随着互联网的飞速发展,用户可以从网上得到的信息呈现几何级增长。互联网改变了人们的生活,带来了诸多便利,同时也造成了一些负面影响。“信息过载”就是其中之一。“信息过载”指的是用户很难从海量的信息中快速准确的找到自己所需要的信息。针对信息过载问题,目前有两种技术手段去解决。第一种就是以搜索引擎为代表的信息搜索技术,另外一种就是以推荐系统为代表的信息过滤技术。二者的区别在于,搜索引擎需要用户有明确的需求,得到信息质量的好坏很大程度取决于用户对信息描述的精准程度。而推荐系统则不同,它是根据用户的历史行为和数据去挖掘用户的兴趣和需求,可以从海量的信息中筛选出用户感兴趣的信息。在用户对自己需求不是十分明确的时候,推荐系统的作用就显得更加重要,更能满足用户的个性化需求。推荐系统的核心是推荐算法。目前,已经有很多推荐算法被提出,协同过滤便是诸多推荐算法中,应用的最多且最为有效的。虽然协同过滤推荐算法在实际商业推荐中得到了广泛应用,但是仍然存在诸如数据稀疏性,冷启动等问题。本文提出了一种结合项目标签与评分的协同过滤推荐算法,其核心在于对项目相似性度量方法进行改进,提高推荐的准确性,使得推荐的物品更具有个性化,缓解遇到数据稀疏性问题推荐不佳的情况。主要工作包括:针对传统基于项目的协同过滤推荐算法中存在推荐准确性不高,数据稀疏性问题。提出了新的项目相似性度量方法TPSSI。一方面引入了标签信息,通过项目的标签信息计算项目之间的相似度,克服了仅用项目评分信息计算相似度的不足之处。另一方面充分考虑评分相似性和结构相似性,针对原有项目相似性度量方法,在利用用户-项目评分信息计算项目相似度时,会因数据稀疏性问题,导致计算的项目相似度结果不准确的情况,改用PSSI相似性度量方法计算项目之间相似度,使得推荐更精准。本文利用Movie Lens公开数据集进行实验验证,并将本文提出的改进算法与传统基于余弦相关性的项目协同过滤算法和基于皮尔逊相关性的的项目协同过滤算法进行对比,实验结果表明,本文提出的算法能有效的提高推荐的准确性,并在一定程度上缓解因数据稀疏性问题导致推荐不佳的情况。