王谢宁, 李玉蒻, 朱志国, 刘琦卿

(东北财经大学 管理科学与工程学院,辽宁 大连 116025)

0 引言

随着网络技术的成熟,互联网产品的与日俱增,用户的选择范围不断增加,个性化推荐系统因其能主动发掘用户喜好,向用户生成有效推荐,在各行业被广泛应用。协同过滤算法虽然是当下最流行使用范围最广的推荐算法,其由于算法维度有限问题导致推荐精度有限,针对有时用户评分无法表示用户的真实兴趣从而使得推荐准确率相对较低的问题始终无法解决[1]。另一方面,由于网络系统自身存在着明显的马太效应,使得系统无法充分发挥长尾效力,系统中的大部分产品无法被推荐,这直接影响到了系统的经济效益。

目前的研究主要集中在针对传统协同过滤算法的改进,以提高其覆盖率和推荐精度。董晨露,柯新生[2]考虑评论与评分的基于物品的协同过滤算法,该算法为目前国内外基于用户评论进行推荐的主流算法,即利用LDA主题模型计算用户评论主题相似度并与用户评分相似度加权进行协同过滤的推荐算法。然而用户对物品的评分是多重因素的结果,用户打分还有可能受到当前推荐系统的影响,同时因系统自身存在的马太效应导致的长尾问题依旧存在。丁勇,刘菁等[3]以基于位置的社交网络好友推荐为切入点,对距离, 熟识度，兴趣相似性属性进行多维度集成考虑,划定不同属性的线性权重,构建了基于用户交友偏好的好友推荐模型,一定程度上缓解了单一属性下推荐机制的冷启动问题,提升了算法的有效性和实用性。……