1、電子商務的快速發(fā)展為在線用戶提供了大量的商品和信息。人們比以住能夠更容易、更直接地通過網絡獲取各種在線的商品信息。然而，網絡上的信息浩瀚如海，且增長和更新的速度愈來愈快，分布在網絡當中的各個角落，對于每個用戶來說，尚無完善的管理結構。這就出現了“信息迷向”和“資源過載”。因此，為在線用戶提供個性化推薦服務是電子商務網站的需求，也是今后的服務模式所趨。個性化推薦系統(tǒng)中最關鍵的部分是個性化推薦技術，即所采用的推薦方法和模型能有效地獲取用戶興

2、趣，盡可能推薦符合其興趣的商品，同時也幫助網站吸引用戶，提高用戶的忠誠度。作為個性化推薦技術中應用最廣泛和最為先進的方法之一——協(xié)同過濾推薦技術，能把與活動用戶具有相似興趣的其他用戶的意見提供給活動用戶。此法利用用戶的歷史信息計算用戶之間的相似性，然后利用與目標用戶相似性較高的鄰居對其他產品的評價來預測目標用戶對特定產品的喜好程度，系統(tǒng)根據這一喜好程度來對目標用戶進行推薦。協(xié)同過濾推薦方法的優(yōu)點就是對推薦對象沒有特殊的要求，能處理書籍、

3、音樂、電影等難以進行文本結構化表示的對象。而隨著系統(tǒng)中用戶和項目數的不斷增加，在整個項目空間上用戶評分數據會極端稀疏，在實際推進行推薦時，受可擴展性和低精度性影響嚴重，使得在個性化推薦系統(tǒng)中應用受到一定限制。
　　 本文提出一種新的協(xié)同推薦模型——基于粗糙集的協(xié)同推薦模型。它主要針對個性化推薦精度低的原因，認為是用戶多興趣性和用戶間接評分利用不足導致了傳統(tǒng)用戶相似度的計算不能很好地反映用戶之間的相似性。因此，提出將粗糙集方法引入

4、到協(xié)同過濾推薦方法中來，形成了本文的模型。它首先通過對用戶-項目評分信息在關注度層面上的粗糙用戶聚類，將用戶的多興趣性描述為多用戶群特性，可依據用戶的評分將用戶劃分在多個類中，這樣避免了由于用戶在邊界時可能導致相似性計算不準確的情況；同時，以粗糙用戶類的基礎上，通過對用戶-項目未評分值以改進的基于粗糙集填充方法進行填充，充分利用了用戶之間間接評分信息；最后使用基于偏好認定系數的方法進行新的相似度計算來進行預測和項目推薦。整個推薦過程便形