协同过滤(Collaborative Filtering)作为一项信息发现技术,近年来被广泛应用在推荐系统的实现中。协同过滤利用所有用户(User)跟所有物品(Item,被推荐的内容)的历史交互信息,预测目标用户的兴趣和需求,从而给目标用户提供个性化推荐。它以其良好的可移植性和推荐精度,成为了最成功的推荐算法之一。然而,在协同过滤方法中,传统的Top-N推荐策略在挖掘用户需求时,只考虑了用户的打分因素。在某些场景下,如电影推荐、音乐推荐等,目标用户的需求不只体现在打分上。那些只关注打分的推荐策略,一方面并不能很好的满足用户的需求,另一方面,也不能很好地完成推广物品的任务。事实上,在这些推荐应用场景下,用户作出的对某个物品的选择也在很大程度上反映了用户的需求。本文正是针对传统推荐系统在这些应用场景下的对用户需求挖掘不充分的问题,结合人类行为学的一项理论:马斯洛层次需求理论,设计了一种可以兼顾用户品味(打分)与用户选择(选择)的新推荐策略,并对这个新策略的合理性作进一步研究。简单地来说,我们的工作就是在传统的协同过滤算法基础之上,引入了层次的概念,使得传统的推荐系统能够更加全面地满足用户的层次化需求。本文的主要贡献在于:(1)首次在对推荐系统的需求分析中引入了一种层次化的新概念;(2)成功地对传统协同过滤算法进行了层次优化,不仅使它们能够满足用户的层次化需求,而且能够很大程度地提升推荐精度和推荐覆盖率。对两个真实数据集的实验结果表明,我们的算法在推荐系统的各项指标(包括精度、覆盖率和层次信息保持度)上都取得了令人满意的效果。