推荐系统作为一种解决信息过载问题的有效方式,已经在电商、视频和音乐等领域广泛应用,其中基于模型的协同过滤推荐算法由于良好的扩展性和极强的学术研究性获得了工业界和学术界的广泛关注。本文针对推荐系统实际应用中面临的推荐精确性、数据稀疏性和扩展性等问题进行了深入分析,分别结合迁移学习和上下文信息两种方法,提出了对这些关键问题的解决方案。具体如下:1、针对协同过滤推荐算法的准确性问题,提出了一种基于迁移学习的协同过滤推荐算法。该算法旨在通过将用户集划分子空间,建立迁移学习模型改善推荐算法的准确性。该算法以实际网站的推荐系统搜集的用户行为数据存在一定程度的质量差异为基本假设,综合考虑用户评分信息熵和用户评分特征空间方差两个指标对数据质量进行评价。在数据质量存在差异的基础上,把数据划分成质量不同的数据子群组,并通过迁移高质量组的物品特征隐向量提高低质量组的推荐精度。实验结果表明数据质量的差异性对推荐精度的提升有着重要的影响。2、针对协同过滤推荐算法的扩展性和数据稀疏性问题,提出了一种基于耦合辅助信息的协同过滤推荐算法,该算法旨在通过将用户上下文信息和项目上下文信息融合到矩阵分解模型,并利用耦合相似度度量方式计算分类属性特征的相似度,在提高算法的推荐准确性的同时提高算法扩展性。实验表明,该算法在提高扩展性的同时保证了准确性,而且耦合辅助信息的计算方法缓解了数据稀疏性的影响。3、针对协同过滤推荐算法的数据稀疏性问题,提出了一种基于融合信任关系的协同过滤推荐算法,该算法旨在通过将用户信任关系和因子分解机模型结合,并综合考虑用户的评分相似度和社交信任度定义用户贡献度,重点分析了用户信任关系的不对称性。实验结果表明,本文提出的模型比已有的结合社会关系的协同过滤推荐模型获得了更高的推荐准确性,而且融合用户信任关系的方法缓解了数据稀疏性的影响。