基于用户类别偏好相似度和联合矩阵分解的推荐算法*

何海洋 王 勇,3 蔡国永

(1. 桂林电子科技大学计算机与信息安全学院, 桂林，541004；2. 桂林电子科技大学广西密码学与信息安全重点实验室,桂林,541004;3. 桂林电子科技大学广西可信软件重点实验室，桂林，541004)

引 言

互联网的出现和普及给用户带来了大量的信息，网络信息的获取变得非常简单。但随着互联网技术的飞速发展，网络信息呈现指数级增长的态势，使得用户不容易从纷繁的信息中找到适合自己的内容。如何向用户准确地推荐他们想要的信息成为亟待解决的问题。推荐系统作为信息过滤中的一种重要技术，主要是通过分析用户的行为记录(包括：购买行为、收藏行为、浏览记录等)对用户的兴趣偏好进行建模，向用户推荐他们需要的产品和信息，并生成个性化推荐以满足用户个性化的需求。根据美国科技博客VentureBeat的官网调查，Amazion中35%的商品及应用的销售额来自于它的推荐系统。由于推荐系统巨大的商业价值，受到了学术界和工业界的广泛关注。然而，随着电商网站上用户数目和项目数量的日益增加，在整个项目空间上用户和项目的评分数据变得极端稀疏，这就产生了数据稀疏性问题，导致推荐系统准确率偏低。

对于系统中大部分不活跃的用户，他们的评分数据通常比较少，因此从用户项目评分关系中很难刻画用户之间的偏好。针对评分数据稀疏性问题，学者们从不同的方面进行了研究，其中最为有效的方法就是融入额外的社会媒体上下文信息来缓解评分数据稀疏性问题[1]，但大部分都是直接利用上下文信息进行信息的融合，从而产生了辅助信息过多、推荐算法的时间复杂度较高的问题。……