一种基于评分信息熵的融合协同过滤算法

张 洁，李 港

（南京邮电大学 计算机学院，江苏 南京 210023）

如今伴随着网络的飞速发展，人们每天都要面临着如何从海量资源中获取自己所需要的信息的问题。但大量的信息使得人们无从下手，造成选择上的困难，从而无法准确获取用户自身需要的信息数据，这一问题被人们称作“信息过载”问题。

当下，人们为了解决该问题提出了两种方法。一种方法是使用搜索引擎来进行信息的检索；另一种方法是通过推荐系统进行的信息过滤。搜索引擎需要人们提供关键字的匹配信息，匹配结果基本上依赖于用户对关键词的描述准确程度。而推荐系统（Recommender System，RS）是一种可以让使用者迅速找到对他们有用信息的工具［1］，它可以针对人们不同的需求帮助人们获得他们感兴趣的信息［2－3］。

完整的推荐系统包括三部分：用户、项目资源和推荐算法。通过分析用户的兴趣和偏好来建立一种用户模型，并根据项目的特点建立项目资源模型。然后，将目标用户的特征与所有项目的特征进行比较，以便通过使用推荐算法预测用户可能喜欢哪些项目，并且将预测结果推荐给用户。在这个过程中，人们最重视的部分就是推荐算法部分，该部分的性能关乎整个系统的性能。

协同过滤（Collaborative Filtering，CF）算法是推荐技术中最成熟的技术之一［4］。人们通常将协同过滤算法划分为两类：一类被称为基于用户的协同过滤推荐算法，它的依据是具有相似历史评级的用户应该具有相似的兴趣，因此可以根据类似用户对给定项目的评级来预测目标用户对特定项目所缺少的评级；……