李 炎 艾 均 苏 湛

(上海理工大学光电信息与计算机工程学院 上海 200093)

0 引 言

随着科学技术和计算机应用的高速发展，人类进入了信息爆炸的时代。面对海量的信息，用户需要根据其信息需求投入大量的时间进行信息过滤和信息选择，产生了信息过载问题[1]。推荐系统是解决这个问题行之有效的方法，并且在这些年发展迅速。推荐系统根据用户的信息需求，为其提供个性化的推荐，在海量的信息空间中，为用户推荐有用的信息[2]。目前推荐系统主要包括基于协同过滤的推荐[3-4]，基于内容的推荐技术[5]，基于网络的推荐技术[6]和混合推荐技术[7-9]四类。目前应用广泛且颇受欢迎的是协同过滤推荐算法，在物品推荐的过程中只依赖推荐的社交性而不需要关注物品的信息就可以实现推荐。

协同过滤推荐算法通常根据用户行为计算每一对对象的相似度度量，并向相似的用户推荐一个类似的项目。例如，如果用户A与用户B相似，那么两个用户在项目上做了相同的评价，而用户B喜欢项目C，但是用户A还没有对项目C进行评价，那么此算法可以假定用户A喜欢项目C，并将其推荐给用户A。该过程的核心步骤包括计算对象相似度，根据相似度选择对象的邻居，并根据邻居的评级来预测评级。

传统上，网络科学一直专注于静态网络来探索链接预测。也就是说，在计算过程中，类似的方法会将节点之间的连接持久化。然而，越来越多的人认识到，大多数推荐系统最好被描述为时间网络，其中的链接只是间歇性的或有一定的重量衰减。……