乔 雨 圣文顺

（南京工业大学浦江学院 南京 211200）

1 引言

传统的推荐系统通常只考虑用户本身的行为信息和待项目的基本信息，而随着互联网的发展，各类信息量都呈快速增长状态，利用单一的“用户-项目”信息产生推荐已经不能够满足用户的需求［1］。因此，为了使推荐系统更好地发挥其信息过滤的作用，精准地定位用户感兴趣的点，融合上下文情景的推荐系统应运而生［2～3］，即推荐系统中除了要考虑基本的“用户-项目”二元信息外，还需要实际应用场景中所处的上下文状态信息对推荐结果的影响。基于上下文情境的推荐系统的实现原理是：根据收集到的用户基本信息、评分信息、上下文情景等信息，进行“用户-项目-上下文信息”三维信息的挖掘，来分析出用户可能的兴趣点，并给出对应的推荐结果。

2 相关技术介绍

2.1 奇异值分解

在需要考虑上下文信息的推荐系统中，常用奇异值分解［4］（Singular value decomposition，SVD）技术来对用户行为信息矩阵进行分解，实现高维度矩阵的降维，但是这样的奇异值分解技术在应用中会面临由于矩阵过于稀疏（稀疏性达到95%以上）需要填充的数据量过于庞大，并且数据难以得到有效存储的问题［5］；其次，该问题也会导致该方法无法适应互联网背景下的大数据级别的应用场景；再者，奇异值分解技术在利用Spark等工具进行训练时，存在着数据利用率不足的情况。因此，对于融合多维上下文情景的推荐系统，奇异值分解的方法显得过于繁重。……