杨雅志，钟 勇，李 骏

(1. 中国科学院成都计算机应用研究所，四川 成都 610041；2. 成都工业学院，四川 成都 611730；3. 中国科学院大学，北京 100049)

1 引言

当前，网络数据量的飞速增长不仅加快了信息传输速度，也对用户造成了信息过载问题，无法高效提取兴趣信息。信息推荐技术不仅能够为用户提供可用的信息服务，且在用户没有明确描述需求时，只要通过用户对其它物品的历史行为信息，就能够准确挖掘其个性化需求，根据兴趣偏好，为用户主动提供所需要的信息。信息推荐技术作为网络个性化服务的关键环节之一，具有重要的研究意义与探索价值，也因此涌现出众多相关学者对信息推荐技术展开研究。

文献[1]将用户经历作为隐式反馈的累积数量定义，提出一种平衡系数的自适应网络智能信息推荐模型。采用用户历史经历数据替代平衡系数，在模型中添加阻尼系数，实现深入优化，最后有效结合阻尼系数与用户经历，架构智能信息自适应推荐模型。但是该模型的智能效果较差，应用适应性不理想。文献[2]提出基于知识网络的信息推荐模型。设定最近邻优先的候选知识选择方案，结合最大可学习支撑度优先的未学知识推荐算法以及知识关联结构，对用户知识需求进行挖掘。但是该模型耗时较长，知识推荐时间没有得到明显缩短。文献[3]提出基于矩阵分解模型的协同过滤推荐模型。将矩阵分解与协同过滤结构进行融合，得到耦合物品属性信息相似度的推荐模型。……