郭 聃

(四川现代职业学院电子信息技术系 四川 成都 610207)

0 引 言

个性化推荐系统现已成为电子商务、电影娱乐业以及新闻媒体领域中一个必不可少的部分，推荐系统不仅能够提高用户的浏览效率，而且能够为服务提供商带来经济效益[1]。协同过滤推荐系统是当前最为成功且应用最为广泛的一种推荐系统模型，但目前的推荐系统领域主要关注于解决用户评分的稀疏性问题和冷启动问题[2]，将提高推荐的准确率作为首要目标，而忽略了用户的多样性和个性化特点[3]。

电子商务等领域中普遍存在长尾分布的现象[4]，推荐系统更倾向于将“热门”项目推荐给用户，这会影响用户的满意度，也不利于服务提供商扩大经济收益。此外，对指定用户的推荐结果常常集中于少数的一些候选项目，导致推荐结果的排序成为用户满意度的又一个关键因素[5]。因此提高推荐的多样性和个性化是一个极有意义的研究方向，近期也得到了研究人员的广泛关注。文献[6]基于用户浏览的历史记录和当前的上下文场景为用户提供多样化的推荐列表。文献[7]设计了两阶段的推荐方法，第一阶段预测并补充稀疏的用户评分，第二阶段对协同过滤推荐的结果进行排序处理。目前提高推荐多样性的主流方法都是通过显式评分信息产生推荐列表，然后通过排序算法产生个性化的项目排序，这种方法所产生项目列表的多样性依然有提高的空间[8]。

用户和项目的大多数交互均为隐式信息，例如：音乐应用的用户极少对音乐给出显式评价，但是听同一首音乐的次数、听音乐的时间点和播放时长等隐式信息的价值甚至高于显式的评分信息[9]。……