在信息数据骤增的时代,网络使用者们面临“信息繁多但有价值信息难以排查和筛取”的窘境。过滤技术是信息推荐系统中最为成功的技术,它诞生于20世纪九十年代,目前因为网络用户提供可靠性推荐、节省时间和方便快捷的体验已成为科研焦点。它能快速并主动预测用户的属性和兴趣方向,推送用户可能需要但又难以筛选、判断的相关信息资源。但日益增长的数据信息给传统的推荐算法带来了新的问题,庞大或稀疏的数据使得相似度计算不再精准,用户对推荐信息的满意程度下降,冷启动等问题相继产生。许多学者开始针对这些问题对传统算法进行研究与改进。本文在传统推荐算法基础上,提出一种基于用户体验度和长尾理论的推荐算法。首先阐述了用户体验度对用户产生的潜在影响,简单说明传统算法的计算公式并选择皮尔森相似性计算公式进行进一步计算。针对仅凭单一评分查找相似邻居判断有偏差这一问题,通过用户对项目的行为优评占总行为记录数及用户历史行为评分占总项目的比重产生权重,重点研究“用户评分矩阵和项目类别矩阵”,凭借长尾理论来平衡热门、冷门项目推荐概率。经实验验证得出算法有一定的改进。