近日，实验室博士生陈奇的论文“Time-Aspect-Sentiment Recommendation Models Based on Novel Similarity Measure Methods”被ACM Transactions on Web（ACM TWEB）期刊收录。随着互联网上可用信息的快速增长，用户开始遇到信息过载的问题。推荐系统借助数据挖掘和人工智能领域的相关技术，帮助用户快速找到其潜在感兴趣的信息以解决信息过载问题，在社交网络、电子商务、在线阅读和广告投放等领域得到了广泛的应用。

传统的推荐系统会根据用户之前的购买记录来进行推荐，这种情况下有些购买记录可能已经失去了时效性，无法为推荐系统提供足够的有效信息来推荐新款产品。为了克服上述问题, 我们研究如何构造一种能够有效利用时间久远的历史购买记录的新型推荐系统。我们从两个不同的角度建模，即产品水平和用户水平。前者反映了项目的质量等级，后者则反映了用户的消费水平。基于这两点，我们提出了新的相似性度量方法，并在此基础上设计了基于项目水平相似度的矩阵分解(ILMF)和基于用户水平相似度的矩阵分解(ULMF)。实验结果表明我们的方法在真实数据集上的表现优于其它现有的方法。

    ACM Transactions on Web期刊是计算机领域知名期刊，也是美国计算机协会ACM直接举办的，以Web网络应用研究为主的重要期刊。