随着互联网技术的高速发展,世界已经成为了一个信息的海洋。人们在享受海量信息带来的便利服务的同时也面临着越来越多的选择。如何挖掘用户的兴趣特点,为用户进行精准的个性化推荐是本文研究的重点。目前主流的个性化推荐算法中协同过滤推荐算法是效果较好也是应用最广的算法。该算法通过计算目标用户或物品间的相似度并根据与目标用户兴趣相似的用户对物品的评价来预测目标用户对物品的喜好。一方面协同过滤算法存在冷启动和矩阵稀疏性等问题;另一方面当前推荐算法往往只考虑了用户对物品的评分却忽视了用户对物品的个性化评价,难以充分挖掘用户的兴趣特征。针对推荐算法存在的上述问题,本文提出利用强化学习的思想和加入用户评价因素来实现基于用户评价的强化学习推荐算法,主要工作内容如下:提出了一种基于强化学习的协同过滤推荐算法。针对协同过滤推荐算法存在的冷启动和矩阵稀疏性问题,引入强化学习中的值函数估计思想,使用用户状态值函数间的差异替代以往的相似度计算方式,缓解矩阵稀疏性问题。通过学习率控制用户状态值函数中权值向量的收敛速度以缓解冷启动问题。该算法通过学习用户的状态值函数来评估用户当前的状态,并通过梯度下降法对用户状态值函数中的权值进行更新,再计算新的状态值函数,依次迭代直至达到终止状态。最后根据与目标用户状态值函数相似度较高的近邻用户来进行协同推荐。提出了基于用户评价的强化学习推荐算法。针对当前推荐算法中存在的计算相似度时只考虑用户评分,难以深入挖掘用户兴趣特征而缺乏个性化推荐从进而影响推荐性能的问题。在强化学习推荐算法基础上加入用户评价因素。通过在状态值函数的值函数估计中加入对用户评价向量的学习,可以更好的近似估计用户的状态值函数并体现出目标用户的区分度。在权值更新中加入对用户内部评价向量的学习可以提升用户状态值函数的收敛效果。从而深入挖掘用户兴趣特征并提升推荐精准度。在Movielens数据集上与当前主流的协同过滤推荐算法以及已有的经典强化学习推荐算法进行评分预测对比。实验表明基于值函数估计的协同过滤推荐算法可以有效缓解当前协同过滤推荐算法存在的冷启动和矩阵稀疏性问题;基于用户评价的强化学习推荐算法能够深入挖掘用户兴趣爱好特征并进一步提升评分预测精准度。