为提高在非线性可分数据上的推荐质量，采用基于核函数的多特征线性判别分析建立推
荐模型． 基于多维特征数据，采用非线性映射转换到高维特征空间，通过构建基于核的映射函数，
将特征映像转换为内积空间的特征子集，最终建立基于核函数的多特征线性判别分析的分类准
则，对于用户喜好的物品进行分类判别并生成推荐． 实验结果表明: 在20%、40%、60%、80% 的
数据作为训练集，其余为测试集的实验条件下，随着推荐列表长度Ｒ 的增加，推荐准确率呈现
先升后降的趋势，在25≤ Ｒ ≤35 区间内，能够取得最优的平均绝对误差0． 34． 所提方法与现
有方法相比准确率平均提升18． 01%，多样性平均提升42． 29%，而所用时间开销仅增加6． 21%．
对历史偏好数据进行特征映射，有助于提高推荐准确率与多样性．
