陈 乐，余 粟

1(上海工程技术大学 电子电气工程学院,上海 201620)

2(上海工程技术大学 图文信息中心,上海 201620)

1 引 言

随着互联网与人们生活日趋密切，互联网产生的数据量和信息量呈爆发式增长，如何从海量数据中快速准确地找到用户所需信息成为一大难题[1，2].因此，个性化的推荐系统应运而生，它将根据用户的网络历史行为和自身属性预测人们可能需要的商品或信息[3].

协同过滤技术[4，5]因其模型通用性强和易于实现而成为推荐系统的主流技术之一.其又包含近邻模型[6]和隐变量模型[7]两种主要的实现方式.近邻模型通过挖掘由用户与商品的交互行为而产生的历史数据，例如评分数据、行为数据(点赞、评论、转发)等，将具有相似行为偏好的用户群作为目标用户的近邻用户集，再基于近邻用户集计算目标用户对未评分物品的预测得分[8，9].

为了解决原始评分数据高维稀疏，物品和用户自有属性缺失等问题，国内专家进行了相关研究.朱磊等[10]采用用户评分偏好模型改进用户间原始评分数据的偏好差异性，但是原始评分数据的稀疏性和近邻用户的检索性能有待改进.王永贵等[11]提出构建用户类别偏好矩阵，并利用花朵授粉优化模糊聚类算法，一定程度上改进了数据的稀疏性和近邻用户的检索性能，但是算法时间复杂度较大，且并未考虑用户评分偏好.李红梅等[12]利用基于精确欧式局部敏感哈希对评分数据降维并构建索引，能显……