随着Web服务及其相关技术的迅速发展,电子商务平台不断壮大,人们在生活中经常消耗过多时间从大型数据库中获取自身需要的内容。同时,人们不可避免的面临大量不相关数据,即“信息过载”问题,这时推荐系统产生了。推荐系统能够针对用户数据记录和个人特征等信息,为用户提供个性化服务推荐。协同过滤算法(Collaborative Filtering,CF)是现有推荐系统中实际应用较成功的算法。但是,协同过滤算法在用户评分数据稀疏、冷启动、用户兴趣转移等情况下,推荐能力受到了影响。为了提高协同过滤算法推荐能力,本文做了以下工作:(1)基于优化相似性度量的协同过滤算法(OSMCF)针对用户评分数据稀疏导致的推荐结果偏差问题,本论文提出基于优化相似性度量的协同过滤算法(OSMCF)。第一步,利用KNN算法初步为用户和项目确定最近邻;第二步,通过优化的相似性方法得到两者之间的相似性,进一步优化最近邻;第三步,为目标用户推荐满意的项目。实验证明,OSMCF算法有效地解决了数据稀疏难题,OSMCF算法得到的准确度更好。(2)面向用户兴趣转移的协同过滤算法(UICCF)针对用户兴趣发生转移导致推荐系统推荐项目不准确问题,本论文在OSMCF算法的基础上,提出面向用户兴趣转移的协同过滤算法(UICCF)。该算法在求得用户对项目的评分数值的过程中,引入时间惩罚函数。实验结果表明,改进算法的推荐结果更符合用户需求。(3)基于项目评分和用户特征的协同过滤算法(IRUCCF)针对现有的协同过滤算法的冷启动问题,本论文在UICCF算法的基础上,提出基于项目评分和用户特征的协同过滤算法(IRUCCF)。IRUCCF算法结合针对同一项目的用户间评分情况和用户特征,将基于项目的CF和基于用户的CF进行线性融合。在Movie Lens和豆瓣数据集上进行验证,IRUCCF算法较对比算法更有效地提高了推荐结果的准确性。