苏 湛,林祖夷,艾 均

(上海理工大学 光电信息与计算机工程学院,上海 200093) E-mail:aijun@outlook.com

1 引 言

随着互联网的提供越来越多的信息,人们已经进入到信息爆炸的时代[1,2].由于信息不断快速增长,用户偏好复杂多样性,以及网站对于用户需求缺乏精准的了解,使得用户在筛选需要的信息时效率较低.在此情况下,推荐系统存在的效用就是使用户能够快速找到自己感兴趣的信息,同时让信息可以分门别类的出现在不同用户的页面,从而实现用户和网站的互惠互利.推荐系统和算法可以在用户和物品之间建立联系,通过用户在过去对物品的选择与评分等信息来分析用户的偏好,并对其尚未表态的物品或信息进行评分预测,然后将预测结果分值较高的物品或信息推荐给用户,从而使用户检索更高效,提高网站的使用体验感.

传统的推荐算法主要包括基于内容的推荐算法[3]和基于协同过滤的推荐算法[4,5].基于内容的推荐算法是根据用户描述或项目的特征来寻找相似属性的用户或项目进行推荐[6],常常需要利用机器学习提取有效特征,限制了该方法的性能.所以在推荐系统中应用最为广泛和个性化的算法为协同过滤算法.该方法是通过用户不断地和网站互动,使推荐列表能够不断过滤和筛选用户不感兴趣的物品,从而越来越满足用户的需求.其中基于网络模型的推荐算法由于其更高的计算效率和准确率逐渐成为推荐系统的……