程 龙，李 涵

(北京信息科技大学 理学院，北京 100192)

0 引言

在信息量不断增长的大数据时代，推荐系统是克服信息过载的有效工具。从1992年第一个推荐系统诞生[1]，至今已有近30年的历史。推荐系统可以利用用户的历史记录和个人信息来判断其兴趣偏好，从而更好地为用户推荐相应的产品或服务，大大提高了人们在海量数据中获取有效信息的效率。如何帮助不同用户在不同领域下快速且精准地找到感兴趣的推荐对象，是推荐系统的核心部分即推荐算法所要面临的挑战。随着推荐技术的发展，为了满足人们日新月异的个性化需求，越来越多的推荐算法被提出。传统的推荐算法主要分为3大类：基于内容的推荐[2]、基于协同过滤的推荐[3-4]，以及混合推荐算法[5]。

基于协同过滤的推荐是运用最广泛的一种推荐算法，其算法思想是通过利用用户—项目评分矩阵中已知的元素来预测未知元素的评分值，并将预测评分高的项目推荐给用户。协同过滤可以处理图片、音频、视频和新闻等非结构化数据源。进一步可分为基于用户的协同过滤[3]、基于项目的协同过滤[4]以及基于模型的协同过滤。基于用户的协同过滤算法通过计算目标用户与其他用户间的相似度，进而将最相似的用户曾购买过的物品推荐给目标用户。基于项目的协同过滤与基于用户的协同过滤类似，本质是给用户推荐其曾经喜欢物品的相似物品。基于模型的协同过滤推荐算法可分为基于分类模型的推荐算法与基于分解模型的推荐算法。……