在跨域推薦系統(tǒng)中，存在某些用戶對(duì)所購(gòu)買(mǎi)的物品進(jìn)行隨意評(píng)分的情況。由于對(duì)物品進(jìn)行隨意評(píng)分的用戶的數(shù)量較少，當(dāng)該物品的評(píng)分?jǐn)?shù)量較多時(shí)隨意評(píng)分對(duì)推薦效果的影響較小，但是當(dāng)該物品的評(píng)分?jǐn)?shù)量較少時(shí)，隨意評(píng)分會(huì)對(duì)推薦效果產(chǎn)生較大的影響。針對(duì)這個(gè)問(wèn)題，提出一種基于評(píng)分可靠性的跨域個(gè)性化推薦方法。該方法針對(duì)不同的評(píng)分可靠性，為用戶設(shè)置不同的閾值。當(dāng)將輔助域的數(shù)據(jù)向目標(biāo)域遷移時(shí)，如果用戶進(jìn)行評(píng)分的某物品的評(píng)分?jǐn)?shù)量低于該用戶的閾值，則不將該用戶對(duì)該物品的評(píng)分?jǐn)?shù)據(jù)遷移到目標(biāo)域，否則進(jìn)行遷移，以此減少隨意評(píng)分對(duì)推薦效果的影響。實(shí)驗(yàn)結(jié)果表明，整體上，與為所有用戶設(shè)置統(tǒng)一的閾值和不為用戶設(shè)置閾值的跨域推薦相比，所提方法具有更高的預(yù)測(cè)評(píng)分的準(zhǔn)確度。

　　近幾十年來(lái)，隨著互聯(lián)網(wǎng)的快速發(fā)展，人們能夠獲取的信息越來(lái)越多，但是用戶在面對(duì)數(shù)量龐大、內(nèi)容豐富的信息的同時(shí)，對(duì)如何獲取自己真正想要的信息存在著困惑，因此，大量以個(gè)性化推薦為代表的過(guò)濾網(wǎng)絡(luò)工具應(yīng)運(yùn)而生。目前個(gè)性化推薦領(lǐng)域大多數(shù)研究人員主要研究單領(lǐng)域推薦，如Netflix和Last．fm。單領(lǐng)域推薦往往存在數(shù)據(jù)稀疏和冷啟動(dòng)兩大主要問(wèn)題，使得用戶的個(gè)性化推薦效果不理想。如何整合多個(gè)不同域中的數(shù)據(jù)來(lái)實(shí)現(xiàn)用戶精準(zhǔn)推薦已成為近來(lái)個(gè)性化推薦的研究熱點(diǎn)。

　　推薦系統(tǒng)如何根據(jù)用戶對(duì)一類(lèi)信息（或物品）的喜好，向其推薦其他類(lèi)型的信息（或物品），被稱為跨域推薦。在跨域推薦中存在隨意評(píng)分的用戶，例如，有的用戶即使對(duì)購(gòu)物過(guò)程不滿意，但因?yàn)楹迷u(píng)返紅包等原因仍對(duì)物品給出較高的評(píng)分；而有的用戶即使對(duì)購(gòu)物過(guò)程滿意，因?yàn)樾那椴缓玫仍驅(qū)ξ锲方o出較低的評(píng)分。當(dāng)該物品的評(píng)分?jǐn)?shù)量較少時(shí)，隨意評(píng)分使得該物品的評(píng)分并不能準(zhǔn)確表現(xiàn)出用戶的偏愛(ài)，從而對(duì)推薦結(jié)果的準(zhǔn)確性產(chǎn)生較大的影響。