在旅游方案和配餐推荐等一些特定领域,传统的项目(item)推荐系统已经无法满足用户的需求,包推荐(package recommendation)组合式推荐的方式也因此出现。由于包推荐项目组合的特性,导致结果分析的复杂度较高,增加了对包推荐结果筛选推荐的难度,将现有推荐算法应用到包推荐场景仍面临着诸多挑战。为此,本文通过对用户相似度计算、各种包推荐算法等相关研究工作进行分析总结,研究面向用户偏好的包推荐算法,主要工作分为以下几个方面:(1)介绍本文的课题背景和研究意义,阐述包推荐的基本概念和原理,包括包推荐系统的基本推荐流程以及常用的相关技术,调研并分析国内外关于包推荐的研究发展现状,对包推荐系统现存的问题和挑战进行分析。(2)针对如何准确表达用户之间相似程度的问题,提出一种基于灰色关联的用户相似度计算方法。利用灰色关联度量用户评分的整体接近程度并计算用户相似度;同时考虑不同项目在用户相似度计算中重要性的不同,根据项目被用户评分的次数决定相应项目的权重。实验结果表明,本文相似度计算方法能够有效提高评分预测的准确性。(3)为了减小包规模,降低推荐复杂度,提出一种基于效用的包推荐算法。考虑项目评分和项目开销的因素并设计一种效用计算方法,在满足约束条件的基础上,选取当前效用最高的项目依次对结果包进行项目填充。实验结果表明,与PackRec算法以及GV选取算法相比,本文算法在推荐结果MAE、nDCG以及kendall相关性等评价指标上均具有较好表现。(4)为了提高推荐质量以及用户使用体验,提出一种基于K-L散度的包推荐结果TOPSIS排序方法。引入一种目标理想点的概念,将用户偏好的因素加入到TOPSIS方法中,使排序结果能够较为贴近用户需求;同时,根据K-L散度,提出一种新的理想解贴近度计算方法。相对于对比算法,本文方法排序结果具有较高效用,提高了推荐结果的质量。