用户相似度，从而提高推荐准确度。

针对最近邻算法依赖完全匹配，导致算法牺牲推荐系统的覆盖率和准确度。本文在KNN算法基础上提出了结合降维的最近邻算法(K nearest neighbor algorithm of dimensionality reduction，KNN-DR)来有效解决计算式复杂度高和推荐效果大众化的特点。实验结果表明，KNN-DR算法与KNN算法相比可以更好地实现精确预测。

1 相关问题和工作

1.1 相关问题

本文以电影推荐网站为例，网站的用户行为有数据复杂，需求多样性等特点。在不知道具体的影片名的情况上，电影推荐网站传统的推荐方法有如下几种：第一种是通过用户检索出关键字，网站给出这系列所有电影名，然后用户查询自己喜欢的电影；……