随着家居电商的进一步发展,用户对个性化推荐的需求与日俱增,各种各样的推荐算法开始应用其中。传统的聚类推荐算法,每个参与的用户或物品只能属于一种类别,因此很难描述每个参与聚类的对象多个方面的特性。基于内存的协同过滤推荐算法和聚类改进的协同过滤推荐算法预测准确度不高,且难以解决数据稀疏带来的影响。针对这些不足之处,本文提出了一种混合推荐算法LPHRA。该算法提高了预测准确度,解决了数据稀疏性带来的应用局限性。本文的主要研究成果如下:1.针对LSPM在物品类别推荐方面存在的不足,提出影响因子,对其中的关键算法EM算法进行参数的改进。实验证明影响因子提高了预测的准确度。EM算法允许用户以及物品属性可以属于多个隐类,适用性更强。LSPM对于新加入的用户也能够进行较为准确的推荐。2.LPHRA对某一类别物品的具体推荐通过PVH衡量。在物品的某一类别中,选取一些PVH属性良好的物品,加入推荐列表,这样可以根据用户的浏览习惯得到个性化的推荐。实验表明该混合推荐算法与传统的协同过滤推荐算法相比,预测的准确性更高,预测结果更接近用户偏好。3.基于混合推荐算法LPHRA,设计并实现一个家居装饰系统。经过系统实验测试,该家居装饰系统在使用LPHRA推荐算法进行方案推荐的时候,在用户体验和预测准确度上优于传统的协同过滤推荐算法和聚类改进的协同过滤推荐算法。