近年来,电子商务的快速发展给人们的生活带来了许多便利。电子商务网站上的商品种类繁多,人们很难快速地找到自己所需要的商品,因此出现了信息过载现象。推荐系统是解决信息过载问题的有效方法,协同过滤推荐技术是个性化推荐系统中应用最为广泛的技术。但协同过滤推荐算法存在数据稀疏性、推荐精度低等问题,针对这些问题,本文进行了如下两个方面的研究。针对协同过滤算法推荐精度低的问题,本文提出基于用户相似度和信任度的药品推荐算法。该方法使用基于密度的聚类算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服K最近邻算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明:本文算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。为了解决协同过滤推荐算法计算用户相似度不准确的问题,本文提出了一种融合人口统计属性的药品推荐算法。在药品聚类前,采用两阶段的特征选择方法对特征空间进行降维,以降低时间复杂度和提高K-means聚类算法的性能。在计算用户评分相似度时,引入了用户人口统计属性相似度。将用户评分相似度和人口统计属性相似度进行加权线性融合得到用户相似度,根据用户相似度为目标用户选取相似邻居集。最终为目标用户产生推荐。仿真实验表明:(1)与直接聚类相比,经过特征选择后进行药品聚类的运行时间大大减少;(2)与传统的协同过滤推荐算法相比较,本文算法的用户相似度计算更准确,提高了系统的推荐精度。