随着互联网的发展,商品的种类越来越多,商品的信息结构也越来越复杂,影响推荐系统性能的附加信息也随之增长。附加信息是指除评分矩阵以外的文本、属性、地理位置、时间等信息。如何在推荐系统中引入这些附加信息是当前推荐系统研究的一个热点。一种思路是将这些附加信息与评分矩阵统一数学建模,其不足之处是增加了模型的复杂度,降低了模型的可扩展性。本文借鉴集成学习的思想,研究将多种附加信息集成,用于提高推荐系统的性能,主要做了以下几方面的工作：首先,本文在CAT (Content+Attribute)算法的基础上,分别实现了综合物品内容、物品属性及用户属性等单一附加信息的推荐器。通过与PMF(概率矩阵分解)算法的实验对比,证明了引入附加信息的推荐器有更好的稳定性与收敛性。其次,本文将多个集成单一附加信息的推荐器的结果进行集成融合,分别尝试了自定义权重法、梯度下降学习权重法及Stacking法等三种集成策略。实验证明,集成多种附加信息的推荐结果比集成单一附加信息的推荐器有更高的准确性。与多个附加信息统一数学建模的方法相比,集成推荐具有更好的可扩展性,有利于把更多的附加信息集成到推荐系统中。最后,本文研究了用户兴趣迁移模式这种隐含的时间附加信息,提出先按用户兴趣迁移模式对用户进行聚类,再按聚类结果对原始评分矩阵进行分割的推荐方法RUC (Recommendation by User Clustering)。实验结果证明,与基于原始评分矩阵的推荐结果相比,本方法具有更高的推荐准确性和更好的性能。