朵 琳，杨 丙

(昆明理工大学 信息工程与自动化学院，昆明 650500)

1 概 述

近年来，随着互联网和信息技术的飞速发展，推荐系统[1-3]被广泛应用于电子商务网站中.推荐系统支持消费者从过载的信息中选择所需的产品或服务.协同过滤(collaborative filtering，CF)[4]是最常用的推荐算法，被广泛应用于文学和工业领域，它利用用户的评分来构建用户-用户或项目-项目的相似度指标，并识别用户或项目的邻域来生成推荐.

然而,CF推荐算法存在这样的问题:当用户-项目评分矩阵非常稀疏，用户只对少数项目进行评分时，CF推荐算法的推荐质量极大地受到影响[5].Luo等人[6]提出将用户相似度分为局部用户相似度和全局用户相似度两部分来解决数据稀疏问题.此外，Patra等人[7]使用全局相似度和一个新的局部相似度来解决稀疏性的问题.他们使用Bhattacharya系数作为全局相似度的度量，利用数据库中所有可用的评分来计算用户-用户或项目-项目之间的相似度.张俊等人[8]根据兴趣向量来计算用户的兴趣相似性度，并引入专家信任度来进行评分预测填充,以此降低数据稀疏性.林建辉等人[9]针对传统的相似性度量只考虑用户对项目评分的问题，提出通过用户之间的相似性与信任关系来查找“最近邻”，有效地缓解了稀疏性问题.Guo等人[10]提出通过多类型辅助反馈信息来解决稀疏性问题.Xu等人[11]通过嵌入在用户评论中的形容词特征来解决数据稀疏性问题.

本文提出了一种基于用户兴趣概念……