随着互联网技术和社会经济文化产业的发展,诸如电子商品、数字新闻、在线电影等越来越多的数字信息在网络中呈现指数式暴涨,用户想从海量数据中寻找和发现自己感兴趣的信息变得非常困难。推荐系统可以根据用户的历史行为信息,准确预测用户喜好,帮助用户在海量数据中快速找到他们感兴趣的信息,极大提升信息传播的效率。论文提出了基于用户聚类的局部模型加权融合推荐算法和基于随机锚点对选择的局部模型加权融合推荐算法,分别来解决传统单一模型推荐算法无法捕捉局部信息的问题和数据稀疏场景下模型过拟合的问题。基于上述推荐算法,论文实现了Web环境下的电影可视推荐系统RecVis,通过把推荐算法生成的用户画像和推荐过程可视化,来解决传统推荐系统的黒盒模型问题。此外,论文利用豆瓣电影数据设计相关实验,证明了本文提出推荐算法的有效性,通过对可视电影推荐系统进行案例分析,验证了该系统的实用性。论文的主要工作如下:(1)基于用户聚类的局部模型加权融合推荐算法:为了解决传统单一推荐模型无法准确捕捉局部特征的问题,论文提出基于用户聚类的局部模型加权融合推荐算法。该算法利用LDA主题模型结合电影标签信息训练得到用户特征向量,并使用谱聚类算法完成局部人群划分。算法利用SLIM稀疏线性模型作为基本推荐模型,为每个局部人群以及整体人群分别训练对应的局部推荐模型和全局推荐模型,最后通过局部模型和全局模型之间线性加权融合得到最终的融合推荐模型。(2)基于随机锚点对选择的局部模型加权融合推荐算法:为了解决传统单一推荐模型在训练数据稀疏场景下产生过拟合的问题,论文提出基于随机锚点对选择的局部模型加权融合推荐算法。该算法利用LDA主题模型和GBDT梯度提升决策树模型结合电影文本信息分别训练得到用户特征向量和电影特征向量,并通过随机锚点对选择的方法构造多个局部训练矩阵,然后用SLIM稀疏线性模型作为基本推荐模型为每个局部训练矩阵训练对应的局部推荐模型,加权融合得到最终的融合推荐模型。(3)基于Web的交互式电影可视推荐系统RecVis:为了解决传统推荐系统的黒盒模型问题,论文实现了基于Web的交互式电影可视推荐系统RecVis。该系统通过把推荐算法生成的用户画像通过电影标签词云、用户主题雷达图和主题层次气泡图的方式进行可视化展示,提高了整个系统的透明性,增强了用户对推荐结果的理解。同时,系统通过设计电影气泡云图让用户与系统进行交互反馈,用户可以自定义推荐模型参数,实时产生新的推荐结果,增加了用户对推荐过程的控制,提升了推荐的乐趣。