刘超慧，韩传福，陈天成，孔先进

(郑州航空工业管理学院 智能工程学院，河南 郑州 450046)

0 引言

随着互联网技术的发展和移动终端设备的普及，以用户为核心的信息生产模型造成了信息的爆炸式增长，公众很难在海量信息中迅速、准确地找到所需的信息，面临着严峻的“信息过载”问题。以推荐系统为代表的信息过滤技术，是解决“信息过载”问题的常用方法。推荐系统依据用户的历史行为和数据，通过建立模型来挖掘用户需求和潜在兴趣，进而从海量信息中为用户筛选所需的信息[1]。

协同过滤算法是众多推荐算法中使用最广泛、最有效的算法之一，已成功应用于许多商业推荐系统，但其仍存在着一些亟待解决的问题，例如冷启动、数据稀疏和马太效应。对此许多学者进行了卓有成效的研究工作。于洪等人提出基于时间窗口的时间数据权重，将用户兴趣分为长期和短期两类，更好地反映出了用户兴趣变化规律，提高了推荐精度[2]；赵文涛等人提出基于时间的Logistic权重函数与用户特征属性进行加权的新的相似度度量模型[3]；兰艳等人利用衰减因子建立非线性时间加权函数，赋予评分不同的时间权重，提高了推荐的准确性[4]。上述文献虽然考虑了用户兴趣随时间的变化，却未注意到热门物品对用户评分的影响，对推荐精度有一定的影响。

谢修娟等人引入物品流行度与位置信息，提高了推荐结果的多样性[5]；孙红等人通过添加物品热门惩罚因子，优化了皮尔逊相似度计算，提高了推荐质量[6]；……