个性化推荐系统分析用户历史行为数据,建立相应的兴趣偏好模型,预测其个性化需求,产生推荐,在电商网站和社交平台中广泛应用。用户需求分为显性与隐性,针对用户不同需求构造有效合适的模型将有利于提高个性化推荐的精度。面向用户显性需求时,本文采用层次狄利克雷过程混合(Hierarchical Dirichlet Processes,HDP)模型和个性化Pagerank算法,对产品的非结构化信息进行建模。首先提出HDP模型对产品描述性文本信息建模,推断潜在的产品功能主题以此聚类。接着利用个性化PageRank算法对标签信息建模,产生每个目标产品的推荐列表。在真实的云服务产品数据集上的实验表明,所提出的HDP模型在聚类效果上表现优异,基于HDP模型和个性化PageRank的两阶段推荐模型较其他方法在推荐性能上有着较大提升,且有效缓解了新产品冷启动的问题。面向用户隐性需求时,本文采用主题模型建模用户的历史购买行为,引进隐群的概念,将用户划分为具有相似偏好的非重叠群体,同时定义了隐群兴趣、兴趣产品双稀疏的概念,构造一个基于隐群的双稀疏分层生成模型,用群兴趣预测个体兴趣。在淘宝用户购买行为数据集上的实验结果表明,所提出的模型可以有效缓解用户个体存在的稀疏性问题,提高个体需求预测的准确性,同时提出来的双稀疏策略与现实更符合。