易乔敏

（四川大学计算机学院，成都610065）

0 引言

大数据时代，推荐系统作为一种重要的信息过滤技术，在帮助用户快速发现自己感兴趣的内容上发挥了重要作用，因而被广泛部署到各种在线应用中。推荐系统旨在从用户的历史交互/反馈中捕捉用户的兴趣或偏好，并提供个性化推荐。例如，网易云音乐根据用户的听歌记录提供歌单推荐；微博根据用户的兴趣推荐相关的博主；淘宝根据用户的浏览足迹在用户主页展示其可能感兴趣的商品等。

在各种推荐系统中，协同过滤已经成为主流的推荐方法之一，其思想是相似的用户有相似的偏好，相似的商品具有相似的特征。典型的协同过滤方法主要包括3种类型：基于用户的协同过滤、基于商品的协同过滤和基于模型的协同过滤。为了提高协同过滤的性能，许多工作开始考虑辅助信息[8,21,32]，如社交网络、商品标签，等等。尽管如此，大多数现有协同过滤方法仍依赖于一个潜在假设，即用户历史反馈可以真实有效地反映用户的兴趣或偏好。然而事实上，用户历史反馈往往是有噪音的，当大数据时代尤其如此。例如，用户在淘宝上的一次商品点击可能是一个随机行为导致的自然噪音，其不能代表用户的真实兴趣；豆瓣上某个用户对某部电影的评分可能因用户评分时的愉悦心情而高于其对电影本身的满意度，因此产生噪音评分。又如，某些电商利用画像注入攻击产生许多恶意噪音，以此操纵推荐系统来达成某些商业企图。……