个性化信息服务是在网上信息激增的背景下发展起来的,它包括基于合作的推荐和基于内容的推荐。 基于合作的推荐根据用户之间的兴趣相似性来推荐资源,它把和目标用户具有相似兴趣的其他用户的意见提供给目标用户。随着系统中资源数目和用户数目的不断增加,在整个资源空间上用户评分数据极端稀疏,给有效的查找最近邻居带来了很大的困难。本文采用了一种推荐算法——基于矩阵划分和兴趣方差的合作推荐算法,它采用矩阵分块的思想来缩小最近邻搜索的范围,矩阵分块时,首先依据资源已有的分类体系对资源进行分类,然后对资源数比较多的类,由于没有明确的分类体系,所以采用了聚类方法,这大大降低了矩阵的维度和稀疏等级。在计算最近邻时,引入了兴趣方差的概念,提高了计算最近邻的准确度。实验证明,本文提出的这种算法在预测精度上较传统的推荐算法和没有引入兴趣方差的推荐算法有很大的提高。 基于内容的推荐利用信息资源与用户兴趣之间的相似性来过滤信息,把符合用户兴趣的资源推荐给用户。在传统的信息推荐系统中,用户模型是用一组表征用户兴趣的关键词来表示的,词与词之间是孤立的,由于没有考虑词之间的内在关系,造成了系统推荐质量的下降。本文设计了一个信息推荐系统CarInfo,在这个系统中引入了人工智能界的一个概念Ontology,它根据词之间的关系把零散的关键词组织成一个网状结构,提供了一个用户特征的抽象视图,在推荐时系统能够区分用户的明确兴趣和潜在兴趣,并根据用户的实际选择对用户模型进行修正。初步实验验证了系统的可行性。