方 惠，李 民，邓秀辉，余开朝

（昆明理工大学机电工程学院，云南昆明 650500）

0 引言

在信息爆炸的时代，用户难以从大量数据信息中快速精确地获取所需信息，容易产生信息超载（Information Overload）问题［1］。为帮助用户快速找到感兴趣的产品，推荐系统应运而生。近年来，推荐系统在电影、新闻、电子商务等诸多领域中起到了重要作用，有效减轻了信息超载现象。作为推荐系统的核心部分，推荐算法成为人们研究的热门对象［2］。目前协同过滤（Collaborative Filtering，CF）算法已经应用于互联网的众多领域［3-6］，其实现原理是根据用户以往在网络中搜索产生的数据发掘其可能喜欢的东西，根据喜好内容不同将用户分成小组，推荐与其爱好相近的商品［7］。但该算法存在一些不足，如没有考虑到用户兴趣会随时间推移而发生变化，热门物品也可能会影响相似度计算。以上问题均会导致推荐系统的精确度出现偏差，从而使用户得不到满意的推荐结果。

CF 算法是目前使用最广泛、最有效的算法之一［8］，但存在推荐精确度不高等问题，许多学者对此进行了研究。董立岩等［9］在相似度矩阵的计算过程中融入时间衰减因子，使推荐结果更具时效性；尹毫等［10］提出在物品相似度计算中融入物品惩罚因子以修正物品相似度矩阵的计算，在推荐精确度方面显著提高；熊丽荣等［11］考虑到用户兴趣会随着时间发生变化，故采用时间效应模型函数处理用户历史评分数据，推荐效果明显优于传统算法；邓华平［12］提出在CF 算法中加入项目聚类和时间衰减函数，加快了最近邻居集合的寻找速度，提升了推荐精确度；……