传统的基于用户的协同过滤推荐算法假设用户在每个产品只有一个评分,并通过欧式距离或余弦相似性计算用户在产品间的评分相似性,忽略用户在产品属性评分的偏好以及产品属性间的相关性,因此,导致推荐的准确度受到影响。本研究针对这一问题,提出一种基于度量学习的多维度聚合推荐算法,并将改进的算法应用于酒店推荐中。本文主要工作有以下几个方面:1.分析用户在产品维度评分信息对用户近邻集合生成的影响,提出在用户近邻集合计算过程中加入用户对产品各维度的评分,以考虑用户对产品的个性化特征。对存在的评分缺失问题,利用情感分析技术从用户评论中分析用户的情感倾向,获取用户的情感值,并利用该情感值完成评分缺失数据填充。通过实验验证,评分维度的扩展提高了推荐的准确率。2.对于协同过滤算法中产品维度的扩展问题,提出基于度量学习的多维度聚合算法,针对产品属性间存在的相关性,其利用马氏距离学习用户在不同产品的相同属性的评分偏好矩阵,完成用户-产品初始多维评分矩阵获取,在此基础上,引入聚合函数为每位用户训练回归函数。该算法通过构造用户总评分与产品各属性之间的关系聚合函数,并将它应用于采用度量学习得到的用户初始多维评分中,实现产品评分预测。实验结果表明,改进的算法提高了推荐的准确度。3.根据酒店推荐的意义,将本文改进的算法应用于酒店推荐中。实现目标用户推荐TOP-K酒店和TOP-N邻居及相似性的生成,实现为用户最大效益推荐。