周运腾，张雪英，李凤莲，刘书昌，焦江丽，田 豆

（太原理工大学信息与计算机学院，太原 030600）

0 概述

随着网络和信息技术的不断发展，现实社会中网络信息的数据量呈指数级增长。面对种类繁多的信息，如何获取个性化服务已成为人们的迫切需求。个性化推荐［1］通过各种推荐算法分析用户的行为喜好，能够有效过滤用户不需要的信息，主动为用户提供个性化的产品或服务。目前，个性化推荐已被广泛应用于社交［2］、新闻、音乐、图书和电影网站等应用［3］，如网易云音乐［4］、淘宝商品推荐［5］、Netflix和MovieLens电影推荐等。

协同过滤（Collaborative Filtering，CF）技术［6］可用于推荐算法，其主要包括基于内存和基于模型两类算法。其中：基于内存的协同过滤推荐算法通过分析“用户-项目”评分矩阵计算相似度，并根据相似度进行预测推荐；基于模型的协同过滤推荐算法通过用户的历史购买记录、网络操作等数据训练一个预测模型，进而利用此模型对项目进行预测评分。许多研究通过改进协同过滤算法优化了推荐效果，如限制性玻尔兹曼机、K近邻算法［7］、奇异值分解［（8］Singular Value Decomposition，SVD）算法及其改进模型（Singular Value Decomposition Plus Plus，SVDPP）。SVD不仅是一个数学问题，其在很多工程中也得到了成功应用。在推荐系统方面，利用SVD可以很容易地得到任意矩阵的满秩分解，进而实现对数据的压缩降维。SVDPP在SVD基础上进一步融入了隐式反馈信息，采用隐式偏好对SVD模型进行优化，因此性能更优。但是SVDPP与SVD都没有考虑时间戳对推荐性能的影响，而实际推荐效果与时间戳仍然有一定的关联性，如十年前的用户对某一部电影的评分与当前用户的评分是有一定差异的，因此有必要对其进行改进，优化预测效果。……