吴婷婷，李孝忠，刘徐洲

(天津科技大学人工智能学院，天津 300457)

互联网上信息资源的爆炸式增长给用户带来了信息过载问题，不明确的用户需求更是对搜索引擎提出了更大的挑战[1–2]．针对这一问题，推荐系统作为一种高效便捷的自动化筛选信息工具受到广泛关 注[3]．已有的推荐系统可分为基于内容的推荐、基于关联规则的推荐、协同过滤推荐、混合推荐[4]．在目前的推荐系统中，基于协同过滤的推荐算法使用范围最广[5]，具有较高的研究和发展价值．常用的协同过滤推荐算法主要有两类[6-7]：(1)基于用户的协同过滤(user-based collaborative filtering，User-based CF)算法，通过用户的历史行为判断用户对项目的喜爱程度，根据不同的用户对同一项目的偏好计算用户之间的关系，并在具有相同偏好的用户之间进行项目的推荐；(2)基于物品的协同过滤(item-based collaborative filtering，Item-based CF)算法，根据计算不同用户对不同项目的喜爱获得项目之间的关系．但是在使用协同过滤推荐算法中存在着数据稀疏、用户相似度不高等问题，导致推荐结果的准确度较低. Kanimozhi[8]通过对商品进行聚类，较大程度上缩小了商品的最近邻居搜索范围，提高了算法的运行效率．但是，该算法并没有利用用户对商品的评级信息，忽视了用户的历史行为记录，从而导致了推荐结果准确性的提高存在一定程度的限制．Tsaic等[9]将协同过滤算法与聚类算法相结合，有效地提高了推荐系统的准确度，但是在计算用户的相似度时仅使用了皮尔森相似度公式，存……