钟 乾，王仲君

(武汉理工大学理学院，湖北 武汉 430070 )

1 引言

近年来，随着云计算，大数据，物联网等技术的迅猛发展，在为顾客提供越来越多选择的同时，网络数据的规模也呈爆发式增长。顾客在复杂的网络结构面前往往需要浏览大量的不必要信息来寻找自己喜好的物品，这就是所谓的“网络信息过载”。针对这个问题，个性化推荐技术能够快速的从纷繁复杂的数据中为用户获取有价值的信息，从而受到越来越多人的青睐。一些大型的电子商务网站，如Amazon、eBay、Netflix等都将推荐系统作为网站的核心技术。

关注度的提高使得国内外众多学者对推荐算法展开了大量研究，个性化混合推荐凭借着可以综合各种推荐算法的优势而备受瞩目[1-3]。刘沛文，陈华锋[4]针对传统的推荐算法存在评分矩阵稀疏性的问题，提出了基于用户行为特征的动态权重混合推荐，在数据预处理时，计算出了用户对于不同物品的个性化行为特征指数，并与协同过滤混合以提高推荐精度。杨卫芳，李学明[5]将基于热传导和基于物质扩散的两种方法混合进行推荐，并引入用户活跃度的概念进行调节，实现了资源的重新分配，从而获得了更好的效果。传统推荐算法中存在着用户兴趣描述过大的问题，基于此，任磊[6]提出了一种增量学习的混合推荐算法。此外，于波[7]等人通过计算项目间属性的相似性，并与基于项目的协同过滤算法中的相似性动态结合，解决了混合推荐中了推荐精度差，效率低下的问题。……