1、隨著互聯(lián)網(wǎng)技術(shù)的普及以及智能移動(dòng)終端的快速發(fā)展，在豐富著人們生活的同時(shí)，也給人們對信息的處理能力帶來了很大的挑戰(zhàn)。如何能夠在海量的數(shù)據(jù)信息中，快速的挖掘出用戶所需的信息，是信息過載的互聯(lián)網(wǎng)時(shí)代迫切需要解決的問題。
　　目前針對信息過載的處理方式是根據(jù)用戶在互聯(lián)網(wǎng)中產(chǎn)生的數(shù)據(jù)進(jìn)行挖掘，對用戶可能感興趣的信息進(jìn)行推薦，即個(gè)性化推薦系統(tǒng)。現(xiàn)階段推薦系統(tǒng)常用的推薦算法主要是基于內(nèi)容的推薦算法，協(xié)同過濾推薦算法，以及兩者同時(shí)使用的聯(lián)合推薦算

2、法。為了提高推薦系統(tǒng)的準(zhǔn)確率，很多學(xué)者將研究重心放在對推薦算法的改進(jìn)上。然而現(xiàn)階段的所有推薦算法在面臨推薦系統(tǒng)矩陣稀疏和冷啟動(dòng)問題上都顯得無能為力。引起矩陣稀疏和冷啟動(dòng)問題的根本原因是，推薦系統(tǒng)所需的數(shù)據(jù)源信息不足。增加數(shù)據(jù)源最有效方式是增加用戶的反饋信息，但這勢必會(huì)引起用戶對推薦系統(tǒng)的反感。
　　如何能在不改變用戶反饋信息工作量的前提下，提高推薦系統(tǒng)準(zhǔn)確率是現(xiàn)階段推薦算法的研究重點(diǎn)。作者通過對現(xiàn)有的推薦系統(tǒng)進(jìn)行分析，認(rèn)為造成推薦

3、系統(tǒng)矩陣稀疏的原因，除了用戶商品評分矩陣數(shù)據(jù)缺失以外，評分矩陣粒度較大也是一個(gè)重要因素。而作者在參考了經(jīng)濟(jì)學(xué)領(lǐng)域的相關(guān)文獻(xiàn)后，發(fā)現(xiàn)商品的價(jià)值是由商品固有屬性價(jià)值的線性疊加而得出，而用戶對商品的評分則主要是基于對商品某些屬性的綜合評分。因此作者認(rèn)為可以根據(jù)商品知識對商品進(jìn)行屬性劃分，并且將傳統(tǒng)的用戶商品評分矩陣轉(zhuǎn)化為用戶商品屬性的評分矩陣。作者在理論上證明了此種矩陣轉(zhuǎn)化方法的合理性，繼而通過互聯(lián)網(wǎng)數(shù)據(jù)驗(yàn)證了這一方法，最后作者基于此矩陣提出