由于互联网技术的发展,信息爆炸式地呈现在人们面前。指数型增长的数据资源,使得精准获取有价值的信息需求更加迫切。个性化推荐技术随之进入人们的视野,该技术通过采集用户的历史行为信息,分析支配该行为的内在原因即用户可能存在的偏好,以此为依据结合推荐算法主动向用户提供信息服务和决策支撑。在个性化推荐领域当中被普遍使用的是协同过滤算法,目前对其的探索最为广泛。本文针对传统算法中存在的可扩展性和推荐的时效性等问题提出一种改进的协同过滤推荐算法,并将其成功应用到中小企业服务平台上。论文的主要研究内容如下:(1)着重研究协同过滤中基于用户、项目和模型的算法。讨论了相似性度量方式和算法衡量的标准,阐述了算法面临的问题和改进迫切性。(2)提出基于partition算法改进的协同过滤算法。应用partition算法将数据库划分成几个互不相交的子库,并寻找局部频繁项集。再使用Pearson相关度量来找到前n个相似的邻居。在查询包含j项的频繁项集联合形成U类的前提下,通过预测在U类中推荐具有更高评价的前n个项目。(3)在真实的数据集上通过实验表明该算法的平均绝对误差和平均方根误差均低于传统算法,与此同时算法的覆盖率则高于传统算法。由此证明改进算法的推荐精度和覆盖能力优于传统算法。(4)应用层次分析法解决改进算法在实际应用中面临的挑战。将上述算法应用于中小企业服务平台上,针对该平台尚未推广、用户数量少、数据不完善等问题,用AHP建立用户模型。在建立结构模型的前提下,根据1—9要素重要性对比表建立判断矩阵;之后对矩阵进行一致性检验,判断矩阵建立的思维逻辑是否相互矛盾,并得到权向量。将权向量矩阵联合得出决策权重,并以此为依据建立模型,对该模型中排名靠前的用户提出奖励。实验表明算法使用之后平台用户增量增加,用户项目周期降低,证明该算法有良好的现实意义。结果表明,该算法不仅具有良好的可扩展性,而且缩短了推荐时间,适用于中小企业服务平台,助力了公益服务和创业发展。