推荐系统可以在海量数据中迅速发现用户喜欢的信息,已广泛应用于很多领域。传统的推荐系统根据预测评分的高低将推荐状态分为“推荐”或“不推荐”,这种二支的分类忽略了推荐过程中产生的成本问题;其次,传统的推荐系统没有充分挖掘和利用评分数据的价值,使推荐受到数据稀疏性的影响,难以学习用户的偏好;另外,在传统的推荐系统中,只关注项目与项目之间的相似性关联,即正关联,而忽略了项目与项目之间的负关联。形式概念分析在数据分析方面有独特的优势,基于形式概念分析的推荐算法不仅可以建立项目间的相关性,还缓解了数据稀疏性的问题,提高了算法的推荐质量。然而形式概念分析忽略了对象集和属性集的负关联。三支概念分析理论是形式概念分析理论的扩展,除了具有形式概念分析的优势外,还能表达对象集和属性集之间“共同不具有”的关系。基于三支概念分析的推荐算法不仅能从评分数据信息中充分挖掘项目之间的正关联和负关联,降低数据稀疏性的影响,还关注了成本问题,以三支分类的方式降低了推荐成本。本文基于三支概念分析理论,对推荐算法进行研究,重点研究了成本敏感的推荐算法。首先研究了以评分信息表为依据的三支近似概念格的构造,以及三支近似概念格中的正负关联规则提取方法,并给出了基于三支概念分析的关联规则提取算法3ARM;在此基础上,进一步结合三支决策思想,研究了总体推荐成本最优的推荐方法,提出了基于三支概念分析的推荐算法3WRE。主要内容如下:（1）根据评分数值的大小将评分信息表转化为不完备形式背景,表示了真实情况中用户对项目的喜欢、不喜欢和不确定的三种态度;结合三支建格算法Cb O3C和三支近似建格算法Norris＿OE的优势,构建三支近似概念格。在三支近似概念格上,研究关联规则的提取方法,提出了3ARM算法。该算法利用三支近似概念格中闭项集的特性以及三支近似概念之间的偏序关系,可以从三支近似概念的父子关系和兄弟关系中提取出正关联规则和负关联规则。（2）在基于关联规则的推荐中,一般直接将规则的后件作为推荐的结果,或利用规则的支持度和置信度简单地计算用户对项目的喜好程度。本文提出的3WRE算法同时考虑了项集之间的正相关和负相关,以相关正关联规则和负关联规则的支持度和置信度计算用户对项目的喜好程度。3WRE算法引入了三支决策的思想,根据各情况下产生的推荐成本,计算出能使总体推荐成本最小的各决策域划分阈值,以用户对项目的喜好程度和划分阈值的大小关系决定相应的推荐行为:“即时推荐”,“不推荐”或“待定”,最终完成对目标用户的推荐。文章最后利用经典的数据集Movie Lens进行实验。首先,对基于三支概念分析的关联规则提取算法3ARM进行实验,并与FARM算法和FISM算法进行对比。实验结果表明:3ARM算法可以在更少的时间内同时提取出相对完整且冗余较小的正关联规则和负关联规则。然后,对3WRE算法进行实验分析,分别从准确率、召回率、覆盖率和平均推荐成本四个角度与协同过滤算法、基于内容的推荐算法、基于形式概念分析的推荐算法、基于三支决策的推荐算法进行对比。实验结果表明:相对于以上算法,3WRE算法具有更高的准确率、召回率和覆盖率以及更低的平均推荐成本。