1、互聯(lián)網(wǎng)的發(fā)展讓用戶淹沒于浩瀚的數(shù)據(jù)中，而用戶更想要快速、便捷且個性化的服務(wù)，因此，推薦系統(tǒng)開始發(fā)展。推薦系統(tǒng)可以依據(jù)用戶的瀏覽、評分等數(shù)據(jù)進行針對性推薦，提升用戶的體驗，同時提高網(wǎng)站的用戶粘性。推薦系統(tǒng)的核心是推薦算法，算法的優(yōu)劣直接影響推薦的準確性和穩(wěn)定性，因此，對算法推薦準確性和推薦穩(wěn)定性的提升可以提升推薦系統(tǒng)的推薦準確性和穩(wěn)定性。
　　協(xié)同過濾算法作為推薦算法中的一個重要分支因其簡單、高效被廣泛使用，因此，Slope one

2、作為經(jīng)典的協(xié)同過濾算法一直受到重視，并發(fā)展出了基于項目相似度的IS-Slope one和基于奇異值分解的SVD-Slope one。但是，在實際應(yīng)用場景中仍然存在冷啟動、數(shù)據(jù)稀疏等問題，嚴重影響了推薦系統(tǒng)的推薦準確性和穩(wěn)定性。本文以提升推薦系統(tǒng)的推薦準確性和推薦穩(wěn)定性為需求點，首先分析了協(xié)同過濾算法的主要問題，并針對每一個問題提出切實可行的解決方案;然后通過對算法和方案的研究，提出了基于用戶相似度的協(xié)同過濾算法US-Slope one;

3、在算法的設(shè)計過程中，對用戶相似性計算算法進行了研究和優(yōu)化，對稀疏矩陣的存儲結(jié)構(gòu)進行了研究和優(yōu)選;最后以軟件工程思想為指導，設(shè)計并實現(xiàn)了面向用戶相似度的推薦系統(tǒng)，并依賴該系統(tǒng)，對算法分別從橫向和縱向證明了性能的提升。
　　在算法的驗證過程中，本文選取了覆蓋不同稀疏度和不同數(shù)量級的數(shù)據(jù)集樣本空間，同時對數(shù)據(jù)的信度和效度進行度量，建立了高信度的樣本空間，并以平均絕對偏差為測試準側(cè)對算法進行驗證。橫向測試中，將Slope one、IS-S

4、lope one、SVD-Slope one、US-Slope one均在MovieLens數(shù)據(jù)集上進行測試，驗證了US-Slopeone推薦算法的推薦準確性提升;縱向測試中，使用稀疏度不同的3個數(shù)據(jù)集對US-Slope one算法進行測試，驗證了其在不同稀疏度情況下的推薦穩(wěn)定性。
　　本文主要對協(xié)同過濾推薦算法——Slope one進行優(yōu)化并設(shè)計實現(xiàn)了推薦系統(tǒng)驗證了算法的性能優(yōu)化程度。首先通過研究推薦算法及其主要問題，總結(jié)了推薦