协同过滤推荐系统被广泛地应用到电子商务网站等诸多领域,可以有效解决“信息超载”问题。但是,随着新用户和新项目的不断增多,推荐系统面临冷启动问题的挑战,它的存在严重影响了推荐系统的推荐质量,从而降低用户对系统的信任程度以及影响商家的经济利益。因此,如何解决推荐系统所面临的冷启动问题,提高系统的推荐质量已经成为一个值得研究的热点问题。本文基于用户冷启动问题,从非纯冷启动和纯冷启动两方面展开研究,致力于设计不受冷启动问题影响的协同过滤推荐算法。针对非纯冷启动问题,提出了一种基于融合相似度和层次聚类的冷启动推荐算法CSRA-FH。首先,针对传统相似度寻找近邻的不足,通过对人口统计学信息、用户评分信息和项目种类信息进行深入挖掘,构建一种融合相似度计算方法,克服了单一的从用户关系角度去寻找近邻的局限性。其次,针对随着用户的增多,算法计算量增大的情况,利用层次聚类算法快速获取冷启动用户的初始近邻用户集,以此来降低算法的时间复杂度。最后,在Movie Lens数据集上与现有推荐算法进行了对比实验。实验结果显示算法CSRA-FH面对非纯冷启动问题时,相比其他算法在推荐精度有所提升,能在一定程度上降低非纯冷启动问题带来的影响。针对纯冷启动问题,提出了一种基于加权Slope one和双重信任的协同推荐算法CRA＿WSODT。首先,基于加权Slope One算法对正常用户的评分进行预测填充,然后采用平均值对冷用户的评分也进行一定程度上的填充,在全局上降低数据的稀疏度。其次,基于用户信任关系和用户评分相似度的双重约束,对用户的原始信任关系进行重解构。接下来,基于重解构后的用户信任矩阵和填充后的评分矩阵,综合考虑显式信任关系与隐式信任关系,建立用户双重信任计算模型。最后将信任模型和评分矩阵融入矩阵分解模型中,通过不断迭代优化,得到冷用户对目标项目的预测评分。最后,在Film Trust数据集和Ciao数据集上与现有推荐算法进行了对比实验。实验结果显示算法CRA＿WSODT面对纯冷启动问题时,相比其他算法在推荐精度有所提升,能在一定程度上降低纯冷启动问题带来的影响。