樊艳清，梁宏宇，纪佳琪

(1.河北民族师范学院 信息中心，河北 承德 067000；2. 河北民族师范学院 数学与计算机科学学院，河北 承德 067000)

0 引 言

随着大数据时代的到来，信息过载问题越来越严重[1-2]，现有的技术已不能很好地处理日益加速增长的数据，数据的增长率已远大于人们的处理能力。在海量的文章、声音、视频中人们无法有效地查询到需要的信息，技术的壁垒成为人们在海量数据中获取有价值信息的障碍。虽然传统的搜索引擎技术能够解决人们在海量数据中搜索有效信息的问题，但是搜索结果依赖于用户输入的关键字且不能针对不同用户的喜好给出个性化的结果，为此推荐系统应运而生[3-4]。

推荐系统根据实现方式的不同又可分为基于内容的推荐系统、协同过滤推荐系统、混合推荐系统和基于深度学习的推荐系统。其中协同过滤是推荐系统众多算法中使用最广泛、推荐效果较好的一种算法[5-6]。协同过滤算法并不需要获取用户信息和物品的属性信息，只需要获取用户对物品的评分即可，因此数据获取简单，不需要抽取用户或物品特征，算法实现也相对简单。根据应用场景不同，协同过滤算法可划分为基于用户的协同过滤算法和基于物品的协同过滤算法[7-8]。基于用户的协同过滤算法的主要思想是：根据用户对物品的评分，计算用户间的相似度，然后推荐相似用户喜好而自己又没购买的物品[9]。但是这种方法的可扩展性不好，随着系统中用户数量的不断增加，用户间的相似度计算将越来越困难。……