李玲玲 ，黄 俊，王 粤

(重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

随着物联网、云计算的不断发展，人们面临的信息量呈爆炸式增长，如何在短时间内为用户提供有效的个性化推荐尤其重要。协同过滤便于理解，适用于各种行业，是当前推荐系统中运用最常见的方法之一，其主导思想是将用户过去的行为信息进行挖掘与分析，以获得用户偏好[1]。协同过滤算法通常可以分为基于内存和基于模型两类方法。基于内存的协同过滤已经在各种商业平台得到了最大化使用[2]，主要是从用户或者项目的角度进行推荐。基于模型的方法主要是通过使用机器学习算法[3]，对数据的训练集进行训练以建立模型，并使用训练好的模型给用户推荐可能喜欢的项目[4]。由于该方法对数据信息进行了训练，与基于内存的方法相比具有更好的性能。其中，基于矩阵分解的模型受到了研究者们的广泛关注。比如，Mnih[5]将用户评分信息与概率矩阵相结合来进行推荐；Ma[6]、Jamali[7]、Yang[8]通过分析用户评分和社交网络中的用户关系，并与矩阵分解模型中用户特征向量融合，完成推荐。

虽然将协同过滤算法运用在推荐系统中已经获得了较好的效果，推荐质量也提高了很多，但在实际生活中仍然存在着一些难以解决的问题：一是数据稀疏性问题；二是恶意推荐问题；三是推荐精度不高。针对这些问题，大量学者对社交关系以及社交网络中朋友的选择进行了深入研究[9-10]，发现其对推荐质量有很大的帮助。……