互联网的快速发展给人们带来便利的同时,也带来了诸多问题,面对海量的信息,人们常常不知道如何选择。推荐系统是帮助用户快速发现有用信息的工具,是一种为用户“量身定制”的个性化系统。它可以根据用户的偏好需求模型来进行项目推荐,在这个过程中,与用户偏好需求越匹配的项目则越倾向于推荐给用户。协同过滤算法是最经典且最成功的推荐算法之一。传统的协同过滤推荐算法的相似度量方法忽略了用户间行为一致性的问题,导致相似度计算不够准确。另外,传统的推荐算法过度关注了推荐结果的准确率,而忽略了挖掘长尾项目的重要性。能否在推荐的过程中不降低准确率的同时,同时提高推荐项目的多样性和新颖度成为人们关注的焦点。但是推荐的准确率和多样性是两个相互矛盾的性能指标,这就需要在两者之间进行权衡。多目标优化算法是在多个目标上找寻最优解的方法,遗传算法是一种模拟生物进化过程解决多目标问题的搜索算法,将遗传算法应用到推荐系统中,这为准确率-多样性困境提供了一种新的思路。本文针对上述问题,首先设计了一种基于用户行为一致性的相似度计算方法。该方法根据用户评分是否一致来奖励或惩罚相似度计算,并在相似度计算中考虑用户评分的离散程度以及用户评分项目的交集占比。然后针对传统推荐技术中只关注推荐结果的准确率而忽略推荐多样性的问题,提出了一种基于改进NSGA-Ⅱ的协同过滤推荐算法。将传统的推荐问题建模成多目标优化问题,针对NSGA-Ⅱ算法中存在的不足提出了一种动态计算拥挤距离的方法,设计了一种基于近亲系数的交叉变异方式。最后通过改进的NSGA-Ⅱ算法对目标用户产生推荐。算法有效地保证了种群的多样性,并且解决了种群过早收敛的问题。实验结果表明,算法在不降低准确率的同时,能够有效地提高推荐结果的多样性。