摘要: 随着互联网技术的快速发展，网络中的各种数据也呈现出指数级的增长。这些数据在给人们带来便利的同时，也带来了“信息过载”问题。目前，以协同过滤为代表的个性化推荐技术已成为解决这一问题的重要手段，使得人们能够高效地从海量信息中获取到自己所... 展开 随着互联网技术的快速发展，网络中的各种数据也呈现出指数级的增长。这些数据在给人们带来便利的同时，也带来了“信息过载”问题。目前，以协同过滤为代表的个性化推荐技术已成为解决这一问题的重要手段，使得人们能够高效地从海量信息中获取到自己所需的信息。然而，随着大数据时代的来临，协同过滤推荐技术的发展也面临着许多挑战，诸如数据稀疏性问题、可拓展性问题、推荐准确性问题等。 为了解决协同过滤推荐技术中存在的数据稀疏性问题和可拓展性问题，本文针对RBM模型和LFM模型在协同过滤算法中的应用进行了深入研究和改进。主要工作如下： 1.深入研究了RBM模型的相关理论知识和其在协同过滤算法中的应用，并对该模型在训练过程中只使用了严重稀疏的评分矩阵问题进行了相应的改进，引入了基于用户兴趣偏好评分的方法对RBM模型的预测评分进行优化，并提出了融合用户兴趣偏好和RBM模型的推荐算法。实验结果表明，改进后的算法比基于RBM模型、CRBM模型和Dual_RBM模型的推荐算法有更好的推荐效果。 2.深入研究了LFM模型和k-means算法的相关理论知识，并对LFM模型在协同过滤算法中存在的模型训练时间长、用户信息损失和可拓展性差等问题，提出了融合用户偏好聚类和LFM模型的推荐算法。首先利用k-means算法对偏好相似的用户进行聚类，再利用LFM模型对每个簇中的用户评分矩阵分别进行训练，最后利用训练好的LFM模型和最近邻用户的评分对项目进行评分预测。实验结果表明，改进后的算法比LFM模型推荐算法有更好的推荐效率和推荐效果。 3.利用改进后的推荐算法设计并实现了一个电影推荐系统。该系统能够根据用户的兴趣偏好信息为用户提供个性化电影推荐服务。 收起