随着网络的普及以及信息技术水平的提高,人们的生活方式发生了很大变化。人们已经从物质追求转化为更深层次的精神追求,博物馆作为文化传播的窗口起到越来越重要的作用。近年来,博物馆在进行信息化建设的过程中,更加重视文物的展示和传播,使用各种信息化手段将馆藏文物展示给观众,但由此带来了信息过载的问题。互联网上展示的文物数量过多,用户浏览时看不到自己想要浏览的文物信息,而推荐系统在一定程度上可以解决信息过载的问题。本文以河北博物院智慧博物馆为应用场景,对传统协同过滤推荐算法中存在的问题进行了改进,设计并实现了一套基于协同过滤的博物馆推荐系统。当用户访问系统中某个文物时,系统根据当前文物的特征属性以及用户的历史行为数据,为用户推荐与当前文物相似的其他文物信息。协同过滤推荐算法广泛应用于亚马逊、当当、淘宝等大型网站,具有良好的推荐效果^[1]。但是冷启动、评分矩阵稀疏等问题依然存在,本文结合应用场景对协同过滤算法进行以下改进:1)传统的协同过滤推荐算法在计算两个文物相似度时,主要考虑两个文物有共同评分的情况,但由于系统的评分矩阵稀疏,在计算文物相似度时误差较大。本文考虑了只对一个文物有评分的情况,对于没有评分的文物,我们需要预测用户对此文物的偏好,这个偏好可能与用户本身的活跃度和文物的流行度有关。本文综合考虑两者的影响,提出了加入相关的惩罚因子来提高推荐的准确度。2)提出了利用文物属性相似度来解决冷启动问题。如果没有用户的历史评分,利用文物特有的属性特征来计算与其他文物的相似度,可以提高推荐的准确度。3)利用人工神经网络自学习的特点,在计算文物相似度时,将用户对文物的历史评分的相似度与文物本身属性的相似度作为BP神经模型的输入,经过正向传播过程,得到最终文物的相似度,并计算文物的预测得分。然后将预测得分与真实评分的误差反向进行调整,不断更新权值和偏置,得到最终的预测模型。