近年来,推荐系统在互联网上的应用越来越广泛,也受到了许多专家学者们的更多关注。推荐系统是可以帮助用户从海量的数据中快速找到符合自己个性化需求的信息。然而,随着大数据时代的到来,使得现有的推荐算法面临着许多新的挑战,例如用户和项目数量巨增产生的数据稀疏性和可扩展性问题;新用户或项目刚加入到推荐系统中产生的冷启动问题。针对这些挑战,本论文进行了研究,其主要工作如下:(1)提出一种基于改进TF-IDF的项目语义表示模型。针对TF-IDF算法中仅统计特征词词频,未考虑特征词本身含义的不足,本论文利用特征词之间的语义相似性构建了计算语义词频的方法来改进TF-IDF算法,进一步加强了对项目描述文本有重要意义的特征词权重,然后结合word2vec模型加权平均计算整个项目的语义向量,使得项目语义特征更加鲜明,便于在语义上区分项目的差异。(2)提出了一种基于项目语义表示模型的矩阵分解算法。在矩阵分解的基础上,引入了额外的辅助数据项目描述文本信息,通过项目语义表示模型计算项目语义向量,然后在矩阵分解中假设了一种用户语义偏好潜在特征进行建模,从而实现了将项目语义融入到矩阵分解中,在预测评分中结合了用户语义偏好上的主观影响因素。通过实验证明了该算法提高了预测评分的精度,并有效地缓解了数据稀疏性的影响。(3)提出了一种基于补全评分矩阵的协同过滤冷启动推荐算法。在基于项目语义表示模型的矩阵分解补全评分矩阵的基础上,针对冷启动的问题,利用用户和项目固有特征的信息进行协同过滤冷启动推荐。利用用户属性信息和项目语义信息分别构建用户和项目的相似度计算方式,并通过聚类算法k-means对用户和项目分别聚类,根据聚类结果对用户-项目评分矩阵进行数据分割,将原本维度高的用户-项目矩阵分为多个维度较低的小矩阵,最后利用小矩阵中的数据进行协同过滤冷启动推荐。该算法不仅可以解决冷启动问题,而且还提升了推荐系统的可扩展性和实时性。