施天虎，徐洪珍

(东华理工大学 信息工程学院，南昌 330013)

随着互联网的不断发展，人们由信息匮乏时代过渡到了信息过载时代.用户在搜索信息时通常无法直接有效地获取他们需要的内容.为了解决信息过载，推荐算法应运而生[1]，其通过对用户的历史行为数据进行分析，精确定位用户需求，为用户提供智能化推荐[2].

协同过滤推荐算法是目前应用较为广泛的推荐算法，它通过对用户历史行为数据的挖掘发现用户的偏好.该算法不需要额外的专业知识，可以通过统计学习的方法得到较好的推荐效果.基于用户的协同过滤推荐算法是在购买行为类似的用户间进行推荐[3]，利用已有的用户历史行为数据，计算用户间的相似度，并选择相似度高的用户作为最近邻，根据最近邻预测评分[4].

虽然传统的基于用户的协同过滤推荐算法取得了广泛应用，但仍存在一些缺点，如用户对项目的实际评分数据稀疏，用户相似度计算不准确，推荐效率不佳[5]等.文献[6]使用改进的蜂群优化聚类算法对用户进行聚类，在用户所在簇内计算相似度.文献[7]将用户进行聚类后使用Slope One算法填充空值，然后使用协同过滤算法进行评分预测.文献[8]将标签信息融合到Slope One算法，同时参考k近邻算法思想，选取阈值过滤后的k近邻项目参与平均评分偏差计算.文献[9]利用花朵授粉优化的模糊聚类算法对用户聚类，在相似度计算上使用项目偏好信息和评分矩阵相似度……