伴随着web2.0的快速发展,现今网络上的信息量呈现急剧增长的态势,信息过载问题难以避免,为用户快速获取对自身有价值的信息带来了困扰。个性化推荐技术随之出现并逐渐成为了当前缓解该问题的有效工具,可帮助用户快速从海量信息资源中获取其自身所需要的信息。推荐算法作为实现个性化推荐最重要的部分,根据具体特点的不同有很多种类,其中的协同过滤算法因其具有的多种优良特性成为当前使用最为广泛的推荐算法之一。然而由于评分数据稀疏以及用户兴趣迁移问题,协同过滤算法的预测准确度受到了影响。为了缓解上述问题的影响,本文的工作为:(1)由于用户评分数据量有限,导致传统的相似度计算方法结果不够准确,本文提出一种改进的项目间相似度计算方法。考虑到项目属性特征以及评分用户年龄特征数据量比较充足且稳定,本文将这两方面的数据与评分数据相结合,从而避免仅使用稀疏的评分数据进行相似度计算导致计算结果不准确。(2)进一步分析发现,传统的模拟用户兴趣随时间衰减的权重函数,对不同用户设置了相同的兴趣衰减速率,导致得到的权重值不够准确。针对该问题,本文提出将用户年龄因素考虑进权重函数中,为不同年龄的用户设置符合其年龄特点的兴趣衰减速率,从而赋予用户评分更为合理的权重值。本文提出的算法首先根据改进的相似度计算公式对项目进行聚类以及最近邻的查找操作,接着在评分预测阶段,将考虑用户年龄因素的权重函数引入评分预测公式中,从而提高最终推荐结果的准确性。实验部分在选定数据集上将本文算法与传统算法进行对比实验,结果表明本文的改进算法可以缓解评分数据稀疏问题和用户兴趣迁移问题的影响,算法的预测准确度获得了提升。