1、隨著互聯(lián)網和電子商務的飛速發(fā)展，互聯(lián)網為用戶提供越來越多的信息和服務，用戶在得到便利的同時也不得不面臨大量的垃圾信息和無意義數(shù)據(jù)，即所謂的信息超載問題。面對海量的網絡資源，個性化推薦系統(tǒng)能夠及時跟蹤用戶的需求變化來自動調整信息服務的方式和內容，是一種極具潛力的解決信息超載的服務技術。
　　本文詳細介紹了個性化推薦系統(tǒng)中常用的幾種推薦算法如：協(xié)同過濾推薦算法、基于內容的推薦算法、基于關聯(lián)規(guī)則的推薦算法和混合推薦，并詳細介紹它們的相關

2、知識。協(xié)同過濾技術是目前推薦系統(tǒng)中最成功和應用最廣泛的技術，在理論研究和實踐中都取得了快速的發(fā)展，它根據(jù)用戶的歷史選擇信息和相似性關系，收集與用戶興趣愛好相同的其他用戶的評價信息來產生推薦。然而，傳統(tǒng)的協(xié)同過濾推薦算法具有數(shù)據(jù)稀疏、推薦精度以及用戶相似性難以計算等問題。本文針對這些問題，對協(xié)同過濾算法進行了相應的改進，主要工作如下：
　　傳統(tǒng)的推薦算法在計算目標用戶鄰居集時只考慮用戶項目評分矩陣中的具體數(shù)值，沒有考慮用戶偏好以及用

3、戶評分與項目屬性之間的關系，推薦精度也有待進一步提高。針對這一問題，本文提出了一種基于用戶偏好和項目屬性的協(xié)同過濾推薦算法(UPPPCF)。本算法在傳統(tǒng)的用戶項目評分矩陣基礎上綜合考慮用戶偏好以及項目屬性，把評分矩陣轉變成基于用戶偏好的用戶項目屬性評分矩陣，然后根據(jù)這一評分矩陣來計算目標用戶的最近鄰居集，克服了傳統(tǒng)相似性計算方法只依靠用戶評分值的不足，同時本文對預測值判定給出了一種有效的度量方法。在MovieLen數(shù)據(jù)集上的實驗結果表明

4、，本文提出的UPPPCF算法能夠有效地彌補傳統(tǒng)的協(xié)同過濾算法中的不足，而且在推薦精度上有了明顯的提高。
　　針對傳統(tǒng)的協(xié)同過濾技術在產生推薦時只考慮用戶項目評分信息而易受數(shù)據(jù)稀疏影響的問題，引入了項目類別屬性以及共同評分數(shù)量。提出了一種基于共同評分和項目類別的混合推薦算法，該算法首先使用一種基于項目類別的IBCF算法來對原始的高度稀疏的用戶項目評分矩陣進行填充，經過填充以后得到一個稀疏度降低的用戶評分矩陣，然后在該矩陣的基礎上采用