由于互联网规模和覆盖方面的快速增长导致信息过载的问题:过多的信息使得用户无法获得对自己有用的部分,信息的使用效率反而变低;同时使得商家无法让自己的产品有效展现在对它感兴趣的群体上。所以,如何提高推荐算法的精确性、推荐结果的多样性、增强推荐结果的可解释性以获得用户更多信任都是推荐系统研究的重点。本文首先提出了基于联合特征提升推荐系统多样性的方法。该方法利用MovieLens电影推荐数据集,针对现有二次优化算法不能主动提升推荐多样性的不足,提出了本文的改进方案,即对基于矩阵相似性求解联合特征的思想进行改进应用到推荐领域,通过求解出对不同品类都有促进作用的联合特征(标签),向用户推荐未涉足领域的可能感兴趣的产品,以此达到主动提升推荐多样性的效果,该方法在推荐过程中就考虑了推荐结果的多样性,避免了多数推荐方法只是二次优化带来的假设缺陷问题,且联合特征的发掘具有良好的可解释性,能够更加清晰地向用户解释推荐其他产品的原因,让用户更加信任该系统。本文接着提出了基于随机森林的需求偏好分析与服务资源推荐算法。此算法包含三个环节。在采样环节,为了提高模型的准确度和采样合理度,提出了基于组合原理的负样本采集算法;在属性分析环节,提出基于随机森林的用户偏好属性分析算法,实现了属性间深层关系的计算,且需求偏好分析环节具有良好的可解释性;最后在推荐环节,提出了基于显性评分的用户分群的算法,接着对用户已涉足领域进行推荐,使得推荐的结果结合用户自身兴趣和所在相似购买兴趣群体的兴趣,避免了超特化问题。