吴嘉澍 饶华枭 范小朋 王 洋*

1(中国科学院深圳先进技术研究院 深圳 518055)

2(墨尔本大学计算与信息系统学院 墨尔本 3052)

3(中国科学院大学 北京 100049)

1 引 言

随着数字时代的到来以及智能移动设备的广泛应用，人们可获取的信息量急剧增多，信息过载问题也因此变得日趋严重[1]。为应对信息过载带来的弊端，将真正有用的信息以个性化的形式推荐给用户，推荐系统[2]成为解决信息过载问题的有力工具之一[3-4]，其应用也变得愈发广泛，且受到了众多的关注和研究。面对海量的信息，推荐系统可以根据用户的信息需求、兴趣爱好等，将用户可能感兴趣的信息、产品等进行个性化推荐。与传统的搜索引擎相比，推荐系统可以通过收集用户的兴趣偏好[5]，进行个性化的学习，从而自动化地发现用户的兴趣点，无需用户人为输入其兴趣点。这使得推荐系统在引导用户发现其信息需求的同时更加简洁易用。

虽然经过了长期的发展与演化，但推荐系统算法仍存在一些不足[6]。例如，有限的数据收集能力无法应对当前海量的信息，以及数据收集过程较差的连续性造成较严重的数据稀疏性等问题[7-8]。这势必会给推荐系统算法对用户行为的分析、用户兴趣的挖掘带来困难。同时，现有的绝大多数推荐系统算法着重于对用户和所推荐的商品属性进行分析并辅助推荐，在推荐过程中往往缺失对用户所处情境[9-10]的考虑，如用户上一个浏览的应用类型、用户在某类应用中的启动次数、停留时间等，从而使得推荐系统的推荐效果欠佳。……