推荐系统(recommendation system)是一种海量信息过滤系统,用于预测用户对物品的评分或偏好。常见的推荐方法包括协同过滤推荐、内容推荐、知识推荐、关联规则推荐、社交信任推荐和混合技术推荐等。其中,基于内容的推荐算法应用范围广泛、实现方法简单,且能成功克服数据稀疏、冷启动、新物品等推荐系统中常见的困难。在基于内容的推荐算法研究中,针对复杂项目属性间关联性不强和特征提取不充分而导致推荐精度低的问题,本文提出一种基于粒度序列模式的推荐算法。首先,分析项目属性之间的关系再对项目属性进行重要性排序,将排序后的项目属性粒度化并计算每个粒度的贡献度得到项目特征矩阵;其次,根据用户历史行为信息生成用户粒度序列并进行粒度映射,利用Apriori算法提取出用户偏好矩阵;最后,将项目特征矩阵和用户偏好矩阵做乘积运算得到用户对项目的喜好矩阵,将该矩阵代入改进的Sigmoid函数中进行喜好概率预测,从而完成Top-n项目推荐。实验选取MovieLens数据集,结果表明基于粒度序列模式的推荐算法准确率高于当前流行的推荐算法;在效率方面,推荐时间少于相同用户数量下的协同过滤推荐算法;实验利用综合测度等评分指标充分验证算法的整体性能优于其他推荐算法。