当今社会环境下,优秀的企业积累了很多历史数据,这些历史数据包含丰富的经验和知识。优秀企业会特别注重这些历史数据,因为历史数据中往往包含着某些重要信息和行业发展趋势,我们把包含重要信息的历史数据称之为企业知识,这些也就是企业的财富。随着互联网技术的发展与普及,知识传播的速度越来越快,企业知识呈现指数级增长,员工在单位时间内获取到合适的知识的效率越来越低。因为知识库存储的知识越来越多,知识库的利用率也就慢慢下降。到目前为止,有效解决此问题的技术可以分为以推荐系统为代表的信息过滤技术和以搜索引擎为代表的信息检索技术。本文主要研究的是前者。随着电子商务的发展和个性化推荐系统的问世,有许多推荐算法被提出,而且在特定领域都发挥着不可替代的作用,比如说应用在电子商务领域中的协同过滤算法。虽然此算法被广泛应用,但是其仍然存在着诸如数据稀疏问题、冷启动等问题。随着企业知识库的飞速发展,企业知识的推荐也逐渐成为最近的研究热门。如何有效的利用相关技术来改进推荐算法的性能和提高企业知识推荐质量也日益被科研人员广泛研究。针对现有的问题,本文在以下两个方面展开研究。第一,关于马尔可夫预测模型的研究。本文针对用户-项目之间的联系,认为用户本次查看项目行为和下次查看行为是有强联系的,基于这个设想提出一种基于马尔可夫预测模型的协同过滤推荐算法。实验结果显示,此算法具有较好的推荐效果。第二,关于粗糙集理论与企业知识的相关研究。针对员工的需要自动为其推荐恰当的知识,可以提高员工的工作效率和员工与公司的粘度,同时可以提高企业知识的应用,对于员工和企业都是有利的。把员工需求用粗糙集理论表示出来,然后把知识库中的知识与其模型相匹配,得到推荐结果。此模型可以充分利用知识库中的知识,有利于企业的发展与进步。