1、目前，各種各樣的網(wǎng)上書(shū)籍推薦系統(tǒng)已經(jīng)投入使用，用來(lái)幫助用戶快速方便地選擇所需要的書(shū)籍。然而個(gè)性化程度不高是網(wǎng)上書(shū)籍推薦系統(tǒng)普遍存在的問(wèn)題，隨著網(wǎng)上購(gòu)書(shū)的方式越來(lái)越被用戶認(rèn)同，各個(gè)網(wǎng)上書(shū)店提供的服務(wù)對(duì)用戶的差異也越來(lái)越小,個(gè)性化推薦技術(shù)在提高網(wǎng)上書(shū)店競(jìng)爭(zhēng)優(yōu)勢(shì)上有廣闊的應(yīng)用前景。網(wǎng)上書(shū)籍推薦系統(tǒng)大量的研究，主要集中在信息獲取方式和推薦技術(shù)上。在信息獲取方式上，如何將各種評(píng)分信息有效地結(jié)合來(lái)較為完整地反映用戶需求，是一個(gè)備受關(guān)注的問(wèn)題。在推薦

2、技術(shù)研究中，確定合適的推薦算法是一個(gè)關(guān)鍵問(wèn)題。目前許多網(wǎng)上書(shū)店都在使用協(xié)同過(guò)濾技術(shù)。如何定義用戶相似性以及選取參考用戶群是協(xié)同過(guò)濾算法研究的重點(diǎn)，其中的難點(diǎn)是解決數(shù)據(jù)稀疏性和算法可擴(kuò)展性問(wèn)題。
　　針對(duì)以上問(wèn)題，本文主要從以下幾個(gè)方面進(jìn)行了研究：
　　1、研究了基于內(nèi)容過(guò)濾和協(xié)同過(guò)濾推薦技術(shù)在個(gè)性化書(shū)籍推薦系統(tǒng)中的應(yīng)用方法，探討了將兩種技術(shù)有效組合應(yīng)用于本系統(tǒng)的方法。引入資源屬性相似性和聚類方法，對(duì)基于內(nèi)容的過(guò)濾技術(shù)進(jìn)行了研

3、究；著重研究了協(xié)同過(guò)濾中結(jié)合用戶顯性評(píng)分、隱性評(píng)分及預(yù)測(cè)評(píng)分的方法，以及如何生成最近鄰居的方法。
　　2、采用將用戶顯性評(píng)分、隱性評(píng)分和預(yù)測(cè)評(píng)分相結(jié)合的綜合興趣評(píng)分方法，來(lái)解決用戶興趣評(píng)分的單一性和稀疏性問(wèn)題，以形成更加準(zhǔn)確完整的用戶興趣評(píng)分。在用戶隱性評(píng)分上，本文結(jié)合點(diǎn)擊次數(shù)和瀏覽時(shí)間兩個(gè)因素來(lái)判斷用戶興趣。在用戶預(yù)測(cè)評(píng)分上，利用屬性向量的相似性度量結(jié)果，根據(jù)每個(gè)用戶的已評(píng)分書(shū)類和候選書(shū)類的相似性對(duì)用戶-書(shū)類評(píng)價(jià)矩陣中的未評(píng)分項(xiàng)