任静霞,武志峰
(天津职业技术师范大学信息技术工程学院,天津 3002222)
推荐系统[1]是大数据背景下,降低信息过载、帮助服务商精准提供用户所需信息的一种解决方案,被广泛应用于各大电子商务网站。推荐系统利用收集到的用户喜好或者物品信息特性等进行训练,得到用户-物品推荐模型,从而预测用户未来可能会感兴趣或者需要的物品,为用户提供定制化服务。实现推荐系统的推荐算法有协同过滤推荐算法、基于内容的推荐算法、基于知识的推荐算法、基于关联规则的推荐算法等,其中协同过滤算法(collaborative filtering,CF)使用最为广泛,但是冷启动问题无法得到解决,在稀疏矩阵中性能下降,可扩展性差;基于内容的推荐算法要求内容能够容易抽取成有意义的特征,并且要求特征内容有良好的结构性,但其可解释性差;而基于知识的推荐算法存在知识难以获取的问题,要求用户需求明确且需求具有可推荐性。正因为以上算法均有不足之处,所以研究者们一直致力于追求适应性更强、推荐质量更高的推荐算法。
为提高推荐质量获得较好的推荐结果,前人做了大量研究。如冷亚军等[2]对协同过滤技术进行了总结;饶钰等[3]通过融合评分向量间余弦值和均方差值改进协同过滤算法;Koren 等[4]对推荐系统中现有的矩阵分解技术进行了分析综述;王娟等[5]提出将矩阵分解的结果应用于基于用户的最近邻推荐;刘沛文等[6]将不同用户对于不同物品的个性化行为特征指数引入相似度的计算中;……