随着互联网技术的不断发展,网络信息日积月累,带来了信息量大、质量差、价值低等问题。推荐系统是解决这些问题的有效技术之一。推荐系统能够通过用户的历史行为数据,发现用户的兴趣爱好,并将用户感兴趣的信息准确地推荐给用户。目前协同过滤是推荐系统的常用技术之一,其处理的对象是用户行为数据。但是用户行为数据存在数据稀疏性和用户评分多样性等问题,对推荐性能有着负面影响。本文在用户行为数据上结合机器学习中的聚类算法以及真相发现来研究协同过滤方法,较好地解决了数据稀疏性和评分多样性的问题,提高了推荐的准确度。本文的创新工作总结如下。(1)为了解决数据稀疏性对推荐准确度带来的影响,本文提出了一种基于杰卡德系数的多聚类融合协同过滤算法。该方法通过引入密度峰值聚类算法,将用户按照相似度进行聚类。通过计算用户间的杰卡德相似系数,对用户未评分的项进行预测补全,以此来解决数据稀疏性的问题。与其他基于共同评分数值的相似性度量方式不同,杰卡德相关系数考虑到了在稀疏数据集上用户共同评分数量较少的问题,以共同评分数量占总评分数量的比率作为相似性度量方式,降低了相似性度量对评分数值的敏感性,从而提高了推荐的准确度。我们在3个真实的电影数据集上进行了大量仿真,实验验证了该方法的有效性。(2)现实生活中,用户对物品的反馈往往带有主观情绪。为了避免这一现象带来的影响,本文引入真相发现的假设。该假设认为每一个物品在理论上都具有一个真相值,我们需要去发现这个真相值来衡量该物品的真实水平。在该假设的基础上,本文结合基于杰卡德系数的多聚类融合协同过滤算法提出一种基于真相发现的用户协同过滤算法。该方法能同时解决协同过滤算法中存在的数据稀疏性和评分多样性的问题。实验结果表明,所提出方法有较好的性能,能够减少用户评分受主观情绪的影响,提高了推荐的准确度。(3)根据上述两种协同过滤方法,本文开发了一款电影推荐系统。该系统通过用户的注册与登录记录用户历史评分记录与推荐结果,并且会根据用户对所给出电影提交的评分,自动生成新的、更加符合其兴趣爱好的电影集合。另外,在主界面上,通过对用户推荐当前热门电影,可以收集到用户的偏好,这样也为用户能够获得更加准确的推荐提供了有效的信息。