对于具有大量资源的出版行业来说,个性化推荐是解决信息超载的一个有效方法。在推荐算法中,矩阵分解算法取得了很好的推荐效果,但是也存在一些问题。本文以矩阵分解算法为基础,利用标签特征分析用户和资源的影响关系并将关系融入到矩阵分解算法中,对传统推荐算法存在的矩阵稀疏、用户资源特征挖掘不准确、冷启动、推荐效率随资源增加而下降等问题进行研究。本文的主要研究工作如下:(1)用户和资源特征提取方法改进。本文主要基于标签特征对用户和资源进行特征提取。通过收集用户行为信息可以发现用户与资源之间的联系,根据资源本身具有的规范化标签可以获得资源与标签的关系,但是这两种关系矩阵都有明显的稀疏问题。为了挖掘标签对于用户和资源的重要性,本文通过迭代的方法对标签特征矩阵进行重要性加权,从而提取出更准确的用户和资源特征矩阵。最后利用PCA降维技术对关系矩阵进行降维以缓解数据稀疏问题。(2)概率矩阵分解算法改进。针对传统概率矩阵分解算法中忽略用户和资源影响关系的问题,本文利用用户和资源特征矩阵寻找用户和资源的近邻,然后将用户和资源的相似邻居关系融入到概率矩阵分解算法中。实验表明改进后的算法提高了推荐准确率。(3)冷启动问题研究。本文利用用户的性别、年龄、访问时间和访问地点等信息构建决策树模型,解决推荐算法中的冷启动问题。当新用户进入系统时,系统将用户信息和决策树模型进行匹配从而获得推荐资源列表。(4)交互式推荐框架研究。资源增多会导致推荐效率下降,用户兴趣也可能在短时间内发生改变。为了解决这个问题,本文引入交互式推荐框架,通过用户与标签的交互获取用户当前兴趣,根据用户选择的标签缩小资源集合,从而获得推荐资源。最后,本文对研究内容和存在的问题进行具体实验,利用评价指标分析实验结果来验证算法的改进效果。