互联网与信息技术的飞速发展使得复杂多样的信息充斥着整个网络,这造成了信息过载的问题。因此,利用用户的信息主动向用户推荐可能感兴趣项目的个性化推荐系统被广泛应用在各个方面。如今个性化推荐系统在实际应用中还显得不是很成熟,仍然存在着用户评价数据的稀疏性问题,推荐质量不高以及推荐实时性等问题。个性化推荐系统中的协同过滤推荐算法在用户评分数据非常稀疏的情况下,传统相似度计算方法只考虑用户对项目的评分,缺乏对置信度和兴趣变化的考虑,导致推荐质量不高。针对上述问题,本文具体研究工作和创新点如下:1.提出一种改进的基于用户置信度和时间上下文的协同过滤推荐算法。本文融入用户角色的置信度和评价项目的时间上下文到基于用户的修正余弦相似度计算方法中。首先,将用户的置信度作为动态因子添加到相似度计算中;然后,将用户之间对项目评分的时间之差融入到相似度计算中;最后,通过动态调节影响因子来获取最优的结果。实验结果表明该算法能有效地解决数据稀疏情况下相似性度量方法的不足和提高推荐质量。2.提出一种改进的基于项目置信度的协同过滤推荐算法。传统基于项目相似度的计算方法仅仅计算用户评分相似度,存在相似度计算单一的问题,忽略了项目置信度的影响。本文提出改进的项目置信度包含项目类型之间的相似程度、项目之间共同评分的用户数量的影响以及活跃用户对项目的影响。该算法在基于项目的修正余弦相似度计算方法基础上,将项目置信度融入到项目之间相似度的计算中。实验结果表明,该算法能够显著地提高预测准确率。本文主要对传统推荐算法的相似度计算方法进行改进,融入置信度和兴趣动态变化因素到其中,实验证明本文提出改进的两种算法能够有效地提高预测评分的准确率和改善推荐质量。