推荐系统是一种信息过滤系统,它通过分析用户的历史行为数据,帮助用户过滤掉海量数据中的垃圾信息,并为用户推荐合适的物品。协同过滤算法是推荐系统中应用最广泛的算法之一,它通过分析邻居用户的偏好信息来预测用户对物品的未知评分。但随着数据规模的增大,该算法也暴露出一些典型问题,如数据稀疏、可扩展性问题等。为了缓解上述问题,基于信息核的协同过滤算法被提出,其中信息核是通过消除一些潜在的噪声用户而获得的具有更多有用信息的一组真实用户。然而,由于丢失了用户的信息,由真实用户组成的信息核获得的推荐精度通常偏低。为克服这一缺点,本文提出了几种基于虚拟用户组成的虚拟信息核的推荐方法,在获取更高的推荐精度的同时,进一步缓解了可扩展性问题。本文主要从两方面出发:第一是构建出包含推荐信息更丰富的虚拟用户;第二是选取部分虚拟用户组成虚拟信息核,以更少的用户实现更好的推荐效果。具体包括以下内容:(1)提出了一种基于聚类及进化算法的虚拟信息核优化。首先,通过t-SNE算法将评分矩阵降维,获取用户的低维矩阵。然后,为了让用户信息被充分利用,基于用户的低维矩阵将用户多次重复聚类。最后,将聚类中心组成虚拟用户集,并基于进化算法从用户集中选取虚拟信息核。在计算适应度函数值时,通过构建规模更小的训练集和验证集来降低适应度评价代价并加快算法效率。实验结果表明本方法具有出色的推荐效果。(2)提出了一种基于聚类及多臂赌博机的虚拟信息核构建方法。该方法是在第一个方法基础上的改进,主要研究动机是提高虚拟信息核的选取效率。首先,基于已经获得的虚拟用户集,提出了利用多赌博赌博机选取虚拟信息核,通过ε-greedy算法实现赌博机的利用与探索过程,并重新定义了赌博机的奖赏机制,减轻了噪声反馈结果的影响。然后,根据评分预测偏差来更新每个臂的奖赏信息,从而获得虚拟用户的信任值。最后,利用信任值较大的一些虚拟用户组成虚拟信息核。实验结果充分说明了本方法选取出的虚拟信息核的推荐精度更高,且选取效率有了明显的提高。(3)提出了一种基于用户相似度及多臂赌博机的推荐方法。该方法是对第二个方法在构建时间和推荐精度上继续改进。首先,利用多臂赌博机从真实用户集中选取部分用户作为初始用户,并将其作为初始聚类中心。然后,根据与初始用户的相似度,将剩余用户重复分配至最相似的多个集群中。其次,更新每个集群的聚类中心,并将新的聚类中心组成虚拟用户集。最后,再次利用多臂赌博机选取虚拟用户组成虚拟信息核。实验结果表明本方法极大地缩短了构建虚拟用户的时间,提高了算法的效率,并且在推荐精度方面,本方法构建的虚拟用户取得了令人满意的结果。