推荐系统因具有主动服务、个性化定制等优点,被广泛应用于电子商务、在线视频、在线音乐、序列推荐、广告投放等领域。然而,当推荐系统应用到各个领域时,其面临着不同的推荐场景。在不同的场景中,推荐系统使用的模型、算法都不尽相同。因此,本文在推荐系统众多的应用场景中,针对最具代表性的偏好推荐和时序推荐两种推荐场景进行研究。偏好推荐场景常见于电子商务、在线娱乐等信息服务提供平台,根据用户的历史数据建立用户兴趣模型,预测用户偏好,通过相应的策略给出推荐方案。与之相比,时序推荐场景更加注重时间因素的影响,建立时序用户兴趣模型,给出具备时效性的推荐方案,常见于信息会随着时间变化的领域,如销量预测、安全检查、故障预警等。首先,本文在偏好推荐场景下针对基于kNN的协同过滤推荐算法提出了两种新的相似度,即Triangle相似度和TMJ相似度。两条评分向量在高维空间中可以构造出一个三角形,根据三角形关系,本文提出了 Triangle相似度,该相似度同时考虑了评分向量之间的角度和长度。然而,Triangle相似度仅考虑了共同评分项目信息,具有一定的局限性。因此,本文以Triangle相似度为基础,融合Jaccard相似度进行完善,提出了 TMJ相似度。本文在四个流行的数据集上比较了新相似度与其余8种常用相似度。实验结果表明,算法使用TMJ相似度得到的MAE和RSME均优于使用其他相似度,使用Triangle相似度时的表现也优于大部分相似度。其次,本文在时序推荐场景下,以油田钻井工人违章作业检测为背景,提出了基于移动平均预测的交互式序列推荐算法。该推荐算法主要采用了两个技术。第一个技术是时序预测,在初始阶段采用移动平均法预测所有待检测项目的发生次数。第二个技术是用户交互技术,该技术是在系统和用户交互后用来调整后续推荐子序列。算法在真实数据集上运行的实验结果表明,相较于现行的检测方案,本算法提供了一个更好的检测序列,降低安全风险。