任静霞，武志峰

(天津职业技术师范大学 信息技术工程学院，天津 300222)

0 引 言

推荐系统[1]是大数据背景下商品飞速增长、信息爆炸所萌生的个性化定制服务，它在用户和物品数量剧增的情况下，根据历史数据为用户和物品间建立连接关系，进而预测未来的连接，主要解决评分预测和行为预测问题[2]，即预测连接强度和是否会产生连接问题。推荐系统作为一种信息过滤系统能够帮助使用者快速、准确地找到有用的信息，发现自己的潜在兴趣和需求，为企业带来利益的同时，也为用户提供便捷的服务，得到了各大电子商务网站的广泛应用。

从20世纪90年代开始，推荐系统持续受到社会关注，各种推荐算法层出不穷，却各有利弊。如协同过滤推荐算法[3]具有较好的推荐效果，但不适用于稀疏矩阵也无法处理新用户或新物品出现时的冷启动问题，而矩阵分解算法[4]能够解决冷启动问题，但可解释性却较差等，研究者们始终致力于追求更高质量、更具扩展性的推荐算法。贾彭慧等人[5]通过用户之间的交叉性、信任性以及趋同性因子加权来挑选近邻；原福永等人[6]通过划分时间序列，考察不同时间段用户的点击率来为用户找到近邻；刘珊珊[7]通过用户访问同一项目的次数确定用户偏好并推荐相似项目；孙光福等人[8]通过基于时序行为的消费网络图来找到近邻；肖春景等人[9]采用时序信息通过随机游走进行近邻选择；邓存彬等人[10]通过改进SVD++算法[11]划分时间段来考察用户、物品偏置实现动态协同过滤；……