摘要：傳統(tǒng)的協同過濾算法存在三個問題:一是推薦初始階段的冷啟動問題;二是評分矩陣的數據稀疏問題;三是近考慮評分導致的相似度衡量不準確問題。三個問題導致用戶相似性衡量準確性降低,最終導致推薦精準度的下降。本文考慮將網站或應用中挖掘到的用戶興趣,融入到協同過濾的用戶相似性計算中。一方面可以解決協同過濾中的數據稀疏和冷啟動的問題,另一方面也可以提高預測推薦的精準性。因此,本文提出了融合用戶興趣的協同過濾算法CFUI。CFUI改進了協同過濾算法中用戶相似度的評估方法,在其中加入用戶間興趣的相似度。本文進行了融合參數μ最優(yōu)取值的實驗,隨后通過實驗證實了融合用戶興趣的算法CFUI比未融合用戶興趣的兩個算法(UserCF和ItemCF)能夠取得更小的推薦MAE,即CFUI的推薦效果更精確。