伴随着信息技术的蓬勃发展,机构和个人用户产生的数据量急剧增大,导致WEB用户难以高效获取有价值的信息。推荐系统主动预测用户需求,为用户推荐可能感兴趣的数据,是抑制信息过载问题的有效方法。协同过滤是目前应用最广泛的推荐技术,但是由于交互行为习惯的缺陷和数据表达含义的不确定性,协同过滤算法的研究依然存在一些挑战性问题。本文拟针对协同过滤算法存在的模糊性、稀疏性和冷启动问题开展相关研究。本文主要的研究内容包括:1.针对评分与满意度评价存在模糊性的问题,提出了一种基于梯形模糊相似度的协同过滤算法。该算法利用梯形模糊数描述评分与满意度的映射关系,使用信息量改进模糊数相似度计算,利用模糊评分预测策略预估目标评分,以改善协同过滤算法的推荐性能。实验结果表明该算法可以更精确地描述评分-满意度的映射关系,缓解了评分模糊性问题,提升了推荐精度。2.针对传统协同过滤算法忽略评分整体性特征的不足,提出了一种基于模糊权重和信息熵的协同过滤算法。该算法利用信息熵和模糊评分偏差值描述评分的分布信息,使用评分偏差模糊向量表达用户的满意度,根据评分信息熵评价项目的争议度,最终采用改进的Pearson相似性度量计算用户相似性。实验结果表明该算法的精度较高且在面对稀疏数据时性能提升明显。3.针对数据稀疏性和项目标签隶属度的模糊性问题,提出了基于标签与模糊相似度的协同过滤算法。该算法将标签属于项目的隶属度由{0,1}扩展为[0,1],以改进基于标签的项目相似度,同时融合基于模糊评分的相似度共同形成项目相似性度量,最终用于协同过滤推荐。实验结果表明该算法可在一定程度上抑制项目冷启动和评分数据稀疏性带来的问题。