随着互联网及信息技术的发展,通过网络来获取信息成为人们获取信息的主要途径之一。随着网络信息资源日益丰富,产生了“信息过载”现象,使得信息获取的难度增大,推荐系统是目前解决此问题较好的方法。协同过滤技术是目前推荐系统算法中最成熟、使用最广的一类技术,但仍然存在很多问题,比如冷启动、数据稀疏性、相似度局部动态更新、稳定性、扩展性等问题。为了解决协同过滤算法中存在的问题,本文做了如下研究:1、采用修正余弦相似度作为相似度计算的标准,并引入了加权和双极修正余弦相似度。加权修正余弦相似度,通过为共同评分数量不同的用户或项目分配不同的权重来解决修正余弦相似度计算过程中没有考虑共同评分用户数量的问题。双极修正余弦相似度通过将用户或者项目按照一定的标准划分为喜欢和不喜欢两个集合,丢弃一部分评分差异较大的相似用户或者项目,一定程度上缓解了用户-项目评分矩阵过大问题。2、提出了一种基于场景的修正余弦相似度:将用户分为专家用户和普通用户,根据专家和普通用户对同一项目在不同的应用场景下的不同评分,分别计算二者对项目评分的相似度,然后将它们按照一定的权重进行综合,得到最终的相似度计算公式。由于在启动时,专家用户评分是已有的,因此解决了新用户的冷启动问题。3、为了解决推荐系统的相似度更新问题,设计了基本、加权、双极修正余弦相似度UCF和ICF动态算法,利用增量学习方法对其相似度进行局部更新。本文通过将相似度计算公式进行分解的方法,将复杂的相似度计算公式分解为多个相似因子,分别计算这些相似因子的增量,带入相似度计算公式中,得到局部更新后的相似度。这种方法只需进行局部的相似度更新,因此降低了相似度更新时计算工作量和复杂度。