随着电子商务平台和技术的发展,可供用户选择的商品日益增多,用户面临着“信息过载”的问题。为此,许多电子商务平台都使用了推荐算法引导用户找到他们最有可能感兴趣的商品。传统的推荐算法虽然易于实现并能保证一定的推荐精度,但存在一个较大的缺陷,即仅适用于静态的数据环境,算法的训练过程只能离线完成。当面对有带有少量评分的新用户、新商品进入系统的情形时,传统的推荐算法需要联合已有数据以及新用户、新商品带有的数据重新训练整个模型,才能为新用户、新商品提供相应的推荐结果。而重新训练推荐模型这一过程往往要耗费大量的时间。为此,本文提出了一种基于自组织映射神经网络的在线推荐算法。该算法面对带有少量评分的新用户、新商品进入系统的情形,无需重新训练整个模型,而仅需根据新用户、新商品带有的少量数据对模型进行在线更新,即可实时地为新用户、新商品提供较高质量的推荐结果。该算法的训练和服务由三个阶段组成,分别是聚类阶段、评分预测阶段和在线更新阶段。在其中的在线更新阶段,本文针对新用户、新商品进入两种情形分别给出相应的模型更新机制设计。为进一步提高所提出算法的推荐性能,本文做了两方面创新:一方面是在算法的在线更新阶段引入神经元权向量距离,加大了对相邻神经元的权值更新的差异度;另一方面是在算法的评分预测阶段引入商品隶属度并提出一种新的评分预测方式,即将预测对象对多个类的隶属度以及预测对象对多个类偏好值的内积作为最终的评分预测结果,实现了对新用户、新商品带有评分的充分利用。在多个真实数据集上的实验结果表明,本文提出的基于自组织映射神经网络的在线推荐算法在推荐精度方面优于已有的几种在线推荐算法,且在大多情况下都能达到与利用全部数据重新训练的静态推荐算法相近的推荐精度。