崔北亮，周小康，李树青

1.南京工业大学图书馆，江苏 南京 210009

2.南京财经大学信息工程学院，江苏 南京 210023

推荐系统在日常生活中的应用变得非常普遍，有学者据此断言“我们正在离开信息时代，进入推荐时代”［1］。目前，推荐系统已被广泛应用于人工智能［2］、电子商务［3］、数字图书馆［4］等应用系统中，越来越多的网站和社交媒体的竞争开始逐渐转变为个性化推荐服务的竞争。推荐系统的目的正在于基于已有的用户兴趣历史记录来判断用户未来的可能兴趣点，以便推荐给用户尚未关注到的潜在感兴趣内容。因此，如何根据用户的浏览信息或者购买情况推荐更符合用户兴趣的项目是推荐系统面临的一个重大挑战。

改进推荐系统的算法不能完全建立在算法自身的完善上，而作为目前所有推荐系统算法的关键内容——数据本身，却并没有受到人们过多的重视。这给现有推荐系统算法改进提供了一个有益的研究思路，即如何有效选择数据，通过数据增强等方式来获得更为准确的用户兴趣模式的表达能力［5］。

协同过滤是一种非常有效而且应用广泛的个性化推荐技术［6］，它基于一个简单的假设，那就是用户过去的兴趣代表着未来的兴趣。因此，通过分析已有的用户兴趣信息（这主要由用户对项目的评分来体现），就可以对未来未知项目的评分做出预测。这个假设在一定程度上具有合理性，如有学者利用招聘信息网站上的用户数据分析发现，对于每个用户，在过去14周内平均有2/7的项目会被用户在第15周再次点击［7］。……