1、現(xiàn)有的推薦技術中，協(xié)同過濾技術的應用最為廣泛，使用的推薦效果也很不錯。為了達到更精確的個性化推薦，研究者們開始了大量的推薦算法混合使用方面的研究，一些比較好的混合算法從不同的角度避免了其他算法單獨使用時的缺陷，從而使得綜合性算法表現(xiàn)出更好的特性與效果。
　　本文主要在原有的研究基礎上，對協(xié)同過濾算法進行了一些改進，在將給予內(nèi)容的協(xié)同過濾和基于矩陣的協(xié)同過濾算法結合的基礎之上，引入信任模型進行進一步的過濾，同時采用遺傳算法進行特征選

2、取與參數(shù)組合優(yōu)化。論文主要的難點和創(chuàng)新點主要體現(xiàn)在以下幾點：
　　1)User-based、Item-based以及基于矩陣的協(xié)同過濾算法的結合。
　　一般的組合直接是加法計算，本文中的結合是通過權值的方式，這樣可以減小主觀認為的片面性，以數(shù)據(jù)說話，通過權值獲得最好的效果。
　　2)信任模型的引入。
　　文章在將基于矩陣和基于用戶和項目的鄰居算法結合的基礎上引入了信任度模型?；诰仃嚨膮f(xié)同過濾算法能夠通過矩陣分解

3、的方式分解出新的特征向量。從這些新的向量又可以分析出一些新的信息。
　　3)遺傳算法的特征選取和參數(shù)組合優(yōu)化。
　　通過遺傳算法選取用戶和項目的一特征屬性，本文中的實驗數(shù)據(jù)集是MovieLens，所以就是針對這其中的數(shù)據(jù)進行的項目（影片）和用戶的特征篩選。
　　文中基于項目和基于用戶的協(xié)同過濾算法在結合時的參數(shù)如果通過手動測試找出最佳的組合將會耗費極大的時間代價。而遺傳算法在組合優(yōu)化方面的應用效果特別突出，因此采用遺傳