随着互联网用户的激增和移动通信终端的巨大发展,如何在海量数据中获取到有用的信息,已成为一项亟待解决的难题。推荐系统作为一种信息过滤的重要手段,正是解决这一难题的途径。推荐系统中的核心技术是推荐算法,而大多数推荐算法基于评分数据采用传统或者改进的相似度方法挖掘用户的兴趣并为其推荐。虽然这些方法得到了广泛的应用,但没有充分利用其它可利用的信息,如标签、时间因素和位置等。标签作为联系用户和项目的媒介,可以与评分数据相结合,融入到相似度的计算过程中,可以挖掘出更多用户与项目之间的关联信息,从而进一步改善推荐质量。为此,本文在评分数据的基础上,考虑标签信息,并围绕用户和项目相似度计算方法提出两种改进的协同过滤推荐算法。本文的主要内容如下:(1)提出一种基于标签权重的协同过滤推荐算法。该算法将标签信息用于计算用户间相似度,并与评分数据计算的相似度加权,提出了一种新的相似性度量方法。算法有效利用了用户和标签信息之间的联系,将标签信息用于区分用户间的相似度,提高了目标用户近邻选择的合理性。(2)提出一种融合标签和评分信息的混合推荐算法。该算法通过引入标签信息并分别在用户和项目维度上进行扩展,然后分别对扩展后的评分矩阵计算目标用户的项目预测值并线性加权得到最终预测值。该算法综合考虑评分矩阵与标签信息之间的关系,有效缓解了评分数据的稀疏性问题。本文在MovieLens数据集上测试对比传统协同过滤推荐算法,通过分别在评价指标MAE、精确度、召回率以及F1-measure上的测试结果和理论分析验证本文所提出的两种算法有着更好的推荐效果,有效提高了推荐系统的质量。