魏云鹤，马慧芳,2，姜彦斌，宿 云

(1.西北师范大学计算机科学与工程学院，甘肃 兰州 730070; 2.桂林电子科技大学广西可信软件重点实验室,广西 桂林 541004)

1 引言

随着互联网技术的快速发展，信息资源飞速增长，面对严重过载的信息，用户很难快速筛选出对自己有用的信息，从而要耗费大量时间搜索自己需要的内容，于是推荐系统应运而生[1,2]。推荐系统根据用户的偏好信息或者某些约束信息预测用户喜欢的项目，并为其给出适当的建议。协同过滤推荐是运用最广泛的推荐方法，其理论依据是：目标用户的历史行为与某些用户有相似之处，那么该目标用户与这些相似用户应该有共同的偏好，协同过滤推荐通过分析用户的历史评分信息及反馈信息，预测用户未来的偏好，是研究的主流方向[3]。

近年来，研究人员提出了许多基于协同过滤的推荐算法，基于矩阵分解的协同过滤算法因其有较高的准确性和可扩展性而被广泛应用，其基本思想是将用户和物品表示在低维隐空间上。例如，Cremonesi等人[4]提出了一种PureSVD(Pure Singular Value Decomposition)模型，该模型将丢失的条目视为零，使用矩阵的截断SVD分解来生成Top-N推荐。Christakopoulou等人[5]提出的sGLSVD(Global and Local Singular Value Decomposition with varying subsets)模型根据用户的评分将用户分配到不同的子集，通过截断奇异值分解方法对用户进行低秩表示。然而这些方法没有解决协同过滤算法存在的推荐性能低和冷启动等问题。因此，越来越多的推荐算法将社交信息融合到矩阵分解算法中， 以改善推荐性能[6,7]。融合社交信息的推荐算法一般假设社交网络中用户的偏好受到朋友的影响，并且同社区的用户具有类似的兴趣，首先将用户和项目同时映射到低维特征空间，然后通过对评分和信任数据上的一些目标函数进行优化来训练预测模型。……