推荐系统(Recommender System)的目的是为用户提供个性化的在线产品或服务的建议以处理日益增长的信息过载问题,改进客户关系,提高交互水平。上世纪90年代中期起,涌现出了各种各样的推荐技术,软件开发者设计了许多种推荐系统软件应用到各种推荐场景。随着推荐系统在不同领域的成功应用,研究人员和管理者认识到推荐系统为企业、政府、教育和其他领域提供了巨大的机遇和挑战。在推荐系统的发展过程中,至关重要的两个方面是:各种推荐算法的不断创新和对新出现的数据维度的充分使用。比如,推荐算法方面,早期的CF算法,对其他相似用户进行分析,而不是分析兴趣本身,后来出现的隐式主题模型则直接对用户与商品的主题分布进行分析;数据维度方面,伴随移动互联网的广泛传播,在某些场景下,地理信息在推荐系统中发挥越来越重要的作用,因此基于地理信息的推荐系统在近期蓬勃发展。本文基于大量公开数据集,对基于进化计算的优化理论在推荐系统中的应用进行了深入的研究,包括采用进化算法优化对推荐系统中的特定目标进行优化、有效融合用户与商品的地理信息和标签信息以及采用新模型挖掘用户与商品的主题分布。本文的主要工作和贡献如下:1提出基于进化计算理论的推荐算法:在推荐系统中,充分利用用户对商品的评分、商品的标签以及用户的地理区域信息面临着巨大的挑战。对商品评分的研究始终伴随着推荐系统的发展,算法相对成熟;而对商品标签信息的利用,目前常用的算法是矩阵分解、LDA等基于隐式主题的模型;对地理信息的处理分为两种,其中与本文相关的对地理区域信息的挖掘,通行的方法是根据用户地理位置信息对用户进行聚类。本文利用进化计算理论对三种方法进行融合,采用基于隐式主题模型对用户评分信息与商品标签信息进行处理得到用户与商品的主题分布,然后对用户进行聚类,根据以上主题分布并用地理距离作为惩罚建立目标函数,用进化算法进行优化。2提出一种同时考虑了评分信息与标签信息的主题挖掘方法。本文采用了基于评分的隐式主题挖掘算法思想,同时设计了一种全新的基于标签信息的隐式主题挖掘算法,由于只有商品有标签,所以在经典的基于标签的隐式主题模型中,只得到了商品的主题分布,而本文在音乐、电影推荐场景下的建立一种新的模型,得到了用户与区域的主题分布。3提出基于区域主题的冷启动方法。对用户进行聚类并在类内进行推荐不止是应对数据稀疏问题的有效方法,同时也缓解了冷启动问题,一般的冷启动推荐都是将最流行的商品推荐给冷启动用户,而对用户进行聚类之后的冷启动推荐则是将类内最流行的商品推荐给冷启动用户,本文借鉴了这种思想,利用区域主题分布,得到当前区域的候选商品,并推荐给冷启动用户。