王 运，倪 静

(上海理工大学 管理学院，上海 200093)

1 引 言

近年来，随着互联网对人们生活的逐渐渗透，人们面临的信息量呈现爆炸式增长.根据《中国互联网络发展状况统计报告》可知，截至2018年12月，我国的网民规模已达8.29亿，互联网普及率为59.6%，网站数量达到523万个.面对如此复杂的场景，如何为用户准确推荐需要的信息显得尤为重要.传统的推荐算法主要分为基于协同过滤的推荐算法[1]、基于内容的推荐算法[2]、基于关联规则的推荐算法[3]和基于效用的推荐算法[4]等.关于这些算法的研究应用也有很多，例如，文献[5]通过用户的地域特征数据计算用户之间的相似度，并将用户相似度数据用于协同过滤推荐；文献[2]将卷积神经网络应用到基于内容的推荐算法中，实验表明算法取得了较好的结果；文献[6]提出了一种分布式计算框架，并结合关联规则进行推荐，与传统的推荐算法相比具有显著的效果提升.另一方面，广大专家学者通过寻找更多的用户物品信息，并以此提高用户相似度的准确度，进而提高推荐的效果.如文献[7]根据用户社交信任数据计算用户之间的社交相似度，提高了用户相似度值的准确度，进而提高了算法的预测准确度；文献[8]利用用户及物品数据计算用户偏好模型，在计算得到用户偏好相似度后，将用户相似度融入传统协同过滤推荐算法，实验表明算法具有一定的有效性.但是，推荐算法在运用的过程中仍然面临数据稀疏的……