随着信息产业的快速发展,网上购物已经成为人们日常生活的一部分,信息过载问题日益突出。作为目前最流行的解决信息过载的方法之一,协同过滤(Collaborative filtering,CF)算法可以分为三步:(1)计算相似度,寻找目标用户的邻居用户群;(2)聚合邻居建议,预测目标用户对未评分项目的评分;(3)根据预测的评分,对目标用户进行推荐。目前,大部分学者都致力于如何计算出更为有效的相似度,从而寻找到更为相似的邻居用户群。现有的CF算法在聚合邻居建议时都采用传统的建议聚合(Traditional Suggestion Aggregation,TSA)算法,该算法在聚合建议时并没有区分目标用户对积极建议和消极建议的响应差异。为了研究用户不对称响应对建议聚合算法的影响,本文提出一种基于不对称响应的个性化建议聚合算法(Personal Asymmetric Response Suggestion Aggregation,PARSA)。论文主要完成以下几个方面的工作:1.结合“用户对积极建议和消极建议的响应不同”这一心理学理论,本文提出一种个性化不对称响应建议聚合算法(PARSA)。在TSA算法的基础上,该算法为每个用户引入积极建议和消极建议的响应因子。2.为了分析PARSA算法的性能,本文提出一种非个性化不对称响应的建议聚合算法(IARSA),该算法是PARSA算法的一种基准情况—所有用户对积极(消极)建议的响应因子相同。3.本文利用线性回归方法学习PARSA和IARSA算法中的响应因子,并用梯度下降算法进行优化。4.为了验证PARSA和IARSA算法的性能,本文在Eachmovie和Netflix数据集上进行了大量的对比实验。本文在Eachmovie和Netflix数据集上设计了四套实验,并选择三种相似度来寻找最近邻居,分别用PARSA、IARSA和TSA算法聚合邻居建议。实验结果表明,无论选择哪一种相似度的最近邻寻找算法和数据集,本文提出的算法(PARSA和IARSA)在预测方面和推荐方面的性能都优于TSA算法。