[摘要]隨著電子商務的飛速發展，如何準確高效地提供給用戶需要的信息變得越來越重要。在分析傳統推薦機制的基礎上，該文提出了一種混合推薦機制。該機制在向用戶進行個性化產品推薦時，綜合考慮了用戶自身和其鄰居用戶對推薦的影響。在MovieLens上的實驗證明，該文提出的這種算法在預測精度上較傳統的推薦算法有很大的提高。 [關鍵詞] 矩陣分塊 信息項 用戶群 一、引言 面對電子商務新的商務模式，如何有效的縮短用戶花費在瀏覽網頁以發現他們需要的信息上的時間成為電子商務成敗的一個關鍵問題。信息推薦機制是通過學習用戶的興趣和訪問模式，逐漸了解用戶的興趣愛好，進而向用戶推薦系統認為用戶可能感興趣的信息。推薦算法主要分為基于內容的推薦和協同推薦。 基于內容的推薦是根據用戶以前的興趣來推測用戶以后的興趣。協作推薦實現的思想是采用某種技術找到目標用戶的最近鄰居，然后根據最近鄰居對目標項目的評分，產生推薦，用戶評分數據可以用一個m*n階矩陣A(m*n)來表示。 二、基于混合模式的推薦機制 該文提出的推薦算法綜合考慮了用戶自身興趣對推薦的影響和其鄰居用戶對推薦的影響，前者是從基于內容的推薦中借鑒過來的思想，計算時，采用基于信息項的方法。后者是基于協作的推薦思想，根據鄰居用戶對目標項目的評分產生推薦。 1.基于內容的推薦 在用戶-項目矩陣中，用戶已評分的項目可以看作是用戶自身的興趣，這相當于基于內容推薦中用戶的興趣模型。在推薦時，系統首先計算項目之間的相似性，然后根據項目之間的相似性，來預測用戶對未評分項目的評分。 2.基于合作的推薦 系統首先采用某種方法查找目標用戶的最近鄰居，然后根據鄰居用戶對目標項目的評價產生對目標用戶的推薦。 (1)計算最近鄰 假設目標用戶為I，計算完I和其他用戶的相似度后，計算公式如式1所示。按大小排序，選擇前N個作為I的最近鄰，這里涉及到N的取值問題。 Ii，j:用戶i和j共同評分過的項目集，Ri，c:用戶i對項目c的評分， :用戶i對資源的平均評分。 (2)產生推薦 采用式2計算U對I的評分： :用戶u對資源的平均評分，:用戶m對項目i的評分， :用戶m對資源的平均評分，:用戶u和m的相似度。

實驗采用的數據集是MovieLens。利用平均絕對誤差（MAE）來衡量算法的預測精度，MAE越小說明系統的預測精度越高，實驗結果如圖所示。