公翠娟，宾 晟，孙更新

(青岛大学数据科学与软件工程学院,山东 青岛 266071)

0 引言

随着大数据时代的到来，数据冗余严重干扰了人们获取有效信息。推荐系统很好地解决了这一问题，成为相关领域的研究热点。推荐系统根据人们的兴趣爱好、需求信息以及消费行为等[1]，为用户推荐其可能感兴趣的商品或者信息。目前，推荐系统广泛应用于各行各业，如亚马逊的商品推荐，iTunes的音乐推荐，Netflix的电影推荐等。目前，推荐系统采用的算法主要分为三类：协同过滤的推荐算法[2-3]、基于内容的推荐算法[4]和混合推荐算法[5]。其中，协同过滤推荐算法是目前应用最广泛的，它又分为三类：基于用户(user-based)的协同过滤推荐算法[6]、基于项目(item-based)的协同过滤推荐算法[7]和基于矩阵分解(matrix factorization)的协同过滤推荐算法[8]。基于矩阵分解的协同过滤推荐算法因在Netflix Prize大赛上的突出表现被越来越多的研究人员所关注，该算法将用户对商品的评分以矩阵的形式表示，将矩阵进行分解来挖掘低维隐特征空间，进而得到两个低维的用户特征矩阵和商品特征矩阵，最后通过两个低维的特征向量的内积来刻画用户与物品之间的关联性。虽然上述推荐算法得到了较好的推荐结果，但是用户商品评分矩阵存在数据稀疏性以及分布不均等特点，导致推荐准确率低、冷启动等问题。

针对上述问题，研究人员引入外来信息并在一定程度上较好地改善了推荐结果，物品内容的描述与评论信息为物品增加了有用的信息保障；……