郎亚坤，王国中

(上海工程技术大学 电子电气工程学院，上海 201620)

(广播电视人工智能应用国家广播电视总局重点实验室,上海 201620)

1 概 述

互联网的快速发展，我们进入了信息爆炸的时代，身边充斥着大量以互联网为媒介的服务，如微博、微信、Facebook等为代表的社交媒体，用户产生数据量呈几何倍数增长，商品的出现呈现“长尾效应[1]”，怎样找到合适的服务及有效信息成为了摆在我们面前的难题.推荐系统作为一种解决互联网“信息过载”的方法可以直接将用户和物品联系起来，在众多个性化推荐算法中，协同过滤算法以其简洁和高效性在学术和工业中得到了广泛的应用.

协同过滤算法可以细分为基于记忆的协同过滤算法和基于模型的协同过滤算法.基于记忆的协同过滤可以分为基于用户的协同过滤和基于项目的协同过滤.基于用户的协同过滤是根据用户对所有产品的偏好，发现与当前用户偏好相似的用户群组，选择出与该用户相似度最近的K个邻居做出推荐.基于项目的协同过滤是计算物品之间的相似度，将类似的物品推荐给用户.基于模型的协同过滤算法是以样本的喜好信息训练模型，一般可以分为聚类模型、分类模型和矩阵分解模型[2-7],矩阵分解模型预先设定好目标函数，采用随机梯度下降法来优化预先设定的目标函数从而得到最优解，因为其推荐精度高，具备坚实的理论基础，所以能够较好地应用于实践中……