随着人工智能和网络技术的发展,人们可以通过各种途径获取信息。但同时也产生了信息过载的问题,用户无法在海量的信息中找到感兴趣的内容,于是个性化推荐技术应运而生。个性化推荐系统是解决“信息过载”的有效方法,并且已经被应用到各个领域,比如电商,电影,社交。协同过滤技术由于其易于实现、跨领域等优势,已经成为个性化推荐中应用最成功的技术之一。然而传统的协同过滤算法由于数据稀疏、冷启动、扩展性、鲁棒性、实时性差等问题影响了推荐的准确度。针对以上问题在分析用户行为和相关评分数据的基础上,针对其缺陷提出了一系列的改进措施,经过试验验证改进后的协同过滤算法的推荐准确度会得到一定的提高。本文主要的工作如下:1.为了解决协同过滤算法中存在的因为数据稀疏而导致的推荐效率不高的问题,提出了一种基于用户相似性的Slope One矩阵填充的协同过滤算法。该算法先使用基本的余弦相似度计算用户之间的相似度并按照相似性从高到低排列,取前n个相似性较高的用户生成用户相似度矩阵,然后用Slope One算法对近邻用户未评分项目进行预测并将预测值用于填充原始的用户-项目评分矩阵,最后按照传统的基于项目的协同过滤算法进行推荐,本文提出的算法模型缓解了数据稀疏的问题,并且在评分预测的过程中考虑到用户的相似性对评分结果的影响,推荐效果优于一般的在协同过滤基础上的推荐算法。2.在已有的协同过滤推荐算法中,并没有充分的考虑到用户属性和项目标签这些因素对推荐质量的影响,因此文中综合考虑了基于用户的属性相似性和基于项目标签的用户相似性对推荐结果的影响,将用户-属性相似性和用户-标签相似性结合到用户相似性计算之中。最终得到的用户相似性是用户-属性相似性和用户-标签相似性的加权,通过调整加权系数的使用有效的缓解了用户相似性矩阵的稀疏性,进一步提高了用户相似度的准确性,使推荐结果更加精确。通过实验可以看出,本文改进的两种算法相对于原算法在数据稀疏性和算法推荐的准确率方面均有所改善。本文的推荐算法对提高用户体验具有积极作用,对个其他方向推荐算法的研究有一定的借鉴意义。