推荐系统作为解决信息过载问题的重要手段,被广泛应用于电子商务、电影社区、音乐社区以及社交网络等领域。近年来,协同过滤推荐技术,因其简单易实现、数据依赖性低、推荐结果准确等优点,成为当今推荐系统领域中最为广泛采用的技术,具有重大的学术研究价值和商业应用价值。协同过滤推荐系统中的关键算法包括“邻居模型”和“隐因子模型”。本文详细介绍了“邻居模型”和“隐因子模型”的基本原理,并针对现有方法的不足,提出了两种新的协同过滤算法：(1)基于“明星用户”的协同过滤算法。该方法是一种改进的邻居模型。首先,从原始评分数据中挖掘出小部分隐式的“明星用户”,这部分“用户”的评分是由整个推荐系统中的所有评分记录决定的；接着,在推荐算法的训练过程中,我们通过传统的相似度计算方法来度量普通用户与“明星用户”之间的相似度；最后,在推荐阶段,我们通过加权平均所有明星用户的评分,来获得对普通用户的预测评分。(2)融入物品间情景化隐式关系的概率矩阵分解模型。该方法主要探索情景信息对物品之间相互关系的影响。首先,对物品-情景评分矩阵进行分解,获得物品的隐式特征向量,并在此基础上建立物品之间情景化的隐式关系。然后,通过将物品间情景化的隐式关系融入概率矩阵分解模型,获得了比传统推荐算法更优的推荐效果。另外,本文在Movielens、Netflix以及Yahoo!音乐等三个国际公开数据集上,对比了所提出的算法和传统方法的实验结果。