随着大数据时代的到来,信息的海量增长使人们不得不面对信息过载的困局。推荐系统作为解决信息过载的有效技术手段,一经提出就吸引了众多学者的关注。协同过滤算法作为推荐系统领域中最常用的算法之一,随着数据的快速增长逐渐暴露了其固有的一些问题。其中,可扩展性问题是阻碍其发展的主要障碍之一。为了缓解该问题,学者们提出了各种各样的方法,基于信息核的推荐方法就是其中一种较为新颖的方法。目前主要是通过启发式的方法构建信息核,相比于传统协同过滤算法在推荐质量方面存在一定损失。针对这一问题,本文提出了基于进化及网络传播算法的信息核优化方法,用于减少在线推荐时间,以缓解可扩展性问题,同时也提升了推荐质量。具体内容安排如下:(1)提出了一种基于多子种群进化算法的信息核优化方法。首先,根据用户的度提出三种约束条件将种群划分为三个子种群。然后,将每种约束条件与信息核都编码在种群个体中,通过进化迭代自动搜索出较好的度阈值。最后,利用精英保留策略保留竞争能力较强的子代个体构成下一代种群,在种群个体总数不变的情况下,竞争力强的子种群规模逐渐增大,而竞争力弱的子种群规模会逐渐缩小甚至被完全淘汰。实验结果表明,本方法能够有效地发现信息核,从而得到了比其他对比方法更好的推荐质量。此外,极大地减少了在线推荐的时间。(2)提出了一种基于进化及聚类算法的虚拟信息核优化方法,该方法旨在提高系统中用户信息的利用率,构建包含信息更丰富的虚拟核用户。首先,提出了一个简单“平均法”去融合多个用户的信息来构成虚拟核用户。然后,将搜索虚拟信息核的问题建模为组合优化问题,并通过进化算法去解决该问题。最后,为了使离线优化更有效率,我们提出两种改进策略。第一种策略是通过降维和聚类构建更小的训练集和验证集;第二种策略是引进一种基于降维和聚类的相似度方法。实验结果表明,基于进化及聚类算法的虚拟信息核优化方法进一步提高了推荐质量,其在线推荐时间与对比方法相比更短,具有更强的缓解可扩展性问题的能力。(3)提出了一种基于聚类及网络传播算法的虚拟信息核优化方法,该方法旨在减少虚拟信息核的离线优化时间,同时进一步利用系统中用户的信息去构建性能更好的虚拟信息核。首先,为了减少重复聚类的时间以及获得更好的聚类效果,我们利用t-SNE算法获得用户的低维数据。然后,将用户的低维数据进行重复聚类,并在用户的高维数据中计算每个簇的聚类中心,从而获得虚拟用户。最后,利用改进的网络传播算法从虚拟用户中选出一些虚拟核用户来组成虚拟信息核。实验结果表明,通过该方法构建的虚拟信息核进一步提高了推荐质量,并且大大减少了虚拟信息核的离线优化时间。