夏小娜 邹 麒

1(曲阜师范大学统计学院 山东 曲阜 273165)2(曲阜师范大学信息科学与工程学院 山东 日照 276826)

0 引 言

个性化推荐是大数据和在线应用的关键技术。通过捕捉用户的行为偏好与目标需求，自主为用户提供合适的服务。这里涉及两个需求背景：一是用户知道自己需要的具体是什么，二是用户并不知道。这两方面都需要有效的推荐策略。推荐时需要综合考虑用户自身的潜在需求，也要考虑受邻近用户的影响。但无论是面对怎样的需求背景，当大量的服务结果呈现在用户面前时，用户并不能客观评估排序潜在的大量可供选择的服务。基于统计预测的推荐策略帮助用户从海量候选结果中提供有用和有效的建议，或者做有意义的引导和启发。

协同过滤是实现个性化统计、预测和推荐常用的方法之一，它对群体进行搜索，从中找出与用户兴趣偏好近似的其他用户作为“兴趣近邻”，对近邻所偏好的相关内容进行分析和考察，将它们组合起来，计算近似度和推荐权重，构造出排序的候选列表[1]。

在对大数据集进行分析并生成推荐列表时，基于物品的过滤推荐方法明显要比基于用户的更快，但存在维护物品相似度表的额外开销。基于物品的推荐和基于用户的推荐，对于数据集的稀疏性处理存在差异，但算法的本质是类似的[2-3]，在搜索邻近用户时，以基于用户或物品的相似度为基础，所实现的推荐效果取决于相似度度量的准确性和有效性，以及关于相似度空间搜索和计算过程的能力。……