推荐系统的研究由来已久,在电子商务等领域也得到最为广泛的应用。不同于其他领域,电商领域中用户与商品之间的交互信息更为丰富,充分利用这些信息可以极大的提高现有推荐系统的推荐效果。其中,捆绑信息就是指以用户行为为连接建立的商品之间的相互联系,如共同被购买、共同被访问、浏览后被购买等,这些虽然表现为用户主观行为的结果,但是事实上反映了商品之间的客观联系。本文主要介绍在协同过滤推荐算法中引入和利用商品捆绑信息来改进推荐效果的方法。本文重点研究了三个内容:第一是利用商品捆绑信息来填充现有用户评分矩阵,针对不同的用户行为设计不同的权值分配,并根据商品捆绑信息体现的相关性来对用户未评分项目进行有选择的评分填充,其中,在商品相似度、填充评分设计等方面都做了研究。第二是利用商品捆绑信息来修订现有用户评分矩阵。本文利用商品的类别、标签等固有信息,挖掘商品与商品间的联系,设置捆绑函数,这种联系并不取决于用户-商品评分数据。改进后的用户对商品的评分则由两部分构成:第一是通过用户和物品本身特征得到的对物品评分的预估,第二是与要评分的物品相关联的物品的评分来预测物品评分。第三是利用商品捆绑信息来完善现有神经网络推荐算法,算法将用户、商品以及商品类型信息作为神经网络输入,通过输入数据维度的增加来提高推荐的效果,具体方法是将用户信息、商品信息嵌入神经网络之中来生成用户特征矩阵和商品特征矩阵,其中,商品信息需要考虑商品类别的影响。最后,对合并的用户特征向量与商品特征向量做点乘运算,即可得到预测的结果。实验采用了从亚马逊数据集获得的Musical Instruments数据集,根据数据集中的4种商品共同购买关系(relate属性),合理设计上述三种研究内容的实现方法。文章最后对相关实验结果做了详细说明,实现了加入捆绑信息的推荐系统,验证捆绑推荐系统的效果。将结果与常规的协同过滤算法得到的结果相比较,实验表明,通过增加根据商品捆绑信息的评分填充、改变捆绑系数和增加神经网络推荐算法输入,都可以在特定环境里提升用户商品评分的准确性,同时也提升给出的推荐列表的精确性。