为了帮助用户快速的发现感兴趣的多媒体资源,本文设计了一个多媒体资源的个性化推荐算法。本文采用实习期间参与的阅读平台开发项目的相关数据集对用户评分策略、用户特征模型、协同过滤推荐冷启动三方面的问题进行研究。本文主要工作内容如下:(1)用户评分处理针对此问题,本文的主要思路是利用用户的行为反馈作为用户对资源的评价指标,对用户不同类别的行为赋以相当的权重,权重的确定主要使用熵权法进行计算。处理流程包括:首先定义规范化标签,确定资源的特征模型和用户的操作表示,最后根据资源-标签关联矩阵和用户-资源关联矩阵,以及经过分析得到的行为权重,获得用户-标签的行为评分表示。(2)用户特征提取通过相关案例分析,发现了现有推荐算法中存在用户特征挖掘不准确的问题,本文的主要思路是利用用户的标签特征、行为特征和时间权重特征三个方面对用户特征进行分析,建立起用户的特征模型。(3)协同过滤算法改进利用本文已经改进的用户特征提取方式,基于协同过滤算法寻找相似用户,计算推荐结果。考虑到目标用户相似邻居规模的问题,本文最终推荐结果的计算分为两个部分:依赖目标用户特征和依赖相似用户同时进行推荐,设置参数进行调整。通过实验验证,证明了本文推荐的有效性和准确性。(4)协同过滤算法冷启动问题研究为了解决协同过滤算法经典的新用户冷启动问题,本文的主要思路是根据用户的四个基本信息属性:年龄、性别、职业和居住地来进行分析,根据非新用户基本信息创建决策树分类器,当新用户进入系统时,利用决策树将其归类到相似的类别中,根据相似的非新用户的特征模型构建出新用户的特征模型从而完成推荐。通过实验验证,证明了该算法的有效性和准确性。最后,针对本文提出的多媒体资源个性化推荐方法进行可行性验证。主要包括需求分析,推荐功能设计和实现。