随着互联网不断与生活相结合,海量数据为不同行业提供了推广思路与经营方案。个性化推荐模型利用用户的历史行为数据,为用户推荐购买意向较大的项目,是提供良好的用户体验的关键。目前主流的推荐模型仍然存在一些不足,对于不同类型用户无法自适应选择相匹配的推荐方案,难以满足用户的多态性需求。同时,推荐系统中的核心问题:冷启动、数据稀疏、相似度计算等并未完全解决。本文针对上述问题做了以下工作。通过分析不同用户的购买意向,提出一种基于三层协同结构的推荐模型,借助层次结构规范推荐过程,并利用用户分群实现模型的自适应选择推荐方案。该模型包括数据处理、算法实现和模型评估三个部分。首先,对数据进行处理,删除无效数据并划分训练集与测试集,利用评分数据以及项目标签为每个用户生成偏好标签,根据用户偏好标签聚类。其次,按照功能将算法实现分为三层结构,这三层之间是相互协同的关系。策略层通过研究用户评分数据,对用户群进行细分,不同类型的用户将使用不同的推荐策略;推荐层由多级用户的推荐子算法构成,并将推荐结果按一定规则放入推荐池;排序层引入特征加权方法,并使用内容过滤筛选出用户喜爱概率更大的推荐方案。最后,为验证基于三层协同结构的推荐模型的有效性,本文选取movielens 100k作为实证数据集,以准确率、召回率、覆盖率、流行度为评价指标比较了本文模型与主流推荐模型的效果,从结果上看本文模型在各项指标上均有很好的表现,实证结果验证了本文模型的有效性与可行性。本文的创新点和贡献主要有:一是提出三层协同结构推荐模型,将推荐过程归纳为三层,不仅使推荐过程更加规范,而且增加了模型的易用性,能用较小的代价完成迭代。推荐策略的多样性缓解了冷启动问题,提高了冷门项目被推荐的概率,在保证用户体验的基础下提高了推荐结果的多样,并且根据用户历史行为数据动态选择冷门推荐项目数量,满足了不同用户的观影偏好。二是将谱聚类算法与LightGBM算法应用到推荐模型中,谱聚类算法缓解了数据稀疏的问题,LightGBM算法使冷门推荐结果更加个性化。三是对三种传统的相似度计算方法进行改进,通过sigmoid函数拟合年龄对于相似性的影响,利用LightGBM算法设置属性权重改进了属性相似度计算过程;引入评分差异因子、热门惩罚因子、时间差异因子以及不受惩罚的共同评分项目,改进了皮尔森相关系数的计算过程;通过滑动窗口模糊划分方法,将用户评分矩阵划分为三个兴趣度矩阵并设置不同的权重,从而对Jaccard相似度进行优化。总之,模型将根据不同的场景自动选择合适的相似度计算方法,提高了相似计算的准确性。