张紫嫣 周 驰

1(同济大学医学院 上海 200092) 2(浙江大学软件学院 浙江 杭州 310027)

0 引 言

近几年来，随着网络技术的快速发展，用户数量急剧增加的同时数据信息也大量增多，出现了信息过载、信息迷失等现象，推荐系统应运而生。为使人们能够更加有效地利用资源，接收更符合用户需要的信息，主要采用个性化推荐系统方法解决此类问题。最常见的方法有协同过滤算法[1]、基于内容的推荐算法[2]、二部图网络结构推荐算法[3]、混合推荐算法[4]。

最近邻协同过滤技术[5]是当前应用最为广泛的个性化推荐算法之一，但其存在难以处理稀疏数据、算法较低的可扩展性、推荐结果的难解释性等缺点。针对以上问题，国内外学者们进行了各种深入的探讨和研究，提出了不同的解决方案。早在1994年，基于用户的协同过滤算法[6]就被应用在了新闻过滤中。2003年，亚马逊公司提出了基于Item的协同过滤方法[7]。文俊浩等[8]提出了一种基于标签主题的协同过滤算法，从语义层面上计算了用户对项目的偏好概率。林建辉等[9]利用有向网络图构建出用户之间的信任关系，提出一种融合信任用户的协同过滤推荐算法。赵红等[10]通过融合初始资源配置以及协同过滤，形成了更为有效的组合推荐算法。李龙生等[11]将用户行为和物品标签与协同过滤相结合，更好地解决了物品冷启动问题。廖志芳等[12]采用了随机森林来处理用户的属性特征，从而构建出一种新的混合相似度计算模型。卫泽等[13]将用户评分一致频次与评分项目数之比作为惩罚函数引入到相似度的计算中，从而提高了推荐质量。……