杨怀珍，张 静，李 雷

(1.桂林电子科技大学 商学院，广西 桂林 541004；2.桂林理工大学 商学院，广西 桂林 541004)

0 引 言

推荐系统通过挖掘用户历史行为数据如购买记录、评分信息等进行个性化推荐，从而缓解“信息过载”问题[1，2]。协同过滤算法[3，4]通过分析“用户-项目”评分矩阵实现推荐。但由于历史数据存在稀疏性导致其推荐精度低[5]，针对该问题，王建芳等[6]联合用户间协同相似度、偏好相似度和具有时序的用户兴趣信息预测评分。张润莲等[7]将多种相似度加权构造混合相似度并通过K-means聚类分析来提高协同过滤推荐算法的精度。张怡文等[8]通过分析用户偏好，提出了双极协同过滤算法。任永功等[9]利用相似物品评分信息对稀疏的用户评分矩阵进行填充，然后计算近邻用户对评分矩阵进一步进行填充。Shi等[10]利用奇异值分解加加模型探讨用户可靠性和受欢迎程度等内部因素对推荐性能的影响。Nahta等[11]在协同过滤算法中嵌入元数据，Liu等[12]K-means聚类分析提取新闻内容特征并考虑新闻的受欢迎程度结合奇异值分解技术以解决协同过滤算法的数据矩阵稀疏问题。Panda等[13]提出了基于规范化的协同过滤算法。这类方法的实时性较差，主要应用在数据量相对较小的场合。

近年来，一些学者[14，15]将机器学习算法与协同过滤算法相结合，提出了基于模型的协同过滤算法。Chen等[16]利用神经网络解决了单对相互作用问题。李凌等[17]利用随机森林在不同子区域筛选特征，并由协同过滤算法进行推荐。……