互联网的飞速发展带给人们方便的同时也困扰着人们:纷呈复杂的数据让人眼花缭乱。推荐系统应运而生。协同过滤作为最早且最成功的推荐算法得到了广泛应用。它旨在挖掘用户历史行为,并以此为基础做出推荐。但随着数据规模的增大,协同过滤也暴露诸多问题。本文以基于项目的协同过滤推荐算法为基础,在推荐的过程中,针对评分矩阵的稀疏性问题、最近邻选取的实时性问题和评分预测的准确性问题进行研究和改进。最后,将这三种改进方法进行融合。本文的研究工作如下:(1)针对评分矩阵的稀疏性问题,给出并实现了基于项目特征属性的协同过滤推荐算法。该算法引入了项目的特征属性,分析了特征属性的潜在价值,利用项目的特征属性信息计算项目间的相似度,并以此为基础,再结合相似项目的评分数据对未评分项目进行评分预测,进而对稀疏的评分矩阵进行填充,提高了推荐的准确性。(2)针对最近邻选取的实时性问题,给出并实现了基于改进K-means的项聚类推荐算法。该算法引入了ABC-K聚类算法,分析了ABC-K聚类算法的设计思想及在聚类方面的优势,利用ABC-K聚类算法对项目进行聚类,仅在与目标项目相似性较高的几个聚类中进行搜索,可以显著减少搜索时间,提高推荐实时性。(3)针对评分预测的准确性问题,给出并实现了基于时间权重的协同过滤推荐算法。该算法利用时间权重函数优化了评分预测模型。首先,分析了时间对用户兴趣的影响,然后以此为基础给出了时间权重函数,将该函数与传统的评分预测模型相融合,提高了推荐准确性。(4)将以上三种改进进行融合。首先,分析了融合的思路,然后以此思路进行融合,并通过实验验证了推荐的实时性和准确性。