杨海清,吴 浩,曾俊飞

(浙江工业大学 信息工程学院,浙江 杭州 310023)

0 引 言

随着Web 3.0的社交平台的快速发展，进行网络信息的获取也就变得十分方便。但大量信息的产生也严重干扰了用户对有关重要信息的获取，个性化推荐技术因此而产生。个性化推荐技术有助于缓解信息过载[1]带来的的负面影响。协同过滤[2](collaborative filtering,CF)是推荐系统中一种常用的技术。近年来，矩阵分解模型[3]因为能够有效地解决了数据的高维稀疏性的问题而受到大范围的推广。通过大量实验证明，在推荐算法中，采用矩阵分解在推荐精度等方面显著高于一些传统的基于邻域的协同过滤模型[4]。针对个性化推荐过程中存在的数据的高维稀疏性问题，文献[5]提出将Slope one算法与用户间相似度相结合进行评分预测，有效缓解了数据稀疏性问题。文献[6]将稀疏边缘降噪自动编码与矩阵分解相结合的混合推荐算法，提高了推荐精度。文献[7]将用户和项目偏置信息融入到非负矩阵分解中。文献[8]将非负矩阵分解模型应用在传统的贝叶斯概率矩阵分解模型之中，使得算法具有良好的可解释性。

传统的基于邻域的协同过滤算法只将相似度作为影响推荐结果的唯一因素，但是在实际场景中，用户进行决策行为时，不只是把性质类似的项目考虑在内，同时项目的热度也会潜移默化地影响用户的实际选择，所以项目热度也是推荐算法的重要因素之一。针对上述问题，本文提出了非负矩阵……