文 献 综 述 1、 选题目的和意义： Web2.0甚至Web3.0时代到来后，互联网的边界越来越广阔，各平台信息过载的现象越来越严峻，广泛的数据分享带来的是数据的指数级增长，用户在大量的信息空间中无法快速找寻到其真正需要的信息，基于此，个性化推荐系统应运而生。

基于算法机制下的个性化推荐系统是基于用户洞察所形成的个性化信息的智能匹配，根据个性化需求聚合相关的信息和应用，并以此对信息进行深度智能分析，以实现用户个性化的动态的需求的机制。

个性化推荐服务广泛存在于各个领域，这种推荐要考虑不同的因素及不同的方式，那么对推荐质量的评价尤为重要。

本课题利用博弈论的方法对推荐质量进行评价，从而优化推荐算法。

这样我们可以依据数学模型来优化算法，从而能够针对具有特定需求、特定特征的特殊受众，提升信息的精准度和传播的有效性，并且，传播者可以从算法及其所提供和依据的数据中，对推送内容的前道工序进行进一步的改进和优化。

2、 国内外研究现状： 推荐系统是信息过滤系统的一个子类，它试图预测用户对某个商品的偏好，以改变网站或平台与用户沟通的方式。

针对个性化推荐系统的研究始于国外，且直到20世纪90年代才由理论创想走向技术研发。

1937年，英国数学家图灵在《伦敦数学会文集》发表题为《论数字计算在决断难题中的应用》的论文，首次提出一种可以辅助数学研究的机器（即”图灵机”）。

1958年美国心理学家罗森布拉特提出第一个具有完整算法描述的神经网络学习算法，在神经元的结构中加入了训练修正参数机制，即感知器模型，由此机器智能和脑科学实现有机对接，搭建了算法新闻的基本学理架构。

自1992年Tapestry系统首次使用协同过滤的算法机制对电子邮件进行过滤从而开创了推荐算法的研究领域以来，推荐算法在新闻传播、电子商务等领域飞速发展并逐渐成为了一门独立的学科。