个性化推荐系统(Recommender System)作为一种信息过滤的重要手段,是当前解决信息超载问题的非常有潜力的方法。其中,个性化推荐系统中的协同过滤推荐是迄今为止应用最广泛、最成功的推荐技术。随着电子商务系统规模的不断扩大,用户数目和项目数目急剧增加,传统的协同过滤推荐算法无法综合运用多个指标以及根据环境信息进行推荐,导致传统的协同过滤推荐算法不能准确反映用户的偏好从而降低推荐精确度。如何提高协同推荐系统的推荐质量已成为人们关注的主要问题,本文在对国内外研究现状综合分析的基础上,进一步对协同过滤推荐技术进行了深入研究。首先,针对传统的协同过滤推荐算法不能综合运用多个指标进行推荐的问题,通过引入多指标评分的概念对标准的协同过滤推荐算法进行扩展,提出一种基于Widrow-Hoff神经网络的多指标推荐算法,利用Widrow-Hoff最小二乘法自适应算法在进行系统辨识时的高精度拟合特性,并且采用用户偏好函数和空间距离矩阵度量用户相似度,以选择邻居集并为用户推荐最优项目,从而能够有效提高推荐系统的推荐精确度。其次,针对传统的协同过滤推荐算法不能根据用户所处环境信息进行推荐的问题,提出一种基于模糊C均值聚类的环境感知推荐算法,采用模糊C均值聚类方法对历史环境信息进行聚类,产生聚类及隶属矩阵;然后匹配活动用户环境信息与历史环境信息聚类,并且采用聚类隶属度作为映射系数将符合条件的非隶属数据映射为隶属数据,最终选择与活动环境匹配的隶属用户评分数据为用户作推荐。最后,对提出的算法进行了实验验证,和原有的方法进行了对比,并对今后的研究工作进行了展望。