刘 莉

三明学院 信息工程学院，福建 三明365004

数据爆炸式增长，使得人们从信息匮乏时代到信息过载时代，推荐系统作为解决信息过载的有效方法，被广泛应用于电子商务、音乐、新闻等多个领域。

推荐算法主要分为基于内容的推荐、协同过滤推荐[1]、基于知识的推荐、混合推荐等。协同过滤推荐是最广泛流行的一种方法，包括基于内存的方法（memorybased）和基于模型（model-based）的方法[2]。基于内存的方法包括基于用户的协同过滤推荐算法（User-based Collaboration Filtering，UserCF）和基于项目的协同过滤推荐算法（Item-based Collaboration Filtering，ItemCF）[3]。基于模型的方法主要是利用机器学习或数据挖掘方法进行训练学习并建立推荐模型，包括聚类、贝叶斯网络、决策树等[4]。

对于协同过滤算法，影响其性能的关键步骤包括相似度的计算和基于相似度如何做推荐。传统相似度的计算方法主要有余弦和修正余弦相似度[5]、Pearson相关系数[6]、Jaccard相似系数、欧式距离，其中比较流行的是修正余弦相似度和Pearson相关系数，这两种方法在中心化方式上有着细微的差别。文献[7-8]考虑了不同用户对同一项目的评分差异，对用户相似度进行了改进。

典型的推荐问题有评分预测和top-N推荐，评分预测一直是推荐系统的研究热点，是根据用户的历史评分，预测对未评分项目的评分，评分预测问题的评价指标主要是均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE），而top-N推荐更符合实际的需求，是指把用户最可能喜欢的N个项目推荐给用户，其主要评价指标是召回率和准确率。在top-N任务中，很多文献以评分预测指标作为优化目标，即把评分预测最高的N个项目推荐给用户，文献[9]指出评分预测的误差越小，top-N推荐的准确度不一定越高。……