在大数据时代,庞大的数据信息给社会带来了“数据爆炸”,给个人用户带来了“信息过载”问题。作为有效缓解“信息过载”问题的一种方法,推荐系统在社会生活中得到了广泛的应用。推荐系统作为一种信息过滤系统,从大量信息中挖掘出有用信息,为用户进行精准推荐,有效解决了个人用户的“信息过载”问题。同时,推荐系统在消费领域发挥着不可或缺的作用,推动了企业进行数据营销,给企业和社会带来了较高的经济效益。本文围绕基于机器学习的推荐算法,并进行了探索和研究,开展了以下几项研究工作:(1)提出了基于数据预填充和聚类的协同过滤推荐算法。该方法首先针对用户物品评分矩阵稀疏性问题,基于数据挖掘的思想对稀疏矩阵进行填充处理,并将评分填充问题建模为分类问题,使用了梯度提升树GBDT+LR算法实现了对稀疏矩阵进行部分评分数据的预填充处理,并通过选取合适的分类概率阈值,增加额外的有效信息的同时,避免了带来的噪声干扰。其次,使用了流形降维t-SNE算法和均值漂移聚类Meanshift算法,对预填充后的评分矩阵进行了降维和聚类,生成用户聚类中心,进一步改善了评分矩阵稀疏性问题。最后根据生成的聚类中心,计算目标用户和最近邻聚类中心的相似度,从而进行显式评分预测,对目标用户生成推荐列表。实验结果表明,该算法通过利用数据预填充、降维、聚类等算法,有效增加了额外信息,改善了数据稀疏性问题,提升了推荐准确率,具有良好的推荐效果。(2)提出了基于神经网络的交叉协同过滤算法。该方法针对传统推荐算法矩阵分解模型的泛化能力不足、信息损失等问题,将深度神经网络与矩阵分解相融合,并在网络结构中加入Cross显式特征交叉算子,挖掘用户和物品的显式高阶特征信息表达,预测用户对物品的隐式评分。实验结果表明,该算法发挥了深度神经网络的作用,增加了模型的泛化能力,充分挖掘了用户和物品的特征信息表示,减少了信息损失,具有较好的推荐效果和可扩展性。(3)提出了基于数据预填充的ALS算法的分布式实现。该方法针对用户物品评分矩阵稀疏性问题及推荐实时性需求,将数据预填充算法和ALS(交替最小二乘法)算法相结合,并在分布式计算平台Spark上进行了并行化实现。首先分析了分布式计算平台的优势;其次将数据预填充和ALS算法相结合,在Spark上进行了并行化实现,并针对实验参数进行了对比实验;最后将算法运行所消耗的时间在Spark和单机上进行了对比。实验结果表明,数据预填充能够为原始数据集带来额外的有效信息,减少误差损失;同时,Spark对大规模数据集计算有着显著的优势,能够缩短计算时间,具有良好的实时性和计算资源可扩展性。