吕亚兰，张恒汝，秦 琴，徐媛媛

西南石油大学 计算机科学学院，成都 610500

推荐系统是目前解决信息过载的有效手段．协同过滤[1]是主流的推荐算法之一，它利用历史评分数据来获取用户对项目的偏好．协同过滤按照不同的实现方式可以分为基于k近邻[2]、 基于矩阵分解[3]以及基于神经网络的协同过滤算法[4]等．k近邻利用历史评分获取k个具有相似偏好的用户或者具有相似属性的项目[2]，常用表征用户或项目相似度的距离有：Cosine[5]，PCC(pearson correlation coefficient)[6]，Jaccard[7]和CPC(constrained pearson correlation)[8]．然而这些算法大都采用用户或者项目的全局评分来计算相似度，导致其时间复杂度较高，推荐效率低.

本文提出了一种多通道特征向量的新三角距离推荐算法(new triangular distance recommendation algorithm for multi-channel feature vector，NTRFC)．算法的输入为从原始评分矩阵中提取的多通道特征向量(简称特征向量)，在k近邻算法中采用新三角距离，从而提高推荐效率并保持较好的推荐准确度.

首先，从原始评分矩阵中提取得到特征向量，其通道数目为原始评分矩阵中评分等级的数目[9]，将其作为输入，可有效降低算法的复杂度．假定评分矩阵有n个用户，m个项目，以及l个评分等级．以原始评分矩阵为输入，计算相似度的时间复杂度为O(nm)，而以多通道特征向量为输入，计算相似度的时间复杂度是O(lm)．评分矩阵中用户数目n远远大于评分等级数目l，故O(lm)远远小于O(nm)．例如，数据集Amazon(http：//snap. stanford. edu/data/web-Amazonlinks. html)和Movielens943u (https：//grouplens. org/ datasets/movielens/100k/)的评分等级均为1～5分，故它们的通道数目为5，即每个项目的特征向量长度为5.

其次，利用两个项目的特征向量构建新三角距离．该距……