1、協(xié)同過濾(Collaborative Filtering)作為一項(xiàng)信息發(fā)現(xiàn)技術(shù)，近年來被廣泛應(yīng)用在推薦系統(tǒng)的實(shí)現(xiàn)中。協(xié)同過濾利用所有用戶（User）跟所有物品（Item，被推薦的內(nèi)容）的歷史交互信息，預(yù)測目標(biāo)用戶的興趣和需求，從而給目標(biāo)用戶提供個(gè)性化推薦。它以其良好的可移植性和推薦精度，成為了最成功的推薦算法之一。
　　然而，在協(xié)同過濾方法中，傳統(tǒng)的T op?N推薦策略在挖掘用戶需求時(shí)，只考慮了用戶的打分因素。在某些場景下，如電影

2、推薦、音樂推薦等，目標(biāo)用戶的需求不只體現(xiàn)在打分上。那些只關(guān)注打分的推薦策略，一方面并不能很好的滿足用戶的需求，另一方面，也不能很好地完成推廣物品的任務(wù)。事實(shí)上，在這些推薦應(yīng)用場景下，用戶作出的對(duì)某個(gè)物品的選擇也在很大程度上反映了用戶的需求。
　　本文正是針對(duì)傳統(tǒng)推薦系統(tǒng)在這些應(yīng)用場景下的對(duì)用戶需求挖掘不充分的問題，結(jié)合人類行為學(xué)的一項(xiàng)理論：馬斯洛層次需求理論，設(shè)計(jì)了一種可以兼顧用戶品味（打分）與用戶選擇（選擇）的新推薦策略，并對(duì)這

3、個(gè)新策略的合理性作進(jìn)一步研究。簡單地來說，我們的工作就是在傳統(tǒng)的協(xié)同過濾算法基礎(chǔ)之上，引入了層次的概念，使得傳統(tǒng)的推薦系統(tǒng)能夠更加全面地滿足用戶的層次化需求。
　　本文的主要貢獻(xiàn)在于：（1）首次在對(duì)推薦系統(tǒng)的需求分析中引入了一種層次化的新概念；（2）成功地對(duì)傳統(tǒng)協(xié)同過濾算法進(jìn)行了層次優(yōu)化，不僅使它們能夠滿足用戶的層次化需求，而且能夠很大程度地提升推薦精度和推薦覆蓋率。
　　對(duì)兩個(gè)真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，我們的算法在推薦系統(tǒng)