协同过滤推荐技术是目前为止应用最为成功的一种个性化推荐技术。协同过滤主要依据用户对项目的评分计算用户相似度,构建用户兴趣模型,然后搜索用户近邻集,并以此为基础为用户预测打分,选取分数较高的项目推荐给用户。协同过滤推荐系统作为目前应用最广泛的推荐系统,能够依据用户的个人数据主动的为用户提供推荐服务,且推荐项目范围广泛。但是现在仍然存在一些问题,如传统的协同过滤推荐系统相似度度量方法太过单一,导致预测结果不够准确;随着用户和项目数据的增加,庞大的用户群带来的数据稀疏性和搜索最近邻时算法的开销增大等问题。本文针对传统的协同过滤推荐系统中相似度计算方法存在的不准确现象,通过分析相似度计算过程中对最终结果产生影响的因素,提出了基于项目和时间的混合相似度计算方法,依据推荐项目不同,目标用户选择的最近邻也应该发生变化,且用户对于项目的评分会随着时间的增大而发生变化,基于这两个方面,对传统的相似度计算方法进行改进并给出了改进的相似度计算方法。实验结果表明基于项目和时间的混合相似度计算方法能提高协同推荐系统的预测准确度。本文引入拓扑势理论,使用一种基于节点位置分析的社区发现算法。在协同过滤系统中,首先将用户表示成网络中的节点,并计算出每个节点的拓扑势值,借助拓扑势自然呈现的峰谷结构,依据节点位置的不同将具有相近兴趣的用户划分到同一个社区,并将其与协同过滤推荐算法结合,在搜索最近邻用户时,不再以所有用户为对象,而是以社区内的用户为对象,使搜索范围缩小数倍,预测评分更加准确。实验结果表明该方法有效降低了稀疏矩阵对预测准确度的影响,极大地提高了预测能力及推荐效率。