陈辉，王锴钺

(安徽理工大学 计算机科学与工程学院，安徽 淮南 232001)

推荐系统(RS)通过分析数据中用户的历史行为信息、用户与项目的交互信息、时间信息等记录构建用户画像，为企业提供针对不同用户的有区别对待的用户忠诚度培养方式。在现有的针对个性化推荐服务的技术中，协同过滤推荐系统(CFRS)[1-2]相对简单有效，已被许多商业网站广泛使用。但随着网络上可访问的数据量急速增长，有用数据变得极为稀疏，使得向用户提供精准个性化服务，促使网站点击量、下载量、销售量等盈利项目增长变得十分困难。

为了获得目标用户的兴趣，得到合适的推荐结果，一些学者采用基于邻域的协同过滤推荐算法[3]，得到相似的用户或项目，进一步得到推荐结果。Surya等[4]考虑了用户的评分习惯，提出了一种基于离差均值的相似性度量方法。Kalamati等[5]利用Beta随机变量对类别信息进行智能数据建模，提出了一种基于类别的协同过滤方法。Fan等[6]结合调整后的余弦相似度，提出一种通过可靠性来计算用户相似度的方法。于金明等[7]提出了IPSS相似性度量方法。Jain等[8]将用户之间对同一项目的绝对差异值存储在一个用户相似性矩阵中，为相似性算法提供了一种新的改进思路。

这些相似度算法大部分关注用户对项目的评分等级，以向量的形式比较距离，忽略了用户行为本身作为一个普通序列所具有的意义，而且用户对项目的倾向程度会根据时间的变化而改变，在用户对推荐结果需求数量较少时，还要尽可能把用户近期最为感兴趣的项目放在靠前的位置。……