● 摘要
搜索引擎技术在资源量巨大、用户需求不明确的时候不能完全满足用户不断增长地获取信息的需求，因此信息推荐技术应运而生。为了缓解信息过载的问题，方便中国科技资源网用户获取科技资源和服务，本文从以下三方面对信息推荐技术进行了研究。
（1）许多推荐系统通过用户的显式行为进行相关的推荐，而忽视了用户隐式行为的利用。本文将用户隐式行为转换为显式评分，进而建立用户项目评分模型。本文提出了三种将用户隐式行为转换显式评分的方式，分别为：多元线性回归、用户相对喜好和用户行为分类。在阿里数据集上的实验表明，基于用户行为分类的方法表现效果最优，其次是用户相对喜好的方法。该实验也说明本文提出的用户隐式行为转换为显式评分模型的有效性。
（2）针对协同过滤方法中不同项目的相似度计算出现的部分项目的相似度无法计算、对稀疏数据效果较差等问题，本文提出了Dice-Euclidean相似度算法。该算法综合考虑两个项目的共同评分数占总评分数的比例，评分向量夹角和评分向量距离三个因素来衡量向量的相似度。实验结果为：Dice-Euclidean算法相比Cosine、Pearson、Adjusted Cosine、CF-P-D算法，MAE值降低了10.2%、21.9%、6.3%、4.0%，另外，Dice-Euclidean算法相比其他算法在数据稀疏的情况下表现较好。
（3）大多数推荐系统在生成推荐列表时，往往倾向于考虑推荐列表的准确率而忽视推荐的多样性。本文在分析已有的推荐列表多样性改进算法的基础上，提出了通过聚类来提高推荐列表多样性的算法。该算法将待推荐的项目进行聚类分析，然后从每个类别中选出准确率最高的项目作为推荐结果。实验结果为：基于聚类的算法、基于流行度升序算法、基于项目预测评分升序的算法与标准排序算法相比在准确率分别损失1.87%、5.6%、7.0%情况下，多样性分别提高了66.2%、30.2%、31.7%。
在以上研究基础上，本文设计并实现了一个基于用户行为的信息推荐系统，并将其应用到中国科技资源网中。