互联网的出现及在各领域应用的普及为用户提供了大量的信息,极大地满足了用户对获取信息全面、便捷的要求。但随着网络应用的飞速发展,网络信息内容不断丰富,信息数量呈指数形式逐年攀升,相应地,用户面对海量信息时难以从中高效地获得关键的、有价值的信息,往往需要将大量的时间、精力耗费在信息过滤和价值识别上,往日的便捷也成为今日的负担。推荐系统的出现不仅在一定程度上为用户解决了信息过载带来的一系列问题,也有助于企业维护客户关系,提高销售业绩。基于上述原因,推荐系统的研究与应用得到国内外学术界和工业界的高度关注。但目前推荐系统的研究和应用还不够成熟,数据稀疏、推荐实时性差、推荐效果不佳等问题仍普遍存在。围绕推荐系统的科学研究与现实应用,本文分析了推荐系统在国内外的研究现状,对现有主流推荐方法的研究成果进行了梳理。分析发现,作为推荐系统的基础和核心问题之一的用户兴趣建模存在兴趣细分度不够、用以进行用户画像的信息结构单一等问题,致使用户兴趣描述不够准确。在协同过滤推荐方法中,尽可能细致地刻画用户兴趣才能为用户找到兴趣更相近的近邻集并依此为用户做出更精准的推荐。因此,如何更细致地刻画用户兴趣成为当前亟待解决的关键问题。进一步地,用户间相似度的有效度量是推荐系统研究中的另一核心问题。然而,现有研究中往往仅通过用户兴趣信息刻画用户间的相似度。事实上,用户兴趣会因时间流逝产生一定变化,具有一定不确定性,因此,如何有效融合新的用户信息,进而更为全面地刻画用户间相似度也成为协同过滤推荐研究中亟待解决的又一重要问题。围绕上述两个核心问题及推荐系统中普遍存在的数据稀疏等问题,本文在前人研究的基础上提出基于用户兴趣与特征信息融合的推荐方法。该方法在基于用户的协同过滤推荐思路的基础上,通过引入用户长短期兴趣和项目评分对传统用户兴趣模型进行改进,与用户特征模型融合构建用户综合相似度模型,在此基础上,为目标用户提供近邻推荐服务。本文的主要研究内容及创新性概括如下:(1)针对协同过滤算法中存在的数据稀疏问题,本文将用户—项目评分矩阵通过项目属性提取变换为用户—属性偏好矩阵,在一定程度上降低了矩阵稀疏性。(2)针对如何精准刻画用户兴趣问题,本文在细分项目属性的基础上,通过对用户历史行为进行分析,综合考虑用户长期兴趣的稳定性与短期兴趣的实时性,为用户对项目属性进行长短期兴趣类型的区分。在此基础上,将已区分的用户兴趣属性与项目评分融合,构建引入用户长短期兴趣和项目评分的用户兴趣模型。(3)针对如何准确度量用户间相似度问题,本文在用户兴趣相似度研究的基础上融合用户特征相似度信息进而提出了一个新的用户综合相似度模型,并基于此模型为目标用户未关注的项目进行评分预测与Top-K推荐。本文通过MATLAB工具实现了基于用户兴趣与特征信息融合的推荐方法。以MovieLens公开数据包中ml-100k数据集中的943位用户对1682部电影的10万条评分数据为实验对象,对文章提出的推荐方法进行验证,将新方法与传统方法在平均绝对误差MAE指标上进行比较后发现本方法较传统方法有更高的推荐精度,而且能在一定程度上解决数据稀疏和冷启动问题。