马梦馨, 王国中

(上海工程技术大学 电子电气工程学院, 上海 201620)

0 引 言

随着信息技术和互联网技术的发展，互联网提供的平台和数据越来越多，而不同的人兴趣爱好截然不同，越来越难以从大量的信息中找到自身感兴趣的信息，信息也越来越难展示给可能对其感兴趣的用户，推荐系统应运而生。推荐系统本质上是在用户需求不明确的情况下，从海量信息中为用户寻找有用信息的技术手段。经过二十多年的发展，推荐系统被广泛应用于电子商务平台、新闻媒体领域以及广告的个性化推荐等。

目前市面上比较常用的推荐算法有协同过滤推荐算法(Collaborative Filtering Recommendation,CF)，其中包括基于用户的协同过滤(User Based CF)和基于物品的协同过滤(Item Based CF)，基于内容的推荐算法(Content-Based Recommendation,CB)和混合推荐算法(Hybrid Recommendation,HR)等。

协同过滤推荐算法在一般情况下表现良好，但是在有新用户或新物品加入时，由于没有历史数据，所以无法进行推荐，存在冷启动和数据稀疏性问题。Liu等人提出在传统矩阵分解模型的基础上，通过整合多关系社交网络的用户偏好，获得信任和信任功能矩阵，有效缓解了数据稀疏性问题[1]；Yan等人提出了将Jaccard相似性计算方法用于基于多层感知机的电影推荐模型，解决数据稀疏性问题[2]；苑等人根据社交活动提出一种新的用户相似度计算方法来提高推荐精度[3]；过等人改进了奇异值分解(SVD)算法和二分K-均值聚类算法，解决协同过滤算法稀疏性较大和扩展性较差的问题[4]。

基于内容的推荐算法不存在冷启动问题，但是存在提取特征困难、无法挖掘用户的潜在兴趣等缺点。……