任柯舟，彭甫镕，郭 鑫，王 喆，张晓静

（山西大学大数据科学与产业研究院，太原 030006）

0 引言

随着互联网的发展和电子商务的蓬勃发展，信息数据呈现爆炸式增长，导致人们面临的选择也越来越多，推荐系统逐渐成为一种普遍应用的技术。传统的推荐系统大多是基于协同过滤或基于内容推荐［1］，这类方法主要基于集体智慧，核心思想是给用户推荐他们喜欢物品的相似物品，或者向用户推荐与他们有相似行为的用户喜欢的物品［2］。虽然这些传统的方法有不错的效果，但都忽视了用户交互物品之间的结构关系，例如用户的行为习惯、用户偏好的发展及商品的流行时间等［3］。序列推荐系统能有效利用用户与物品的交互序列来很好地包含这些结构信息，从而进行更加准确和动态的推荐［4］。序列推荐将用户的交互物品按照时间顺序来构建一个序列模型，通过捕获物品之间的依赖关系获得用户的动态兴趣特征，很好地解决了用户的兴趣迁移问题。受处理长度的影响，序列模型通常得到的是用户的短期兴趣特征。为了使用户特征更加完整，研究人员通常使用矩阵分解模型来获取用户长期养成的喜好，即用户的长期兴趣。

每位用户的交互物品相较于物品总量来说是很稀疏的，因此大多数的用户-物品矩阵是稀疏矩阵，而数据的稀疏会导致推荐的效果下降［5］；同时随着各大社交网站的发展，越来越多的科研人员将社交数据作为缓解数据稀疏的辅助数据［6］。……