随着互联网和移动互联网的普及与深度应用,信息量激增。如何解决信息过载,满足用户的个性化需求成为了当前的一个研究热点。推荐算法作为推荐系统的核心得到了广泛地应用与研究,而协同过滤技术是目前应用得最为成功的推荐算法之一。在推荐算法中,最为重要的是计算用户或项目间的相似性,这直接决定推荐系统的好坏。而绝大多数相似性度量方法在计算相似性时存在以下问题。一是这些方法只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏着有价值的信息。二是数据变量间不存在线性关系,不应用线性模型去度量用户或项目的相似性。三是用户间存在评分偏好且评分数量不尽相同,而大多数相似性方法无法高效地区分不同用户间的评分差异性。针对以上协同过滤推荐算法中普遍存在的关键问题进行改进,本文的主要贡献有如下几个方面。第一,项目相似性度量的研究。常见的项目相似性度量方法在计算项目间相似性时必须完全依赖于共同评分项,这导致在稀疏数据集中预测准确性不高。本文针对此问题,通过将信号处理领域的Kullback–Leibler(KL)散度引入到项目相似性方法中,从概率密度分布角度去计算项目间的相似性。实验结果表明,本方法能有效地利用数据集内的所有评分信息,在一定程度上解决了协同过滤算法中普遍存在的数据集稀疏性问题,具有很好的应用潜力和价值。第二,基于KL散度的用户相似性协同过滤算法研究。基于用户相似性的协同过滤算法是现如今被使用的最为广泛和高效的算法之一。而当前大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息。为了充分利用用户的所有评分信息,本文提出了一种基于KL散度的用户相似性协同过滤算法。该算法不仅能有效处理共同评分项中的信息,而且还能充分利用用户的其他非共同评分项信息去计算两用户间的相似性。实验结果表明,本算法具有更好的适应性且提高了推荐质量。第三,融合KL散度的混合相似性模型的研究。常见的相似性方法都只考虑了项目评分本身,而忽略了不同项目间所存在的联系。同时,大多数相似性方法未考虑用户项目评分数量以及用户偏好行为对推荐算法的影响。针对这些问题,本文将一个扩展的PSS非线性模型与基于KL散度的项目相似性方法相结合,并引入两个权重因子去高效地区分不同用户间的评分差异,提出了融合KL散度的混合相似性模型。该模型具有非对称性,同时打破了常见方法对共同评分项的约束,使得能充分利用用户的所有评分信息。实验结果表明,本文提出的模型能极大程度地提高推荐效果。