推荐算法的需求非常之早,在机器学习还没有完全流行的时候便已经出现。尤其是到了如今互联网高速发展的时期,网络中充斥着大量的无用信息,造成的严重信息过载使得对推荐系统的需求越发明显。推荐系统将用户的需求与信息对接,即使得用户可以快速找到有价值的信息,也使得信息可以被合理的推送到需要它的客户面前,降低双方的成本。常见的推荐算法往往需要充足的信息才能拥有较好的推荐效果,因此当面临数据稀疏而无法达到精确计算的要求时,就会影响最终的推荐准确度,进而给用户带来不好的体验。针对于数据稀疏而导致的冷启动问题,本文提出了一种基于用户偏好和社会属性相似性的协同过滤算法。首先利用用户评分矩阵以及项目属性矩阵得到基于改进的时间衰减函数的用户偏好矩阵,此方法可以缓解数据稀疏性带来的难以计算用户间相似度的问题,并且根据用户偏好矩阵可以更好的对用户进行分类,再利用用户偏好矩阵使用聚类算法对用户进行分类,接下来根据聚类算法提供的用户标签,和社会属性使用stacking方法训练集成模型,从而可以在新用户进入系统时,进行较为准确的分类,进而得到新用户的最近邻用户集,最后采用Top-N算法进行生成最终的推荐列表,产生推荐,该方法可以弥补新用户或者新项目在系统中没有反馈信息的问题,有效缓解冷启动和数据稀疏性问题。最后通过多次实验,将改进算法与传统的解决冷启动方案采用预测准确度、查全率、查准率等指标进行对比,结果证明其能有效提高推荐质量。