基于顯式反饋的協(xié)同過(guò)濾算法只存在3個(gè)變量，其相似度計(jì)算方法依賴(lài)用戶(hù)評(píng)分?jǐn)?shù)據(jù)的顯式反饋行為，而未考慮現(xiàn)實(shí)推薦場(chǎng)景中存在的隱性因素影響，這決定了協(xié)同過(guò)濾算法被限制于挖掘用戶(hù)及商品的偏好，而缺乏挖掘用戶(hù)和商品共性的能力。對(duì)此，學(xué)術(shù)界提出了不同的創(chuàng)新想法以改進(jìn)傳統(tǒng)協(xié)同過(guò)濾算法，但大多數(shù)的改進(jìn)是基于協(xié)同過(guò)濾的垂直改進(jìn)，如向算法加入分類(lèi)、聚類(lèi)、時(shí)間序列等機(jī)制，即對(duì)算法結(jié)構(gòu)進(jìn)行改進(jìn)而不對(duì)變量因素進(jìn)行改進(jìn)，因此仍然無(wú)法深入挖掘用戶(hù)和商品的共性因素。文中提出水平改進(jìn)方法，即協(xié)同過(guò)濾與回歸加權(quán)平均（ Collaborative Filtering&. Regression Weighted Average，CRW），旨在保留協(xié)同過(guò)濾對(duì)偏好的計(jì)算，并通過(guò)樹(shù)回歸算法計(jì)算且挖掘?qū)缬脩?hù)和商品的共性因素，對(duì)協(xié)同過(guò)濾的預(yù)測(cè)結(jié)果和回歸預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均，以平衡協(xié)同過(guò)濾偏妤性強(qiáng)而共性弱的問(wèn)題。實(shí)驗(yàn)結(jié)果表明在適當(dāng)?shù)募訖?quán)系數(shù)a下，CRW預(yù)測(cè)結(jié)果均方誤差相比于單一的協(xié)同過(guò)濾和回歸的預(yù)測(cè)結(jié)果均方誤差有明顯的降低，表明CRW具有更高的推薦精度。