郑 诚，王 建

安徽大学 计算机科学与技术学院，合肥230601

随着互联网的高速发展，信息也随之呈现出了一种爆炸式增长的态势，用户期望在电子商务、娱乐和社交媒体上获得个性化的内容，但信息过载的问题使其变成一个难以满足的要求。为了让用户在信息爆炸的时代获得个性化的内容，大量的研究者、学者、相关企业对这一问题展开了研究，推荐技术由此迅速得到发展。

目前的推荐算法主要有协同过滤推荐，基于深度学习的推荐、混合推荐等。其中，协同过滤推荐是应用较为广泛的一种推荐算法[1]。它的核心思想是兴趣相似的用户之间相互进行推荐。

协同过滤算法大致可以分为两类：一类是基于内存的协同过滤算法，通过计算用户与用户或物品与物品之间的相似性来进行推荐；一类是基于模型的协同过滤算法，通过各种模型来恢复已知评分，同时预测未知评分。基于内存的协同过滤根据度量的对象不同可以分为基于用户的协同过滤和基于物品的协同过滤。前者主要通过计算用户与用户之间的相似度，来为目标用户推荐与其相似度很高的用户曾经交互过的但目标用户未曾交互过的物品[2]；后者主要计算目标物品与用户交互过的物品的相似性来判断是否要将目标物品推荐给用户[3]。两者的核心都在于相似度计算，早期采用诸如余弦相似度和皮尔逊相关系数等来计算相似度，但这样的相似度计算方式所得到的结果并不理想。……