李雪婷，杨 抒，赛亚热·迪力夏提，赵昀杰

(1.新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830000； 2.成都大学 计算机学院，四川 成都 610000)

0 引 言

互联网数据量的激增导致信息过载成了大数据时代的显著问题。数据的增长率已远大于人们的处理能力，现有的技术已不能很好地处理日益加速增长的数据[1]。从冗杂的数据中，人们难以快速准确地获取有价值的信息。根据热门信息的展示很难满足用户的个性化需求，为此推荐系统应运而生[2]。近年来，推荐系统在电商平台、短视频App、社交网站等各个领域中广泛应用，使其快速发展并具有一定商用价值。比如在电商平台中用于挖掘用户行为数据里的隐藏商业价值。

据相关部门统计，推荐系统对网上商品销售的贡献率为20%～30%，已经成为电商平台中至关重要的工具之一[3]。

1 相关研究

推荐系统根据实现方式的不同可将其分为基于内容、基于协同过滤、基于深度学习和混合的推荐系统[1]。其中基于内容的推荐系统能够较好地为用户提供个性化推荐服务，适应冷启动问题，但准确率不高。基于协同过滤的推荐系统应用最广泛[4]，能够较为准确地向用户进行推荐。该算法并不依赖于物品的相关内容信息，但需要有用户行为数据做支撑。当数据库中数据稀疏或者没有数据时，没有足够的信息使该算法进行用户行为分析，导致推荐质量不高，推荐结果的有效性较差[5]。混合推荐算法是解决上述问题较为成熟的方法之一，该算法将多种推荐算法进行混合，在实际应用中能够使各个推荐算法发挥其各自的优势，并且在一定程度上避免了其各自的劣势，进行高质量推荐[6-7]。……