信息技术和存储能力的跨越式发展为人们提供了更多选择空间的同时,也带来了信息过载(information overload)等问题。为了帮助人们快速搜寻自己偏好的商品,推荐系统应运而生。个性化推荐算法作为推荐系统的最重要的部分,它的结果对推荐系统的运作有着至关重要的影响。目前,个性化推荐算法的相关研究取得了许多成果,这些成果中的大多数个性化推荐算法能够有效适用于用户偏好不随时间变化的情况,然而现实生活中情况往往是相反的,根据静态偏好的推荐结果可能是不符合用户当前期望的。为解决上述问题,本文提出了在能够挖掘用户潜在偏好前提下的一种基于隐马尔可夫模型的个性化推荐算法,该算法能够有效地对用户偏好随时间变化的情况建模。本文的主要工作内容如下:1.提出了一种新的用于个性化推荐的似然函数,该似然函数结合了协同过滤推荐算法的思想。本文深入研究了现有个性化推荐算法,协同过滤推荐算法存在用户建模能力差的缺点,但能够挖掘用户潜在偏好,而基于概率模型的个性化推荐算法能够有效地对用户行为建模,却不能挖掘用户潜在的偏好。因此,本文综合两者的优点提出了一种新的似然函数,解决了现有的基于概率模型的方法无法挖掘用户潜在偏好的问题。2.基于内容1中的结合协同过滤假设的似然函数,本文提出了一种新的期望最大化算法。期望最大化算法为存在隐变量时的参数估计问题提供了有效的解决手段,但是期望最大化算法是用来解决一般情况下的似然函数的最大化问题。为了解决内容1中的新的似然函数的参数估计问题,本文依据期望最大化算法的思想,提出了一种改进的期望最大化算法。3.为了解决用户偏好随时间变化的情况,本文提出了一种基于隐马尔可夫模型的个性化推荐算法。隐马尔可夫模型在对用户行为序列建模的同时,能够分析影响用户的购买行为的不可见因素,但是典型的隐马尔可夫模型不能直接适用于推荐问题,因此本文对传统隐马尔可夫模型作了改进。此外,为了使得该算法能够挖掘用户潜在的偏好,本文结合上述两点内容,提出了一种基于隐马尔可夫模型的个性化推荐算法。相比与传统的个性化推荐算法,该算法有效地提升了推荐结果的准确率。