纪淑娟,申彦博,王 振

(山东科技大学 计算机科学与工程学院，山东 青岛 266590)

近年来，用户所处上下文环境信息更加容易获得，基于上下文的推荐算法逐渐成为备受关注的研究课题。Lombardi等通过对上下文信息降维，对上下文信息进行预处理，使得预处理后的上下文信息可以运用在任意一个传统的推荐算法上[1]。Baltrunas等则是通过项目分解的方式，对上下文信息进行预处理，同样地，预处理后的上下文信息可以运用在任意一个传统的推荐算法上[2]。上述两个算法都是通过在传统的推荐算法中融入预处理后的上下文信息，从而获得满足用户偏好并契合上下文要求的推荐列表，但这类方法普遍存在时间成本高且推荐准确率低的问题。Karatzoglou等在协同过滤模型的基础上，提出了一种基于张量分解的上下文推荐算法，该算法通过多维度上下文信息和正则化来构建目标函数，并且采用迭代学习的措施得到最终结果[3]。Oku等引入一种上下文信息支持向量机的思想，该算法考虑多维空间中的支持向量，并找到分离超平面[4]。Kim等提出了一种并行张量分解算法，加速大型数据集的张量分解以支持上下文推荐[5]。Wu等利用回归树进行上下文特征选择，解决了上下文特性选择问题[6]。

自1998年Henzinger等首次提出数据流式处理方法以来[7]，数据流式处理逐渐成为热门研究领域，而推荐系统中的推荐算法是其中最热门的研究对象[8-9]。大量处理流式数据的算法被提出[10-11]，用以提高推荐系统的推荐性能。……