信息化、智能化技术的快速发展引发了数据爆发式增长，大数据时代的到来也伴随着"信息过载"问题的出现。推荐系统是解决信息过载问题的有效方法，作为现阶段推荐算法当中应用为广泛的个性化推荐算法之一，协同过滤推荐算法有着该领域内其他推荐算法无法比拟的诸多优点。但是在实际应用场景中，协同过滤推荐算法仍然有较多问题亟须解决。
　　针对协同过滤推荐算法面对的数据稀疏性问题，《推荐系统关键技术的研究》分别采用数据填充方法、融合信任的概率矩阵分解模型、融合用户评分信息和项目评论特征的深度学习模型进行分析解决。针对协同过滤推荐算法面对的冷启动问题，《推荐系统关键技术的研究》分别采用K-means聚类算法与基于优化的遗传算法的K-means聚类混合算法进行分析解决。针对协同过滤推荐算法面对的扩展性问题，《推荐系统关键技术的研究》采用基于Hadoop平台MapReduce分布式计算、HDFS分布式存储模型进行算法并行化处理。同时，在真实的数据集上通过实验验证上述模型与算法的可行性与有效性。
　　《推荐系统关键技术的研究》共分为6章，包括推荐系统、数据填充方法、K-means聚类算法、基于混合算法的推荐系统、基于信任关系的推荐系统和融合多源数据的推荐系统。
　　《推荐系统关键技术的研究》可作为推荐系统研究方向高年级本科生和研究生的教材，也可供相关领域的技术人员和科研工作者阅读参考。

前言
第1章 推荐系统
1．1 什么是推荐系统
1．2 推荐系统的研究现状
1．3 推荐系统的评测

第2章 数据填充方法
2．1 协同过滤推荐算法概述
2．2 数据填充方法解决数据稀疏性问题
2．3 数据填充方法的并行化
2．4 实验评测及分析
2．5 小结

第3章 K-means聚类算法
3．1 K-means聚类算法的简介和特点
3．2 K-means聚类算法解决冷启动问题
3．3 K-means聚类算法的并行化
3．4 实验评测及分析
3．5 小结

第4章 基于混合算法的推荐系统
4．1 遗传算法
4．2 混合算法
4．3 混合算法解决冷启动问题
4．4 混合算法的并行化
4．5 推荐算法的并行化
4．6 实验评测及分析
4．7 小结

第5章 基于信任关系的推荐系统
5．1 信任关系
5．2 融合信任关系的推荐模型
5．3 实验评测及分析
5．4 小结

第6章 融合多源数据的推荐系统
6．1 融合评论数据的推荐系统
6．2 融合评分与评论数据的推荐系统
6．3 实验评测及分析
6．4 小结
参考文献