崔北亮，周小康，李树青

(1.南京工业大学图书馆，江苏南京 210009 2.南京财经大学信息工程学院，江苏南京 210023)

推荐系统与人们的日常生活息息相关，各大电商网站如淘宝［1］、京东［2］、亚马逊［3］等都离不开推荐系统的支持，社交媒体［4］之间的竞争也逐渐向个性化推荐服务转变。推荐系统旨在根据用户已表现的兴趣爱好挖掘出未来可能出现的兴趣爱好，这正是各大电商网站以及社交媒体所追求的。推荐系统通过用户之前购买过的产品向用户推荐下次可能购买的产品，或者在用户购买完一件产品之后立即向其推荐可能一并购买的产品，如此可以给电商网站带来巨大的利润。同样对于社交媒体来说，通过推荐系统给用户实时推荐其最想看到的内容，这无疑会大大提升社交媒体的用户黏性和稳定性。因此，个性化推荐成为近年来备受关注的研究热点之一。

在计算机领域，数据的好坏很大程度上会影响到结果的优劣，例如对一些数据进行分类时，如果待分类的数据大多数是在分类依据的边界，那么这些数据分类出来的结果也必然是模棱两可的。在推荐系统以往的研究中，研究者主要是将用户对项目的评分数据作为评价用户兴趣爱好的重要因素，这在提高了推荐系统的推荐效果的同时，也产生了一定的局限性。传统推荐系统算法中用到的评分数据是基于用户之间的共同打分项目的评分进行计算的，这部分数据往往十分稀疏，从而会引起“冷启动”问题［5］。……