协同过滤推荐算法是一种当下应用广泛的推荐技术,是智能电子商务的重要组成部分。虽然传统的协同过滤算法已经实现了智能推荐,但是其推荐精度任然不高,推荐结果的个性化程度偏低,算法的运行效率低。为了解决这些问题,本文提出了基于相关加权和项目最优加权融合的项目协同过滤推荐算法、基于用户类目偏好的协同过滤推荐算法、基于朴素贝叶斯回归模型的协同过滤推荐算法和部署于Hadoop平台的并行化的朴素贝叶斯回归模型,具体研究如下:(1)传统协同过滤算法存在推荐结果不够个性化的问题,而现有的优化方法在提升推荐结果的个性化程度时没有考虑对算法推荐精度的影响。为了解决这些问题,本文提出了基于相关加权和项目最优加权融合的项目协同过滤推荐算法。该算法首先运用相关加权设置一个最佳阈值,确保在用户拥有的共同打分项目数较少的情况下算法的稳定性。其次,在预测评分的步骤中引入项目最优权值,以平均绝对误差最小为优化目标,利用PSO(Particle swarm optimization,PSO)粒子群优化算法来求解项目的最优权值,并对项目进行优化加权来降低热门项目的影响,发掘冷门项目。最后,将相关加权和项目最优加权进行融合。由MovieLens公开数据集上的验证结果可知,该算法可以在有效改进传统方法存在的精度低的问题的同时对覆盖率、召回率和平均流行度进行提升。(2)传统协同过滤算法缺乏对用户类目偏好的考量,导致算法精度较低。而当前利用用户偏好改进的项目协同过滤算法在提升算法精度时会降低算法效率。为了解决这些问题,本文提出了一种运用用户固有的类目偏好来改良协同过滤算法的精度和效率的算法。该算法根据各项目属性包含的用户不偏好项目比率将项目分为用户偏好类目和不偏好类目。只有与待预测评分项目具有相同的类目偏好的项目时,才需要计算相似度;否则,不计算相似度,不纳为最近邻的备选项。由MovieLens公开数据集上的验证结果可知,该算法可以同时提高算法的效率、精度和覆盖率。(3)基于内存的协同过滤算法往往运算效率和预测成功率较低,为了提升效率和精度,本文将朴素贝叶斯模型用于协同过滤推荐算法,然而通用的贝叶斯模型存在难以应用于连续数据集的缺点。为此,本文提出了一种基于朴素贝叶斯回归模型的协同过滤推荐算法,该算法将分类问题转换为回归问题,使得连续数据得以处理。首先,将用户和项目定义为独立的属性,将离散后的评分值作为分类类别。其次,采用朴素贝叶斯模型预测用户和项目在各评分类别的概率值。最后,利用分类结果进行回归预测,将用户对项目的评分期望值作为预测评分值。在评分离散的Movielens公开数据集和评分连续的Jester公开数据集上实验的结果显示,本方法相对传统方法在预测成功率和效率上有较大的提升。(4)为了进一步提升算法的效率,应对“海量数据”的应用场景,本文将基于朴素贝叶斯回归模型的协同过滤推荐算法在Hadoop分布式平台上进行了并行化。首先,分析了基于朴素贝叶斯回归模型推荐算法的可并行性并构建了并行的理论模型。其次,将基于朴素贝叶斯回归模型的推荐算法在Hadoop分布式文件系统和MapReduce框架上进行实现。由Netflix数据集上的实验结果可知,该方法具有较高的可扩展性和较少的时空开销,在不损失算法精度的同时提升了算法效率。