贾俊杰，刘鹏涛，陈旺虎

（西北师范大学计算机科学与工程学院，兰州 730070）

0 概述

互联网的飞速发展使得人们获取信息的方式发生了巨大的变革。从初始的查阅资料到以关键词为载体的搜索引擎时代，每个人都不自觉地成为信息的创造者。但在一味地追求速度的同时，也承受了大量冗余信息带来的干扰。而推荐系统作为一种信息过滤的工具，将用户在主动搜索中遇到的困扰转变为被动接受有价值的信息，使人们的生活变得更加简单、快捷。推荐系统通过分析用户的历史行为数据与需求偏好，向用户主动推荐有价值的信息。按建模方式的不同，推荐系统可分为基于内容的推荐方法、基于协同过滤方法和混合方法。

在众多的推荐方法中，矩阵分解作为协同过滤推荐方法的一种类型，因在Netflix Prize 比赛上取得了较好的效果，吸引了越来越多研究学者的关注。但由于用户对物品的评分值稀疏程度较高，大部分评分数据为零值，显然以这种方式产生的推荐结果并不准确［1-2］。随着各类社交网站朝着更加人性化与智能化的方面发展，人与人之间的交往越来越依赖于Twitter、Facebook、微博等社交网站，由此产生了大量的社交信息，也为推荐系统带来了新的机遇。研究表明，具有较强社交关系的用户之间的相似程度更高［3］，因此社交信息作为一种辅助信息，被应用于推荐系统中增加数据来源，以提高推荐性能。许多研究是将社交信息与评分信息相结合，通过划分社区寻找与目标用户相似的近邻，根据近邻对用户的影响程度预测目标用户评分。……