随着信息时代的高速发展,近年来,海量的用户行为数据创造了巨大的财富,分析用户的行为也成为最有价值的研究之一。在电子商务以及互联网中,推荐系统旨在帮助用户可以快速、准确的从海量信息中找出对自己有用的那一部分,得益于学术界对推荐技术的不断研究,推荐系统也由最初的协同过滤算法发展成为融合各行业技术的一门独立的学科。在当前的推荐技术背景下,研究者把更多的目光投向于改善推荐系统的性能上,通过研究用户的行为数据提高预测的准确率是一个主流的研究方向;同时对推荐系统所面临的问题进行深入的研究也很有意义,如用户评分主观性问题,主观性的存在导致评分标准不统一,从而造成评分的高低并不能完全代表用户对物品的感兴趣程度,数据稀疏问题的存在也对用户兴趣的挖掘造成了一定的困难,针对此类问题论文的主要研究内容和创新如下:1.本论文通过研究用户的评分行为数据,针对推荐系统中的用户评分主观性问题,结合传统的协同过滤算法,设计实现一种基于用户行为的推荐方法。首先,针对评分主观性和个体差异性问题,引入并优化相关云模型理论,利用云模型定量到定性之间相互转换的优势,提出采用综合云模型生成评分标准并转化用户评分的方法;然后,在此基础上对用户进行聚类分析,以发现被推荐用户的相似群体。2.本论文针对由于数据稀疏造成的预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,进一步考虑到社交关系对评分结果的影响,分别利用社交关系及相似群体,在云模型及隶属度相关理论的基础上建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分。最后,本论文用过真实数据集对所提方法进行实验,实验表明,本论文所提方法不仅克服了用户评分主观性问题,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题。