随着互联网的迅猛发展,网络上的信息量大幅度增长。信息的生产和消费产生了新的矛盾:生产者难以让自己生产的信息引人关注;消费者难以寻找到自己感兴趣的信息。为解决这一矛盾,推荐算法应运而生。基于邻域的推荐算法是推荐算法领域中应用最广泛的一种,受到学术界的广泛关注和深入研究。基于用户的协同过滤算法作为基于领域的推荐算法的重要组成部分,近年来取得了众多研究成果,但是这些算法在度量用户间的相似性时,都未能合理利用用户的正反馈数据,导致用户间的相似性度量不够准确。针对这一问题,本文将中介真值程度度量(Measure of Medium Truth Degree,MMTD)和兴趣偏向系数引入到协同过滤推荐算法,有效地利用了用户的正反馈数据,提高了用户间相似性度量的准确性。同时,在用户数据量过大时,基于用户的协同过滤算法开销较高。针对这一问题,本文将深度森林和兴趣偏向向量应用到用户分类上,一定程度上实现了降低开销的目标。实验结果表明,本文提出的方法能够有效提高推荐结果的准确率和召回率,具有很高的实用价值。论文首先对中介数学和中介真值程度度量方法进行了介绍,在此基础上对用户相似性度量,用户对物品兴趣度和用户分类进行了深入研究。主要工作如下:(1)针对目前基于用户的协同过滤算法中,未能充分合理利用用户正反馈数据度量用户间相似性的问题,提出了一种结合用户评分和MMTD的方法,并将其应用于传统的余弦相似性和Jaccard相似系数的改进,有效地提升了用户间相似性度量的准确性。(2)为了减轻用户评分主观性对推荐性能的影响,提出了兴趣偏向系数,并将其和用户评分应用于用户对物品兴趣度的度量,有效地提高了推荐结果的准确率和召回率,并且提高了算法的健壮性。(3)针对用户数据量过大时,协同过滤算法开销较高的问题,提出了一种结合兴趣偏向向量和深度森林的方法,实现了对用户的较准确分类,从而降低用户数据量,有效地提高算法的效率。(4)结合本文改进的推荐算法设计并实现了基于Java和SSM框架的电影管理和推荐系统。该系统能够实现用户数据、电影数据和日志数据管理以及热门物品,分类推荐,猜你喜欢三种电影推荐方式,具有很高的实用价值。