信息时代下随着数据量的激增,人们获取信息的方式逐渐经历了从门户网站、搜索引擎,到如今发展的迅猛的推荐系统等多种方式并存的演变,相比之下,推荐系统更加适用于海量数据背景下用户需求较为模糊和不明确、被动获取的场景。近年来,推荐系统在研究领域和应用领域都取得了突飞猛进的进展,对提高用户活跃度和销售业绩起到越来越重要的作用。推荐系统主要包括评分预测和Top-n推荐两个研究方向,在推荐系统兴起初期,学术上的研究主要集中在评分预测问题上,但是随着人们深入研究发现,Top-n问题更具有实际应用价值,用户更关心的是推荐系统向其推荐的物品是否能满足其需要,而并不关心系统预测其会给物品评多少分。虽然推荐系统在过去十几年中发展迅猛,随着数据量的增长,推荐系统面临着数据稀疏性等问题;目前的推荐系统对于数据的分析层次仍然主要停留在评分信息上而忽略了评分行为对于发掘用户兴趣的意义;评判推荐系统推荐准确度的标准仍然有进一步完善的可能。本文将主要研究Top-n推荐问题的优化,并针对以上的问题提出解决方案,主要工作如下:(1)针对数据稀疏性问题,采用一种新的数据结构用于表示稀疏矩阵,节约存储空间,优化矩阵运算过程。(2)提出“分步”的用户行为模式和基于分步的混合协同过滤推荐算法,将评分行为分解为用户选择物品、用户给物品评分两个步骤。算法具体包括基于分步的KNN协同过滤推荐算法、基于分步的模型混合推荐算法、基于分步的KNN-模型混合推荐算法。(3)对于排序准确度的评价,在NDCG的基础上提出了适用范围更广、可体现算法整体准确度的宏观指标NDCG+。(4)对基于分步的混合协同过滤推荐算法进行优化,包括改进相似度、引入权重的分步算法等,并通过实验验证优化结果。