大数据背景下,海量信息带来的信息过载问题日益严峻,如何高效快速地为用户寻找到满足需求的资源,已成为当前亟待解决的问题。推荐系统作为解决上述问题的重要工具,得到了学术界和工业界的广泛研究和应用。目前如何为用户提供更加个性化的建议是推荐算法的主要研究目标,协同过滤算法作为推荐领域中最经典的算法之一,通过具有相似喜好的用户群组为目标用户进行个性化推荐。然而伴随着数据量的不断增大,传统的协同过滤算法存在数据稀疏性、长尾现象导致的推荐精度降低等问题。针对上述问题,提出一种融合本体语义与用户属性的协同过滤推荐算法。首先,根据本体中项目的属性信息,利用本体语义相似度方法计算项目之间的相似度,构建项目相似度矩阵;其次,根据用户-项目评分矩阵提取用户属性信息,即用户兴趣度和差异度,构建用户相似度矩阵,进而融合本体语义与用户属性形成用户偏好矩阵;最后,对用户偏好矩阵的预测评分进行加权处理,完成TOP-N推荐。实验采用Movielens数据集,结果表明融合本体语义与用户属性的协同过滤推荐算法与当前流行的推荐算法相比,MAE值最低,准确率达到71%,在整体性以及新颖度上都优于其他推荐算法。该论文有图20幅,表16个,参考文献68篇。