牛奉高,王恩慧,徐倩丽

(山西大学 数学科学学院,山西 太原 030006)

0 引言

在当前大数据、信息爆炸的时代,人们很难找到自己真正需要或者可能感兴趣的信息。推荐系统的产生就是为了解决这一问题。目前,不仅仅是电商网站,新闻、音乐、影视等许多网站都加入了适合自己平台的推荐系统,这样有利于让用户发现他需要或者感兴趣的信息,同时信息平台也可以把自己的特色项目展示给用户,实现用户和平台的双赢[1]。推荐系统中用户对项目的评分数据是最能直观地反映用户偏好和用户期望的信息。随着各大信息平台前景的不断提升,项目数量和用户数量都急剧上升,并不是每个用户对其体验过的项目都评分,也不是所有商品都有相应的用户对其评分,因此用户-项目评分矩阵就会极其稀疏,这就会影响用户或者项目的相似性度量,进而影响推荐系统的推荐精准度。

随着推荐算法的改进与提升,解决数据稀疏性问题的方法也相应增多。文献[2]将用户评分的均值差引入对用户的相似度计算中,并将相似向量的均值引入评分矩阵并实现降维。文献[3]提出了将k近邻算法引入传统的协同过滤算法中,分步填充用户-项目评分矩阵,有效地缓解了数据稀疏性的问题。文献[4]通过分析传统项目间相似性度量方法存在的缺陷,引入基于项目的评分预测,提高了推荐精度。文献[5]在计算项目之间相似度时引入评分值以及特征向量,提高了推荐质量。……