1、隨著網(wǎng)絡(luò)信息資源的急速增長(zhǎng)，用戶快速且準(zhǔn)確地獲取所需信息變得十分困難。搜索引擎的出現(xiàn)解決了用戶一部分查詢的困難，但是目前該工具實(shí)現(xiàn)不了根據(jù)用戶的需求進(jìn)行推薦的功能。個(gè)性化推薦系統(tǒng)是以用戶的需求為標(biāo)準(zhǔn)。比如，商家可以根據(jù)海量的數(shù)據(jù)挖掘用戶的偏好信息，將潛在客戶挖掘出來進(jìn)而將銷售范圍進(jìn)一步擴(kuò)大，從而擁有更多的消費(fèi)群體。個(gè)性化推薦系統(tǒng)就是根據(jù)不同用戶具有不同興趣點(diǎn)這一個(gè)客觀現(xiàn)象，對(duì)用戶進(jìn)行個(gè)性化推薦，使用戶能夠在大量信息中快速選定自己需要的商

2、品，從而在選擇商品的過程中減少不必要的挑選時(shí)間。所以，個(gè)性化推薦系統(tǒng)無論針對(duì)用戶還是商家而言都具有實(shí)用性和價(jià)值性。協(xié)同過濾推薦算法是對(duì)用戶的行為信息進(jìn)行分析，將與目標(biāo)用戶行為信息相近的用戶查找出來，依據(jù)相近用戶對(duì)某些物品的偏好度去衡量目標(biāo)用戶對(duì)物品的偏好度，將目標(biāo)用戶對(duì)物品的偏好度按照從高到低進(jìn)行排序，最后將結(jié)果反饋給目標(biāo)用戶?；趦?nèi)容的推薦算法實(shí)現(xiàn)的主要原理是：根據(jù)對(duì)用戶的特征和項(xiàng)目的特征的有效分析進(jìn)行推薦。常用的項(xiàng)目特征分析建立方法

3、包括：貝葉斯模型，神經(jīng)網(wǎng)絡(luò)模型和空間向量模型。用戶的特征則是根據(jù)用戶偏好的項(xiàng)目信息分析得出的。推薦算法可以有效的提高用戶從瀏覽者身份到購(gòu)買者身份的轉(zhuǎn)化率，從而提升了銷售能力。盡管這些常用的推薦算法已經(jīng)取得了很大成果，但是僅僅根據(jù)單一的評(píng)分?jǐn)?shù)據(jù)來挖掘相似的用戶和物品，得出的推薦效果并不是很理想。現(xiàn)在很多學(xué)者在個(gè)性化推薦算法中加入了一些上下文屬性信息，比如標(biāo)簽、地點(diǎn)等，用這些上下文屬性信息來改善個(gè)性化推薦的效果。
　　本研究在閱讀大量

4、文獻(xiàn)的基礎(chǔ)上，對(duì)推薦算法的關(guān)鍵技術(shù)進(jìn)行了研究，根據(jù)已有技術(shù)進(jìn)行了創(chuàng)新型改進(jìn)，并通過仿真模擬實(shí)驗(yàn)證明了該方案的可行性和優(yōu)勢(shì)性。具體成果如下：⑴將用戶之間共同評(píng)價(jià)的項(xiàng)目上下文信息和共同評(píng)價(jià)過項(xiàng)目的用戶上下文信息融合到推薦算法當(dāng)中，有效提高了推薦效果的準(zhǔn)確率。⑵提出一種基于上下文感知和張量分解的個(gè)性化推薦算法(CATD)，并在Movie lens大規(guī)模真實(shí)數(shù)據(jù)集上進(jìn)行了仿真實(shí)驗(yàn)，驗(yàn)證了該算法的有效性。⑶利用核密度估計(jì)技術(shù)以及用戶、項(xiàng)目的上下文