推荐系统是解决信息过载问题的一个重要手段,然而推荐系统长期面临着数据稀疏性以及冷启动等问题。造成这些问题的主要原因有以下两个方面:一方面,推荐算法存在模型上的局限,难以对稀疏数据进行处理;另一方面,推荐算法的参照角度比较单一,对系统中有效信息的挖掘不够充分,造成冷启动问题,并影响推荐效果。混合推荐算法是目前推荐系统领域的主要研究方向,通过对推荐算法或模型的组合,能一定程度地弥补单一模型存在的缺陷,有效缓解数据稀疏性与冷启动问题。针对以上两方面问题,从混合推荐的角度出发,首先为了弥补推荐模型的局限性,提出一种融合受限玻尔兹曼机与加权Slope One算法的混合推荐系统,使用基于项目与用户的实值受限玻尔兹曼机对评分矩阵进行初步填充,在填充完整的评分矩阵上使用加权Slope One算法对评分进行预测,以缓解Slope One算法的数据稀疏性问题。其次,针对传统推荐算法未考虑辅助信息对评分的影响,在加权Slope One的权值计算中,针对传统相似度计算方法角度单一的问题,在评分相似度的基础上引入项目类别属性信息,提出一种基于项目的混合相似度计算方法。另外,针对冷启动问题,提出一种基于项目类别相似度的评分填充方法。所提出的推荐算法在MovieLens 100K和1M以及Yahoo Webscope电影数据集三个公开数据集上进行实验评估,实验结果表明提出的混合算法相对于其组成算法在推荐准确度上提升了5%以上,在与现有算法的比较中,算法准确度提升了2%以上,证明了提出的算法有效地解决了稀疏性与冷启动问题,提高了推荐准确度。该论文有图27幅,表9个,参考文献58篇。