1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，尤其是Web2.0技術(shù)的成熟，我們面臨著越來越嚴(yán)重的信息過載問題，推薦系統(tǒng)技術(shù)是為了解決這個問題應(yīng)運而生的。協(xié)同過濾推薦算法是推薦系統(tǒng)應(yīng)用最為廣泛的技術(shù)，具有重要的研究價值和應(yīng)用價值。本文研究在“顯式反饋和隱式反饋相結(jié)合”和“多種隱式反饋相結(jié)合”的場景下的推薦算法，并分別提出了基于壓縮知識遷移的Factorization Machine算法和基于多種隱式反饋的自適應(yīng)BPR算法，并設(shè)計相應(yīng)的對比實驗對算法的效果進(jìn)行驗

2、證。具體的研究工作如下:
　　(1)針對推薦系統(tǒng)中存在的“顯式反饋和隱式反饋相結(jié)合”的異構(gòu)問題進(jìn)行研究，提出了一個基于壓縮知識遷移的Factorization Machine算法，將原始的隱式反饋數(shù)據(jù)通過SVD分解和k-means聚類進(jìn)行降維，從而提高推薦準(zhǔn)確度和算法效率。
　　(2)針對推薦系統(tǒng)存在的“多種隱式反饋相結(jié)合”的異構(gòu)問題，針對異構(gòu)的多種隱式反饋的特點，提出了基于多種隱式反饋的自適應(yīng)BPR算法，利用置信度來解決隱