融合偏置的动态专家信任推荐算法

贾俊杰 张玉超刘鹏涛 陈旺虎

(西北师范大学计算机科学与工程学院 兰州 730070)

1 引言

随着互联网服务的快速发展，用户越来越难以在海量的数据中找到所需要的信息。推荐系统就是在急剧膨胀的数据中为用户精准地提供他们所需要的信息。其中协同过滤推荐算法是推荐系统中最为广泛应用的算法之一[1]，它通过用户购买商品的历史信息来寻找与其兴趣相似的其他用户，并为其未进行体验的项目进行评分预测。

尽管协同过滤推荐算法有很多的优点，但在实际应用中，用户购买商品的历史信息往往很少，使得协同过滤推荐算法在计算相似度时无法为用户提供兴趣最为相似的推荐用户。即数据稀疏与冷启动问题，导致推荐效率低下。如何解决推荐系统中的数据稀疏与冷启动问题并且提高推荐准确率，是目前比较热门的研究课题。

为了解决协同过滤算法中的数据稀疏与冷启动问题，常用的解决方法有：

(1)矩阵分解法：通过数学的方法，对用户-评分矩阵中未评分的项目进行填充。其中奇异值分解算法[2]是矩阵分解法最为经典的算法之一，通过用户历史行为来提取相应的偏好特征或项目特征，来补充缺省的评分矩阵值。

(2)数据填充法：利用其他有用信息对数据稀疏和冷启动用户信息进行补充，使得用户更精准地找到与其兴趣相似的推荐用户，提高推荐精度。文献[3–5]将聚类的方法应用到推荐算法，通过聚类的方法，将兴趣相似的用户放到同一聚类中，以同一类别的其他用户的评分对缺省值进行填补。……