李 洋 黄树成

（江苏科技大学计算机学院 镇江 212003）

1 引言

随着信息化时代的发展，人们生活与工作中所产生、接收的信息量越来越庞大，对信息的处理和过滤就显得尤为重要。信息的过滤可以通过推荐算法来实现。好的推荐算法对整个系统的推荐准确度以及系统性能提升有很大的帮助。近年来，国内外涌现了不少高效的推荐算法，有内容关联算法、K-means聚类算法等［1］。随着大数据时代来临，推荐系统中的数据量和需要推荐的商品数量呈指数倍增长，使得大量数据的处理速度过慢，因此推荐算法领域中产生了分布式推荐算法这一研究方向。

在信息泛滥的网络世界中，只有拥有对大数据的处理能力，才能快速高效地对海量数据进行过滤、筛选，并在极短的时间内对用户的需求做出响应。在本文中，将会介绍传统协同过滤推荐算法（Collaborative filtering recommendation），并对User⁃Based算法和ItemBased算法分别加以介绍，对两种算法的优缺点进行分析，并修改原有的ItemBased算法来提升算法的性能、优化其短板［2］。

2 协同过滤算法

协同过滤推荐算法的原理是统计与目标用户有着相同兴趣的用户，或者有同样的经验的用户群体，归纳该用户群体感兴趣的信息，将这些信息推荐给目标用户［3］。个人用户能够通过反馈一定的信息（如评价）能够为其他用户的推荐提供一定的帮助。协同过滤算法能够帮助目标用户发现他们潜在的兴趣或者可能喜欢的物品，并且这种推荐算法推荐的质量都比较高。

协同过滤算法分为以用户为基础（UserBased）的协同过滤和以项目为基础（ItemBased）的协同过滤两大类。……