个性化推荐算法研究
陈洁敏， 汤 庸*， 李建国， 蔡奕彬
【摘 要】摘要：随着全球信息总量的爆炸式增长，信息超载问题无法避免且日趋严重化．个性化推荐系统是当前解决信息过载问题的有效技术．该文首先阐述了推荐系统概念定义及其三大组成模块，其次深入分析了个性化推荐算法，详细讨论了当前主流的四大类推荐算法: 基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和混合的推荐算法，从多角度对各算法的优缺点进行对比，然后阐述了常用评价方法、评测指标及对测试标准进行分类，并且介绍了常用数据集，最后展望个性化推荐未来研究热点．
【期刊名称】华南师范大学学报（自然科学版）
【年(卷),期】2014(000)005
【总页数】8
【关键词】推荐系统； 推荐算法； 协同过滤； 个性化； 信息过载
在网络数据爆炸的年代，人们面对的是海量信息，例如亚马逊上面有数百万种独特的商品，Google Music曲库有过千万首歌，https://www.doczj.com/doc/756683542.html,上面有超过10亿的网页收藏，淘宝在线商品数已经超过了8亿件，新浪微博用户数及腾讯微信用户数均超过5亿．用户在海量的信息中难以找到自己感兴趣的信息，这就是所谓的“信息过载(information overload)”问题，搜索引擎和推荐系统是目前解决该问题的主要技术．与搜索引擎相比，用户更青睐于使用个性化推荐系统，因为它能主动地从用户注册信息、用户浏览日志、历史评分记录和项目信息等方面进行分析，从而挖掘用户的兴趣偏好和项目的特征，然后为用户实现个人感兴趣信息的私人定制，并根据用户需求和项目信息的变化及时调整推荐的内容和服务方式，实现“以用户为中心”的个性化服务．个性化推荐系统具有良好的发展和应用前景，目前电子商务网站、社交网站、电影和视频网站、个性化音乐网络电台、个性化阅读和个性化广告等领域都使用了不同形式的推荐系统并获得巨大的效益．本文阐述了推荐系统概念定义，对比各类推荐算法优点和缺点，总结了常用数据集和评测指标， 最后提出未来面临的主要问题及可能的研究方向．
1 推荐系统概念定义
推荐系统利用输入的数据来预测系统对象未来潜在的喜好和兴趣，将个性化推荐对象的清单推送给用户．因此，系统用户、推荐对象及个性化推荐算法是推荐系统的重要组成部分．推荐系统根据用户注册信息、历史行为数据和需求为用户建模，例如用户年龄、职业、爱好、社交网络关系等，同时也根据推荐对象的相关信息来构造对象模型，最后推荐算法根据推荐策略、用户信息和对象信息为用户进行个性化推荐．一般的推荐系统模型流程如图1所示[1-2]．
2005年,Adomavicius和Tuzhilin[3]总结了推荐系统的形式化定义：设U是推荐系统中所有用户