研究进展

目前应用比较广泛的是基于内容的推荐算法和协同过滤推荐算法。基于内容的推荐是信息过滤的延伸和发展。该算法通过分析和使用用户的历史数据信息来对相关项口的兴趣度做预测，它需要为用户构建模型来进行内容的过滤，由于其能够有效处理文本文档的特点，早期被应用在新闻推荐系统当中。基于内容的过滤算法有一个很大的缺陷：对用户推荐的项目具有局限性，推荐给用户的项目基本都是和用户历史兴趣内容相关。另外，在大量项目被更新插入时，系统的灵活性变得很差。

早期的协同过滤技术中，协同过滤算法无法实现自动化，用户之间需要互相了解彼此的兴趣爱好。随着研究的深入，现在的协同过滤算法早已实现了自动化。由于协同过滤思想不同于其他推荐技术，不需要抽取用户或项目的特征就可以完成推荐，并且能够很好的解决用户兴趣转移问题，因此随后的人量推荐系统都釆用协同过滤的思想。协同过滤算法的实现过程中，最近邻方法起着十分重要的作用，在数据集是用户-项N评分矩阵的情况下，最近邻方法往往会有稀疏性和扩展性差的问题。评分矩阵的稀疏性会导致推荐质量的下降。因此通常使用空白评分预先填充或使用某一缺省值填充来解决稀疏性问题，担是用户对位置项目的评分会完全相同，因此这类方法效果不好。Sarwar等提出使用SVD技术来减少项的空间的维度，使得处理后的数据空间相对稠密，可以降低稀疏性带来的影响，同时增加了算法的可扩展性。Gao等使用了有监督的分类算法对项目按照语义进行分类，有效的降低了维数，并提升了协同过滤算法的性能。Ma等人提出了一种有效解决稀疏性的方案，算法通过结合用户和项目两方面的共同信息来对缺失评分进行预测。

近些年来，随着人工智能技术的不断发展，神经网络，遗传算法等技术也被应用到了推系统中，在解决扩展性和冷启动方面打不错的表现。Nasraoui和Petens使用了模糊推理技术构建了一个通用的推荐系统。用一个模糊集合来表示用户的很多特征，其他的一些研究者也采用了上述的方法来丰富用户的特征信息。