伴随着互联网技术快速迭代和发展,过去30年间人类社会产生的信息量已大大超过人类有史以来产生的总信息量,人们陷入到信息的汪洋中,如何高效地寻找到自己真正需要的信息资源成为一个难题。个性化推荐通过分析用户行为,为用户建立兴趣模型,预测用户行为模式,再主动将有效信息推荐给用户,从而在一定程度上解决了用户获取有用信息的难度。然而对于汽车这种低频次购买的特殊商品,不像人们平时生活中的普通用品,它本身有着复杂度高、相关参数众多等特点,所以在推荐任务过程中,对不经常接触这一领域的用户,会遇到相关领域知识匮乏,对于汽车销售商,会遇到用户历史交易数据少等困难。如何将个性化推荐成功应用于汽车购买领域,让用户更方便选购汽车,让汽车销售商更准确推荐汽车,是摆在用户和汽车销售商面前亟需解决的问题,同时也是本文研究的目的所在。本文在相关理论与国内外学者科研成果研究基础上,面向新用户的需求,建立了汽车推荐算法,本文取得的主要研究成果如下:1.通过比较现有推荐算法,确定了本文使用的个性化推荐算法的框架-基于知识的推荐算法,并对该算法及相关技术进行了详细的分析与介绍。2.通过网络爬虫获取到本文所需的汽车数据,分析不同群体对车型、价格、出行目的的偏好,对在线评论文本进行了分析,并绘制不同用户、不同车型的词云图。3.针对新用户的购车需求,通过会话交互的方式获得新用户的购车需求,从而得到新用户的特征,结合已购车用户数据分别建立基于皮尔逊相似度、余弦相似度的汽车推荐算法,进而克服了新用户推荐中面临的-冷启动和稀疏性问题。基于以上研究成果对于新用户而言,该方法的应用使用户从信息的汪洋中快速获得有用信息成为可能,对于汽车销售商来说,该方法的运用极大缩减了在向用户推荐汽车过程中所花费的时间与精力。因此本文的研究成果在汽车购买领域具有重要的理论意义与实际应用价值。