李普聪，王 顺，钟元生，孔伟晶

(江西财经大学 软件与物联网工程学院，南昌 330013)

1 引 言

数据稀疏和冷启动问题是目前大多数个性化推荐算法都会面临的困扰[1].通常推荐系统根据用户过往的偏好信息进行个性化推荐，当新用户加入系统时，常常由于没有可作为依据的历史信息，无法为其提供有效的个性化推荐服务.部分应用通过用户偏好设置过程中所选的标签来获取用户的兴趣偏好，但该方法仍无法保证推荐信息的质量.为了提高推荐服务的质量，解决新用户个性化推荐的冷启动问题，众多学者提出了多种较为有效的方法，如基于用户上下文信息的推荐算法[2]以及基于信任关系的推荐算法.其中，基于用户上下文信息的推荐算法，如文献[3]提出的具有边界值的朴素贝叶斯算法，在推荐的准确率和回召率方面都有不错的表现；文献[4]提出了一种用于事件推荐的语义增强和上下文感知混合协作过滤方法，实验证明了该算法优于同等方案；文献[5]利用循环神经网络处理用户上下文信息，通过与其它经典的特征收集方法比较，验证了循环神经网络对于提高推荐算法效率的有效性；文献[6]提出了一种基于用户上下文信息和动态预测的协同过滤算法，实验证明该算法能够缓解评分数据稀疏性对协同过滤推荐算法的影响.在基于信任关系的推荐算法研究方面，文献[7]基于可信图方法，将可信朋友的影响力和公众影响力加入到信任关系网络，从而提高推荐算法准确性；……