用户兴趣偏好影响的物质扩散推荐算法

　　针对产品的异质性没有在推荐算法中得到很好利用的问题，提出一种考虑产品流行度对用户兴趣偏好影响的物质扩散算法。通过模拟物质在用户一产品二部分网络上的扩散过程，并且引入产品流行度的可调参数，对产品流行度的影响进行定量刻画。在三个真实数据集上进行数值实验结果表明，该算法与经典的物质扩散算法相比，MovieLens、Netflix和Last．FM数据集上的平均排序打分可以分别提高25. 60%、10. 96%和1.2%；推荐列表多样性分别提高59. 30%、53. 07%和8.59%。所提出的非平衡的物质扩散算法所得到的结果更切合实际。