王永贵，李倩玉

辽宁工程技术大学 软件学院，辽宁 葫芦岛125105

随着互联网技术的迅速发展和网络资源的日益丰富，随之而来的海量信息超载和信息迷航等问题使得推荐系统应运而生，成为电子商务中不可缺少的工具。推荐系统作为一种可以向用户提供个性化推荐的系统，目前已被广泛应用于电子商务中用来挖掘用户日常行为数据中的隐藏商业价值。据电子商务统计，推荐系统对网上商品销售的贡献率为20%～30%。其中，协同过滤[1]是推荐系统中研究最多、应用最广的个性化推荐技术，其主要特点在于不依赖商品的内容，而是完全依赖于一组用户表示的偏好[2]。通常，协同过滤主要分为两大类，包括基于内存[3]的协同过滤和基于模型[4]的协同过滤。前者通过计算用户和物品之间的相关性，为目标用户推荐相似的物品；后者通过研究用户的历史数据，进行优化得到统计模型后推荐，而且大多数模型是机器学习模型和语言模型，如Bayes[5]、LDA[6]等。由于最近邻关系模型使用简洁方便，推荐结果直接明了，因此大多数推荐系统都采用基于最近邻关系模型的协同过滤。其中，K-最近邻模型（KNN[7]）是在最近邻关系模型中使用频率最高的一个模型。

Zhang 等人[8]提出了一种KNN 和SVM 混合的协同过滤推荐算法，但因为推荐系统中数据的极端稀疏性问题，SVM分类器的分类精度并不准确。传统的KNN算法没有考虑到数据的稀疏性问题，时间复杂度高，而且只对两个及以上用户评分的物品进行分析，容易忽略一些用户的潜在信息，导致推荐精度低。……