随着Intemet的普及和电子商务的发展,推荐技术已逐渐成为信息检索平和信息过滤领域的研究热点。现有的推荐系统一定程度上满足了人们获取信息的需求,但在许多应用中,仅仅考虑用户偏好和项目特性,并不能完全满足人们对推荐信息的个性化需求。用户对项目的经验背后隐含了许多情境因素。由于传统推荐技术并未考虑这些情境信息,无法了解用户对某商品喜好的真实因素,往往造成推荐结果正确性降低并影响推荐品质。因此,将相关情境信息引入推荐过程是改进现有推荐技术的一种有效途径。已有的多维推荐模型改善了传统推荐模型情境信息不足的缺陷,但也存在一些问题:(1)传统的多维推荐模型只是基于简单的数据立方体构建,利用类似OLAP的聚合方法,仅仅是只读的数据模型,不能满足大多互联网应用中对资源进行频繁操作的需要;(2)缺乏语义描述、规则推理、动态更新等能力。RSM作为一种基于分类语义对各种知识资源进行有效组织的规范化的语义数据模型,自被提出以来就引起了国内外研究人员的关注。针对以上问题,本文将RSM考虑到多维推荐的改进中。一方面,与传统基于数据仓库和OLAP模型的多维推荐不同,RSM是一种用分类语义统一地、规范地、有效地描述、组织和管理资源的语义数据模型;另一方面,与语义网本体不同,RSM不是一般地距离空间,而是严格的独立正交坐标系统,具有完善的范式理论和完整性理论,拥有成熟的逻辑和代数基础,已成为现有本体技术在资源管理方面的有利补充。研究结果表明,RSM是改进多维推荐问题的一种有效的数据模型。将RSM引入到多维推荐领域,能够增强语义描述、规则推理、动态更新等能力,并提高资源操作的灵活性。本文的研究以如何让用户通过改进的推荐系统得到更满意的信息为目的,对基于RSM的多维推荐展开了研究,研究工作主要包括以下几个方面:第一,分析研究了传统推荐和现有多维推荐的特点,提出了一种新的基于RSM的多维推荐方法,设计并分析了体系结构,并对其进行形式化研究。第二,在定义了基于RSM的多维推荐空间(RSMB MRS)的基础上,规范了多维推荐空间资源的语义表示,建立了包含多维推荐操纵语言(MROL)和操作命令等的多维推荐机制,有力地支持了推荐过程的规则推理和推荐资源的动态更新。此外,探讨了适合该推荐模型的聚合计算方法。第三,研究了基于RSM的多维推荐空间的构建方法。具体包括:①研究了如何在已有的实体资源空间基础上,构建语义资源空间。重点探讨了视频本体、用户本体及用户Profile的构建方法;②根据本体到RSM的转化方法,分析了如何通过语义资源空间,构建基于RSM的多维推荐空间。第四,在上述工作基础上,提出一种基于归约一聚合的协同过滤推荐方法来进行多维推荐空间的评分估算。同时将上述模型应用到电影推荐环境中,实验结果表明基于RSM的多维推荐模型在提高资源操作的灵活性,改善语义描述等能力方面是一种可行、有效的方法。在提高用户的个性化信息搜索的满意度和查准率方面较传统基于OLAP的多维推荐模型有了一定的改进。本文的研究对改进传统语义信息不足、操作不灵活的多维推荐方法、提高个性化服务的质量、推动现有推荐技术的进一步发展具有一定的促进作用,对RSM理论的应用研究也具有积极的意义。