叶 飞 边 琳 杨林楠

（1.云南农业大学大数据学院云南省高校农业信息技术重点实验室 昆明 650201）（2.云南农业大学水利学院云南省高校农业遥感与精准农业工程研究中心 昆明 650201）

1 引言

近年来，随着互联网规模的扩大，信息技术与应用的快速发展，如何从过载的信息中筛选用户喜好和兴趣数据成为了影视、音乐、新闻、书籍、电商平台亟待解决的难题。基于协同过滤算法的个性化推荐技术具有高效性、简单性、准确性特点，协同过滤算法是当前个性化推荐系统应用中效果做好的推荐算法［1］。推荐系统在应用过程中，由于大部分用户仅对部分项目进行评分，导致评分矩阵十分稀疏［2］，推荐算法的准确度较低。为解决数据稀疏性问题，SVD 算法［3］（Singular Value Decomposition，奇异值分解）用于解决用户-项目矩阵中的数据稀疏性问题，通过将高维的稀疏评分矩阵降维，挖掘矩阵中特征值，补全矩阵中的缺失值，用预测值对未评分项目进行填充。SVD++［4］算法将用户的历史评分行为矩阵加入到SVD算法中，提高了算法的准确度。在SVD++算法对稀疏的评分矩阵进行填充后，再通过改进的 Slope One［5～6］算法对缺失值进行二次预测，再次提高预测的准确度。

因此，本文提出SVD++算法和融合项目相似度Slope One 算法结合的混合推荐算法通过调整预测评分，从而进一步提高推荐的准确度。实验结果表明，与原始的Slope One算法和SVD 算法相比，混合算法的推荐误差较小。

2 相关工作

协同过滤（Collaborative filtering）［7］推荐算法是目前学者们研究较多的推荐算法之一，协同过滤分为两类，一类为基于内存的协同过滤另一类为基于模型的协同过滤。……