数据信息的急剧增多导致从大量的信息中获取需求信息变得愈加困难。推荐系统可以通过对用户历史数据的挖掘,进而为用户推荐可能偏好的信息。协同过滤算法是推荐系统中最常用的推荐算法之一,但随着数据量和数据类型的增多,传统的协同过滤算法在面对稀疏且高维的数据时,出现了推荐准确率低、质量差等问题。针对上述问题,本文提出一种基于子空间划分的协同过滤推荐算法。首先,该算法将用户评分矩阵转化为感兴趣、不感兴趣以及未做评价三种类型的项目二进制矩阵,并通过二进制矩阵获得相应的项目列表,最终通过项目列表获得三种类别下的项目的子空间,通过项目子空间构建目标用户的邻居用户树,以此来寻找目标用户最近邻居集。其次,结合邻居用户树的特征,提出了一种改进的用户间相似性度量方式,该度量方式首先将邻居用户分成直接邻居用户和间接邻居用户两类,距离树根越近的邻居用户,与目标用户的相似程度越高,相似程度随着树层数的增多依次减弱,因此,对不同的邻居用户类型设置不同的相似性度量方式,并且在此基础上充分考虑受欢迎项目和时间间隔对用户间相似性度量的影响,将受欢迎项目和时间间隔惩罚因子引入到用户间相似性计算方式中,以此来完成目标用户与邻居集的相似性度量。最后,利用所提出的改进算法为用户完成推荐。实验结果表明,该算法不仅能够有效降低协同过滤推荐模型对稀疏、高维数据的敏感度,提升推荐质量,而且在与其它同类推荐算法相比,该算法也表现出一定的优越性。该论文有图17幅,表11个,参考文献76篇。