陈昕宇 杨帆

摘  要：推荐系统作为信息过滤技术的典型代表，是目前解决信息过载问题的重要实现手段。其中协同过滤算法是目前推荐系统中应用最广泛的推荐算法之一。基于物品的协同过滤推荐算法，实质上是在邻近相似度计算的基础上，根据用户的历史行为特征，给用户推荐与用户之前喜欢物品相似物品的过程。文章在传统的基于物品推荐的协同算法基础上，针对用户-物品评分矩阵以及数据处理时可能存在的数据稀疏性问题，辅以时间衰减函数与修正的夹角余弦，对传统物品相似度计算方法做出改进，经过实验证明，基于时间衰减的物品相似度协同推荐算法可提高推荐结果准确性。

关键词：时间衰减;物品相似度;协同过滤推荐;相似度计算;推荐准确性

Abstract：The recommended system，as a typical representative of the information filtering technology，is an important one of realization methods. The collaborative filtering algorithm was applied most extensively compared with other algorithms. The collaborative filtering algorithm based on items and similarity calculation between item scores of uses is a process which recommends users their similar items liked by users before with their history behavior characteristics. Based on the traditional collaborative algorithm on item recommendation，aiming at the problem of data sparsity in user item scoring matrix and data processing，this paper improves the traditional method of calculating item similarity with the help of time decay function and modified cosine，experimental results show that the collaborative recommendation algorithm based on time decay can improve the accuracy of recommendation results.

Keywords：time decay;item similarity;collaborative recommendation;similarity calculation;recommendation accuracy

0  引  言

伴随着互联网用户的增多、网络互联技术的发展，网络带给了人们许多便利，而在享受便利的同时，我们也会被网络中各种各样、不计其数的信息困扰。面对信息过载问题，推荐系统应运而生，其中的核心便是推荐算法，一个推荐系统的推荐效果、推荐性能和推荐准确性，很大程度上受算法的影响。常用的推荐算法有：协同过滤推荐算法（Collaborative Filtering Recommendation）、内容推荐算法（Content-based Recommendation）[1]、相似性推荐算法（Simi-larity Recommendation）[2]、关联规则推荐算法（Association Rule Based Recommendations）[3]。

笔者一直从事Python算法方面的研究工作，本文的研究是基于物品的协同过滤算法。传统的基于物品的协同过滤算法主要依赖于用户的行为特征，也就是用户-物品评分矩阵，来计算物品间的相似程度和用户对物品的喜好程度，进而为用户推荐与用户之前喜欢的物品相似的物品。……