张智强，侯爱琴，杜娜娜，甘大广

（1.西北大学 信息科学与技术学院，陕西 西安 710127；2.北京万方软件股份有限公司，北京 100038）

0 引 言

目前海量文献资料大多数是通过数字图书、电子文档的形式获取，为信息共享提供方便的同时，可能会导致信息过载。各种推荐系统是解决信息过载的一种有效方法。推荐系统根据用户之前的行为信息发现其需求，从而对用户感兴趣的信息进行推送[1]。其中，协同过滤推荐算法是目前应用于各电商最广泛的个性化推荐算法。基于用户行为信息的协同过滤算法可有针对性地推荐新的项目，因此得到了广泛应用[2]。然而，该类算法仅考虑到用户间评分信息，却忽略了用户本身的属性特点，存在很多局限性，很难保证推荐质量。新用户的冷启动、数据稀疏性和推荐准确性依旧是目前亟待解决的难题。综上，本文提出一种基于用户特征的共同研究兴趣人员的混合推荐算法。

1 相关工作

1.1 协同过滤

在协同过滤领域，Herlocker[3]和Breese都为协同过滤（Collaborative Filtering, CF）算法的评估提供了概述和框架。除了原来的K近邻算法[4]之外，还有很多算法被提出并用于协同过滤。其中包括基于项目的算法和基于模型的算法[5]，如贝叶斯网络和聚类。

ReferralWeb将协同过滤、搜索、社交网络相结合，创建了一个推荐系统，在一个已经存在的社交网络中，将具有共同兴趣的人推荐给彼此。笔者的工作是在ReferralWeb基础上做了扩展，探索了将CF直接应用到社交网络的方法。

大多数CF应用领域推荐的条目彼此之间的关系相关性不大，而研究论文方面的推荐，论文之间存在复杂的引用关系网络。……