王丽清，徐永跃，姚寒冰

(云南大学 信息学院，云南 昆明 650091)

0 引 言

互联网推荐系统或推荐方法用于帮助人们在海量信息中快速、准确地检索出所需要的信息。其中，被广泛采用的协同过滤推荐算法可以根据用户的偏好，挖掘用户与对象或对象与内容之间的相关性，继而完成关联性推荐。但协同过滤的稀疏矩阵计算、“冷启动”以及可扩展性问题，造成了它的局限性[1]。

解决“冷启动”问题的关键是解决新用户的初始用户特征模型的建模问题。用户特征模型通过对用户偏好或者特征信息的显示或隐式的采集完成用户模型建模。对于新用户，需要对其明确一个初始特征的定义和采集规则。为此，有的采用平均值、众数、信息熵等数值填充的方法[2]，可以对新用户完成推荐，但会导致个性化特征缺失；采用聚类分析[3]、社区发现[4,5]基于内容的推理和协同[6,7]等方法是通过获得最近邻作为新用户初始值完成推荐，可以提高推荐的可扩展性，并一定程度解决初始用户特征提取的问题，但在提高新用户特征的准确描述方面一直是研究的热点；采用用户偏好问卷调查，再结合相似性计算的方式，可以取得更能反应个体主观偏好的推荐结果[8,9]。但受到问卷调查的项目数的影响，操作太多会降低用户体验。

为在冷启动情况下，尽可能完整描述用户偏好，取得满意的推荐结果，本文引入层次分析法(analytic hierarchy process，AHP)，通过改进成对比较矩阵的生成，简化用户的在线比较操作，取得新用户的初始主观偏好数据，建立了初始特征模型，并据此完成了基于用户当前位置的周边美食推荐。……