张艳红 俞 龙

1(广东技术师范大学天河学院计算机科学与工程学院 广东 广州 510540)2(华南农业大学电子工程学院 广东 广州 510642)

0 引 言

推荐系统[1]能够从信息过载的数据空间内筛选信息，为用户提供期望的产品信息推荐服务，不仅提高用户的访问效率和满意度，还可提升商品或服务的销量。协同过滤推荐[2]是被广泛应用的一种推荐系统，通过用户对项目的评分矩阵来训练推荐模型。充分利用用户对项目的评分信息是保障此类算法性能的关键因素。评分信息属于显式反馈信息，存在稀疏性问题[3]。研究者们结合隐式反馈信息来改善推荐系统的性能[4]，但隐式反馈信息存在大量的噪声信息，给推荐系统的性能带来不利的影响，并降低了推荐系统的稳定性。

由于上述隐式反馈信息存在大量的噪声信息，并且原评分信息也存在自然噪声[5]，因此将噪声处理考虑为推荐系统的预处理步骤，能够有效地增强后续推荐的性能。文献[6]认为用户的显式评分存在错误和不准确的可能性，此类自然噪声会影响对用户的推荐，因此设计了模糊理论管理自然噪声的信息，以期提高推荐的准确率。文献[7]通过引入语义信息作为隐式反馈信息构建了语义项-属性矩阵，采用概率矩阵分解技术(Probabilistic Matrix Factorization,PMF)检测语义项-属性矩阵的噪声数据，通过降维技术提高噪声数据的显著性，对噪声信息进行有效的过滤。文献[8]结合协同过滤的隐语义模型，提出基于用户声誉的隐语义模型鲁棒协同算法，该算法从人为攻击和自然噪声两个方面对系统的鲁棒性进行改善。……