1、由于在英特網(wǎng)中有巨大的商業(yè)價值，推薦系統(tǒng)已經(jīng)吸引了各方注意，且已經(jīng)廣泛使用到了網(wǎng)絡(luò)環(huán)境中。為了能更好的提高商品的銷量，也為了能夠提高用戶的體驗程度，越來越多的互聯(lián)網(wǎng)公司如Amazon,EBay,淘寶等依賴推薦系統(tǒng)通過對用戶的購買進行進行記錄來預(yù)測用戶對其他物品的喜愛程度，預(yù)測后將評分高的商品推薦給用戶。盡管矩陣可以有效表示用戶與物品的互動關(guān)系（比如用戶觀看電影后評分）然而在推薦系統(tǒng)中，低評估密度（少量用戶參與評分）和可伸縮性（新用戶與新

2、物品（商品、電影）的加入）是矩陣填充面臨的主要問題。為了研究上述問題，提出了一種快速且準確度高的推薦算法——基于拆分的矩陣推薦方法，該方法利用局部敏感哈希函數(shù)來對用戶進行實時管理，再使用矩陣填充技術(shù)來對用戶進行相關(guān)推薦。本文主要研究點如下：
　　1.利用局部敏感哈希函數(shù)的良好的性能特點，提出了oLSH的用戶管理方法。oLSH使用局部敏感哈希表來將系統(tǒng)中有相似興趣愛好的用戶記錄在相近的位置。oLSH的關(guān)鍵是使用多個局部敏感哈希函數(shù)，

3、通過計算使得興趣相似的用戶能夠高概率的將相似的用戶放入到同一個局部敏感哈希桶中。與傳統(tǒng)的基于內(nèi)存的方法需要對數(shù)據(jù)進行二次查詢才能找到相似用戶不同，oLSH可以實現(xiàn)在線對相似用戶進行查詢。
　　2.基于oLSH用戶管理方法，提出基于拆分的矩陣推薦方法來對用戶進行推薦。oLSH用戶管理方法將原始矩陣分解為多個子矩陣，子矩陣中的用戶興趣愛好更加相似有著更高的相關(guān)性，使得使用矩陣填充方法在對子矩陣進行填充時的效果更加準確。為了進一步的降低

4、子矩陣的維度，提高子矩陣的采樣率，該方法使用實驗得出閾值使得子矩陣中與目標用戶不是很相關(guān)的列進行刪除。與利用原始矩陣進行矩陣填充的推薦方法相比，利用該方法進行分解后的矩陣具有更高的準確性。
　　將該方法在開源數(shù)據(jù)集MovieLens中進行實驗。通過實驗證明，基于拆分的矩陣推薦方法能夠提供更好的推薦正確率。在基于拆分的矩陣推薦方法中由于將相似的用戶放入到同一個桶中，并且桶與桶之間相互獨立沒有聯(lián)系，每個子矩陣可以單獨的進行數(shù)據(jù)恢復(fù)，因