白林锋， 古险峰

(河南科技学院 信息工程学院， 河南 新乡 453003)

用户的个性化需求以及商品的多样性，导致信息过载，进而出现“信息迷失”，使得用户在选择商品时不能很好地进行比较[1]。推荐系统通过分析用户对不同商品的历史关注程度以及对项目的评价，找出其中的关联特征，从而在海量数据中将用户感兴趣的信息推荐出来，使用户能够花费较少的时间和精力，更加精准地找到符合自己预期的产品，提升用户满意度，因此推荐系统对电商平台以及用户购物体验都起着关键作用[2]。推荐算法作为推荐系统的核心，具有重要意义，可以基于内容、情境感知、关联规则、知识推荐和协同过滤等。传统算法往往仅考虑相似用户的兴趣偏好进行相似性计算，用户模型单一，且没有充分考虑时间因素以及项目属性对用户的影响，自身存在缺陷性，可扩展性不足[3]。针对这一现象，提出了改进协同滤波算法，在充分考虑项目属性特征以及用户兴趣爱好的基础上，引入自适应平衡因子综合考虑用户的需求，从而实现对用户兴趣爱好更深入地挖掘，解决传统算法规则提取困难、个性化程度低、数据稀疏的问题[4]。

1 推荐系统相关理论

随着信息化时代的到来，大量数据方便人们生活的同时，使得信息过载、海量数据不对等问题也日益凸显[5]。利用已知用户的浏览历史进行情境分析，挖掘潜在的关联规则，过滤掉大量无用信息，促成用户购买意愿，提高交叉销售的同时，提升用户的粘连性和满意度。……