马瑞新，郭芳清，刘振娇，陈志奎，赵 亮

(大连理工大学 软件学院，辽宁 大连 116620)

0 引 言

不断发展的互联网技术加快了互联网信息的增长速度，造成了严重的信息过载，用户在巨量信息中快速找到有意义的信息越来越困难。当用户面对大量信息时，如何花费较少的时间获取对自己有价值的信息成为一个关键性的难题，个性化推荐[1-2]能够有效地解决此类问题。传统的个性化推荐方法主要包括基于内容的推荐算法、协同过滤推荐算法和混合推荐算法。其中协同过滤推荐算法[3]作为一类经典的推荐算法，在实际中获得了广泛的应用，同时也得到了很多研究者的关注。协同过滤推荐主要包括基于邻居集(neighborhood-based)[4-5]和基于模型(model-based)[6]两种，其中基于邻居集的协同过滤推荐又分为基于用户(user-based)[4]和基于项目(item-based)[5]两种方法，但是在计算项目或者用户的相似性过程中只利用具有共同评分的数据，不能全面地估计项目(用户)相似度，而且当用户与项目的交互信息较少时，即用户已经评过分的项目远少于全部项目个数时，还会出现数据稀疏等问题。近年来，国内外科研人员提出了不同的思路用于改善传统的协同过滤方法存在的不足。邓秀勤等[7]提出了一种通过构建融合全加权矩阵分解的协同过滤模型来提高准确率的用户协同过滤推荐算法。郭彩云等[8]在用户对标签权重的计算时融入了用户的评分，这种改进的基于标签的协同过滤算法能够考虑用户有不同兴趣程度的项目对推荐结果的影响，进而充分挖掘用户真实的兴趣以提升推荐性能。……