大规模互联网推荐系统优化算法＊

姜 鹏，许 峰，周文欢

（河海大学计算机与信息学院，江苏 南京 211100）

1 引言

如今人们的生活、工作、娱乐都离不开互联网，互联网也为人们提供了极其丰富的信息和资源。互联网的用户不断地增加，Web 信息也随之成几何级数地增长。这些海量的信息，使用户无法在第一时刻找到自己最想要的资源，这就是“信息过载”所造成的“信息迷向”的现象。推荐系统[1，2.则可以有效地缓解此类问题。

推荐系统根据用户的相关行为构造用户与项目之间的二元关系模型，对冗杂的互联网信息进行过滤和筛选，并将结果推荐给用户。目前，一些电子商务网站（如Amazon、Taobao 等）、搜索引擎（如Google、百度等）、社交网站（如Facebook、豆瓣）甚至微博（如Twitter、新浪微博）都不同程度使用到推荐系统[3]。

推荐系统利用其在互联网信息推荐方面的优势快速发展。早在2000 年，Haubl与Trifts[4]在研究电子商务系统时发现，93%的消费者选择购买推荐系统提供的商品，而此前，能够购买到高质量产品的消费者仅有65%。不仅如此，在另外一些在线商店中，用户的购买行为往往并非事先计划（如图书、音乐、电影等）。此时，一个好的推荐系统，不仅能向用户有效传达最新商品信息，而且可以勾起消费者的购买欲望，推动产业发展。推荐系统会在用户与商品间建立好桥梁关系，用户也会对推荐系统产生依赖。

本文第2节介绍推荐系统研究现状；第3节介绍相似度计算方法；第4节介绍网络的分割规则，并给出SCSG 算法流程；第5节是实验仿真及结果对比；最后给出全文总结。……