推荐系统分类及托攻击检测研究

当前的研究对推荐系统的分类并没有统一的标准［1］，按照所使用推荐算法的不同，推荐系统可分为协同过滤推荐系统、基于内容的推荐系统、结合二者的混合推荐系统［32］以及基于用户—产品二部图网络结构的推荐系统4类［1，30］。按预测方法分类，推荐系统可分为基于模型的推荐系统［33］和基于记忆的推荐系统［34］。按知识源进行分类，推荐系统可分为协同推荐系统［22］、基于内容的推荐系统［33］、基于知识的推荐系统等［35］，本书采用第一种分类方法对推荐系统进行分类。

（1）协同过滤推荐系统

协同过滤推荐技术是被应用较为广泛的推荐技术之一。协同过滤通过分析用户A的喜好和历史行为习惯，建立用户兴趣模型，然后在用户群中找到与用户A兴趣相似的邻居用户，通过分析相似用户对某项目的评分，预测得到用户A对此项目的喜好度［36］。按照选择近邻类型的不同，协同过滤推荐系统可以进一步分为基于用户的和基于项目的协同过滤推荐。

基于用户的协同过滤通过用户对项目的评分向量计算得到各个用户之间的相似性，然后在用户相似性的基础上做出推荐［37］。基于项目的协同过滤推荐算法是由Sarwar等人［38，39］在第十届WWW会议上首次提出的，该方法将项目受到的用户评分表示为向量的形式，然后计算向量之间的距离从而得到不同项目间的相似度，最后在项目间相似度的基础上做出推荐［40］。如亚马逊网站使用的推荐算法就是典型的基于项目的推荐技术。

综上所述，协同过滤推荐技术主要有下述几个方面的优点。

①通过共享相似用户的历史记录，推荐系统能够对计算机难以识别和理解的信息，如书籍、音乐、文字等进行信息过滤。

②能够发现用户潜在的兴趣爱好并向用户推荐，从而具有向用户推荐新信息的能力。(www.xing528.com)

协同过滤作为一种应对信息过载的工具得到了广泛应用，但也存在许多问题，协同过滤技术主要面临两个问题：一是评分数据稀疏性问题。由于系统中的评分矩阵极度稀疏，指定用户或项目很难找到最近邻，因而系统使用不完整的信息进行评分预测，影响了推荐结果；另一问题是可扩展性问题。在实际电子商务系统中，随着用户量和项目数据的不断增加，所需的计算量迅猛增长，这对推荐算法的可扩展性是一个挑战［41］。

（2）基于内容的推荐系统

与协同过滤推荐系统相比，基于内容的推荐系统不受评分矩阵稀疏性问题的约束，能对新产品进行推荐，并能够发现隐藏信息。例如在视频推荐系统中，系统首先分析用户的历史浏览信息从而得到用户的历史偏好向量，同时对视频的特点进行向量描述（类别、长度、清晰度等属性），进而计算得到视频与该用户历史偏好向量的相似度，最后选择相似度较高的视频推荐给用户。

（3）混合推荐系统

为了避免单一类型推荐系统的不足，混合推荐系统结合基于内容的推荐系统和协同过滤推荐系统的优点构建而成。其中，协同过滤技术消除了对资源描述信息的依赖，而基于内容的推荐技术可以帮助解决冷启动问题和评分数据稀疏性等问题［42］。混合推荐系统已经在电子商务等领域得到了广泛应用，并具有比单一类型推荐系统更良好的推荐结果［34，43］。