随着互联网上的资讯和数据爆炸式增长,用户获取资讯的方式不断变化,经历了门户网站、搜索引擎和推荐系统的演进。推荐系统也由以往的热门推荐发展为现在的个性化推荐。所谓个性化推荐就是指在推荐的同时,保证不同的用户获得符合各自个性的资讯,拥有更好的用户体验。协同过滤推荐算法是个性化推荐技术中最成功和应用最广泛的算法,它通过计算用户间的相似性来挑选目标用户的最近邻居集合,然后通过最近邻居集合的评分来预测目标用户对未评分项目的评分,从而产生推荐。但是,由于用户项目评分矩阵极端稀疏等原因,协同过滤推荐技术的推荐精度仍然有很大的改进空间。本文从提高协同过滤算法的推荐精度出发,做了以下两点工作。(1)将用户间的信任度引入相似度计算公式,提出了一种结合信任度的协同过滤改进算法。由于传统的协同过滤算法忽略了不同用户间的信任度直接影响着相似度的计算,所以在改进算法中,首先通过用户间评分的相近性、权威性和广泛性来计算用户间的直接信任度,然后通过信任传递机制计算用户间的间接信任度,最终生成综合信任度;接着,将传统协同过滤的相似度与用户间的综合信任度结合生成综合相似度;最后,使用综合相似度进行评分预测,最终产生推荐。(2)综合考虑了平均评分、项目的流行度、用户评分的不同特征对传统协同过滤算法相似度计算的影响,并提出了一种结合不同特征和降低流行度的协同过滤算法。改进算法在相似度计算过程中,认为用户间评分行为越不相同,则可以认为用户间越不相似,所以相似度计算公式可以反比加权不同特征因子;考虑到如果用户在评分历史中的平均打分更接近时,则我们可以认为这两个用户的记录更相似,因此改进算法加大平均评分因子在相似度计算中的比重;此外认为项目的流行程度影响着用户间的相似度,改进算法最后降低了流行项目在用户相似度计算中的权重。最后,以此计算出用户间的综合相似度,通过综合相似度来对目标用户进行评分预测,产生推荐。