高质量推荐理由自动挖掘的研究问题是指在以用户为中心的基础上,在当今数据信息爆膨的背景下,以用户尽量少参与的情况下提出的一种服务式推荐系统技术理论。高质量推荐理由自动挖掘系统是以用户兴趣数据信息为分析依据,相匹配出用户对产品的喜好,进行的一种自主式个性化推荐服务,提高用户的满意度。但是,在信息庞大的今天,为了解决传统的推荐系统对暗信息的挖掘不明、对用户兴趣数据信息的匹配不清等问题,本文增加了机器学习的挖掘技术准确的掌握用户兴趣动态变化,依据关联规则技术不断挖掘用户新的兴趣方向,给出高质量准确的推荐方案。结合国内外研究的基础,提高推荐系统的准确性,本文主要从以下几点来深入研究:第一,详细介绍了目前传统的高质量推荐系统的研究背景、实现内容和与此相关的推荐算法的技术理论,以及本文在传统推荐系统的基础上要深入研究的重点内容。第二,本文在综合各种推荐算法的基础上加以组合,应用数据挖掘技术中的关联规则对用户感兴趣产品进行挖掘,以分类规则对用户进行分类并且依据准确率和召回率来预测用户兴趣度,最大程度上实现推荐的准确度。第三,在用户建模上,采集用户行为记录作为判断依据,分析属性影响因子对推荐准确性和高质量性的影响,提出“特定人群”信息采集与“正常人群”的信息特殊性。第四,根据用户兴趣信息的准确反馈和对用户兴趣数据信息采集的准确性,对用户兴趣模型的及时更新,挖掘用户潜在的兴趣方向,提高用户对推荐产品的满意度。本文通过MATLAB实验结果表明,高质量推荐理由自动挖掘系统对待上面所阐述的问题具有较好的实现效果。