1、信息技術(shù)和存儲能力的跨越式發(fā)展為人們提供了更多選擇空間的同時,也帶來了信息過載(information overload)等問題。為了幫助人們快速搜尋自己偏好的商品，推薦系統(tǒng)應(yīng)運而生。個性化推薦算法作為推薦系統(tǒng)的最重要的部分，它的結(jié)果對推薦系統(tǒng)的運作有著至關(guān)重要的影響。
　　目前，個性化推薦算法的相關(guān)研究取得了許多成果，這些成果中的大多數(shù)個性化推薦算法能夠有效適用于用戶偏好不隨時間變化的情況，然而現(xiàn)實生活中情況往往是相反的，根據(jù)靜

2、態(tài)偏好的推薦結(jié)果可能是不符合用戶當前期望的。為解決上述問題，本文提出了在能夠挖掘用戶潛在偏好前提下的一種基于隱馬爾可夫模型的個性化推薦算法，該算法能夠有效地對用戶偏好隨時間變化的情況建模。
　　本文的主要工作內(nèi)容如下：
　　1.提出了一種新的用于個性化推薦的似然函數(shù)，該似然函數(shù)結(jié)合了協(xié)同過濾推薦算法的思想。本文深入研究了現(xiàn)有個性化推薦算法，協(xié)同過濾推薦算法存在用戶建模能力差的缺點，但能夠挖掘用戶潛在偏好，而基于概率模型的個性

3、化推薦算法能夠有效地對用戶行為建模，卻不能挖掘用戶潛在的偏好。因此，本文綜合兩者的優(yōu)點提出了一種新的似然函數(shù)，解決了現(xiàn)有的基于概率模型的方法無法挖掘用戶潛在偏好的問題。
　　2.基于內(nèi)容1中的結(jié)合協(xié)同過濾假設(shè)的似然函數(shù)，本文提出了一種新的期望最大化算法。期望最大化算法為存在隱變量時的參數(shù)估計問題提供了有效的解決手段，但是期望最大化算法是用來解決一般情況下的似然函數(shù)的最大化問題。為了解決內(nèi)容1中的新的似然函數(shù)的參數(shù)估計問題，本文依據(jù)

4、期望最大化算法的思想，提出了一種改進的期望最大化算法。
　　3.為了解決用戶偏好隨時間變化的情況，本文提出了一種基于隱馬爾可夫模型的個性化推薦算法。隱馬爾可夫模型在對用戶行為序列建模的同時，能夠分析影響用戶的購買行為的不可見因素，但是典型的隱馬爾可夫模型不能直接適用于推薦問題，因此本文對傳統(tǒng)隱馬爾可夫模型作了改進。此外，為了使得該算法能夠挖掘用戶潛在的偏好，本文結(jié)合上述兩點內(nèi)容，提出了一種基于隱馬爾可夫模型的個性化推薦算法。相比與