推荐系统是解决信息过载问题的有效方法,核心就是利用推荐算法为用户提供个性化服务。常用的推荐算法有协同过滤、基于内容的推荐算法、隐语义模型和混合推荐等,但大部分推荐算法倾向于热门物品的推荐,使长尾物品的推荐依然面临着严重的挑战。针对长尾物品的推荐,本文从两个视角对这一问题进行研究。首先从用户与物品之间的关系视角出发,通过利用主题这一隐含变量来解释用户和物品这两种实体之间的联系;其次从用户间的关系视角出发,提出以用户偏好主题为基础,利用改进实值RBM的协同过滤方法,构建用户间的关系,实现对目标用户未知偏好主题的预测。具体研究内容如下:(1)通过分析长尾物品的特点,提出基于长尾物品推荐的“用户-主题-物品”三层架构推荐模型,并把该推荐模型架构分为“用户-主题”和“物品-主题”两个部分。“用户-主题”部分以用户历史行为数据为基础,利用主题模型提取主题,以构建用户兴趣偏好主题模型,“物品-主题”部分以物品内容数据为基础,利用主题模型提取主题,构建物品的特征主题,最后计算用户兴趣偏好主题和物品特征主题的相似度,实现对长尾物品的推荐;(2)为克服主题模型在长尾物品推荐时,不具有引导用户发现新兴趣领域的缺陷,提出以用户偏好主题为基础,融合基于改进实值RBM的协同过滤方法,构建用户偏好主题预测模型,实现对目标用户未知偏好主题的预测,以发现用户新的兴趣领域;(3)通过分析用户偏好主题的特点可知,由于同一用户对应若干不同主题,不同主题间可能有相同的主题词,造成传统实值RBM可视层的神经元不能与主题词一一对应,提出每个实值RBM对应用户的一个主题,相同主题词共享权重和偏置。另外,传统实值RBM的可视层采用从高斯分布中采样,来拟合训练样本的分布,由于本文提取出的主题词符合“词分布”(多项式分布),可以让实值RBM直接拟合训练样本的分布,提出使用ReLU作为实值RBM可视层的激活函数,实验结果显示,改进的实值RBM对用户偏好主题具有较好的预测能力;(4)在利用实值RBM预测主题时,是以主题为预测目标,每个用户偏好对应多个主题,而每个主题对应一个实值RBM,提出每个用户对应一个实值RBMs,不同用户之间,通过把近邻用户中相同主题词的平均实值RBM权重值,作为目标用户待预测主题中主题词的实值RBM权重。