余敦辉，张蕗怡，张笑笑*，毛 亮

（1.湖北大学计算机与信息工程学院，武汉 430062；2.湖北省教育信息化工程技术研究中心（湖北大学），武汉 430062）

0 引言

随着互联网及大数据时代的发展，信息呈爆炸式增长，面对海量数据，用户如何高效获取自己需要的信息愈发困难，因此推荐系统成为各大社交平台争先关注和应用的焦点。现有的推荐系统大多建立在单一社交平台的基础上，仅仅利用单一平台中用户的兴趣、发布的内容和历史记录等进行用户推荐，导致对用户兴趣和行为信息了解不够全面，推荐结果单一，容易出现数据过度拟合现象［1］以及用户冷启动问题［2］。例如：用户在平台1 上喜欢关注体育类型的博主，在平台2 上喜欢关注科技类型的用户，并且对科技类型信息的关注活跃度高于对体育类型的关注，但是平台1 一直推送关于体育类型的信息和博主给用户，未能发掘用户对科技类型信息和博主的兴趣，缺乏对用户兴趣信息的全面了解。

但是，融合多个社交网络中的数据，存在用户信息获取困难、关联效率较低的问题，因此，如何在跨平台社交网络中进行用户推荐已成为一个研究热点。

目前众多学者围绕社交网络中的用户推荐展开研究，其中一部分是研究单一平台中的用户推荐：文献［3］中的协同过滤（Collaborative Filtering，CF）是使用较广泛的推荐技术，根据用户对物品的评分信息来预测用户的偏好；然而，协同过滤系统容易受到不公平评分和稀疏数据的影响。……