汤文兵 任正云 韩 芳

信息时代下的数据量快速膨胀,高渗透、高过载海量信息的冲击过渡稀释了用户注意力,导致用户们在琳琅满目的产品面前难以抉择.因此推荐系统作用日趋凸显,它准确而高效地跨接关系紧密的用户群和物品集,放大长尾效应来维持供需平衡,增大经济效益的同时提供智能化、专属化的用户服务体验,实现从企业到客户的双赢.

特征的选择和处理方式在整个推荐过程中扮演着极其重要的角色.根据特征处理方式的不同,可分为基于内容、协同过滤和混合模型推荐系统[1−2].狭义的特征一般指能够勾勒出用户或物品个体的定量描述,是客观存在的,多见于基于分解机[3−4]的推荐模型;而本文认为特征在广义上还应包含用户主观对物品产生的历史交互信息,这也是矩阵分解类模型[5−6]的主要处理对象.推荐系统在掌握这些特征规律后,预测用户行为,提前替他们在众多候选物中筛选出“心仪”的产品.因而若能够提取用户−物品对的特征关系,并实时跟踪用户行为,丰富信息的结合无疑会使推荐结果更加准确、更加个性化.

1 相关工作

早期多是基于内容的推荐系统,它根据用户频繁浏览的物品类型给出推荐,推荐方式简便直接但推荐内容单调乏味,常见于广告和新闻平台[7].而热门至今的协同过滤算法思想大为不同.以基于用户推荐为例[8],先圈定行为近似的用户群,再将他们关注过的物品推荐给彼此……