随着互联网的飞速发展,海量信息产生并存储于互联网信息池中。快速、高效地从互联网中获取所需信息变得越发困难,“信息过载”问题日益严重。针对此问题,人们提出了推荐系统。它不仅能自动分析用户兴趣,而且能向用户主动推送满足其个性化需求的信息,近年来得到深入研究和广泛应用。推荐系统的实现算法众多,协同过滤推荐算法应用最为广泛,但存在“稀疏性”、“冷启动”等问题。同时,随着对推荐系统的深入使用,用户对推荐结果提出了更具“多样性”、“新颖性”等更高要求。本文致力于深入分析协同过滤推荐系统的工作原理及其存在问题,并通过深入挖掘和利用用户、项目特征信息,结合数据挖掘技术等方法,提出了综合性能更佳的协同过滤推荐算法,其主要贡献如下:第一,提出了一种基于用户兴趣特征与项目流行度控制的协同过滤推荐算法。用户给予好评的项目数量,能够反映出用户在参与度、兴趣广度、评价标准方面的特点,体现了用户的兴趣特征。项目所获好评数量反映了其流行程度。本文仔细分析了用户兴趣特征对项目相似度衡量的影响方式,以及项目的流行度对基于项目的协同过滤推荐过程的影响方式,并在传统的基于项目的协同过滤中融入两种特征信息,达到了提升算法综合性能的目的。第二,提出了一种基于项目聚类的协同过滤推荐算法。用户的兴趣涉及多种项目类别,且对不同类别项目有不同的兴趣强度。传统的基于项目的协同过滤倾向于推荐属于用户偏爱类别的项目,而忽略其他类别项目,造成推荐结果缺乏多样性。针对该问题,本文利用聚类技术将项目自动分类,并对项目分类别进行推荐,增强了推荐结果的多样性。