范铭煜

摘 要：推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择，推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数，对用户以往的评分数据，对数据做时间加权，提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题，文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐，提高了算法的准确率。

关键词：推荐算法;时间加权;基于内容;混合推荐;MAE

1   推荐算法研究现状

（1）协同过滤：协同过滤算法根据具有相同行为习惯的人对用户进行推荐[1]。

（2）基于内容的推荐算法：基于内容的推荐算法，实际上是对用户行为数据的属性信息进行分析，包括了用户的属性及商品的属性。

（3）混合推荐算法：混合推荐算法避免了单一算法的弊端，将几种算法进行结合，达到取长补短的效果。

2 基于时间权重的协同过滤算法

2.1 时间相关算法介绍

为了提高推荐算法的精度，时间是比较重要的信息，它具有一定的时效性[2]。根据用户行为的时间信息发现用户兴趣的变化。将用户的评分融入协同过滤算法[3]，目前有两种主要的算法时间感知算法和时间依赖算法[4-5]。

时间感知算法的主要思想是用不同的分类方法对时间进行分类。用户的兴趣具有周期性是将能够采用这种分类方法。……