王根生，潘方正

1(江西财经大学 人文学院，南昌 330013) 2(江西财经大学 计算机实践教学中心，南昌 330013) 3(江西财经大学 国际经贸学院，南昌 330013)

1 引 言

推荐算法是解决信息过载问题的一种重要技术，在电子商务、网络媒体、新闻广告等领域得到了广泛应用.目前推荐算法主要分为3类：基于内容过滤推荐、协同过滤推荐和混合推荐[1].协同过滤推荐算法是目前应用最为广泛的一类算法[2]，其主要分为基于用户(User-based CF)的协同过滤、基于物品(Item-based CF)的协同过滤和基于模型(Model-based CF)的协同过滤[3].基于模型的协同过滤使用机器学习的算法思路进行建模[4]，矩阵分解就是一种基于模型协同过滤的经典算法.矩阵分解推荐算法在Netflix百万大奖赛中脱颖而出后，成为当下十分流行的一种推荐算法.

虽然矩阵分解推荐算法相对其他协同过滤算法能取得更好的推荐效果，但依然面临数据稀疏和不能反映用户兴趣变化的问题.针对这些问题国内外不少学者提出了相关改进方案，如针对数据稀疏问题：文献[5]提出了一种基于属性耦合的矩阵分解方法，将物品属性信息融入到矩阵分解模型中；文献[6]在利用显式评分信息的基础上，引入其他的隐式信息(如浏览、收藏和分享等)；文献[7]利用社交网络信息计算用户的社会地位，把用户的社会地位融合到矩阵分解推荐算法之中；文献[8]提出一种融合社交网络和用户间的兴趣偏好相似度的正则化矩阵分解推荐算法.针对用户兴趣变化的问题：文献[9]利用时序图区分用户的长期兴趣和短期兴趣；……