协同过滤算法作为一种广泛应用的推荐算法,受到了人们的青睐,它通过利用用户对物品的历史评分等有关信息来预测物品的评分,向目标用户生成推荐列表。基于矩阵分解的推荐算法通过将评分矩阵分解为用户特征矩阵与物品特征矩阵来计算预测评分,但并没有充分挖掘用户与物品的属性信息,为此,本文提出了一种将矩阵分解与神经网络结合起来的方法,并加入属性信息以提高预测精度。信息核是数据集中少数但却有着关键信息的用户,真实信息核推荐精度偏低但覆盖率高,虚拟信息核推荐精度高但物品多样性不足,为了实现真实信息核与虚拟信息核的优势互补,本文提出了将虚拟信息核与真实信息核相结合进行推荐的方法。具体内容如下:(1)提出了一种融合属性信息网络与矩阵分解的物品评分预测方法。该方法建立一个提取用户与物品属性信息的神经网络,与矩阵分解结合,形成了一个新的评分预测模型。针对不同的场景,设计了两个损失函数,通过自适应矩估计的方法降低损失来更新模型中的参数,使模型的评分预测更加准确。实验结果表明,本方法在预测物品评分的精度上相比其它方法得到了提升。(2)提出了一种基于虚拟用户与真实用户相结合的多目标进化算法的信息核优化推荐方法,主要是为了实现虚拟信息核与真实信息核的优势互补。首先,将评分矩阵降维得到低维用户矩阵后,对用户进行聚类,将每个簇的中心作为虚拟用户。从虚拟用户的相似邻居中选择出真实用户,与虚拟用户相结合得到待选核用户集。利用多目标进化算法从待选核用户集中选择出信息核,实现推荐精度与多样性的平衡。实验表明,本方法很好地兼顾了准确率和覆盖率,融合了虚拟信息核与真实信息核各自的长处。(3)提出了一种基于改进用户构造方式的信息核优化推荐方法,该方法是对第二个方法的一个改进,在降低离线优化时间的同时保持或提高推荐精度与多样性。首先对用户物品评分矩阵降维再聚类得到虚拟用户,修改虚拟用户中的一些评分。然后将改造后的虚拟用户作为临时虚拟用户,从临时虚拟用户的相似邻居中选择出真实用户,并将评分改造后的真实用户与未改造的虚拟用户加入到待选核用户集中。最后将待选核用户集中的虚拟用户与真实用户分别降维聚类,从每簇中心的相似邻居中选择出多个信息核,保留最佳的几个信息核作为最终结果。实验结果表明,本方法能够降低离线优化时间,同时在推荐精度上取得了与第二个方法相近甚至更好的结果。