林怿星，唐 华

（华南师范大学计算机学院，广州 510631）

（*通信作者邮箱karma2001@163.com）

0 引言

随着互联网规模逐年扩大，根据中国互联网络信息中心发布的《第45 次中国互联网络发展状况统计报告》［1］显示，截至2020 年3 月，我国网民规模达到了9.04 亿，互联网普及率达到了64.5%，互联网用户规模和数据量基数庞大，并将在未来保持增长。同时，用户与互联网应用的频繁交互产生了大量的信息。在如此海量的信息里如何使用户获取想要的信息，也就是如何解决“信息过载”问题，成为了新的挑战。

个性化推荐系统的诞生，在很大程度上缓解了用户的信息过载问题，但是在不同场景中依然存在许多挑战影响着推荐系统的表现性能，例如，数据稀疏、冷启动、可解释性以及大数据环境的并行计算问题等。

1）数据稀疏问题。以电商场景为例，电商交易平台上集中了海量的产品数据以及用户及其行为数据。如果将每个用户和产品的所有对应关系构建一个打分矩阵会发现这个矩阵极其庞大，然而相比这个矩阵的容量，真实的用户和产品历史关联个数的比例非常小，这种场景下很难获取用户和产品的准确特征向量。数据稀疏带来的影响包括：数据稀疏场景下获取的用户和产品特征过少，两者的信息都存在缺失，无法准确定位用户兴趣，也无法为用户提供丰富的产品推荐。

2）冷启动问题。当一个新用户进入系统时，因为缺乏过往的交易记录，无法根据过去的消费行为预测用户的消费兴趣并进行推荐，这是新用户的冷启动问题。……