电子商务的迅速发展,导致网络消费群体数量不断增加,网络信息也随之大量涌现。商品推荐技术能根据用户的不同需求为用户提供个性化的服务,因此它在电子商务系统中得到了广泛的应用。协同过滤推荐算法是目前应用的最有效的算法之一,但该算法仍存在着一些问题,比如容易受人为因素干扰产生噪声数据,系统中用户和项目数量的增加导致了数据稀疏性。论文在传统协同过滤推荐算法的基础上针对其存在的问题提出了一些改进方法。主要研究内容如下:(1)提出一种改进的用户评分相似度计算方法。用户评分相似度计算是推荐系统的第一步也是最为关键的一步,它决定着目标用户邻域的选取。相似度是通过用户对项目的评分和项目均值来计算的,与传统方法相比,能较好的度量用户评分之间的相似度。(2)利用基于密度的局部离群点检测算法去除目标用户邻域中的噪声数据。确定目标用户的邻域后,在邻域中利用局部密度离群点算法计算每个用户的离群因子,根据预先设置的阈值,去掉离群因子较大的用户,然后利用邻域中剩下的用户进行推荐。(3)利用基于用户特征的填充评分方法缓解数据稀疏度。若用户历史评分过于稀疏,则难以为用户提供准确的推荐。在利用协同过滤算法产生推荐之前,先依据具有相同特征的用户对项目可能拥有相似的评分这个原则来填充评分矩阵中未评分的项目,进而缓解了数据稀疏性,使预测评分更加精确。(4)采用MovieLens数据集对论文提出的算法进行实验,实验结果表明改进的算法能够进一步提高推荐系统的质量。