信息量随着互联网的急剧发展呈爆炸式增长,导致用户在面对大量信息时很难从中获取真正有用的信息,推荐系统的出现在很大程度上解决了信息过载问题。协同过滤推荐算法凭借其出色的推荐质量,在推荐领域中广泛应用。协同过滤推荐算法通过分析用户的历史行为挖掘用户的喜好,找到与目标用户志趣相投的用户群体,综合他们的评价,预测目标用户对指定物品的评分。在真实环境中,随着用户和物品数量的急速增加,冷启动、数据稀疏性以及时效性等问题逐渐暴露出来,严重影响了协同过滤推荐算法的推荐质量。针对上述问题,本文对协同过滤推荐算法展开深入研究,提出了基于用户特征和信任度的推荐算法,简称User-CT算法。本文主要研究内容如下:1、针对用户评分尺度不同和评分矩阵稀疏而造成的相似度计算结果准确性低的问题,对用户的主观评分进行归一化处理;建立用户动态兴趣偏好模型,从用户的高评分中进一步挖掘用户的真实喜好,并且考虑时间因素,可以保证推荐的时效性。2、传统的协同过滤推荐算法通过用户间共同评分项目度量用户间的相似度,忽略了不存在共同评分项目的用户间的潜在关系,而这恰恰对推荐结果也有着至关重要的影响,所以建立用户信任关系模型,挖掘不存在共同评分用户间的关系。在改进的用户相似度基础上融合用户信任度,可以使得预测评分更加准确,数据稀疏性问题也有所缓解。3、传统的协同过滤推荐算法中仅仅依赖用户历史行为进行推荐,忽略了用户本身的属性特征,而用户的属性特征与用户的喜好也有一定的关系,所以引入用户人口统计属性特征预测评分,一定程度上解决了用户冷启动问题。4、将User-CT与传统的协同过滤推荐算法在MovieLens数据集上进行对比实验,实验结果表明本文提出的算法较传统的协同过滤推荐算法在推荐准确度和性能上有更好的表现,并结合实验对加权参数的选取给出了一些建议。5、以User-CT算法为核心,使用SSM框架和Bootstrap框架设计并实现了一个完整的美食推荐系统。