魏浩， 张伟， 郭新明

(咸阳师范学院 计算机学院， 陕西 咸阳 712000)

0 引言

随着电子商务的快速成长和网络购物的迅速普及，如何使用户在数量庞大的商品中快速、高效地找到他们感兴趣的商品，是电子商务网站面临的一个重大挑战。推荐系统不需要用户主动参与，能根据用户以往的商品购买记录，获得用户兴趣，把用户可能感兴趣的商品进行推荐，满足用户的个性化需求[1-2]。

目前应用最广泛的推荐算法包括基于内容的推荐算法和协同过滤(Collaborative Filtering，CF)算法，协同过滤算法使用用户与商品的历史交互数据，并通过分析其他人的兴趣偏好，建立当前用户偏好模型，这就是“协同”的体现，它基于存在一组兴趣偏好相似的用户群的假设。相比较基于内容的推荐算法，协同过滤算法对音频、图像等难以提取特征的非结构化对象有较好的推荐效果[3-4]。

1 数据稀疏性问题

协同过滤算法根据用户群体社会化的特点，具有高度自动化、新兴趣发现等优势，并且能够对非结构化对象进行推荐，因此在推荐系统中被广泛使用，但它存在稀疏性、冷启动和扩展性等问题[5-7]。在电子商务系统中，由于用户和商品数量的急剧增加，加之用户缺乏对商品评分的主动性，使得用户评分的商品数量只占很少的一部分，用户—商品评分矩阵(表)非常稀疏，用户—商品矩阵的高度稀疏将造成相似计算的很大误差，进而影响推荐系统的推荐质量和推荐性能[8-10]。

解决数据稀疏性问题的主要方法有：降维技术、评分矩阵预填充、多种特征融合、数据聚类和相似度改进算法[11-14]。……