推荐技术是通过获取用户对项目的交互数据,从中分析出用户的喜好,并主动推荐有价值信息资源的智能技术。推荐算法存在的主要困难是评分矩阵具有稀疏性,这导致协同过滤算法难以获得满意的预测精度。因此,降低评分矩阵的稀疏度成为了推荐技术的一个热点研究内容。考虑到用户与用户间(项目与项目间)存在一定的亲密关系,所以评分矩阵可以被看作是一个图上的信号,图弥散滤波就可以被用来填充评分矩阵的缺失项。问题在于如何构造合适的图结构?现有文献通常以用户(项目)的余弦相似度或Pearson相关作为顶点之间的连接权重,但这依然没有摆脱评分矩阵的稀疏性问题。针对这一问题,本文提出基于评分矩阵本身来自动学习邻接矩阵的方法,其基本思想是使得学习得到的邻接矩阵,能保证对于已知的评分的预测是最精确的。基于这一思想,邻接矩阵的学习问题最终被转化为一个优化问题,且可以采用传统的梯度下降法来求解。在两个公开数据集上分别进行实验的结果显示,本文方法的推荐效果明显高于现有方法。本文主要工作如下:1.针对图弥散滤波和协同过滤结合算法中拉普拉斯矩阵计算不合理等问题,提出了基于梯度下降算法的改进。并与图弥散滤波和协同过滤结合算法对比推荐效果。结果显示,基于梯度下降的改进算法能明显提升推荐预测精度。2.在图弥散滤波算法基础上调整,提出基于用户节点的图弥散滤波算法,并结合了协同过滤和梯度下降法进行推荐。实验表明,基于用户节点的图弥散滤波改进算法,能在原有算法的基础上有效提升推荐效果。3.在实验过程中使用矩阵填充法处理缺失值以降低稀疏度,并对处理后的矩阵在相同算法下进行实验。结果显示,与未填充的矩阵相比,填充后的矩阵在同样的算法下表现出了更优的推荐质量。