国外的研究和应用的推荐技术开始较早，在用户模型方面，常用的用户建模技术，用户评价矩阵，向量空间模型和机器学习技术。文档用户最近邻和不同权重的项目推荐的方法来提高质量。协同过滤推荐算法的缺点是不能够及时方便的进行推荐，因此专家建议使用数据挖掘技术，分析用户的隐含等级，从各种数据挖掘技术应用到推荐系统。数据挖掘技术的有点事能够提高推荐系统的精准度。47266

目前我国理论和技术推荐系统研究较多，取得了丰硕的成果。黄等和周涛，分别与其他用户-产品二部图创建了用户-产品关系[ ]，并提出了一种基于网络结构的推荐算法。稀疏的评分数据，文献提出了一种协同过滤推荐算法的优化，提出了一个基于项目的协同过滤评分预测算法，一种新的相似性度量计算目标用户的最近邻居。算法的可扩展性，文献表明，基于项目的协同过滤推荐算法的聚类质量显著提高推荐系统的推荐。鉴于以上各种推荐算法都有自身的优缺点，许多研究者提出了采用组合推荐算法，来克服单一推荐算法的缺点，综合各自的优点。如基于内容的文档提出了合作机制和信息推荐模式，认为资源型协同过滤技术的语义相似性，文学稀疏性和冷启动问题进行了系统的研究。

2. 发展趋势

随着信息技术和互联网的发展，信息爆炸使人们从信息匮乏的时代走到了信息过载的时代，面对大量的信息，用户很难从中快速获取对自己有用的信息。因此过滤信息的能力成为了衡量一个信息系统好坏的重要标准。

大量的门户网站，搜索引擎以及各种数据索引系统实质上都是为了帮助人们从少量信息中快速过滤信息。其中以搜索引擎为代表的信息检索系统，比如百度、谷歌等，它们在帮助用户获取网络信息方面发挥着极其重要的作用论文网，它们的出现在一定程度上解决了信息过载问题，但还远远不够。首先搜索引擎要求用户主动输入搜索关键字并选择搜索结果，当用户对结果不满意则必需修改搜索关键字重新搜索。另外搜索引擎对于任何用户的相同搜索，得到的结果是一模一样的，即没有个性化。推荐系统是可以根据用户的需求、喜好等主动给用户推荐他可能感兴趣的信息的个性化信息服务系统。与搜索引擎单纯地依靠用户提供的搜索关键字进行过滤的方式不同，推荐系统是通过分析用户资料，用户行为和物品属性计算出用户的偏好的方式进行个性化推荐。推荐系统不仅能理解用户明确的需求，还能发现用户的潜在兴趣，从而引导用户发现自己真正的需求，这解决了搜索引擎中需求转化成关键字的问题。相对于搜索引擎，推荐系统在实现个性化服务同时，极大地简化了用户获取信息的过程，许多搜索引擎引入了推荐系统的思想。推荐系统已经成为传统搜索引擎的一个不可或缺的补充，它们共同承担着解决当今信息过载问题的重任。

推荐系统已经广泛地应用到许多不同领域，电子商务是其中最典型并具有良好发展和应用前景的领域，比如Amazon，Netflix等。与此同时，在商业应用的推动下，学术界对推荐系统的研究也一直很活跃，发展出了许多有效的推荐技术