苏 湛，王佳伟，艾 均，沈昱明

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

用户在互联网上寻找合适内容的时候，往往会遇到海量的信息和物品，像是电影、书籍、商品等等.为了解决这类问题，推荐算法经常使用不同类型模型进行推荐系统中的评分预测或链路预测(将评分考虑成边连接，分值考虑成边权重)进行预测，然后预测权重或评分最高的物品推荐给用户.在此基础上，可以节省用户搜索物品所花费的时间.链路预测(包括评分预测)方法通常分为基于内容的算法[1]和协同过滤算法[2,3].

现实推荐系统中的评分预测通常结合基于内容的方法和协同过滤算法，以达到最佳的预测准确度.前者是充分利用用户的个人数据、物品内容、物品特征，根据用户以前喜欢的内容推荐对象[4].后者通过使用目标用户的历史评分生成推荐.

一般来说，推荐算法[5]通常分为3类，包括基于用户的算法[6]、基于物品的方法[7]和基于模型的方法[8].基于用户的算法在兴趣爱好或评分方面找出与目标用户相似的邻居，然后选择相似邻居喜欢的物品，并将其推荐给目标用户[9].

相比之下，基于物品的算法会找出目标用户喜欢的物品，找出与其相似的物品，然后过滤掉相似度低的物品，并向目标用户推荐相似的物品[10].此外，基于模型的算法首先基于历史数据构建模型，并使用该模型进行预测[11].

在这个过程中，相似邻居的选择有着重要的影响.许多学者对……