互联网技术、云计算和智能手机的迅速发展,使数据量呈现指数形式增长,人们已经进入了大数据时代。然而,大数据时代的信息过载已经成为了人们生活中的一大难题,用户难以有效地获取有价值的信息。为了解决信息过载的问题,推荐系统应运而生。其思想是根据海量用户数据及其评分数据找到与目标用户评分相似的用户集合,并将这些用户作为邻居,然后根据他们喜欢的物品组织成一个有序的目录进行推荐,协同过滤算法的关键在于计算用户之间的相似度。但是实际应用上,传统的协同过滤算法只使用了用户的项目评分表,计算用户之间的评分相似性,并没有考虑用户评分差异和用户兴趣等实际问题,从而导致推荐质量不高。为了解决上述问题,本文主要从用户评分差异与用户兴趣两个方面进行了研究,主要内容有以下几点:1.针对传统推荐算法准确度不高的问题,提出了一种改进的基于用户评分差异的协同过滤推荐算法,该算法考虑了不同用户评分项目的差异。首先,在计算用户评分差异时,将用户评分差异因子加入到传统的相似度算法中,最佳评分差异因子由实验获得。然后,再加入热门物品惩罚因子,减少了用户因为选择热门物品而导致相似的可能性,进而得到用户评分差异综合算法模型。实验结果表明,与传统算法相比,本文提出改进的算法具有较高的准确度。2.针对协同过滤推荐算法中的稀疏度过高问题,提出了一种改进的基于用户兴趣的协同过滤推荐算法,该算法考虑了用户对项目类型的兴趣度和用户自身的属性。首先,计算每个用户对项目的每个属性的兴趣度,进而计算用户间的兴趣相似度;然后,建立用户属性模型计算用户属性间的相似度;最终将两者相似度融入到传统相似度算法中。测试数据采用Movielens数据集,验证了本文提出改进的算法不仅提高了推荐的准确度,而且在数据稀疏的情况下也能获得较好的结果。