基于多维度上下文和双聚类的个性化推荐算法

李彤岩 蒲江岚

(成都信息工程大学通信工程学院 四川 成都 610225)

0 引 言

随着互联网技术的迅猛发展以及万维网无障碍的持续性发展，人类产生的数字信息量呈指数增长，人们很难在大量信息中找到真正想要的东西[1]。推荐系统(Recommended System，RS)作为一种信息过滤工具应运而生。RS帮助用户从不断增加的在线信息列表中找到所需的服务，其在缓解信息过载问题方面的有效性已被证实，并被应用于互联网中的许多领域，例如电影、音乐和旅游，用于向用户推荐合适的产品[2-3]。

RS采用各种过滤方法来提取有意义的信息，如基于内容的过滤(Content-Based filtering，CB)、协同过滤(Collaborative Filtering，CF)和混合过滤(Hybrid Filtration，HF)[4]。其中协同过滤的方法取得了巨大成功，成为个性化推荐系统中的最有前途的核心技术[5]。但是当可用的协作信息(如项目的历史评分)很少时，基于CF的推荐系统表现不佳，这称为数据稀疏问题，是许多新推出的推荐系统中最常见和最具挑战性的问题之一[6]。为了有效地缓解数据稀疏问题，需要利用有限的用户信息资源，多角度、多维度地进行分析计算和推荐。

CF的缺点之一在于其通常只考虑用户和项目两个维度中的一个，其推荐结果往往因为缺乏关联度而导致精确度下降。用户和项目这两个维度是有所关联的，因此产生了同时利用用户和项目两个维度来优化推荐结果的双聚类(Bi-clustering)的推荐算法[7-9]。研究表明，使用双聚类技术不仅可以减少利用空间，还能够有效地处理冷启动问题并提高推荐质量[8]。……