随着电子商务的普及和网站数目的指数增长,使用户的生活变得丰富多彩。但与此同时也带来了一定的烦恼,用户在海量的数据和信息面前常常感到无所适从,即出现信息过载现象。为解决这一问题,个性化推荐系统孕育而生,它为特定用户提供个性化的推荐。个性化推荐系统中的协同过滤算法,因为其原理简单易于实现的特点,得到了广泛的研究和大量的应用。但由于用户评分矩阵往往非常稀疏和相似度计算不合理等原因,使得协同过滤推荐算法的精确度不高。另外推荐系统的目的是推荐的物品得到用户认可,精确度是其中一方面,用户对推荐物品感到新颖也非常重要。因此本文从提高精确度和新颖度两个方面出发,来保证推荐的物品得到用户认可。(1)为提高推荐物品的精确度,提出了一种结合争议度和信任度的协同过滤算法。该算法首先将用户间的争议度引入到相似度的计算中,得到争议相似度,并利用争议相似度对稀疏矩阵进行填充;其次对填充后的矩阵进行间接信任度的计算,再由间接信任度和相似度计算出用户之间的直接信任度;最后通过结合争议度和信任度对用户进行预测评分,产生推荐物品。(2)为提高推荐物品的新颖度,提出了一种基于新颖度的协同过滤算法。该算法首先考虑每个个体的评分标准不一样,通过基准偏移量对评分矩阵进行修正;其次算法通过降低流行度来提高推荐物品的新颖度;最后算法考虑时间对推荐的影响,将时间因子加权到传统相似度的计算公式中。综合以上因素得出综合的相似度,并利用综合相似度对目标用户进行最近邻居选择,预测推荐结果。