随着Internet的发展,网上的各类资源都以惊人的速度增长着。要及时地在网络的海量信息中发现所需要的资源已经变得越来越困难,用户极需一种推荐系统帮助他们。个性化推荐系统可以帮助用户找到所需信息,能有效留住用户、提高网站的点击率和用户的忠诚度。进而辅助企业达到个性化营销的目的,提升销售量,创造最大的利润。个性化服务概念的兴起,也使得越来越多领域开始重视推荐系统的应用。个性化推荐系统在这种良好的发展趋势的推动和应用前景下,逐渐成为Web智能技术的一个重要研究内容,得到了众多研究者的广泛关注。近年来,协同过滤推荐技术在理论和实践中都得到了快速的发展,但是随着其应用系统规模的进一步扩大,它面临着一系列新的挑战。与此同时,把语用学理论应用于信息系统也逐步成为一个研究热点。语用学是研究符号与解释者之间的关系,研究一定语境条件下的语言和符号产生含义的理解及其产生的效果。本论文将计算语用学的基本思想应用于推荐系统中,包括对推荐系统中个性化情境分析、用户信任等级计算模型、基于情境及信任的推荐方法和算法的应用研究。研究开创性地提出了个性化情境和用户信任等级的概念,从一个新颖的角度解决了协同过滤推荐中的情境缺失和独立性假设问题,提高了推荐系统的推荐质量与抗评分攻击能力;同时,计算语用学在个性化推荐领域的应用研究对语用学本身的发展也具有推动作用。现将论文的主要研究内容和成果概括如下:①对个性化推荐系统目前的总体发展情况进行了综述。探讨了个性化概念的界定,总结并归类了现有的推荐技术,指出其各自的特点、适用范围;在此基础上,对协同过滤算法的目前研究进展进行总结、分类,并指出存在的问题,引出本文的研究意义,为下一步研究奠定理论基础。②对语用学的发展及其与个性化推荐的关系进行了分析。简述了语用学的发展历史,分析了语用学研究与个性化推荐研究的相似性,提出了计算语用学三要素,即溯因推理、信任和情境与个性化推荐的关系,为基于语用学的个性化资源推荐的研究奠定了理论基础。③提出个性化情境的概念、最显著个性化情境因素和多因素个性化情境等概念。把个性化情境引入协同过滤推荐系统,构建了基于个性化情境的推荐方法来解决情境缺失问题。然后提出基于最显著个性化情境因素的协同过滤推荐算法,通过实验证明最显著个性化情境因素对评分预测准确性的提高是有帮助的。进而提出基于多因素个性化情境的推荐方法,采用BP神经网络和RBF神经网络进行情境因素权重的学习,得到基于神经网络的个性化评分预测模型后进行评分预测和推荐,并通过实验验证了算法的有效性,说明多因素个性化情境的推荐更能提高评分预测的准确性。实验还证明径向基神经网络更能提高预测的准确性,基于多因素个性化情境的推荐算法比传统算法有更好的调和平均值和稳定性。④把信任引入协同过滤推荐系统,构建了一种基于信任的协同过滤推荐方法,为解决用户独立性假设问题提供了一种新的思路和方法。在分析信任的定义、性质以及信任与推荐的关系的基础上,提出基于用户兴趣相似性、评分相似性和评分相关性来构建用户关联图的方法,提出基于PageRank用户信任等级的UserRank计算方法,进而提出了基于用户信任等级的协同过滤推荐算法,并通过实验验证了算法的有效性和优越性。实验结果表明:将用户信任等级与经典的推荐算法结合,在不影响预测准确性的前提下可以提高算法防范评分攻击的能力。最后,提出基于情境和信任的综合推荐方法,作为一个综合情境因素和信任因素进行推荐的试探性工作。⑤将以上研究提出的个性化情境分析方法、信任等级计算方法和几种推荐方法用于构建一个基于语用的学习资源个性化推荐系统,列出了系统的体系结构、功能模块设计和结果展示等内容。