随着信息技术的高速发展,互联网上的大量信息数据给人们带来了丰富的信息资源,在信息时代,人们即对这些大量的数据信息能够满足自己需求而满意,但又对有用的信息被覆盖、很难从这些大量的信息里获取真正的需要而困惑。为解决这些问题,个性化推荐系统应运而生。个性化推荐系统作能够代替用户评估所有未看过的商品,根据用户的行为及属性,帮助用户找到他们喜欢或者需要购买的商品。基于协同过滤的推荐算法是如今个性化推荐系统中研究最多应用最广泛的推荐算法,该算法只需要用户对项目的评分,具有适用范围广泛、局限性低、个性化程度高和易于发现新的兴趣点等特点。但协同过滤算法依然面临着准确性、冷启动及数据稀疏性问题。本文从提高算法准确性和缓解数据的稀疏性两个问题出发,首先,提出了基于用户偏好的协同过滤算法(UPCF),针对在现有的协同过滤算法中没有考虑用户自己的评分标准,忽略了时间因素对用户之间相似度的影响及预测评分的判断这两个问题,在计算相似度和预测评分时综合考虑了用户的评分标准不同会影响用户的相似度计算和用户偏好会随时间变化这两个因素。其次,为缓解数据稀疏性对算法造成的影响,本文在之前的研究基础上提出了基于用户信任网络的协同过滤算法(UTNCF),通过在原有算法中加入信任值度量,采用增益网络流的方法来解决信任的传播问题,以用户信任程度为基础对目标用户做评分预测,从而缓解数据稀疏性对推荐算法的影响。理论分析与对比实验结果证明,在同一数据集上,UPCF算法与其他传统协同过滤算法相比,能够有效地提高推荐结果的准确性;在不同稀疏性的数据集上,UTNCF算法能够缓解数据稀疏性的影响,提高推荐结果的准确性。