协同过滤算法广泛应用于个性化推荐系统中。现有的基于社群相似性的协同过滤算法在新用户新商品的冷启动场景中难以使用，性能较差。对此，提出了一种基于矩阵分解和神经网络映射的冷启动推荐算法。首先，使用矩阵分解方法求出用户在潜在兴趣空间的向量表示；然后，训练神经网络学习从用户属性数据到潜在兴趣向量的映射关系；最后，融合用户的历史评分数据与属性数据各自生成的兴趣向量，给出平滑的推荐预测值。实验表明，当用户的评分记录很少时，预测性能有明显提升，融合用户的属性信息能较好地改善“冷启动”情况下推荐系统的性能。

为了提高电子商务推荐系统的性能，提出了考虑可信度的基于时效性的用户-项目-属性-标签四部图模型， 并针对该模型提出了一种新的推荐算法—融合可信度和时效标签的商品推荐算法．该模型算法改善新项目的冷启动问题；提出了基于评分信息的、基于项目属性的和基于用户时效标签的3种个性化预测评分方法，将这3种评 估方法融合，通过调节参数 α ， β 和 γ 平衡因子，判断这3种评估方法的影响因素权值，从而提高推荐的准确度．结果 表明该推荐算法既有较高的准确度，也有较高的新颖度，并且在某种程度上有效地处理了新项目推

为了提高电子商务推荐系统的性能，提出了考虑可信度的基于时效性的用户－项目－属性－标签四部图模型，并针对该模型提出了一种新的推荐算法———融合可信度和时效标签的商品推荐算法．该模型算法改善新项目的冷启动问题；提出了基于评分信息的、基于项目属性的和基于用户时效标签的３种个性化预测评分方法，将这３种评估方法融合，通过调节参数α，β和γ 平衡因子，判断这３种评估方法的影响因素权值，从而提高推荐的准确度．结果.表明该推荐算法既有较高的准确度，也有较高的新颖度，并且在某种程度上有效地处理了新项目推荐的冷启动

协同过滤算法的基本思想是利用兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息． 目前大部分算法对.于相似用户的分析都是基于用户的显式偏好，没有对用户的隐含偏好进行分析与利用． 用户的偏好不仅仅体现在对产品种类的.喜好上，对于产品各个属性的喜好程度、评分偏好和由偏好相似而建立的信任关系等，都反映了用户在交互时所隐含的偏好． 本.文提出了一种融合用户隐含偏好的社会化推荐算法:通过对评分矩阵进行分解得到用户和产品的潜在特征向量，利用用户的潜.在特征向量进行用户隐含属性偏好相似度的计算;为了缓解