王 永，赵旭辉，李晓光，肖 玲

重庆邮电大学 电子商务与现代物流重点实验室，重庆400065

互联网的发展带来了信息的爆炸式增长，在为人们提供生活便捷的同时也带来了信息过载问题[1-2]。推荐算法利用用户历史数据，挖掘其兴趣爱好，提供个性化推荐服务，是解决信息过载问题的有效手段之一。基于邻居的协同过滤模型是最典型的推荐算法，被广泛运用于电子商务等领域[3-4]。该模型通常分为两类，分别为：基于邻居用户的推荐模型和基于邻居项目的推荐模型，即通过最近邻居用户（项目）的已有信息预测目标用户对目标项目的评价。以此为基础，邢长征等[5]将用户评论集和物品评论相结合，提出一种联合评论文本层级注意力和外积的推荐方法；陆航等[6]针对传统的协同过滤算法中单一评分相似性计算不准确的问题，提出一种融合用户兴趣和评分差异的推荐方法；王宇琛等[7]将LDA模型与Bandits相结合提出了一种新的推荐方法，这些方法均有效提高了推荐的准确性。

在基于邻居的协同过滤模型中，邻居数据集的确定是非常关键的步骤，同时由于在该步骤中需要计算目标用户（项目）与其余所有用户（项目）间的相似性，邻居集的确定也是该模型中最耗时步骤。为了提高推荐的准确性与计算效率，许多研究者对此进行了深入的研究[8-12]。Choi等[8]认为邻居集应该随目标项目的改变而改变，因此以用户的共同评分项与目标项目间的相似性作为权重因子，调节其余用户与目标用户之间的相似性。……