信息技术和互联网的发展使得网络中的数据呈爆炸式增长,互联网大数据在记载大量用户信息和行为轨迹的同时,也带来信息过载问题。在这样的背景下,如何快速发现感兴趣的物品和信息,成为普通用户和互联网信息提供商共同面对的挑战。推荐系统,根据用户访问物品的历史记录构建用户的兴趣模型,实现给用户推荐可能感兴趣的物品列表,已经成为信息过滤和检索最受关注的热点技术。目前,推荐系统尽管已经取得了较多研究成果,但依然面临诸多挑战。其中,如何保证推荐准确性的前提下提高推荐的多样性和新颖性是亟待解决的课题。本文针对推荐的多样性和新颖性问题展开研究。首先,融合人口统计属性计算用户相似度,在此基础上,对用户聚类,给出物品的类内流行度,最终提出两种融合人口统计属性的协同过滤算法——面向准确性的协同过滤改进算法和面向多样性的协同过滤改进算法。其次,基于邻居多样性,提出了一种改进的协同过滤算法。通过修改邻居的多样性来提高推荐多样性和新颖性,并研究邻居多样性对推荐多样性和新颖性的影响。最后,通过构建用户个性化度和兴趣广度指标来量化用户偏好物品的度分布,并在选择邻居时考虑用户间的偏好分布差异,基于此提出了一种融合用户偏好分布差异的推荐算法。Movielens数据集上的实验结果表明,改进的算法能够在保证推荐准确性的前提下提高推荐的多样性和新颖性。推荐系统的多样性和新颖性是衡量推荐质量的重要指标。本文在保证推荐准确性的前提下,从三个不同的角度——融合用户人口统计属性、多样化邻居以及考虑用户偏好物品的度分布出发,基于改进的协同过滤算法提高了推荐多样性和新颖性,对实现互联网环境下的商务智能和信息服务具有重要的意义。