信息爆炸是大数据时代的典型特征。学习者可以很容易从网上找到各种各样的知识信息,但信息的膨胀也让学习者很难寻找到自己想要的信息从而陷入到知识过载的问题中。如何有效地了解用户的知识服务需求,为用户提供个性化的知识推荐服务,为知识服务的发展提供有效的技术支持和保障便成为一个值得解决研究的问题。目前我们在进行知识推送服务时,往往会因为数据的稀疏性问题而导致无法充分挖掘用户与项目的潜在信息,从而导致我们的推送准确率降低,影响我们的知识推送质量。为了有效地解决这些问题,本文进行了以下三个部分的研究工作:(1)提出一种面向知识服务的基于内容的优化算法(A content-based optimization algorithm for knowledge services,CBOKS)。综合多项数据源对文献进行特征提取,使得文献能够尽可能被准确地表示成所需要的特征向量。提取的特征词并不见得都是等价的,文献也有自己的侧重点,根据不同的侧重点赋予其不同的权值。用户的喜好特征并不是一成不变的,在某一时期关注的知识点也会不一样,为了体现这种动态的特征,我们对用户的喜好信息进行动态迁移,满足用户的实际获取需求。为某用户进行特征推荐时,内容往往会趋于单一化,为了避免这种问题,我们采用多用户联合比对的方式对候选文献进行测评,来增加一定的新颖性。(2)提出了一种基于协同矩阵分解的重复预测机制(A repeated prediction mechanism based on collaborative matrix factorization,RPCMF)。考虑到不同的用户具有不同的评分方案的事实,为了消除基于向量的相似性的缺点,我们将某一用户对当前项目的评分数据减去数据库中该项目的用户平均评分,以此将所有用户标准拉回同一基准。同时融合多种算法的优势,充分利用协同过滤方法对于稀疏矩阵的处理效果以及矩阵分解的高准确性,对于评测值不同的数值通过对比机制进行重新评测,以此达到精准预测、精准推送的目的。(3)在上述两种机制的基础上,本文设计并构建了面向知识服务的个性化推荐系统,并详细阐述了系统的体系架构、设计目的、适用对象。本系统主要采用浏览器/服务器的设计模式,用户可以通过本系统查看相关论文信息以及系统为当前用户提供的个性化知识推荐服务等相关功能。