推荐系统是一种基于交互式评分数据的数据挖掘技术,通过深层次地挖掘显式评分数据和隐式反馈数据中具有潜在价值的信息,得到用户和物品的个性化偏好,从而预测用户对物品的喜好程度。然而,推荐技术在实际应用过程中遇到了一些瓶颈问题,比如数据冷启动,数据稀疏性和动态增量数据。众所周知,数据稀疏性是推荐系统最为常见的难题之一。推荐技术是从显式评分数据中深度挖掘出用户的兴趣偏好并进行有效合理的推荐。然而,由于评分数据的缺失,推荐模型不能最大化地学习用户的兴趣特征,导致评分预测值与真实值存在很大的偏差,从而降低了推荐准确率。针对数据稀疏性问题,本文开展了一系列的相关研究工作,主要内容如下:1.为了缓解数据稀疏性,本文除了对显式评分数据进行数据挖掘以外,还为推荐模型引入了隐式反馈信息,如社交信息。由于社交用户的兴趣共享性,模型能够深层次地学习用户的兴趣偏好。本文利用矩阵分解将显式评分信息和社交信息分别投影到相应的低维特征空间,生成了用户的兴趣偏好和物品的个性化特征并为用户进行推荐。2.针对模型的准确性,本文在显隐式信息的基础上提出了多种推荐策略,其中包括基于矩阵分解的推荐、基于用户的推荐和基于物品的推荐。这三种推荐策略分别从用户和物品的潜在因子、用户的社交因子、物品的特征因子的角度进行推荐。在对显隐式信息进行矩阵分解的同时,本文将这三种推荐策略融合成统一的预测评分机制,共同学习出用户的兴趣偏好和物品的特征。这种方法有利于改善推荐模型的预测准确性。3.为了充分地挖掘社交网络信息,本文基于用户行为的方法学习社交用户的个性化偏好并使用特征向量来表示。接着,利用社交用户的兴趣差异性衡量用户之间的社交关系度,其代表了社交用户之间的兴趣相似性。最后,将细粒度化的社交信息作为隐式信息嵌入到矩阵分解中,进一步地学习用户的个性化偏好,提高了预测准确性。