赵学健，张雨豪，陈 昊，刘 旭，李朋起

(1.南京邮电大学 现代邮政学院，江苏 南京 210003；2.南京邮电大学 通信与信息工程学院，江苏 南京 210003；3.南京邮电大学 物联网学院，江苏 南京 210003)

0 引 言

信息技术和互联网技术的迅猛发展，使得数据量呈指数性爆炸，人民逐渐从信息匮乏的时代走入了信息过载的时代[1]。无论是信息生产者还是销售者都遇到了很大的挑战，对于消费者而言，海量的数据筛选，获取有效信息越来越困难；生产者为了满足客户需求，生产有价值的信息，变得越来越困难。推荐算法是一种有效的信息处理工具，通过用户的历史行为信息，将用户和商品联系起来，解决信息过载的问题。目前，推荐算法已经成功应用到电子商务、在线音视频网站以及社交网络平台等各个领域。亚马逊的前首席科学家Andreas Weigend提及亚马逊有20%～30%的销售来自于推荐系统[2]。

推荐算法是推荐过程的重要组成部分，为推荐系统的核心内容。目前有许多种推荐算法，常见的推荐算法有基于人口学的推荐算法、基于内容的推荐算法、基于关联规则推荐算法、协同过滤推荐算法、混合推荐算法。而协同过滤推荐算法是目前发展最为成熟、应用最为广泛的个性化推荐技术之一。协同过滤算法可以分为基于内存(memory-based)的和基于模型(model-based)的两类[3]。其中基于内存的协同过滤推荐算法又可以分为基于用户的协同过滤算法和基于项目的协同过滤算法。

1 研究现状

随着电子商务深入人心，用户和项目的数量急剧增加，这使得协同过滤推荐算法计算量巨大，时间复杂度和空间复杂度都极大。……