随着互联网的快速发展,当今时代已经是一个信息过载的时代。为了解决信息过载问题,很多研究人员开始研究推荐系统,对用户的历史行为进行挖掘,对用户兴趣进行建模,对用户未来的行为进行预测。推荐系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它有兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。推荐系统中有两个主要的问题;一个是评分预测问题,另一个是TopN推荐。协同过滤是推荐系统中应用最广泛、最成功的技术。本文主要研究协同过滤中的评分预测问题,目的在于提高评分预测的准确度,研究内容包括以下两个方面:第一,针对基于内存的协同过滤推荐,提出一种改进的相似度计算方法。在基于内存的协同过滤中,相似度的计算是核心,它既关系到近邻的选择又影响到评分预测时的加权权重。当评分矩阵比较稀疏的时候,可能会出现以下情况:两个用户之间共同的评分或两个物品之间获得共同评分非常少,但这些共同评分却非常接近,这个时候如果采用根据评分的方法计算相似度,就会获得比较高的相似度,这就导致计算出的相似度过大,不能反映真实的相关程度。本文针对这一问题,提出同时考虑评分数值和共同评分数目的改进相似度,又结合用户-物品评分的隐式反馈,形成新的相似度计算方法。实验结果表明,改进的方法能有效提高预测准确率。第二,根据基于矩阵分解的协同过滤方法,提出一种改进基于内存的协同过滤的方法。矩阵分解模型认为评分预测问题可以转化为用户-物品的评分矩阵的补全问题。在基于内存的预测评分公式中,评分预测基准是用户打分的平均值,或物品得到评分的平均值;而在矩阵分解模型中,bui是表示预测基准,但是,该预测基准分为3个部分,更加的符合实际情况。因此,本文使用基于矩阵分解模型中训练得到的评分预测基准,来替代基于内存中的评分预测基准。实验结果表明,改进的方法可以有效提高预测准确率。