在大数据时代,从海量数据中提取人们感兴趣的信息成为了可能。但是,由于互联网中充斥着大量与用户需求无关的信息,影响了人们对信息的利用。为了解决该问题,学者们研究了推荐技术,该技术可以较好地帮助用户获取有用信息。尽管推荐技术已得到较广研究和应用,但仍存在许多影响推荐质量的问题,如数据稀疏性、动态把握用户喜好、推荐稳定性等。因此,针对上述不足,有必要对社交关系和度量分解相关算法进行深入的理论研究和算法改进,有效提高推荐质量,使推荐结果更稳定。1.针对已有相似度算法寻找近邻用户不准确的问题。首先,通过用户购买物品的时间顺序挖掘隐式社交关系,计算各用户间的影响力。然后,综合考虑用户间的相似性和影响力的非对称性,使寻找的近邻用户不仅与目标用户相似,而且对目标用户影响更大。最后,通过对比实验验证,改进的相似度计算方法能够更准确地反映目标用户的喜好。2.针对推荐质量不佳等问题。首先,根据上述改进相似度算法寻找近邻集合,并引入时间衰退函数,使距离目标用户购买时间越久远的近邻用户,其评分对目标用户影响越小,可以动态反映近邻用户对目标用户的影响。其次,针对计算近邻集合距离时,存在的稀疏性问题,借鉴偏置思想,根据用户的打分习惯和项目质量高低对其进行填补。然后,设置动态权重,通过近邻集合距离动态约束度量分解算法的预测结果,生成最终的推荐结果。最后,实验结果表明,改进的算法是可行的,预测结果更稳定,推荐效果更佳。3.分析并完成一款电影推荐系统的原型,通过上述改进算法,对用户访问该系统的日常行为进行分析,为用户推荐潜在感兴趣的电影信息。