（江苏科技大学计算机学院 镇江 212003）

1 引言

伴随着互联网和信息技术的快速发展，数据量呈指数型增长，在促进社会经济快速发展的同时，也使我们面临着严重的“信息过载”问题［1］。如在电子商务领域，面对海量商品，买家容易产生选择疲惫，从而会使商家失去宝贵的潜在客户资源。推荐系统基于用户历史数据记录，根据相关算法处理用户数据，完成个性化商品推荐，使用户能够快速并准确地获取自己感兴趣的商品。目前，推荐系统已经广泛应用在电子商务、电影推荐、新闻推荐、音乐推荐、短视频推荐等领域［2］。协同过滤是目前推荐系统中使用最广泛也是最成熟的一种推荐算法［3］，分为基于用户的协同过滤（User-based CF）和基于项目的协同过滤（Item-based CF），它们都是基于邻域的推荐［4］。协同过滤主要分为三个步骤：用户-项目评分矩阵的建立、相似度计算、评分预测。其中相似度计算是最核心的部分，后续的评分预测是在此基础上完成的，相似度的计算将直接决定着推荐系统的质量［5］。本文是在基于用户的协同过滤基础上，对相似度的计算加以改进的。

2 传统协同过滤算法

基于用户的协同过滤的算法思想是通过计算用户间的相似度，找到目标用户的相似邻居集，通过分析相似用户对某些商品的评分数据，来预测目标用户的未评分项目的分值，选取评分最高的若干项目进行推荐［6］。传统相似度计算方法主要有余弦相似度、皮尔逊相似度、杰卡德相似度等［7］。

2.1 余弦相似度

余弦相似度是将用户对项目的评分看成两个空间向量［8］，通过计算两向量的余弦值，来衡量用户间相似度大小，余弦值越大，两向量之间夹角越小，相似度越高。……