移动设备普及与互联网快速发展给人们生活带来了极大的便利,互联网用户通过移动设备可以很便捷地在各式各样的网站或手机App上阅读新闻资讯,观看影视节目,学习知识与购物。然而,随着网络的日益增长,从中找出自己感兴趣的内容会变得更加耗时与枯燥。因此,推荐算法越来越受到重视,成为学术界与产业界的研究热点。协同过滤算法是现阶段研究推荐技术中比较主流的方法。该种算法旨在分析用户与产品的历史信息,提取其隐含特性,预测用户对产品的喜好程度,能很好的为用户进行个性化推荐,提升用户满意度。但真实场景往往数据规模较大,特定数据稀疏,且不同数据集的数据分布也较为不同。因此,协同过滤推荐算法仍存在着预测精度欠缺,时间复杂度较高,自适应性较差等问题。此外,现有的协同过滤技术很少关注群体推荐与多样性推荐这两个具有实用性的研究方向。鉴于此,本文针对现有协同过滤技术的部分难点开展了相关工作。具体而言,本文的研究内容与创新点如下:(1)为了提升推荐预测精度,提出一种基于Bagging集成的矩阵分解模型。该模型根据用户、产品评分数为基学习器动态分配权重,并通过加权求和得到预测评分。相关实验结果表明,此模型拥有与传统矩阵分解模型一样的时间消耗,且在各个衡量指标上都优于传统的矩阵分解模型。(2)为了提高高阶评分距离模型Ho ORa Ys的自适应性和效率,提出一种基于松弛变量的改进高阶评分距离模型。该模型将一阶评分距离与二阶评分距离的静态平衡参数替换为数据规模敏感函数,并利用牛顿法代替随机梯度下降法解决高阶评分距离模型的凸优化问题。该模型不仅通过消除目标函数中的静态参数实现了自适应,降低了计算复杂度,还在一定程度上提高了目标优化的收敛速度。实验结果表明,提出的模型在精度和效率测度上都优于原模型。(3)为了提升群组推荐性能,提出了一个局部优化框架,通过子群总则计算产品关系。该方法能一定程度上抓取并消除传统群体推荐的偏见,且可通过分析用户和其邻居的连接形式来检测目标用户的所属用户群组,然后使用群组信息来得到个人推荐,克服了用户的动态变化或用户社交网络更新带来的问题。对群组和个人推荐的实验分析表明,此方法在效率上比现有的方法更好。(4)为了提高面向多样性的推荐算法的自适应性和效率,定义了用户覆盖和用户兴趣域的相关概念,并提出了基于用户兴趣域覆盖的多样性推荐模型。该模型不包含任何静态参数,可以灵活的应用于显示数据和隐式数据。此外,为了提高模型效率,该模型还设计了一个进阶版的贪心算法以达到用户兴趣域覆盖最大化,并为模型的推荐质量和效率提供了理论支撑。实验结果表明,这一模型在产品相关性和多样性评测都优于现有的技术。总的来说,本文以协同过滤算法为基础,结合机器学习、社交网络和目标优化等领域的知识,针对个体推荐、群组推荐和多样性推荐等研究热点,提出一系列改进算法,并为算法性能提供了理论证明和实验验证。