阎红灿，王子茹，李伟芳，谷建涛

(1.华北理工大学理学院，河北 唐山 063210;2.河北省数据科学与应用重点实验室,河北 唐山 063000)

1 引言

随着推荐技术在电子商务、社交网络等互联网领域的广泛应用，面对海量的数据信息，如何除去冗余数据，为用户(消费者)推荐最需要或合适的服务产品(商品)成为研究热点。消费者试图通过每天接触的网页浏览来选购符合自己要求的商品，如何又准又快地为消费者推荐更心仪的商品，这就使推荐算法的准确性成为关键性问题[1 - 3]。

Goldberg等[4]首次提出推荐系统，找出用户评分数据中和目标用户有相同偏好和取向特征的用户，将这些用户感兴趣的商品推荐给目标用户[5]，但存在运行效率不高的问题。许多研究者提出填充稀疏数据集[6]、矩阵分解[7]和聚类[8]等方法，汪军等[9]提出了基于云模型熟悉相似度的邻居用户选择方法;袁泉等[10]提出用知识图谱进行推荐；Wu等[11]证明基于聚类的协同过滤可以明显提高推荐的准确性；王卫红等[12]用聚类和Weighted Slope One算法填充未评分项，提高推荐准确性；李娴等[13]用异质信息网络方法进行稀疏值填充；邢长征等[14]提出填充法和改进相似度相结合的协同过滤算法；文献[15]采用构建矩阵变换的形式增强了推荐的准确性和多样性；苏庆等[16]引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，寻找最近邻居构成推荐；邓秀勤等[17]将用户喜好问题加入推荐的过程中，降低计算复杂度；张艳红等[18]提出对用户的坐标象限模糊隶属结果，提高推荐准确性。……