丛洪杰，龚 安，李华昱，帅训波

(1.中国石油大学(华东) 计算机与通信工程学院，山东 青岛 266580； 2.中国石油勘探开发研究院 计算机应用技术研究所，北京 100083)

0 引 言

互联网和移动互联网的蓬勃发展，带来了信息快速增长，在海量数据中获取对自己有价值的信息更加困难，个性化推荐算法成为解决这一问题最有效的技术之一[1]。在个性化推荐算法中，协同过滤推荐在工业界和学术界都取得了很大的成功[2]。

随着大数据时代的来临，协同过滤的弊端也越发突出，包括数据稀疏性、冷启动、可扩展性差、小规模数据离线处理算法无法应用到大规模数据处理等[3]。针对这些问题，学者们提出了许多解决办法。邓爱林等[4]为减小数据稀疏性带来的推荐精度低的问题，提出了一种基于项目评分预测填充空缺值的方法，然后采用一种新颖的相似性度量获得目标用户更加准确的最近邻居，使得推荐质量有所提升。Melville P等[5]在缓解评分数据的稀疏性方面，则采用基于内容的方法预填充用户评分矩阵中的未评分项，从而提高推荐精度。

韦素云等[6]考虑了项目类别和兴趣度等因素，提出一种改进的协同过滤推荐算法。该算法首先计算项目之间的类别距，然后结合项目类别信息，考虑不同项目之间的相关程度，构造出项目类别相似性矩阵，衡量项目间相似性的标准采用改进的条件概率的方法。孟祥武等[7]提出大数据时代的推荐系统，充分利用丰富的用户反馈、社会化网络等信息进一步提高推荐系统的性能和用户满意度。……