摘要：为了提高用户相似度计算精度和推荐准确性，缓解数据稀疏性，提出一种基于商品属性值和用户特征的协同过滤推荐算法。该算法首先从用户对商品属性值的偏好出发，计算用户对商品属性值的评分分布和评分期望值，得到用户一属性值评分矩阵；同时利用数据相似性度量方法寻找用户特征邻居，填充用户一属性值评分稀疏矩阵，进而得出目标用户偏好的最近邻居集；计算用户对未评属性值的评分，将目标用户对商品所有属性值评分的均值进行排序，形成该用户的Top—N推荐列表。采用Movie Lens和Book Crossing数据集进行实验，结果表明该算法在缓解数据稀疏性问题上效果较好，推荐精度显著提高。

关键词：商品属性值 评分期望值 用户特征 协同过滤 

单位：哈尔滨理工大学管理学院; 黑龙江哈尔滨150040; 哈尔滨理工大学高新技术产业发展研究中心; 黑龙江哈尔滨150040