随着信息技术与电子商务的高速兴起,人们的生活质量水平得到了很大的改善,并且周围的网络信息资源也随之呈爆炸式增长。这种由于出现过量的网络数据信息致使人们难以获取有益信息的问题,即“信息过载”现象。搜索引擎技术虽然在一定程度上缓解了上述问题,但却不能向用户提供个性化服务,即用户需要花费更多的时间和精力才能获得令其满意的搜索结果。在这种情形下,个性化推荐系统应运而生,不仅能够有效缓解“信息过载”给用户带来的困扰,而且能够分析总结用户历史行为数据,从而帮助用户找到其可能感兴趣的信息。本文主要针对目前应用最广泛的协同过滤推荐算法在解决系统可扩展性与数据稀疏性的过程中仍存在的一些缺陷进行分析,并提出了相应的优化解决方案。本文的主要工作有:(1)针对目前基于不同聚类技术的协同过滤算法在缓解系统可扩展性时未能同时考虑用户对项目类型的兴趣偏好以及聚类效果欠佳的问题,本文提出了融合用户偏好优化聚类的协同过滤推荐算法(CF-UPOC)。首先,在数据建模时加入项目类型特征,并利用RP-IIP算法形成细粒度用户-项目类型偏好矩阵;然后,在该矩阵上利用蝙蝠优化的用户模糊聚类算法进行聚类,并从隶属度较高的簇中选取最近邻居;最后,利用用户加权相似度对目标用户进行评分预测并产生推荐,进一步提高推荐结果准确性。实验结果表明,CF-UPOC算法在评分预测准确度与实时性方面均有所提高。(2)针对目前基于不同相似性度量的协同过滤算法在缓解数据稀疏性时未能同时考虑共同评定项目稀少、用户兴趣漂移以及项目流行度这三大问题,本文提出了基于用户混合相似度模型的协同过滤推荐算法(CF-HSM)。在构建混合相似度模型时,不仅能够在面临共同评定项目稀少的情况下,利用KL散度充分考虑用户评定过的所有项目之间相关性,而且在Pearson相关系数的基础上考虑到用户的兴趣漂移问题以及项目流行度问题,从而引入时间权重函数和项目流行度惩罚因子对用户评分进行加权处理。最后将混合相似度模型嵌入基于用户的协同过滤算法进行项目推荐。实验结果表明,CF-HSM算法在评分预测准确度、分类预测准确度以及覆盖度方面效果更佳。