1、隨著信息技術(shù)和互聯(lián)網(wǎng)的快速發(fā)展，信息資源成指數(shù)級別增長，面對嚴重過載的信息，用戶很難快速定位到對自己有用的信息資源，從而耗費大量的時間搜尋自己想要的內(nèi)容。這使得推薦系統(tǒng)應(yīng)運而生，它能夠根據(jù)不同用戶的喜好來有針對性地為其提供個性化推薦服務(wù)。目前，在眾多的個性化推薦技術(shù)中，協(xié)同過濾算法表現(xiàn)出其獨有的優(yōu)勢，以致它被廣泛的應(yīng)用，特別在電子商務(wù)領(lǐng)域取得了相當大的成功，但是傳統(tǒng)的協(xié)同過濾算法存在數(shù)據(jù)稀疏性、冷啟動、實時性等問題，如果能有效的克服，不

2、僅能夠提高用戶滿意度，同時還提高銷售利潤。
　　本文以推薦系統(tǒng)為基礎(chǔ)，以推薦技術(shù)為主線，研究了個性化推薦系統(tǒng)，個性化推薦算法及相關(guān)技術(shù)，并進行比較分析;接著針對目前應(yīng)用較好的協(xié)同過濾算法的問題，引入了項目屬性和用戶特征來構(gòu)建項目屬性矩陣和用戶特征矩陣，提出基于用戶相關(guān)相似性和基于項目相關(guān)相似性計算方法;另外，對聚類技術(shù)進行了相關(guān)研究，利用Kruskal算法對傳統(tǒng)K-means聚類進行改進，實現(xiàn)自動確定初始聚類中心;最后對基于用戶和

3、項目方向的聚類進行了相關(guān)研究，提出將基于項目屬性聚類的初始預(yù)測結(jié)合基于用戶特征聚類的最終預(yù)測來做出推薦。主要在如下幾個方面做了研究工作:
　　第一，針對傳統(tǒng)協(xié)同過濾算法過度依賴于用戶—項目評分矩陣會面臨嚴重的數(shù)據(jù)稀疏性問題、冷啟動問題，本文將用戶特征信息和項目屬性信息有效利用，避免出現(xiàn)“相似而不相同”的現(xiàn)象的同時也克服了新項目和新用戶問題，提出了分別基于項目屬性和基于用戶特征相關(guān)的相似性計算方法;
　　第二，對傳統(tǒng)K-mea

4、ns聚類進行了深入研究，針對其初始聚類中心人為隨機選擇敏感的問題，提出了一種能夠自動生成相對比較均勻分布的K個初始聚類中心的改進聚類算法;
　　第三，為有效的降低了協(xié)同過濾算法中近鄰查詢空間，同時在項目屬性和用戶特征矩陣上分別采用改進后的聚類算法進行聚類，明顯能降低計算維度，提高推薦效率;
　　第四，針對用戶評分稀疏性問題，結(jié)合基于項目聚類的鄰居查找結(jié)果和原始評分矩陣做基于項目的初始預(yù)測填充原始評分矩陣。其中，缺乏評分的新用