互联网技术的快速发展带来了信息过载问题。信息过载问题催生了推荐系统。推荐系统在一定程度上缓解了信息过载问题,但它的准确性和有效性一直成为业界关注的焦点,人们也一直寻找新的内容对它进行改进。随着近年来社交网络和电商平台的发展,研究者把目光投向网络中用户行为来改善推荐系统,并且取得了不错的效果。因此,在传统技术背景下研究新的推荐策略,利用网络用户行为提高推荐系统的综合质量很有意义。论文的主要研究内容和创新如下:首先,通过调研推荐技术的现有状况,深入分析基于用户协同过滤的推荐特点,在传统的基于用户协同过滤的基础上,引入社交网络中用户的多维行为属性,解决单一用户属性下用户相似度衡量的不精确的问题。同时针对多维用户属性计算相似度时需要进行加权,加权具有主观性的弊端,考虑到多维云模型具有融合多维属性空间计算的特点,设计面向社交特性的多维云相似度度量方法,以解决属性单一和多属性加权主观性问题。其次,现有的推荐方案中,几乎所有方法都会将评分作为衡量用户喜好程度的参量,然而不同用户由于主观性和个体差异性的原因,通常相同喜好程度下评分结果并不相同。针对该问题,设计综合云下统一用户评分标准的方法及评分转化生成方法,解决由于用户评分标准不同对推荐结果造成的影响。最后,海量数据中普遍存在长尾分布这一规律,其存在会对推荐系统的精度造成影响,为弥补推荐方法在此方面的不足,消除“长尾分布”对推荐结果的不良影响,在充分分析用户行为长尾分布的情况下,对异常活跃的用户实施惩罚措施,抑制用户不良行为的造成的推荐偏差。综上所述,本文对基于网络用户行为的协同过滤推荐算法的研究与应用展开了积极的探索和深入的研究,设计了一种基于网络用户行为的推荐框架,设计融合网络用户行为属性的协同过滤topN推荐算法,丰富了基于网络用户行为的协同过滤推荐算法的研究。