随着Web 3.0时代的到来,“信息迷航”问题迫在眉睫。推荐系统是诞生于分类目录和搜索引擎之后的第三种处理信息过载问题的方法。它通过分析用户历史行为来挖掘用户兴趣,从而满足用户个性化的需求。协同过滤推荐算法是推荐领域的重要算法,它利用目标用户所处集群的集体智慧,给目标用户推荐。由于算法原理简单、易于实现,在商业得到广泛应用,但算法仍面临一些问题:1)在数据稀疏情况下,由于低精度的相似性计算导致的推荐准确度不高;2)仅仅依靠用户评分数据计算用户相似度,而忽略了项目属性特征对用户兴趣偏好的影响;3)缺乏对时间效应所带来的用户兴趣迁移的考虑,导致算法不能适应随时间变化的用户兴趣情况。这些都是阻碍推荐算法性能提升的因素,因此,本文基于以上问题对协同过滤算法中的相似性度量展开研究。(1)本文设计了一种考虑用户属性偏好的相似性度量模型,将项目属性引入推荐算法的相似度计算中,作为影响用户兴趣的重要因素。由于用户对项目的评分是用户对项目各个属性偏好综合评估的结果,本文将用户对于项目的评分映射为用户对各个属性的评分,利用各评分值计算用户对属性的兴趣度,从而建立相对稠密的用户-属性偏好矩阵,利用余弦相似性模型计算用户的属性偏好相似性。该模型在一定程度上解决了传统相似性模型在数据稀疏情况下性能不佳的问题,通过引入属性特征,扩大了邻居用户的搜索范围。实验结果表明:考虑属性偏好的相似性模型对推荐的覆盖率和准确性都有所改善。(2)本文在用户属性偏好模型的基础上增加时间维度,追踪用户的属性偏好随时间变化。通过引入时间衰减函数——遗忘函数来计算用户对属性的记忆保留比例,将该比例作为用户属性评分的权值,对时间较早的属性评分进行惩罚,对于日期较新的属性评分进行加权,得到用户对该属性修正后的属性评分,通过累加修正的评分值得到用户对该属性的兴趣度,建立用户-属性偏好矩阵,利用余弦相似度计算用户的属性偏好相似度。仿真结果显示:考虑时间效应的属性偏好模型比原提出模型进一步提高了推荐的准确性。(3)最后,本文使用基于用户共同评分数的Jaccard相似系数作为松弛因子,将考虑时间效应的用户属性偏好相似性模型与传统的共同评分相似性模型线性融合,松弛因子可以根据共同评分比例动态调节两模型在融合模型中的权重。当用户间共同评分项较多时,共同评分相似度权重增加,反之亦反。实验证明:融合模型在推荐准确性和覆盖率上都有明显提高,对推荐质量有所改善。